188宝金博页面版

2018，54（8）1 引言随着社会经济的发展，汽车的普及，交通拥堵问题已经成为城市生活的主要问题之一，高效快速准确的交通系统（Intelligent Transportation System，ITS）被认为是缓解城市交通问题的最佳方案，而车辆识别作为智能交通系统中重要技术，也被广泛用于公安刑侦调查和城市治安监控中。传统的车辆识别领域提出许多车辆识别算法，主要通过构建车辆3D模型或者提取车辆的低维特征来识别车辆的基本类别。文献[1]利用贝叶斯算法对车辆进行3D建模，基于模型采用自下而上的方法对车辆进行分类，利用3D模型来匹配特征。文献[2]提出一种利用3D曲线对齐的方式，从单张图像中识别车辆类型。文献[3]利用图像的Haar特征，构建车辆图像特征表示的全局外观模型，然后通过SVM分类器进行训练。文献[4]提出一种基于车辆轮廓点的车辆类型识别框架。传统的车辆识别算法针对的是车辆差异较大的粗粒度识别，但是如图1所示，图1中上下两款车之间的差异（红圈标注基于多任务卷积神经网络的车辆多属性识别王耀玮，唐 伦，刘云龙，陈前斌WANG Yaowei, TANG Lun, LIU Yunlong, CHEN Qianbin重庆邮电大学 通信与信息工程学院，重庆 400065School of Communication and Information Engineering, Chongqing University of Posts and Telecommunications,Chongqing 400065, ChinaWANG Yaowei, TANG Lun, LIU Yunlong, et al. Vehicle multi-attribute recognition based on multi-task convolu-tional neural network. Computer Engineering and Applications, 2018, 54（8）：21-27.Abstract：Fine-grained vehicle identification is challenging, especially when the two vehicles differ in appearance andsubtleness. However, the general neural network model ignores the connection between the additional attributes. Thispaper proposes a convolution neural network based on improved triplet loss training for vehicle multi-attribute learning,which is used to implement fine-grained vehicle identification. Specifically, by changing the structure of the traditionalneural network, the vehicle identification problem is transformed into a multi-attribute learning problem. In this paper, thetriplet loss function is improved to train the network to achieve fine-grained vehicle identification. At the same time, it cre-ates a multi-attribute vehicle data set and completes the training work. The results show the potential of the method.Key words：fine-grained vehicle recognition; vehicle multi-attribute; multi-task learning; convolution neural network;metric learning; vehicle multi-attribute data摘 要：细粒度车辆识别极具挑战性，尤其在两辆车的外型差异及其细微的时候。通过车辆的附加属性能够提高车辆识别效果，但一般的神经网络模型忽略了附加属性间的联系，提出一种基于改进的triplet loss作为损失函数的车辆多属性学习的卷积神经网络，用于实现细粒度车辆多属性识别。具体而言，通过对传统神经网络结构的改变，将车辆识别问题转化为多属性学习问题。对三元组损失函数进行改进用于训练网络以实现细粒度车辆识别。同时，创建了一个车辆多属性数据集并完成训练工作，结果显示了该方法的潜力。关键词：细粒度车辆识别；车辆多属性；多任务学习；卷积神经网络；度量学习；车辆多属性数据集文献标志码：A 中图分类号：TP391.41 doi：10.3778/j.issn.1002-8331.1801-0170基金项目：国家自然科学基金（No.61571073）。作者简介：王耀玮（1991—），通讯作者，男，硕士研究生，主要研究方向为基于深度学习的图像分类，E-mail：382979356@qq.com；唐伦（1973—），男，博士，教授，主要研究方向为新一代无线通信网络、异构蜂窝网络和软件定义无线网络等；刘云龙（1992—），男，硕士研究生，主要研究方向为5G无线自回传网络中的资源分配问题；陈前斌（1967—），男，教授，博士生导师，主要研究方向为个人通信、下一代移动通信网络等。收稿日期：2018-01-11 修回日期：2018-02-26 文章编号：1002-8331（2018）08-0021-07Computer Engineering and Applications计算机工程与应用 21