[发明专利]一种基于域无关前景特征学习的行人再识别方法

说明书

本发明属于计算机视觉和模式识别领域，具体涉及一种基于域无关前景特征学习的行人再识别方法。该方法设计了一种域无关特征学习的深度神经网络，联合使用实例归一化和批量归一化，实现对图像内容的域无关特征学习；基于该网络，同时设计了一种基于行人语义分割的前景特征表示模型，通过对行人语义部分的特征建模，排除背景干扰，实现域无关的行人前景特征表示学习；该方法首先利用行人语义分割算法获取到行人前景图像，再联合实例归一化和批量归一化的深度卷积神经网络提取特征，然后利用损失函数约束模型训练。本发明提出的方法能够有效增强行人再识别模型的跨域泛化性能。

技术领域

本发明属于计算机视觉和模式识别领域，具体涉及一种基于域无关前景特征学习的行人再识别方法。

背景技术

计算机视觉近几年来一直是研究的热点和难点，而行人再识别作为图像检索的一个子问题，在安防领域和智慧城市有重要的应用意义。行人再识别需要对监控画面中行人实现跨摄像头检索的功能。行人再识别研究的对象是人的整体特征，包括衣着、体型、发型、姿态等，可以与人脸识别、行人跟踪等结合，可广泛应用于摄像头监控、智慧城市、智能零售等领域，在理论和实践中都有重要的意义。

行人再识别的有监督学习和同域方法研究已经十分成熟，在现有的数据集上都取得了较好的检索效果，但是基于无监督的跨域行人再识别技术仍是比较大的挑战。不同行人再识别数据集之间的差异较大，这些差异可以分为不同摄像设备之间的差异和行人特性差异两种。不同摄像设备之间的差异包括光线差异、室内外场景差异、监控图像分辨率低、图像模糊不清、摄像机拍摄视角不同等。行人特性差异包括行人衣着、遮挡、行人姿态变化、行人更换服装配饰等。

由于上述不同数据集之间的差异，当模型在一个数据集上训练完之后，直接在其他的数据集上进行测试，性能会出现非常明显的下降。此外，传统的行人再识别方法往往使用包含背景的行人图像进行模型的训练，这会导致模型学习到背景噪声，从而降低了跨域行人再识别的性能。

发明内容

本发明的目的在于提供一种基于域无关前景特征学习的行人再识别方法。

实现本发明目的的技术解决方案为：一种基于域无关前景特征学习的行人再识别方法，包括如下步骤：

步骤(1)：利用行人图像和语义标签训练行人语义分割模型，在行人语义分割模型的训练过程中不断根据自我学习更新标签，输出更新标签后的行人语义分割模型；

步骤(2)：将多个摄像头下采集到的行人图像输入到步骤(1)中获得的行人语义分割模型中获得行人掩模图像；

步骤(3)：将行人掩模图像二值化后和对应的行人图像进行点乘，获得行人前景图像；

步骤(4)：在基础网络的浅层添加实例归一化，深层添加批量归一化设计一种具有跨域泛化能力的深度神经网络；

步骤(5)：将步骤(3)中获得的行人前景图像输入到步骤(4)中的具有跨域泛化能力的深度神经网络中，并输出训练好的具有跨域泛化性能的行人再识别模型；

步骤(6)：将待检索图像和数据库中图像输入到步骤(5)中获得的行人再识别模型中提取行人特征，计算特征之间的距离以度量其相似度。

进一步的，所述步骤(1)中的行人语义分割模型在进行语义分割时，将行人图像分为行人部分和背景部分，行人部分分为头部、身体躯干、大臂、小臂、大腿、小腿6个部分。

进一步的，所述步骤(4)具体为：

步骤(4-1)：在基础网络的浅层中添加实例归一化，从而去除图像上风格相关的特征，实例归一化的公式为：