北大团队研发“车脸”识别系统,不看车牌看外观特征实现精确识别

2017年8月31日 | By News | Filed in: News.

http://ift.tt/2wUFVnO

编者按:本文来自微信公众号“新智元”(ID:AI_era),来源:参考消息、arxiv,编辑:刘小芹,36氪经授权发布。

北京大学信息科学技术学院田永鸿等三名研究人员研发了根据汽车外观特征,而非扫描车牌号来精确识别摄像头拍摄的车辆的新技术。研究人员称该项技术也能用于人脸识别和行人检测,能为侦破盗窃车辆等案件提供帮助。

论文地址

据《参考消息》8月30日引西媒报道,北京大学信息科学技术学院田永鸿等三名研究人员研发了根据汽车外观特征精确识别摄像头拍摄的车辆的新技术。该系统不再依靠扫描车牌号,而是基于对车辆外观特征的记录和分析,如轮廓线条、碰撞损伤或漆面刮痕等,依据这些特征数据搜索出机动车的型号和注册信息。

研究人员将这一多任务学习框架命名为“Repression Network (RepNet)”,识别车辆依据的指标分为两类,一类是车辆外观的“一般细节”,如颜色、品牌、型号等;另一类是车辆的外观缺陷和损伤。

报道称,在当前阶段,还无法确定Repression Network系统将于何时投入应用,因为其应用可能会被认为侵犯了隐私权。但可以确定的是,如果利用该系统对视频监控系统记录的车辆影像进行识别,一定能为侦破盗窃车辆等案件提供帮助。

研究人员在论文中描述了根据汽车外观特征精确识别摄像头拍摄的车辆影像的新技术。他们表示,这种系统也能用于识别人脸特征。

研究人员称,公共安全系统监控摄像头的大规模使用,创造了一个庞大的图像和视频数据库,为车辆识别和搜索提供了重要的技术支持。虽然车牌是汽车的一个重要身份特征,但许多监控摄像头并非是为扫描车牌设计的,此外车牌识别系统在识别混淆字符时的表现非常糟糕,比如区分 8 和 B,O、D 或 0,因此他们提出这种以车辆外观特征数据为依据的精确识别系统。

论文:Learning a Repression Network for Precise Vehicle Search

作者:Qiantong Xu, Ke Yan, Yonghong Tian

摘要

在公共安全中监控摄像头使用的日益增多凸显了大型图像数据库对于车辆搜索(vehicle search)的重要性。精确车辆搜索(precise vehicle search)的目的是根据给定的需查询的车辆图片,搜索出所有实例。这是一项具有挑战性的任务,因为不同的汽车外形都非常相似。为了解决这个问题,我们提出一个新的多任务学习框架,名为 Repression Network (RepNet),用以同时从粗粒度和细粒度级别学习每张汽车图像的辨别特征。

此外,从属性分类方法的高准确率得到启发,我们提出一种桶搜索(bucket search)方法,在减少检索时间的同时仍然保持竞争力。我们对经修改的VehcileID [1]数据集进行了广泛的实验,实验结果表明,我们的 RepNet 实现了 state-of-the-art 的性能,并且 bucket search 的方法将检索时间缩短了约24倍。

图1:具有PRL的RepNet中不同层的特征的显著性图(saliency map)。在显著性图中,亮度越高的区域表示原始图像中该区域的信息越多,嵌入到给定的特征向量中。上图第1列是查询图像(query image),第2列至第5列分别显示4个特征向量的显著性图:Fbase,Fmodel,Fcolor和FSLS-3。

图2:RepNet将三个一组的图像作为输入,并通过三个网络(包括卷积组,FC层和具有共享权重的Repression层(REP))进行馈送。输出特征的名称和大小列在每一层上方和下方。 Repression层采用两个特征向量FSLS-1和FACS作为输入。只有每个组中的 anchor image 被用于属性分类,即只有它的网络具有FC层和FACS之后的损失函数。

图3:具有PRL的RepNet中不同层的特征的显著性图和具有相同结构但有repression层的网络。第一列是query image,右边的两组4列分别是从两个网络分别学习四个特征向量(Fbase,Fmodel,Fcolor和FSLS-3)的显著性图。

实验结果

图4:不同模型的精度曲线。LS和BS是线性搜索(linear search)和桶搜索(bucket search)的缩写。

结论

在这篇论文中,我们提出了一个多任务学习框架,用于有效地生成属性分类和相似性学习的细粒度特征表示。Repression层被设计用于将从特征分类学习的信息嵌入到表示每辆车的特定细节特征中,并且还用于平衡两个FC层流的权重比例。通过向VehicleID数据集添加一个新属性,我们用修订后的数据集进行了广泛的实验,证明了我们的框架和repression层的有效性——linear search具有更高的图像检索精度,以及bucket search使检索时间更少。这些优点值得进一步调查RepNet学习细粒度特征表示,例如引入哈希函数来生成二进制特征或将卷积组分成两组。此外,我们的框架还可以推广到更广泛的应用,例如人脸识别和行人检索。

IT.数码

via 36氪 http://36kr.com

August 31, 2017 at 03:41PM


发表评论

电子邮件地址不会被公开。 必填项已用*标注