基于多特征融合的隧道场景车辆再识别

为解决隧道内交通监控视频的低分辨率以及光照不均匀导致的再识别准确率偏低的问题,提出了一种基于多特征融合的车辆再识别方法,通过充分利用车辆的各种有效特征信息提升车辆再识别精确度。首先,将卷积块注意力模块(Convolutional Block Attention Module, CBAM)嵌入到YOLOv5模型的骨干网络卷积层,同时采用CIoU损失和DIoU-NMS方案,提高车型检测准确率;其次,使用改进DeepSORT的表观特征提取网络和ResNet网络,分别获取深度卷积神经网络(Deep Convolution Neural Networks, DCNN)特征和车型ID特征;再次,将车型特征、DCNN特征及车辆ID特征使用加和表示层进行融合,形成可鉴别身份特征,以提高车辆再识别精度;最后,基于Softmax交叉熵损失和三元组损失设计指标函数并进行学习,对学习结果进行重排序以进一步提高模型的精度,并将算法在公开数据集VeRi776、VehicleID和自建数据集Tunnel_Veh4C进行训练验证。结果表明:与现有方法相比,提出的Rank-1、Rank-5和Rank-10识别准确率以及平均精度均值(Mean Average Precision, mAP)在上述数据集上都有了不同程度的提升,其中,mAP在Tunnel_Veh4C上提升了28.78%、20.68%、18.05%和11.99%,而Rank-1、Rank-5和Rank-10识别准确率达到了95.12%、98.48%和99.3%。此外,该方法在工程项目中进行了应用,同样取得了良好的效果。因此,该方法通过充分利用车辆各种的有效特征信息,能够有效提升车辆再识别精确度,对不同视角、光照的车辆表现出良好的再识别性能,并且在实际应用中具有较强的鲁棒性。