1.一种利用深度学习的弱监督车辆重识别方法，其特征在于，包括以下步骤；

步骤1：获取跨监控摄像头捕捉的车辆图像数据，构建车辆重识别训练数据集Tr与测试数据集Te，将所有车辆图像设置为同一大小，对Tr进行裁剪、翻转、旋转、归一化图像预处理操作；

步骤2：构造一个三分支卷积神经网络，包括一个主干网络以及三个独立的分支网络，然后采用批量训练方法，将步骤1得到的车辆训练数据集图像按批量大小n输入该三分支卷1

积神经网络，每一个输入Ii，i∈1，...，n均得到三个全局车辆特征映射Fi，步骤3：在步骤2中的每个分支网络后构造一个注意力网络，首先将步骤2中得到的三个i特征映射F1 ， 输入分支对应的注意力网络，得到三个注意力映射 然后设1

计部位差异性损失函数使 分别关注到车辆图像Ii的不同语义部位，其次将Fi ，和对应的 使用矩阵相乘进行特征融合，最后使用平均值池化得到三个高

1 2 3

维特征向量fi，fi，fi；

1 2 3

步骤4：对步骤3得到的高维特征向量fi 、fi、fi分别使用部件一致性损失函数，使得同一批量中的高维特征向量分别表示为相同的语义部位；

步骤5：将步骤1获取的车辆训练数据集图像Tr输入至三分支卷积神经网络，计算得到总损失，使用适应性梯度下降算法对神经网络进行训练，得到车辆重识别模型；

步骤6：将步骤1获取的车辆测试数据集图像Te输入至三分支卷积神经网络，使用余弦距离计算车辆之间的相似度，然后根据相似度大小得出排序结果。

2.根据权利要求1所述的一种利用深度学习的弱监督车辆重识别方法，其特征在于，所述步骤1中具体为：首先从多个无交叉的监控摄像头中获取多段车辆监控视频，然后通过预训练的车辆检测器从监控视频中检测所有车辆，然后精确定位并裁剪出车辆包围框，最后使用人工标注的方法将车辆图像中的同一车辆标注为对应的类并赋予一个独立的编号，不同车辆之间的类和编号不同，循环上述步骤来构建车辆重识别数据集，构建完成后，划分训练数据集Tr与测试数据集Te分别用于网络参数训练和最终结果测试，采用7：3的比例划分训练集与测试集，将所有车辆图像设置为256×256大小，训练时，对Tr进行裁剪、翻转、旋转、归一化图像预处理操作。

3.根据权利要求1所述的一种利用深度学习的弱监督车辆重识别方法，其特征在于，所述步骤2中具体为：三分支卷积神经网络由一个共享权重的主干网络和三个独立权重的子网络构成；其中共享权重的主干网络和三个独立权重的子网络由若干批量归一化层、若干卷积层、若干非线性激活层和若干池化层构成，三个独立权重的子网络构造相同但权重不同，在一个批量中，对于给定输入Ii,i∈1,…,n，首先经过共享权重的主干网络生成一个特征映射Fi，然后1

该特征映射分别经过三个独立权重的子网络生成三个高维特征映射Fi ， 并作为提取的车辆特征。

4.根据权利要求1所述的一种利用深度学习的弱监督车辆重识别方法，其特征在于，所述步骤3中具体为：首先，在每一个独立权重的分支网络之后设计一个注意力网络，该注意力网络由两个1

卷积层和一个非线性激活函数构成，三个高维特征映射Fi ， 在经过对应的注意力层后分别得到三个注意力映射然后，提出部位差异性损失函数使得三个注意力映射 分别注意到车辆Ii的不同语义部位，该损失函数定义如下：T

其[：]表示为矩阵拼接，[·]表示矩阵转置，I表示为单位化矩阵，||·||F表示求矩阵的F范数；

1

其次，将Fi ， 和对应的 使用矩阵相乘进行特征融合，使得三个高维特征映射能够注意到同一输入车辆图像的不同的部位，最后，使用平均值池化得到三个高维

1 2 3

特征向量fi，fi，fi。

5.根据权利要求1所述的一种利用深度学习的弱监督车辆重识别方法，其特征在于，所述步骤4具体为：

1 2 3

在获得高维特征向量fi ，fi ，fi之后，对每一个分支初始化一个中心向量，通过迭代优化部位一致性损失函数 使得每个分支网络能够提取到不同输入k

车辆图像的相同语义部位，其中fi ，ck分别为第k个分支的高维特征向量和中心向量，代表欧几里得距离；

此外，使用三元组损失函数 增强深度特征的辨别性：其中 分别表示组成三元组的源样本、负样本和正样本的高维特征向量，和 分别代表正样本对和负样本对的欧式距离，m代表三元组损失的间距阈值，[·]+代表取正值；

k

在得到fi 之后，每个分支网络后设计一个批量归一化层BN(·)、一个线性层W和一个softmax层，用于计算分类损失：最终的损失函数由部位差异性损失函数、部位一致性损失函数、三元组损失函数和分类损失函数共同组成：

6.根据权利要求1所述的一种利用深度学习的弱监督车辆重识别方法，其特征在于，所述步骤5具体为：将步骤1获取的车辆训练数据集图像Tr组成三元组，按照批量大小输入至网络，按照步骤4得到总损失后，使用适应性梯度下降算法(Adam算法)对神经网络进行训练，得到车辆重识别模型。

7.根据权利要求1所述的一种利用深度学习的弱监督车辆重识别方法，其特征在于，所述步骤6具体为：

1 2 3

将步骤1获取的车辆测试数据集图像Te通过步骤3，可得到车辆的局部特征fi ，fi ，fi ，

1 2 3

然后将其拼接为fi＝[fi ：fi ：fi]；对于不同的车辆图像Ii和Ij，使用余弦距离函数S(fi，fj)＝cos(fi，fj)进行相似度计算，然后根据似度大小得出排序结果。