一种车辆重识别方法、系统、装置及存储介质

1.本发明涉及一种车辆重识别方法、系统、装置及存储介质，属于图像处理、计算机视觉和深度学习技术领域。


背景技术：

2.车辆重识别是指从由多个不重叠的摄像头捕获的车辆图片集合中找到与给定车辆相同的车辆图片，近年来，车辆重识别(vehicle re-identification,vehicle re-id)在智能交通和智慧城市应用广泛：1)在公共治安领域可以协助工作人员对特定目标车辆(如交通事故中的肇事车辆、失踪车辆等)进行检索，搜索该车辆在交通监控网络中出现过的图像；2)在跨视图车辆跟踪领域，可以对不同监控场景内的车辆进行匹配，将不同场景内的相同车辆联系在一起，实现更广范围的车辆跟踪。
3.随着深度学习的发展，车辆重识别取得了一定的进步，对于大规模且带标签的数据集，有监督深度学习的特征提取能力显著地提好了车辆重识别的性能；但是一个大规模且高质量数据集的制作是十分困难和昂贵的，数据集中人工错误的标注往往会阻碍网络模型找到与给定图片相似的图片；此外，实际应用场景的变化使得光照强度，天气和气候和图片背景等发生了改变，从而导致训练好的网络模型直接应用在新的场景时，模型的性能会急剧下降；解决该问题直接的方法是重新制作新的交通场景的车辆数据集并且重新训练，但是这种方法所花费人工和时间成本是高昂的，不适合在实际交通场景中部署。
4.针对跨域造成网络模型性能下降的问题，不少研究人员开始关注领域自适应，领域自适应是指将从有标签的源域中学习到的知识迁移到没标签的目标域中；huang等人提出的多域多任务模型(dual-domain multi-task,ddm)模型通过高斯过滤器根据出现频率将数据集划分为两个子集数据域，he等人提出一个多域学习方法来联合真实数据和虚拟数据进行训练，peng等人提出一种数据自适应模块来生成与未标记的目标域数据分布相似的的车辆图片；上述方法大多采用卷积神经网络进行特征提取，但是无法建立长距离特征之间相关性，导致网络模型无法提取车辆鲁棒性的特征，此外部分方法如cyclegan、spgan等生成的虚拟数据与实际交通场景中的车辆存在偏差。


技术实现要素：

5.本发明的目的在于提供一种车辆重识别方法、系统、装置及存储介质，解决现有技术中特征提取准确度低、识别存在偏差等问题。
6.为实现以上目的，本发明是采用下述技术方案实现的：
7.第一方面，本发明提供了一种车辆重识别方法，包括：
8.获取待识别图片和图库集；
9.将待识别图片输入到训练好的学生网络中，从图库集中识别出与待识别图片中的车辆相似度最高的车辆图片。
10.结合第一方面，进一步的，所述学生网络包括重叠片段嵌入、transformer编码器
和多层感知机；
11.重叠片段嵌入用于将待识别图片转换成序列向量；
12.transformer编码器用于从序列向量中提取车辆的特征向量；
13.多层感知机用于调整和统一提取出的特征向量的维度。
14.结合第一方面，进一步的，所述图库集通过以下方法得到：
15.将多个不重叠的摄像头捕获的车辆图片放入一个集合中，得到图库集。
16.结合第一方面，进一步的，所述学生网络通过以下方法进行训练：
17.获取数据增强的训练集，训练集中包含有标签和无标签的样本；
18.搭建基于半监督的知识蒸馏框架，知识蒸馏框架由教师网络和学生网络构成，教师网络的深度设置为大于学生网络的深度；
19.使用有标签的样本对教师网络和学生网络进行预训练；
20.使用有标签的样本对知识蒸馏框架进行源域数据知识蒸馏，使用无标签的样本对知识蒸馏框架进行目标域数据知识蒸馏，完成训练。
21.结合第一方面，进一步的，所述数据增强的训练集通过以下方法得到：
22.获取源域和目标域；
23.通过主动边界采样，从目标域中筛选出无标签的样本并赋予标签，得到被标注目标域样本子集，将被标注目标域数据集和源域的并集作为训练集。
24.结合第一方面，进一步的，所述从目标域中筛选出无标签的样本并赋予标签，得到被标注目标域样本子集，包括：
25.计算目标域中未被赋予标签的样本的查询函数值，对查询函数值最大的样本赋予标签后送入被标注目标域样本子集，所述查询函数值通过以下方法计算：
26.q(x)＝1-(p
1*-p
2*
)
27.其中，q(x)是查询函数值，p
1*
和p
2*
分别是该样本的预测概率向量中的最大值和第二大值；
28.在每一次计算查询函数值之前，使用softmax函数对预测概率向量中的类别概率进行归一化，使得查询函数值被约束在0到1之间。
29.结合第一方面，进一步的，所述学生网络在训练时的损失函数为：
[0030][0031][0032][0033][0034]
[0035]
其中，l
total
是总损失，lm是边界损失，lc是交叉熵损失，l
js
(θs，τ
js
)是源域数据知识蒸馏的js散度，是目标域数据知识蒸馏的js散度，lm(x，y)是，x是学生网络的输入，m是控制边界的宽度，c(g(x))y是学生网络的第y个输出，c(g(x))i是学生网络的第i个输出，[]
+
是修正线性单元函数，m是训练时样本的数量，k是训练时样本的类别数，j是车辆图片的类别标签，yi是随类别标签变化的常数，当类别标签为j时yi取1，否则取0，p
ij
是待识别图片的类别标签为j的预测概率，n是学生网络中序列向量的片段数，ps
i，j
是学生网络的类别概率向量，pt
i，j
是教师网络的类别概率向量，是教师网络的预测可能性向量，是学生网络的预测可能性向量。
[0036]
第二方面，本发明还提供了一种车辆重识别系统，包括：
[0037]
图片获取模块：用于获取待识别图片和图库集；
[0038]
车辆识别模块：用于将待识别图片输入到训练好的学生网络中，从图库集中识别出与待识别图片中的车辆相似度最高的车辆图片。
[0039]
第三方面，本发明还提供了一种车辆重识别装置，包括处理器及存储介质；
[0040]
所述存储介质用于存储指令；
[0041]
所述处理器用于根据所述指令进行操作以执行根据第一方面任一项所述方法的步骤。
[0042]
第四方面，本发明还提供了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面任一项所述方法的步骤。
[0043]
与现有技术相比，本发明所达到的有益效果是：
[0044]
本发明提供的一种车辆重识别方法、系统、装置及存储介质，将待识别图片输入到训练好的学生网络中，训练好的学生网络能够扩大网络的感受野范围和建立远距离特征间的相关性，有助于提取更加鲁棒性的特征，最后从图库集中识别出与待识别图片中的车辆相似度最高的车辆图片，识别准确度高。
附图说明
[0045]
图1是本发明实施例提供的一种车辆重识别方法的流程图；
[0046]
图2是本发明实施例提供的主动边界采样的流程图；
[0047]
图3是本发明实施例提供的主动边界采样的原理图；
[0048]
图4是本发明实施例提供的学生网络的结构示意图；
[0049]
图5是本发明实施例提供的知识蒸馏框架的结构示意图。
具体实施方式
[0050]
下面结合附图对本发明作进一步描述，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0051]
实施例1
[0052]
如图1所示，本发明实施例提供的一种车辆重识别方法，包括以下步骤：
[0053]
s1、获取待识别图片和图库集。
[0054]
将多个不重叠的摄像头捕获的车辆图片放入一个集合中，得到图库集。
[0055]
s2、将待识别图片输入到训练好的学生网络中，从图库集中识别出与待识别图片中的车辆相似度最高的车辆图片。
[0056]
首先搭建学生网络，学生网络为基于transformer的特征提取网络，被设计用来提取具有高鲁棒性和高鉴别性的车辆特征，其结构如图4所示，主要由重叠片段嵌入、transformer编码器和多层感知机(multi-layer perceptron,mlp)构成；重叠片段嵌入用于将待识别图片转换成序列向量，transformer编码器用于从序列向量中提取车辆的特征向量，transformer编码器设置有多个，堆叠而成最终的编码器，transformer编码器中的注意力机制增大了网络的感受野范围并且建立远距离特征之间的相关性，从而增强提取出的车辆特征的鲁棒性和鉴别性；多层感知机用于调整和统一提取出的特征向量的维度。
[0057]
重叠片段(overlapping patches)嵌入的目的是将待识别图片(车辆图片)转换成序列向量，从而将序列向量作为transformer编码器(骨干网络)的输入；首先将完整的待识别图片x∈rh×w×c按照人为预定义地划分成固定大小p
×
p的n个片段并通过线性映射转化为序列向量其中h、w、c分别代表图片的高、宽和通道数，n表示序列向量的片段数。
[0058]
本实施例采用滑窗口生成重叠像素的片段，保留了片段的周边信息，改善了局部信息丢失的情况，片段数通过以下公式进行计算：
[0059][0060]
其中，s是步长大小，表示向下取整。
[0061]
重叠片段嵌入还增加了类别向量和位置向量，利用位置向量对划分的片段进行定位，防止片段的顺序被打乱(如旋转、镜像等)时学生网络将两张不同的车辆图片错误地识别为同一车辆，重叠片段嵌入的最终输出可以表示为：
[0062][0063]
其中，z0是重叠片段嵌入的最终输出，x
cls
表示类别向量，包含类别信息，p
pas
则是位置向量，包含位置信息，f是一种线性投影映射。
[0064]
transformer编码器的作用是从序列向量中学习车辆特征，首先，将序列向量通过线性映射转换成三种变量：查询向量(query,q)，匹配键值向量(key,k)和数值向量(value,v)，如下式所示：
[0065][0066]
其中，wq,wk,wv分别是线性映射中不同的权重矩阵。
[0067]
然后将每个查询向量和所有的匹配键值向量进行点乘，计算出相似度并归一化得
到相似度权重，最后注意力分数和数值向量相乘得到序列向量之间的相关性，加强车辆宏观外观在图片中的关注度和局部特征之间的相关性，上述序列向量之间的相关性通过下式进行计算得到：
[0068][0069]
其中，表示每个特征的维度，
·
表示矩阵相乘，t表示倒置。
[0070]
通过堆叠不同数量transformer编码器构成不同深度的特征提取网络，和vit一样，将最后一层transformer编码器的第一个输出作为网络所提取的特征。
[0071]
多层感知机用于调整和统一transformer编码器提取出的特征的维度，由两个全连接层构成，中间的激活函数为高斯误差线性单位(gaussian error linerar units,gelu)，多层感知机的输出是学生网络的预测向量，对于每一个训练图片x，输出的预测向量可以表示为d＝c
t
(g
t
(x))，其中，g(
·
)是特征提取器，c(
·
)是线性分类器。
[0072]
预测向量的类别概率的表达式为：
[0073][0074]
其中，τ是温度超参数。
[0075]
获取数据增强的训练集，训练集中包含有标签和无标签的样本。
[0076]
获取目标域和源域，本实施例中设计主动边界采样(active simple by margin,asm)从目标域筛选样本增强训练集，从而减少目标域和源域之间的分布差异。
[0077]
主动边界采样的流程如图2所示，将有标签的源域样本表示为ds＝{(xs,ys)}，其中xs是样本本身，ys∈{1,2,
…
,k}是样本对应的标签，k是样本的类别数，无标签的目标域样本表示为d
t
＝{x
t
}，筛选后被赋予标签(被标注)的目标域样本子集表示为初始化为一个空集φ。
[0078]
无标签的目标域样本在训练阶段渐进式地被多次采样，对于每一个被筛选出来的样本分配作为它的标签；在每一个采样步骤结束后，新标注的目标域样本增强了学生网络可以用源域样本ds和被标注目标域样本子集的并集作为训练集进行训练，然后在最大边界损失函数的约束下，更新完的学生网络从集合中筛选满足边界采样函数的目标域样本。
[0079]
主动边界采样的过程将不断重复直到被采样的目标域样本数达到阈值
[0080]
为了减小源域的偏差和防止被训练的学生网络过分关注数量多的源域样本而忽视信息量丰富的目标域样本，本实施例中提出使用源域中的困难样本来约束训练目标，源域中的困难样本不仅能够有影响决策边界而且携带的域偏差信息较少，该过程通过边界损失进行监督，具体而言，通过不断筛选进训练集的样本，使得决策边界被精炼和泛化。
[0081]
为了评估未标记目标域样本的重要性，本发明采用了简洁而有效的边界采样查询函数，计算目标域中未被赋予标签的样本的查询函数值，对查询函数值最大的样本赋予标签后送入被标注目标域样本子集，所述查询函数值通过以下方法计算：
[0082]
q(x)＝1-(p
1*-p
2*
)
[0083]
其中，q(x)是查询函数值，p
1*
和p
2*
分别是该样本的预测概率向量中的最大值和第二大值，样本到类别的距离越小，q(x)的值越大，因此未标注的目标域样本通过上式可以进行重排序，排在最前面的样本将被标注来增强训练样本；
[0084]
在每一次计算查询函数值之前，使用softmax函数对预测概率向量中的类别概率进行归一化，使得查询函数值被约束在0到1之间，softmax函数的表达式为：
[0085]
p＝softmax(c(g(x
t
)))
[0086]
其中，p是归一化的结果。
[0087]
搭建如图5所示的基于半监督的知识蒸馏框架，知识蒸馏框架由教师网络和学生网络构成，主干网络为学生网络，即如图4所示的基于transformer的特征提取网络，教师网络的深度(transformer编码器堆叠的数量)设置为大于学生网络的深度，故前者的网络规模要远大于后者，通过教师网络对学生网络进行监督和引导训练，使得学生网络学习到教师网络的类别概率分布；图5中的已标注数据和未标注数据分别表示有标签的样本和无标签的样本。
[0088]
首先使用训练集中有标签的样本对教师网络和学生网络进行预训练；在预训练过程中通过交叉熵损失对网络进行约束，交叉熵损失的计算公式为：
[0089][0090]
其中，lc是交叉熵损失，m是训练时样本的数量，k是训练时样本的类别数，j是车辆图片的类别标签，yi是随类别标签变化的常数，当类别标签为j时yi取1，否则取0，p
ij
是待识别图片的类别标签为j的预测概率。
[0091]
然后使用训练集中有标签的样本对知识蒸馏框架进行源域数据知识蒸馏，使用训练集中无标签的样本对知识蒸馏框架进行目标域数据知识蒸馏，完成训练。
[0092]
知识蒸馏有助于提高特征表示网络的泛化能力，这意味着学生网络可以从教师网络中挖掘知识。
[0093]gs
和g
t
分别表示学生网络和教师网络并且它们的分类器分别由cs和c
t
表示，对于给定的有标签的源域样本，知识蒸馏的目的是将学生网络的类别概率向量ps＝softmax(cs(gs(x)))近似于教师网络的类别概率向量p
t
＝softmax(c
t
(g
t
(x)))，通过p
t
和ps之间的js散度来训练知识蒸馏：
[0094][0095]
其中，l
js
(θs，τ
js
)是源域数据知识蒸馏的js散度，n是学生网络中序列向量的片段数，k是训练时样本的类别数。
[0096]
有效的利用未标记的目标域样本，我们设计了一个额外的学生网络分类器，其维度与教师网络的一致，对于给定的无标签的目标域样本，教师网络的预测可能性向量为
可以被认为是一种软伪标签，通过同样的方式来获取学生网络的预测可能性向量然后通过下式的js散度进行约束：
[0097][0098]
其中，是目标域数据知识蒸馏的js散度，n是学生网络中序列向量的片段数，k是训练时样本的类别数。
[0099]
在训练时使用源域中的困难样本来约束训练目标，该过程通过边界损失进行监督，边界损失的计算公式如下：
[0100][0101]
其中，lm(x，y)是，x是学生网络的输入，m是控制边界的宽度，c(g(x))y是学生网络的第y个输出，c(g(x))i是学生网络的第i个输出，[]
+
是修正线性单元函数。
[0102]
训练过程的总损失如下：
[0103][0104]
其中，l
total
是总损失。
[0105]
将步骤s1中获取的待识别图片输入到训练好的学生网络中，进行特征提取，通过计算待识别图片和图库集特征的欧式距离并按距离从小到大进行排序，排在最前列的车辆图片为与待识别图片中的车辆相似度最高的车辆图片，完成车辆重识别。
[0106]
本发明从样本采样，特征提取和预测概率分布三个层面提高域自适应车辆重识别的表现；通过从目标域中选取满足主动边界采样的数据来增强训练集，减少目标域和源域之间的分布差距；对处理后的采样样本，利用transformer进行特征提取，transformer中的自注意力机制扩大了网络的感受野范围和建立远距离特征间的相关性，有助于网络提取更加鲁棒性的特征；最后对网络预测的类别概率分布进行知识蒸馏，使用大规模的教师网络来监督和诱导训练学生网络，通过js散度进行约束。
[0107]
本发明提出了联合边界主动采样策略和transformer特征提取网络的方法；源域和目标域的数据分布不一致，直接将源域中学到的知识运用到目标域会因域偏差导致性能降低，从无标记的目标域样本集中筛选出与不同类别中心距离相近的边界处的样本即困难样本来增强训练数据，从而减少源域和目标域之间的分布差异；将增强后的源域样本集输入到以transformer编码器作为主干网络的模型中，利用transformer编码器中的自注意力机制建立长距离特征之间的关系，使得被提取的车辆特征更加具有鲁棒性。
[0108]
本发明提出边界主动采样(active simple by margin,asm)策略，asm主要通过评估数据样本到不同类别中心的距离来实现采样，由一个最大化边界损失函数和一个边界采样查询函数组成；最大边界损失函数被用来描述无标签样本和源域中困难样本之间的相似性并指导网络最大化源域中不同类别之间的距离；边界采样查询函数被用来筛选目标域中
信息量丰富并且靠近训练好的决策边界的样本；从无标签的目标域样本中渐进式地筛选出满足条件的样本并将其与源域数据一起输入特征提取网络进行训练，通过数据增强可以有效地缓解源域和目标域中的数据分布的偏差问题。
[0109]
本发明提出了聚合有标签和无标签样本的知识蒸馏框架，数据增强后的训练集往往需要网络层数或参数量较大的网络进行训练，小网络在大数据面前可能出现训练瓶颈，然而在实际场景中，大网络并不利于部署与测试；知识蒸馏的目的是将高精度且笨重的教师网络转换成紧凑的学生网络，虽然教师网络具有高精度，但是其模型和参数量过大不适用实际测试，小规模的学生网络被设计来受到教师网络的监督和诱导训练，实现知识迁移；考虑到，与特征知识和关系知识等相比，预测概率包含了更多的正样本和负样本信息并且有助于标签平滑，本文主要对预测概率进行知识蒸馏；通过js散度进行约束，使得学生网络能学习到教师网络类别预测的可能性分布。
[0110]
实施例2
[0111]
本发明实施例提供的一种车辆重识别系统，包括：
[0112]
图片获取模块：用于获取待识别图片和图库集；
[0113]
车辆识别模块：用于将待识别图片输入到训练好的学生网络中，从图库集中识别出与待识别图片中的车辆相似度最高的车辆图片。
[0114]
实施例3
[0115]
本发明实施例提供的一种车辆重识别装置，包括处理器及存储介质；
[0116]
所述存储介质用于存储指令；
[0117]
所述处理器用于根据所述指令进行操作以执行下述方法的步骤：
[0118]
获取待识别图片和图库集；
[0119]
将待识别图片输入到训练好的学生网络中，从图库集中识别出与待识别图片中的车辆相似度最高的车辆图片。
[0120]
实施例4
[0121]
本发明实施例提供的计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现下述方法的步骤：
[0122]
获取待识别图片和图库集；
[0123]
将待识别图片输入到训练好的学生网络中，从图库集中识别出与待识别图片中的车辆相似度最高的车辆图片。
[0124]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0125]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0126]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0127]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0128]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

技术特征：
1.一种车辆重识别方法，其特征在于，包括：获取待识别图片和图库集；将待识别图片输入到训练好的学生网络中，从图库集中识别出与待识别图片中的车辆相似度最高的车辆图片。2.根据权利要求1所述的一种车辆重识别方法，其特征在于，所述学生网络包括重叠片段嵌入、transformer编码器和多层感知机；重叠片段嵌入用于将待识别图片转换成序列向量；transformer编码器用于从序列向量中提取车辆的特征向量；多层感知机用于调整和统一提取出的特征向量的维度。3.根据权利要求1所述的一种车辆重识别方法，其特征在于，所述图库集通过以下方法得到：将多个不重叠的摄像头捕获的车辆图片放入一个集合中，得到图库集。4.根据权利要求1所述的一种车辆重识别方法，其特征在于，所述学生网络通过以下方法进行训练：获取数据增强的训练集，训练集中包含有标签和无标签的样本；搭建基于半监督的知识蒸馏框架，知识蒸馏框架由教师网络和学生网络构成，教师网络的深度设置为大于学生网络的深度；使用有标签的样本对教师网络和学生网络进行预训练；使用有标签的样本对知识蒸馏框架进行源域数据知识蒸馏，使用无标签的样本对知识蒸馏框架进行目标域数据知识蒸馏，完成训练。5.根据权利要求4所述的一种车辆重识别方法，其特征在于，所述数据增强的训练集通过以下方法得到：获取源域和目标域；通过主动边界采样，从目标域中筛选出无标签的样本并赋予标签，得到被标注目标域样本子集，将被标注目标域数据集和源域的并集作为训练集。6.根据权利要求5所述的一种车辆重识别方法，其特征在于，所述从目标域中筛选出无标签的样本并赋予标签，得到被标注目标域样本子集，包括：计算目标域中未被赋予标签的样本的查询函数值，对查询函数值最大的样本赋予标签后送入被标注目标域样本子集，所述查询函数值通过以下方法计算：q(x)＝1-(p
1*-p
2*
)其中，q(x)是查询函数值，p
1*
和p
2*
分别是该样本的预测概率向量中的最大值和第二大值；在每一次计算查询函数值之前，使用softmax函数对预测概率向量中的类别概率进行归一化，使得查询函数值被约束在0到1之间。7.根据权利要求4所述的一种车辆重识别方法，其特征在于，所述学生网络在训练时的损失函数为：
其中，l
total
是总损失，l
m
是边界损失，l
c
是交叉熵损失，l
js
(θ
s
，τ
js
)是源域数据知识蒸馏的js散度，是目标域数据知识蒸馏的js散度，l
m
(x，y)是，x是学生网络的输入，m是控制边界的宽度，cg(x))
y
是学生网络的第y个输出，c(g(x))
i
是学生网络的第i个输出，[]
+
是修正线性单元函数，m是训练时样本的数量，k是训练时样本的类别数，j是车辆图片的类别标签，y
i
是随类别标签变化的常数，当类别标签为j时y
i
取1，否则取0，p
ij
是待识别图片的类别标签为j的预测概率，n是学生网络中序列向量的片段数，ps
i，j
是学生网络的类别概率向量，pt
i，j
是教师网络的类别概率向量，是教师网络的预测可能性向量，是学生网络的预测可能性向量。8.一种车辆重识别系统，其特征在于，包括：图片获取模块：用于获取待识别图片和图库集；车辆识别模块：用于将待识别图片输入到训练好的学生网络中，从图库集中识别出与待识别图片中的车辆相似度最高的车辆图片。9.一种车辆重识别装置，其特征在于，包括处理器及存储介质；所述存储介质用于存储指令；所述处理器用于根据所述指令进行操作以执行根据权利要求1至7任一项所述方法的步骤。10.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。

技术总结
本发明公开了一种车辆重识别方法、系统、装置及存储介质，属于图像处理、计算机视觉和深度学习技术领域，方法包括：获取待识别图片和图库集；将待识别图片输入到训练好的学生网络中，从图库集中识别出与待识别图片中的车辆相似度最高的车辆图片；训练好的学生网络能够扩大网络的感受野范围和建立远距离特征间的相关性，有助于提取更加鲁棒性的特征，最后从图库集中识别出与待识别图片中的车辆相似度最高的车辆图片，识别准确度高。识别准确度高。识别准确度高。


技术研发人员：孙伟 胡亚华 徐凡 赵宇煌 赵畅 左军 纪锦
受保护的技术使用者：南京信息工程大学
技术研发日：2022.09.09
技术公布日：2023/9/23