车辆论文提纲

论文题目：基于属性与背景分割的重排名车辆重识别算法研究

摘要：随着生活水平的提高,私家车作为主流的代步工具,其数量日益庞大。与此同时,车辆增多对公共交通、社会安全带来的隐患也日渐显露,从而使得对车辆进行监控追踪的需求也更加紧迫。传统方法通过人工对车辆进行监控、追踪,这样不仅会浪费大量的人力物力,同时也会产生大量的误报、漏报。因此车辆重识别的研究应运而生。车辆重识别本质是跨摄像头下的目标识别,即通过不同摄像头获取的图像,识别同一目标车辆。由于车辆是刚性物体,同一系列不同车辆之间存在较大的相似性,而对于同一车辆,观测视角不同等因素,却会引起车辆外观信息的较大差异,从而导致已有的车辆重识别算法,因车辆之间过小的类间差距以及较大的类内差距,而面临更大的挑战。同时原始车辆图像中的背景信息,常常会干扰车辆重识别的效果。目前相关的研究通过背景分割算法将背景干扰信息去除或重新融合,在该领域已取得较好的效果。但是该类方法严重依赖于背景分割算法的实际效果,效果不好的算法可能造成有用的前景信息被去除或无用的背景干扰信息仍被保留。因此,针对以上难点,本文的主要研究工作如下:第一,针对跨摄像头下车辆重识别类内差距过大的问题,本文提出了一个特征融合模块。考虑到属性是较好的车辆辅助信息,首先从原始车辆图像中提取相应的全局特征、车辆颜色特征和车型特征之后,对车辆颜色特征和车型特征进行加权求和,然后与全局特征进行拼接,作为特征融合网络的输入,得到具有强鉴别力的车辆特征。通过该特征进行距离度量,提高正样本在结果列表中的排名。第二,针对背景干扰信息对车辆重识别效果的影响,本文提出了一种基于属性与背景分割的重排名车辆重识别算法。该算法首先通过背景分割模块提取出背景图像,接着通过特征提取模块获取背景图像特征,用于辅助优化特征融合模块获得的融合特征的排序结果,即,最后在推理阶段,通过背景之间的差异,对依据强鉴别力特征取得的排序结果进行重排名,从而减小原始车辆图像的背景差异对识别结果的影响,提高车辆重识别的效果。通过在VeRi-776和Veri-Wild数据集上的相关实验表明,本文提出的算法在Ve Ri-776数据集上的Rank1准确率达到了96.0%,相较于其他算法提升了1.7%～3.1%。在Veri-Wild三个子集上Rank1准确率达到了90%以上,相较于其他算法提升了1.2%～2%。说明该算法可以有效地减小跨摄像头不同视角下的车辆外观差异和背景干扰信息对车辆重识别造成的负面影响。最后,本文基于提出的上述算法搭建了相应的车辆重识别系统。

关键词：车辆重识别;特征融合;背景分割;重排名

学科专业：计算机技术（专业学位）

摘要

Abstract

第一章 绪论

1.1 研究背景和意义

1.2 重识别研究现状

1.2.1 基于分块检测的车辆重识别

1.2.2 基于注意力机制的车辆重识别

1.2.3 基于GAN的车辆重识别

1.2.4 基于背景分割的车辆重识别

1.2.5 基于属性的车辆重识别

1.2.6 基于重排名的车辆重识别

1.3 研究内容

1.3.1 本文的研究内容

1.3.2 本文的组织结构

第二章 相关技术及理论基础

2.1 深度学习基础理论

2.1.1 AlexNet

2.1.2 VGG

2.1.3 GoogLeNet

2.1.4 ResNet

2.2 深度学习常用损失函数

2.2.1 交叉熵损失函数

2.2.2 三元组损失函数

2.2.3 中心损失函数

2.3 特征融合算法原理

2.4 背景分割算法原理

2.5 重排名算法原理

2.6 本章小结

第三章 基于特征融合的车辆重识别

3.1 网络结构

3.1.1 特征提取模块

3.1.2 特征融合模块

3.1.3 损失函数设计

3.2 车辆重识别数据集

3.2.1 VeRi-776

3.2.2 Veri-Wild

3.3 评价指标

3.3.1 Rank-k

3.3.2 CMC曲线

3.3.3 平均精度mAP

3.4 实验分析

3.4.1 实验细节

3.4.2 实验结果与分析

3.5 本章小结

第四章 基于属性与背景分割的重排名车辆重识别

4.1 网络结构

4.1.1 背景分割模块

4.1.2 特征提取模块和特征融合模块

4.1.3 重排名模块

4.1.4 损失函数设计

4.2 实验分析

4.2.1 实验细节

4.2.2 实验结果与分析

4.3 本章小结

第五章 车辆重识别系统的实现

5.1 系统开发环境

5.2 系统结构

5.3 系统实现

5.3.1 系统主界面

5.3.2 数据载入模块

5.3.3 结果展示模块

5.4 本章小结

第六章 结论与展望

6.1 主要结论

6.2 研究与展望

参考文献

致谢