复杂光照条件下自适应的车脸重识别模型

摘要：

为提高车脸特征提取对于复杂光照条件的自适应性,降低图像采集过程中光照变化对车脸重识别带来的影响,提出一种对光照强度变化具有较好鲁棒性的基于自适应特征提取的车脸重识别模型.利用YOLOv3模型对采集的图像进行预处理后,采用改进的MobileNetV3-Small模型提取车脸图像的原始特征.由于光照条件变化时不同类型的车脸特征受影响程度不同,因此通过训练获得2种特征转换矩阵,将原始特征划分为不受光照条件影响的稳定特征和易受光照条件影响的易变特征.在训练网络模型时,对鉴别网络的输出结果进行信息熵约束,保证样本间稳定特征分布的一致性,同时通过融合稳定特征和基于时间注意力机制调整的易变特征,实现对车脸样本的有监督学习.实验结果表明,在3种车脸图像数据集中,该模型的识别准确率分别达到0.866、0.872、0.923,较对比模型中的最优值提升了 0.033、0.026、0.080,并且对光照差异较大的车脸图像对也能获得较好的识别效果.

关键词：车脸重识别、鉴别网络、有监督学习、自适应特征提取、时间注意力机制

所属期刊栏目：49

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金;辽宁省教育厅高等学校基本科研项目;辽宁省应用基础研究计划项目

在线出版日期：2023-10-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：275-282,290