Vehicle Re-Identification Using Quadruple Directional Deep Learning Features

摘要：

为了克服视点变化对提高车辆再识别性能的不利影响，设计了四重定向深度学习网络来提取车辆图像的四重定向深度学习特征(QD-DLF)。四重定向深度学习网络整体架构相似，包括相同的基本深度学习架构，但不同的方向特征池层。具体来说，相同的基础深度学习架构是一个紧密密集的卷积神经网络，用于在第一阶段提取输入的方形车辆图像的基本特征图。然后，四重定向深度学习网络利用不同的方向池化层，即水平平均池化(HAP)层、垂直平均池化(VAP)层、对角平均池化(DAP)层和反对角平均池化(AAP)层，将基本特征图分别压缩为水平、垂直、对角和反对角方向特征图。最后，这些方向特征图被空间归一化并连接在一起，作为一个四重方向深度学习特征用于车辆重新识别。在VeRi和VehicleID数据库上进行的大量实验表明，提出的QD-DLF方法优于多种先进的车辆再识别方法。

Ⅰ 简介

图1所示。来自VeRi[1]数据库的经典车辆样本。每一行表示相机从不同视角捕捉到的同一辆车。

图2所示。提出的四重定向深度特征学习网络的图。其中MP、HAP、VAP、DAP、AAP、SN分别代表最大池、水平平均池、垂直平均池、对角平均池、反对角平均池和空间归一化层。两个连接层(即CAT1和CAT2)

图3所示。水平和垂直平均池操作的原理图。

图4所示。对角和反对角平均池操作原理图。

表Ⅰ.提议的QDFLNS(quadruple deep feature learning networks四重深度特征学习网络)的参数配置。

图5所示。分别在(a) Test800， (b) Test1600和© Test2400 of vehicle上对本文提出的QD-DLF方法和多种最新方法的CMC曲线比较

表Ⅱ。建议的QD-DLF与Veri上的多种最新方法的性能（％）比较。

表Ⅲ。提出的QD-DLF和多种先进方法在车辆上的性能(%)比较。

图6.对角深度学习功能（D-DLF），反对角深度学习功能（A-DLF），水平深度学习功能（H-DLF）和垂直深度学习功能（V-DLF）分别在（a）VeRi，（b）VehicleID的Test2400上的性能（％）比较 。
由图6可知，D-DLF/A-DLF优于H-DLF/V-DLF。这意味着对角/反对角定向深度学习特征比水平/垂直定向深度学习特征更适合用于车辆再识别。首先，虽然车辆图像是从不同的视角拍摄的，但大多数车辆图像仍然具有明显的对称性。其次，对于具有对称性的车辆图像，对角或反对角方向对应的平均池化可以涉及更多的局部特征区域，构建更有效的特征，从而获得更好的车辆再识别性能。

表Ⅳ。QD-DLF，DAH-DLF，DA-DLF和D-DLF在VERI和VEHICLEID的TEST2400上的性能比较（％）。
表Ⅴ. QD-DLF，D-DLF，A-DLF，H-DLF，V-DLF和F-DLFS在Veri上的性能比较（％）

表Ⅵ。拟议的QD-DLF方法和多种最新的车辆重新识别方法的运行时间比较。 FET表示特征提取时间。

总结

在本文中，为车辆重新识别设计了四向深度学习网络。 四向定向深度学习网络具有相同的基本深度学习架构，但方向特征池层不同。相同的基本深度学习架构是一个短的、密集连接的卷积神经网络，用于提取输入正方形车辆图像的基本特征图。之后,水平平均池(HAP)层,垂直平均池(VAP)层,对角平均池(DAP)层和反对角平均池(AAP)层重复应用于提出的四重定向深度学习网络，网络将基本特征图压缩为水平，垂直，对角和反对角方向的特征图。最后，将得到的方向特征图进行空间归一化并连接在一起，作为一个四重方向深度学习特征用于车辆再识别。通过四向深度学习网络学习的四向深度学习特征，有效抵抗视点变化的不利影响，显著提高了车辆再识别的性能。在VeRi和VehicleID数据库上的大量实验表明，该方法明显优于多种最新的车辆识别方法。