基于高置信局部特征的車輛重識別優化算法

竇鑫澤，盛浩，*，呂凱，劉洋，張洋，吳玉彬，柯韋

（1.北京航空航天大學 計算機學院 軟件開發環境國家重點實驗室，北京 100083；2.北京航空航天大學 大數據與腦機智能高精尖創新中心，北京 100083；3.澳門理工學院 應用科學高等學校，澳門 999078）

隨著監控系統智能化需求［1-2］的發展，重識別問題獲得了越來越多的關注［3］。車輛重識別算法能夠應用在車輛識別、追蹤和定位等眾多難點問題上，進一步提升公安監控系統的安全性和可靠性。車輛重識別所針對的問題是：如何在一個圖片集合中快速、準確地找到與給定車輛圖片中完全相同的車輛。車輛的角度、光照、環境、遮擋物等許多因素給車輛重識別帶來了巨大的挑戰。

車輛重識別在國內視頻監控研究領域受到了較大關注。基于車輛的定位和照片的時間戳等信息的方法［4］能夠利用額外的信息來優化車輛的重識別結果。基于重要局部特征的方法［5］能夠為不同的局部設計權重，來影響最后拼接的特征向量。關注車輛方向差異的方法［6］能夠在車輛圖片計算距離時，根據具體的方向選擇對應的全局特征。基于部件融合特征的方法［7］能夠檢測車窗和車臉區域，并將提取出的特征進行融合，利用融合后的特征計算距離，用來進行車輛的分類識別。基于特征融合和度量學習的方法［8］從降低車輛所處環境影響的角度出發，對圖片進行特征表示，通過計算馬氏距離來重識別車輛。基于特征融合的方法［9］可以對融合后的特征矩陣進行奇異值分解，提取特征值，并利用自適應調整算法來優化神經網絡，提升算法魯棒性。

在國外，針對車輛重識別問題也有很多有意義的研究工作。基于無監督的注意力方法［10］能夠在重識別的過程中自動獲得車輛的重要局部區域。在多相機系統中，以車輛三維檢測結果為基礎的方法［11］能夠準確檢測出車輛形狀、顏色和方向等信息，用于改善車輛的特征。類似地，根據車輛不同的方向來確定關鍵點的位置［12］，提取車輛的細節特征，并結合全局特征，能夠提升模型的識別準確率。此外，多任務同步學習算法［13］能夠在提取車輛特征的同時關注車輛車型和方向等信息，借助學習到的額外信息來改善識別結果。

車輛重識別問題的主要難點在于：在交通監控視頻中，汽車數量龐大，而車輛種類有限，必然會有很多外形極為相似的車輛，區分難度較高。然而，在人類視覺中，高置信局部特征可以為相似車輛分類提供重要線索。參考類人視覺的原理，本文選取車標擴散區域作為提取特征的高置信局部區域，車標及其周邊區域是車輛重要的高置信特征，幾乎所有出現在交通監控視頻中的車輛都可以捕獲到車標信息。因此，通過提取車標擴散區域特征，可以有效增強不同車輛之間的區分度。

本文利用車輛不同區域置信度不同，提出了基于高置信局部特征的車輛重識別優化（High Confidence Local Features for Vehicle Re-Identification Optim ization，HCLO）算法。首先，利用卷積神經網絡提取車輛的高置信局部特征，通過車輛關鍵點選取帶有具體局部標記的車輛圖片檢測車標擴散區域，并訓練好特征提取模型，對具體的高置信局部特征進行準確分割。然后，在局部區域檢測階段，與車標擴散區域一同檢測的還有車窗和車燈區域，這些局部區域作為輔助局部特征，利用在特征圖上截取特征張量的方式，輔助訓練全局特征。通過高置信局部特征對計算得到的全局特征向量距離進行優化。最后，設計驗證集，確定預測結果的最優權重參數，根據局部特征預測結果來增強目標車輛間的區分度，通過這種方式優化全局特征向量之間的距離，提升識別準確率。

本文的主要貢獻如下：

1）以車輛關鍵點檢測算法為基礎，設計了車輛高置信局部區域提取算法，能夠精確提取車輛的高置信局部特征。

2）訓練階段，利用車輛關鍵點檢測算法分割出車輛關鍵的局部區域，輔助訓練全局特征。

3）測試階段，利用高置信局部特征的識別結果，對圖片全局特征的距離進行改善，提升車輛重識別的準確率。

1 車輛高置信局部特征

1.1 高置信局部特征定義

高置信局部特征是車輛重識別的重要線索，能夠作為依據精準地區分外形相似的車輛，能夠作為高置信特征的局部區域需要滿足2個條件：特征提取的可行性和具有區分車輛的判別能力。本文選取車標擴散區域作為高置信局部特征提取區域。

車標是車標擴散區域的核心特征，作為汽車品牌標志幾乎存在于所有的交通車輛上，并且位置相對固定，一般是車頭和車尾相對靠下的中央區域。在設計車標擴散區域時，為了突出品牌獨特性，使消費者能夠容易地與其他汽車品牌進行區分，往往會設計風格迥異的車標。此外，車標擴散區域的組成比較簡單，大部分由簡潔的銀白色線條和圖案組成，少部分使用了鮮明顏色。圖1展示了部分常見的車標擴散區域。車輛品牌不同，設計風格具有明顯的差異，因此，車標擴散區域成為了車輛重識別一個重要的局部特征。上述先決條件使得卷積神經網絡算法能夠比較容易地提取區域特征，為基于高置信局部特征區域提升區分度提供了可行性的依據。

圖1 常見的車標擴散區域Fig.1 Popular vehicle brand extension regions

雖然汽車制造商的設計理念差異很大，但設計的具體汽車卻有很多極為相似的車型，甚至有很多貼牌生產的車型。此外，城市監控攝像頭所拍攝的圖片角度比較固定，甚至無法清晰地捕捉車輛各個角度的細節。本文提取車標擴散區域特征作為高置信局部特征，提升相似車輛區分度，提高識別準確率。圖2展示了測試數據集中車標擴散區域不同、外形卻很相似的車輛圖片，白色轎車的拍攝角度完全一致，外形也極其相似，但根據矩形框中的車標擴散區域卻可以進行區分。

圖2 不同車標擴散區域的相似車型Fig.2 Similar vehiclemodels with different vehicle brand extension regions

1.2 高置信局部特征區域檢測

通過提取高置信局部特征優化識別結果，前提條件是要能夠準確定位高置信局部特征區域，即車標擴散區域的位置信息。車輛關鍵點檢測算法能夠檢測到車輛的關鍵點，如前后車燈、4個車輪、左右倒車鏡、車窗頂點等重要位置，利用關鍵點坐標，可以準確定位車標擴散區域。本文利用Stacked Hourglass網絡［14］獲取車輛關鍵點，進而檢測并提取高置信局部特征區域。

Stacked Hourglass網絡最初被用來識別行人的姿勢，為了準確地捕捉局部信息，利用漏斗形的網絡在每一層都提取特征。通過這種漏斗形狀結構的堆積來實現關鍵點的獲取。本文通過改進Stacked Hourglass網絡，用于車輛關鍵點檢測。圖3展示了車輛關鍵點的檢測結果，一共檢測36個關鍵點，對稱地分布在車身兩側，用線條將相關的關鍵點連接，能夠準確分割車輛的表面區域，進而獲取車標擴散區域。其中，紅色線條表示由車體左側關鍵點連接所形成的車體輪廓，綠色線條表示由車體右側關鍵點連接所形成的車體輪廓，藍色線條由對稱的2個關鍵點連接形成。

圖3 車輛關鍵點檢測結果Fig.3 Vehicle key points detection results

1.3 高置信局部特征提取

完成一致化后，利用卷積神經網絡提取矩形車標擴散區域的高置信局部特征。在本文所采用的數據集中，車輛圖片的車標擴散區域幾乎包括了常見車輛的所有車標，對其從0開始標記序號，高置信局部特征最后會轉化成具體的預測數值，便于用來計算局部特征識別的準確率。

卷積神經網絡在計算機視覺領域得到了廣泛應用，在圖片分類、目標檢測、目標跟蹤等問題上具有顯著超出傳統算法的表現。高置信局部特征提取的網絡模型以ResNet50［15］為基礎進行設計改進，在網絡之后設計了額外的操作。通過ResNet50網絡對圖片進行處理，每張圖片可以得到一個三維的圖片張量，維度分別為圖片的高度、寬度和通道數。通過車標擴散區域檢測算法能夠得到車標所在矩形區域的4個頂點坐標。因為卷積后的圖片高與寬在分辨率上與原圖片并不匹配，所以按照現有高和寬的數值對坐標數據進行近似，使得能夠在三維特征張量上切割出表示高置信局部特征的張量。將獲取到的張量進行全局平均池化（Global Average Pooling，GAP）操作，該操作在通道的每一維上計算高度和寬度2個維度內的平均值，作為池化后的數值。全局平均池化操作后，張量從三維變到一維，長度與通道數相等。對向量進行1×1卷積操作，其目的是縮短特征向量的維度，減少計算過程中的誤差，1×1卷積核的數量等于維度縮減后希望的向量長度。在本文提出的算法中，設置為256維。

通過上述計算步驟，對每一張圖片都得到了一個256維的表示向量。此向量并不能表示具體的高置信局部特征提取結果，需添加一層全連接層，將向量的長度轉化成訓練集中局部特征序號的數量。再做softmax操作，使得向量數值之和等于1。

式中：x為變化前的向量；x′為softmax操作變化后的向量；len為向量的長度。

變化后的向量表示的含義是輸入車輛圖片高置信局部特征在各個維度上的概率。選取概率最大數值所在的維度序號作為模型所預測的局部特征。訓練時，借助局部特征的真實值使用交叉熵損失函數。

式中：N為所訓練的圖片數量；M為局部特征的總數；yij表示第i張車輛圖片的局部特征是否為j；Pij為模型預測第i張圖片的局部特征為j的概率。

在應用于車輛重識別之前，先做單獨的局部特征識別準確率測試，用來驗證高置信局部特征的準確性。高置信局部特征提取算法的主要計算過程可表示為

式中：E為交叉熵損失函數；W和b分別為最后全連接層的權重和偏置參數；函數f表示提取高置信局部特征的多層卷積神經網絡，其參數為θ；x為原始的圖片；y為局部特征的真實值。

2 基于高置信局部特征的車輛重識別優化網絡

2.1 網絡結構設計

圖4為基于高置信局部特征的車輛重識別優化算法的網絡結構。網絡結構整體上可以分為2個分支：上方的高置信局部特征分支和下方的主分支。輸入圖片上標注的4個紅色虛線矩形框表示根據車輛關鍵點所截取出的車標、車窗和車燈等關鍵局部信息，2個分支都使用ResNet50作為基礎的特征提取網絡，但是并不共享權重，因為主分支關注全局特征，而局部特征分支更關注車標擴散區域特征。高置信局部特征分支負責提取高置信的車標擴散區域特征，ResNet50得到的特征圖大小是16×16×2 048，根據關鍵區域信息對其進行切割操作，得到的車標擴散區域特征圖大小為5×5×2 048，再進行全局平均池化操作和1×1卷積操作，高置信局部特征的維度變化為1×1×256；最后經過全連接層，計算損失函數。主分支負責提取車輛圖片的全局特征，用來計算目標車輛間的距離，將ResNet50得到的特征圖分割成4個部分，在圖4中，使用4個顏色不同的長方體表示，分別表示全局、車標、車燈、車窗；每個部分的計算流程與高置信局部特征分支處理車標擴散區域的步驟一致，最后計算4個損失函數。

圖4 基于高置信局部特征的車輛重識別優化算法網絡結構Fig.4 Network structure of vehicle re-identification optimization algorithm based on high-confidence local features

受Part-Regularized網絡模型［16］啟發，本文算法利用提取局部信息作為輔助局部特征的方式來補充全局特征，使向量的表征能力更強。車輛關鍵點檢測算法除了獲取車標擴散區域以外，還獲取了車燈區域和車窗區域。在主分支中，車標擴散區域信息被重復利用。與高置信局部特征分支中抽取局部張量類似，提取ResNet50的輸出張量能夠得到3個局部信息，其中車燈的局部有2個，提取后取平均值。此時，局部特征連同全局特征共得到4組特征張量。對每一組特征都進行全局平均池化操作和1×1卷積操作，將三維的張量轉化成一維向量，計算損失函數。

2.2 損失函數

除高置信局部特征分支外，主分支里共需要計算4個損失函數，包括全局特征和輔助局部特征，具體分別為全圖特征、車標輔助特征、車窗輔助特征和車燈輔助特征的損失函數。4組特征的真實值都設置為車輛真實ID。在測試過程中，并不將4組特征進行拼接，而是只使用全局特征作為計算距離的向量。所以，在訓練過程中，另外3組局部特征只是起到輔助全局特征進行訓練的作用。主分支的損失函數與高置信局部特征分支相同，都使用交叉熵損失函數。

式中：r表示4個特征，即全局、車窗、車燈和車標；Wr和br分別為對應的全連接層的權重和偏置參數；fr為提取關鍵區域特征的函數；yID表示圖片對應的真實車輛ID。

所以，主分支的總損失函數為

式中：r根據式（5）選取數值；Lr為對應特征的損失函數。總損失函數為各個損失函數的加總。

2.3 高置信局部特征優化

車輛重識別問題，是在一個圖片集合中找到與給定車輛圖片完全相同的車輛。給定的圖片命名為query集合，要在其中搜索的圖片集合命名為gallery集合。對于每張圖片，本文算法模型都會得到表征向量和高置信局部特征預測值。為了在gallery圖片集合中找到與query圖片最相似的圖片，相似度的計算方式采用計算全局特征向量之間的歐氏距離：

式中：dist為計算得到的距離；a和b分別為需要計算距離的2個長度相等的向量。

按照gallery集合中每張圖片與query圖片的距離從小到大，對gallery數據集中的圖片按照相似度從高到低進行排序，獲得高置信局部特征的相似度度量結果。該結果被用來改善排序后的gallery序列。

在車輛重識別中，車輛完全相同的2張圖片，局部特征必然一致。高置信局部特征不同的圖片，則表示確定的不相同車輛。根據這一點，可以根據局部特征的相似度度量結果來改善圖片間距離，通過添加權重參數的方式使得局部特征預測2張相同圖片的距離適當縮短。

式中：wij為施加在第i張query圖片和第j張gallery圖片距離上的權重參數；λ為一個小于1的正實數常量；pred函數表示預測高置信局部特征的神經網絡，其輸出是一個具體的局部特征相似度數值。

獲得的權重參數與原始的向量距離相乘，可以獲得更新后的向量距離：

式中：distij為第i張query圖片和第j張gallery圖片向量的原始歐氏距離；為更新后的距離。

如果對于2張圖片算法預測的高置信局部特征相同，因為參數λ是小于1的，所有向量距離會縮短，圖片的相似度提高，在排序后的gallery序列中更靠前。若預測的局部特征不同，則距離保持不變。通過這種方式，利用高置信局部特征實現了圖片的區分度優化。此外，為了設置一個合適的λ值，需要額外設計驗證數據集以獲得一個合適的數值。

2.4 算法流程

在主分支和高置信局部特征分支的基礎上，本文算法的流程如圖5所示，步驟如下：

圖5 本文算法流程Fig.5 Proposed algorithm flowchart

步驟1劃分高置信局部特征訓練和測試的數據集，對局部特征進行排序，標記訓練集中所有車輛的局部區域。

步驟2訓練模型中的高置信局部特征分支，對于每張輸入圖片都能得到預測的具體局部特征，并將訓練好的模型在單獨的數據集上做測試，使其能獲得較好的識別表現，否則重新訓練。

步驟3劃分車輛重識別訓練和測試的數據集，檢測所有車輛圖片的關鍵點坐標，劃分需要的局部區域，將得到的區域坐標信息以圖片名稱為索引全部保存到一個文件中。

步驟4讀入車輛圖片和相關的局部區域坐標，訓練車輛重識別的主分支。

步驟5引入高置信局部特征結果，在公開數據集中，尋找沒有參與模型訓練和測試的圖片，設計驗證集。在驗證集上以不同的參數λ不斷地進行測試，記錄每個數值的識別表現結果，選取最優的λ數值。

步驟6在車輛重識別測試集上評估本文算法模型的表現，計算性能量化評估指標。整理其他車輛重識別算法的結果，最后進行結果的對比和分析。

3 實 驗

3.1 實驗數據集

實驗所采用的數據集是 VehicleID 數據集［17］。VehicleID數據集是使用最頻繁、關注度最高的車輛重識別數據集之一，并且有著豐富的車輛信息標注。訓練集共有圖片110 178張，車輛ID的數量為13 164。因為測試的圖片很多，所以數據集作者設計了3個大小的測試集，分別命名為small、medium和large，其中所具有的車輛ID數量分別為800個、1 600個和2 400個。在3個測試集中，不對query集合和gallery集合進行劃分，在測試時，需要在每個ID的幾張圖片中，隨機抽取一張圖片加入gallery集合當中，剩余圖片自動并入到query集合中。所以，各個尺寸的測試集中，gallery集合大小與車輛ID數量相等，對于每一張query圖片，gallery中只有一張相同車輛圖片。VehicleID數據集的具體信息可參見表1。

表1 VehicleID 數據集信息Table 1 VehicleID dataset inform ation

此外，VehicleID數據集還有一個重要特點：所有車輛都是正面或背面圖像。盡管一小部分車輛圖片存在輕微歪斜，但正面車頭車窗或者背面車尾信息并無丟失。基于高置信局部特征優化距離的方法所需車標擴散區域都存在于車輛正面或背面，因此，VehicleID數據集這一特點滿足本文算法模型所需條件。在訓練全局特征向量時，需使用的車燈、車窗等輔助局部信息也可以比較容易地獲得。

3.2 評估指標

在排序后的gallery圖片序列中，只有一張圖片是真實值。實驗使用top-K作為重識別結果的評估指標，表示在排序后的gallery序列里前K張圖片里包括真實值圖片的概率，K常見的取值有1、5和10。具體的計算公式為

式中：Q為query數據集的圖片數量；gij為第i張query圖片和第j張圖片所代表的車輛是否相同，若相同，其值為1，否則，其值為0。

3.3 實驗參數設置

車輛關鍵點檢測算法以Stacked Hourglass網絡為基礎，共標記36個關鍵點。每個batch的大小設置為4，共有200個epoch，每個epoch設置了1 000次迭代，初始的學習率設置為2.5×10-4。訓練過程中，當準確率連續5次處于平穩狀態時，下降學習率，當前的學習率變為0.96倍。

多層卷積神經網絡的訓練條件十分繁雜，相同的網絡結構、不同的訓練條件，模型會有截然不同的表現。在本文實驗中，主分支的訓練使用梯度下降法修改權重參數的值，迭代次數為240次。訓練過程中，參數的學習率對模型表現有很大影響，本文實驗中，學習率初始值設置為0.1，在150次迭代時學習率下降到0.01，在220次迭代時學習率再下降到0.001。當學習率不變時，訓練的損失下降到一定程度后不再繼續下降，在一定范圍內振蕩。采用學習率衰減的策略進行訓練可以避免這一情況的發生，讓模型訓練更充分。batch大小設置為64。輸入圖片全部將大小一致化為256×256像素，以增強數據。

在本文模型使用的ResNet50網絡中，最后一層降采樣過程里，原始步長（stride）設置為2。降采樣的目的是為了縮小特征圖的空間尺寸，便于后續操作。但圖片分辨率越高，容納信息也就越多。為了提高特征圖的表示能力，本文算法將ResNet50最后降采樣的步長設置為1，通過傳遞更多信息的方式來提升模型表現。

此外，隨機消除（Random Erasing）［18］也是一種數據增強策略。為了模擬圖片中存在遮擋物的現象，對于部分圖片可以隨機選擇一個矩形區域消除掉所有的像素值。對于每一張圖片，設使用隨機消除的概率為pre，本文實驗中設置為0.5。隨機選取一個點的坐標（p，q），再隨機選取一個矩形的長length和寬width；如果（p+legnth，q+width）所表示的點不在圖片之中，則重新隨機；直到（p+legnth，q+width）在圖片之中為止。這樣就得到了一個矩形對角線的2個頂點，在該隨機過程中，將矩形的縱橫比限制在一定范圍內，矩形面積與整張圖片面積的比例設置為0.02～0.3之間。所選矩形內的像素并不全部清除，而是設置為各個像素點的平均值。通過這種方式，每張輸入圖片都有0.5的概率會有一個矩形區域覆蓋掉，模擬了實際中存在遮擋物的情形，增強了模型的泛化能力。

3.4 高置信局部特征模型的訓練分析

高置信局部特征分支需要在主分支訓練和測試之前進行訓練，才能將局部預測結果應用到主分支當中。VehicleID數據集中標記了一部分圖片的車型，車型總數共計250個，對這些車型按照是否具有相同車標這一標準進行聚類，可以得到46種不同的車標擴散區域。對于高置信局部特征模型的訓練，一共選取50 000張圖片，其中40 000張圖片用來訓練，10 000張圖片用來測試車標擴散區域識別的準確率。計算識別準確率的公式為

式中：T為車標擴散區域識別測試集中的圖片數量；ansi為第i張圖片的局部特征預測結果，若預測正確，其值為1，預測錯誤，其值為0。

在實際實驗中發現，雖然標注了車型的圖片和用于重識別問題的圖片都來自于同一數據集，但是二者本身存在較大差異：前者的圖片一般比較清晰，分辨率較高，細節特征很突出，可以借助這些信息標注車輛的具體車型；而后者大部分圖片不夠清晰，分辨率較低，存在遮擋，光照條件也不盡相同。為了解決這一問題，盡可能地消除或降低2類圖片的差異，本文實驗在高置信局部特征提取的訓練集中，加入了重識別訓練集中標注車標擴散區域的部分圖片，使得新的高置信局部特征訓練集的車標擴散區域總數增加到了93個，圖片總數為44 024張。車標擴散區域種類的具體分布可參見圖6，因為部分車標非常常見，對于這樣的圖片只選擇2 000張加入訓練集中，確保每種車標的擴散區域至少有一張圖片。

圖6 車標圖片分布Fig.6 Image distribution of vehicle brands

訓練過程中的每次迭代只訓練93張圖片，即每次迭代中每種車標都會被訓練，迭代次數為6000次，學習率初始值設置為0.1，3 000次迭代后學習率下降為0.01，5000次迭代后學習率下降到0.001。雖然迭代次數很多，但每次迭代訓練的圖片很少，所以全部的訓練過程只需要5～6 h就可以完成。在測試集上的高置信局部特征準確率為98.4%，這充分說明了局部特征識別結果的可信程度，為后續局部特征識別結果的應用創造了前提條件。

為了將車標擴散區域的識別結果應用到車輛重識別問題中，需要確定權重參數λ。因為VehicleID數據集中有大量可用于測試的車輛圖片，標準測試集只是抽取了一部分，所以可以選擇一部分沒有用到的圖片作為驗證集，來確定參數最優值。本文實驗選取了400個車輛ID，共計3 136張圖片做驗證集，并劃分驗證集的query集合和gallery集合。在驗證集上的測試，權重參數λ從1開始，以0.01為跨度逐漸減小。實驗結果如圖7所示，橫坐標為權重參數λ，縱坐標為驗證集在該條件下top1的識別準確率。

圖7 驗證集上的實驗結果Fig.7 Experimental results on validation set

當權重參數λ剛開始下降時，top1的識別準確率逐漸上升，在權重參數λ為0.91時達到峰值。此后，隨著權重參數λ的下降，top1的識別準確率略有下降。因此，本文實驗中，權重參數λ的最優值取0.91。在后續車輛重識別的實驗中，也將權重參數λ設置為0.91。

3.5 實驗結果與分析

本文算法與各算法在VehicleID數據集上的對比可參見表2。OIFE模型針對不同方向的車輛圖片，能夠將提取得到的特征轉化為一個方向無關的向量，以盡可能消除或降低車輛方向差異帶來的影響。NuFACT模型能夠根據車輛的不同方向來提取特征，同時為了保證模型運行的效率，還對特征向量進行一定程度的降維。VAMI模型也重點關注圖片中車輛的不同方向問題。C2F模型設計了coarse-to-fine損失函數，將相同車輛的圖片盡可能拉近，將不同車輛的圖片拉遠。RAM模型從局部區域抽取特征，重要的局部區域會包含可以分辨相似車輛的重要細節。根據表2的對比結果顯示，本文算法在VehicleID數據集的top1識別準確率上均好于其他算法。

表2 不同算法top1的識別準確率對比結果Tab le 2 Top1 recognition accuracy results of d ifferen tm ethods

本文算法模型以Part-Regularized網絡模型為基礎進行改進，使用車輛關鍵點檢測算法來獲取車燈、車窗和車標等關鍵的局部區域。同時檢測車標擴散區域，在重識別的測試階段，將高置信局部特征預測的結果添加到向量距離計算的過程中，使得局部特征識別相同的車輛的向量距離更近。實驗結果表明，在VehicleID的3個測試集中，top1的識別準確率均有明顯提升，分別提升了0.8%、2.1%和1.0%，證明了本文算法模型的有效性。

單獨使用一個分支的車輛重識別準確率結果可參見表3。僅使用主分支，VehicleID的3個測試集的重識別準確率分別為78.4%、75.9%和74.4%。僅使用高置信局部特征分支，準確率分別為24.1%、18.9%和15.5%。2個分支都使用本文算法。結果顯示，2個分支均使用的情況能夠獲得最高的重識別準確率，并且比只使用一個分支均有明顯提升。

表3 top1的識別準確率消融對比結果Tab le 3 Ab lation com parison resu lts of top1 recognition accuracy

4 結 論

本文提出了一種基于高置信局部特征的車輛重識別優化算法，具有以下特點：

1）具有提取高置信局部特征的分支，能夠準確檢測并識別車標擴散區域，識別準確率高達98.4%。

2）重點關注車輛的輔助局部信息，利用車輛關鍵點檢測算法，檢測車輛的車燈、車標和車窗區域，以Part-Regularized網絡為基礎，利用局部信息來輔助訓練全局特征。

3）將高置信局部特征引入到圖片間距離計算的過程中，通過設置驗證集確定具體的權重參數。實驗表明，本文算法的重識別top1的識別準確率有明顯提升。