1.一种基于关键点和图匹配的车辆跨域重识别方法,其特征在于,包括如下步骤:Step1训练车辆的关键点模型:通过训练集对CNN网络进行训练得到关键点模型;
Step2基于关键点模型进行关键点的映射:通过关键点模型预测出车辆的关键点并映射至transformer模型上;
通过关键点模型预测出车辆的关键点s的坐标(s
其中,transformer模型滑动的步长为d,patch块的边长为h,W代表图片的宽度,Relu代表一种激活函数,t代表由关键点模型预测出的关键点映射到transformer模型的patch块;
Step3对训练集进行特征提取:利用Step2中的transformer模型提取训练集中车辆图片的全局特征和局部特征,并对图像的局部特征赋予权重;
用四个patch块做拼接操作来代表车辆的某个区域,接着经过两个完全连接层FCStep4对训练集中的车辆图片进行图匹配:对Step3中得到的每张图片的全局特征和局部特征进行拼接操作,得到代表图片的特征组,对任意两张图片的特征组进行图匹配操作,最后输出得到车辆跨域重识别模型;
Step5利用Step4中得到的车辆跨域重识别模型对跨域车辆进行重识别。
2.根据权利要求1所述的基于关键点和图匹配的车辆跨域重识别方法,其特征在于,所述Step1中训练集中的图片包含整辆车36个车辆关键点,以车辆关键点的标注作为坐标标签,对HRNet网络进行训练得到车辆的关键点模型。
3.根据权利要求1所述的基于关键点和图匹配的车辆跨域重识别方法,其特征在于,将得到的所述m个局部特征的权重和车辆的交叉熵损失做一个相乘,对车辆的身份做一个局部意义上的约束。
4.根据权利要求1所述的基于关键点和图匹配的车辆跨域重识别方法,其特征在于,所述Step3中用全局特征和车辆的交叉熵损失做一个相乘,对车辆的身份做一个全局意义上的约束。
5.根据权利要求1所述的基于关键点和图匹配的车辆跨域重识别方法,其特征在于,在所述transformer模型训练的过程中加入源域车辆和目标域车辆的摄像头标签,引入摄像头分类对抗,来实现车辆的域自适应,假设源域的摄像头有u个,目标域的摄像头有v个,x为源域真实的摄像头标签,在d代以后,将源域和目标域的摄像头分到第u+v+1类上,以此类克服域差异带来的影响,其中,z为第u+v+1类的摄像头标签,