CN110852290B - 一种大规模车辆特征向量相似度比较方法 - Google Patents

Abstract

本发明提供一种大规模车辆特征向量相似度比较方法，其可以在确保计算结果准确度的基础上显著提高计算速度。对进行相似度比较的车辆特征进行矩阵乘法计算，而不是直接进行两两车辆特征的余弦计算，降低了计算复杂度；同时在对车辆特征进行初始化的时候，提前把车辆特征向量计算时需要重复计算的内容先计算出来，分散了最后一步的计算工作量；与原有的计算方法相比明显的提高了计算速度。

Description

一种大规模车辆特征向量相似度比较方法

技术领域

本发明涉及智能交通技术领域，具体为一种大规模车辆特征向量相似度比较方法。

背景技术

当前各类深度学习技术在智能交通领域广泛应用，基于深度学习的车辆识别都会对车辆提取特征。所谓车辆特征，一般是深度学习模型中负责提取车型特征的全连接层的输出，以N维特征向量的形式存在；而车辆相似度就是求车辆特征向量的余弦值，结果越趋近1，代表相似度越高。实际应用中，存在大量车辆特征M比N的需求，例如：不依赖号牌，识别两个车是否一致(1比1)；查找某假套牌车辆的真实号牌轨迹(1比N)；不依赖号牌，进行不同区域车辆碰撞分析(M比N)。在1比N、M比N场景下，特别是M比N的场景，存在着重复计算的内容，如果参与比对的车辆特征数量巨大，逐个计算余弦值，所耗费的时间就会很长，而为了提高计算效率又会引起计算系统的硬件成本上升等问题。

发明内容

为了解决现有技术中大规模车辆特征向量相似度比较时计算速度较慢的问题，本发明提供一种大规模车辆特征向量相似度比较方法，其可以在确保计算结果准确度的基础上显著提高计算速度。

本发明的技术方案是这样的：一种大规模车辆特征向量相似度比较方法，其包括以下步骤：

S1：通过现有的深度学习方法，从待分析的车辆图片中提取车辆特征；

其特征在于，其还包括以下步骤：

S2：定义需要进行相似度比较的两个车辆特征向量集；

一个车辆特征向量集A定义为：

A＝{A¹,A²,......,A^m}，

其中：

m为正整数、表示车辆特征向量集A的大小，d为每个向量的维度，i为正整数、i＝1,2,...,m；

另一个车辆特征向量集B定义为：

B＝{B¹,B²,......,Bⁿ}

其中：

n为正整数、表示车辆特征向量集B的大小，d为每个车辆特征向量的维度，j为正整数、j＝1,2,...,n；

S3：对车辆特征向量集A、B初始化，初始化过程包括：

将向量Aⁱ转换为矩阵Xⁱ：

将向量B^j转换为矩阵Y^j：

则，对车辆特征向量集A中每一个向量都进行初始化操作后，得到矩阵X：

对车辆特征向量集B中每一个向量都进行初始化操作后，得到矩阵Y：

S4：对矩阵Y进行转置，得到Y^T：

S5：求矩阵X与矩阵Y^T的乘积：

R＝X*Y^T

矩阵R即为车辆特征向量集A与车辆特征向量集B的两两求余弦相似度的结果矩阵；

S6：通过矩阵R中的每一个元素R_ij的确认，来判断车辆特征向量Aⁱ和车辆特征向量B^j的相似度；矩阵R中的每一个元素R_ij表示车辆特征向量集A第i个向量和车辆特征向量集B中第j个向量的余弦相似度，结果越趋近1，代表相似度越高。

其进一步特征在于：

矩阵R的表达式为：

即:R＝X*Y^T＝cos(A,B)；

步骤S5中，当矩阵乘法时，采用现有的并行计算框架中提供的矩阵乘法接口进行计算；

步骤2中，所述车辆特征向量的维度d的值为2的整数次幂。

本发明提供的一种大规模车辆特征向量相似度比较方法，对进行相似度比较的车辆特征进行矩阵乘法计算，而不是直接进行两两车辆特征的余弦计算，降低了计算的复杂度；一方面对于不同的Aⁱ、Bⁱ，直接进行余弦计算时，每次都要余弦计算都要计算

和

从计算工作量上来说，这两个值要反复计算，导致整体的计算速度变慢；且所有的计算工作都集中在最后的余弦计算的步骤，占用了大量的资源，导致计算步骤变慢；在本发明的技术方案中，首先，在对车辆特征进行初始化的时候，针对不同的Aⁱ、Bⁱ，提前把其对应的

和

计算出来，分散了最后一步的计算工作量，提高了整体的计算速度；并且最后一步计算矩阵乘法的时候，针对同一个Aⁱ、Bⁱ无需反复计算

和

降低了计算工作量，提高了计算速度；且在进行矩阵乘法的时候，可以使用现有的并行计算框架中提供的矩阵乘法接口进行计算，进一步的提高了系统的计算速度。

具体实施方式

本发明一种大规模车辆特征向量相似度比较方法，其包括以下步骤。

S1：从卡口系统实时上传车辆图片，通过现有的深度学习方法，采用现有技术中的算法模型，如基于支持向量机、基于多尺度分析、基于差分码、基于卷积神经网络等等，基于图像特征识别技术，从待分析的车辆图片中提取车辆特征。

S2：车辆特征向量的维度d的值为2的整数次幂，根据步骤S1中参与计算的深度学习方法的算法模型的不同，设置为512、1024等数值；车辆特征向的维度设置覆盖车型、颜色等全局特征，以及车灯、年检标志等局部特征；

如进行不同区域出现的两辆车是否一致的判断(1比1)，维度d选取512，则通过对两个目标车辆的512个车辆特征向量分别两两计算余弦值，就可以得出进行比较的两个车辆的相似程度；

如果是进行不同区域车辆碰撞分析(M比N)，则选定待比对的两个区域(区域1、区域2)，分别确定时间范围(时间范围1、时间范围2)，获取区域1在时间范围1内提取过的全部车辆特征作为A，区域2在时间范围2内提取过的全部车辆特征作为B，然后进行A比B操作，相似度大于阈值的车辆特征，找到其对应的车辆，判定为同一辆车在时间范围1出现在区域1，且在时间范围2出现在区域2；

定义需要进行相似度比较的两个车辆特征向量集；

一个车辆特征向量集A定义为：

A＝{A¹,A²,......,A^m}，

其中：

m为正整数、表示车辆特征向量集A的大小，d为每个向量的维度，i为正整数、i＝1,2,...,m；

另一个车辆特征向量集B定义为：

B＝{B¹,B²,......,Bⁿ}

其中：

n为正整数、表示车辆特征向量集B的大小，d为每个车辆特征向量的维度，j为正整数、j＝1,2,...,n。

车辆特征是包含了车型、颜色等整体外观特征的特征向量，是通过对原始车辆图片进行卷积、池化、全连接等操作实现从车辆图片到车辆特征的转换，其具体过程如下：

第一，使用车辆检测算法从图片中检测出车辆的位置；

第二，使用车辆位置信息从原始图片中截取车辆图片；

第三，将车辆图片像素强制转换为195*195，此时，车辆图片数据维度为195*195*3，3是代表RGB三个颜色通道；

第四，使用基于AlexNet的网络模型前向传播提取车辆特征，AlexNet的前向作用于195*195*3的数据时，各个步骤对数据维度的变化示意如下表1所示：

表1：车辆特征向量抽取过程

编号	说明	参数	输出维度
				1	数据输入层	-	195*195*3
2	卷积层1	核个数-96；核大小-11*11；步长-4；边缘填充-0	47*47*96
				3	激活层1	-	47*47*96
4	池化层1	核大小-3*3；步长-2	23*23*96
				5	归一化1	-	23*23*96
6	卷积层2	核个数-256；核大小-5*5；步长-1；边缘填充-2	23*23*256
				7	激活层2	-	23*23*256
8	池化层2	核大小-3*3；步长-2	11*11*256
				9	归一化2	-	11*11*256
10	卷积层3	核个数-384；核大小-3*3；步长-1；边缘填充-1	11*11*384
				11	激活层3	-	11*11*384
12	卷积层4	核个数-384；核大小-3*3；步长-1；边缘填充-1	11*11*384
				13	激活层4	-	11*11*384
14	卷积层5	核个数-256；核大小-3*3；步长-1；边缘填充-1	11*11*256
				15	激活层5	-	11*11*256
16	池化层3	核大小-3*3；步长-2	5*5*256
				17	全连接1	神经元个数256	256
18	全连接2	神经元个数256	256
				19	结果输出	-	目标分类数

其中全连接1和全连接2两层的输出，均可以作为车辆特征，其数据维度均是256(256维的特征向量)。

S3：对车辆特征向量集A、B初始化，初始化过程包括：

将Aⁱ转换为矩阵Xⁱ：

将B^j转换为矩阵Y^j：

则，对车辆特征向量集A中每一个向量都进行初始化操作后，得到矩阵X：

对车辆特征向量集B中每一个向量都进行初始化操作后，得到矩阵Y：

S4：对矩阵Y进行转置，得到Y^T：

S5：求矩阵X与矩阵Y^T的乘积：

R＝X*Y^T

矩阵R即为车辆特征向量集A与车辆特征向量集B的两两求余弦相似度的结果矩阵；

当矩阵乘法时，采用现有的并行计算框架如Cuda中提供的矩阵乘法接口进行计算，可以进一步提高系统的计算速度。

S6：通过矩阵R中的每一个元素R_ij的确认，来判断车辆特征向量Aⁱ和车辆特征向量B^j的相似度；矩阵R中的每一个元素R_ij表示车辆特征向量集A第i个向量和车辆特征向量集B中第j个向量的余弦相似度，结果越趋近1，代表相似度越高。

矩阵R的表达式为：

上式中，R＝X*Y^T＝cos(A,B)；

X是一个m*d维的矩阵，Y^T是一个d*n维的矩阵，则R是一个m*n维的矩阵；

即，R(m,n)＝cos(A^m,Bⁿ)

式中，R(m,n)表达的矩阵乘法相当于m个向量与n个向量中两两求余弦。

实验室环境下，选取1024维的特征向量，进行查找某假套牌车辆的真实号牌轨迹(1比N)模拟计算。目标车辆的特征设置为A，某区域在某段时间内的所有的过车图片的特征设置为B。

1比100万的计算量，使用传统计算方法，计算特征向量的余弦值进行相似度计算，总共需要4000毫秒以上；按照本方案计算串行计算矩阵乘法需要2000到2300毫秒；使用GPU(Graphics Processing Unit)加速后，通过本发明的计算方案，进行1比100万的计算，使用时间不足50毫秒，显著提高了计算速度。

Claims (4)

1.一种大规模车辆特征向量相似度比较方法，其包括以下步骤：

S1：通过现有的深度学习方法，从待分析的车辆图片中提取车辆特征；

其特征在于，其还包括以下步骤：

S2：定义需要进行相似度比较的两个车辆特征向量集；

一个车辆特征向量集A定义为：

A＝{A¹,A²,......,A^m}，

其中：

m为正整数、表示车辆特征向量集A的大小，d为每个向量的维度，i为正整数、i＝1,2,...,m；

另一个车辆特征向量集B定义为：

B＝{B¹,B²,......,Bⁿ}

其中：

n为正整数、表示车辆特征向量集B的大小，d为每个车辆特征向量的维度，j为正整数、j＝1,2,...,n；

S3：对车辆特征向量集A、B初始化，初始化过程包括：

将向量Aⁱ转换为矩阵Xⁱ：

将向量B^j转换为矩阵Y^j：

则，对车辆特征向量集A中每一个向量都进行初始化操作后，得到矩阵X：

对车辆特征向量集B中每一个向量都进行初始化操作后，得到矩阵Y：

S4：对矩阵Y进行转置，得到Y^T：

S5：求矩阵X与矩阵Y^T的乘积：

R＝X*Y^T

矩阵R即为车辆特征向量集A与车辆特征向量集B的两两求余弦相似度的结果矩阵；

S6：通过矩阵R中的每一个元素R_ij的确认，来判断车辆特征向量Aⁱ和车辆特征向量B^j的相似度；矩阵R中的每一个元素R_ij表示车辆特征向量集A第i个向量和车辆特征向量集B中第j个向量的余弦相似度，结果越趋近1，代表相似度越高。

2.根据权利要求1所述一种大规模车辆特征向量相似度比较方法，其特征在于：矩阵R的表达式为：

即:R＝X*Y^T＝cos(A,B)。

3.根据权利要求1所述一种大规模车辆特征向量相似度比较方法，其特征在于：步骤S5中，当矩阵乘法时，采用现有的并行计算框架中提供的矩阵乘法接口进行计算。

4.根据权利要求1所述一种大规模车辆特征向量相似度比较方法，其特征在于：步骤2中，所述车辆特征向量的维度d的值为2的整数次幂。