[发明专利]基于背景灰度化的行人再识别方法及系统

说明书

本发明涉及一种基于背景灰度化的行人再识别方法及系统，该方法包括：S1、对原始图像进行背景灰度化处理，得到处理后的BGg图像；S2、基于ResNet50的双路网络，一路为背景灰度流BGg‑Stream，对BGg图像进行特征提取，另一路为全局流G‑Stream，对原始图像进行特征提取；S3、通过级联对两路网络进行彼此交互；S4、两路网络在每个阶段所得的特征图，通SCAB模块之后作为BGg‑stream的下一层卷积的输入特征图，使两路网络得以联系，两路特征得以结合；S5、采用三元组损失函数来更新网络参数，并进行相似度计算，最后输出排列序列。该方法及系统有利于弱化背景干扰，提高行人再识别的准确度。

技术领域

本发明属于计算机视觉领域，具体涉及一种基于背景灰度化的行人再识别方法及系统。

背景技术

人的重新识别(ReID)是计算机视觉中一个很好的研究问题，目的是通过从不同摄像机拍摄的大量图像中检索特定行人的图像。它是视频监控中最基本的视觉识别问题，具有广泛的应用前景。ReID提出的传统方法大多采用颜色直方图和纹理直方图的低阶特征，利用度量学习找到一个距离函数，该函数将来自同一类的图像之间的距离最小化，将不同类之间的距离最大化。ReID已经在学术界研究多年，直到最近几年随着深度学习的发展，才取得了非常巨大的突破。但依然不能忽视的问题是，深度卷积特征作为高维特征，很容易受人的姿态、物体遮挡、光照强度的不同、背景杂波等因素的影响。

过去几年人们提出了许多方法来获得更鲁棒的特征。但这些方法往往直接把整个图像作为输入。这样的全局信息不仅包含行人特征，还包括背景的杂波特征。目前能够缓解背景杂波影响的有效方法大体上主要分为两种：1)基于身体区域检测的方法，例如借助位姿和关键点估计，利用部位区域检测的方法提取图像中的人体信息。2)基于人体分割的方法。近年来现有的图像分割方法包括FCN，面具R-CNN，jppnet等已经能够在截除背景方面获得优秀的效果。

但在实际的无约束情境中，行人重识别仍然是一项极具挑战性的任务。如何提取对背景杂波不变性的鉴别性和鲁棒性特征是核心问题，因为背景中的非行人部分会对前景信息的特征造成很大的干扰。

现有解决背景干扰的方法，多数是基于身体区域检测的方法或是利用分割的方法滤除掉背景，然而他们仍然存在着以下限制之一。一，需要对额外的检测模型和分割模型进行预训练，以及额外的数据采集工作。二，姿态估计和reid之间潜在的数据集偏差会造成分区错误，破坏行人原有的完整体型特征。三，虽然背景被部分截除，但依然存在在行人周围，并以与行人区域等同的权重参与模型训练。按照如此分析，这些方法并没有真正针对背景杂波问题的提出根本解决方案。四，强硬的分割所带来的弊端不仅仅是破坏图像原有的结构和平滑度，还完全放弃掉了所有的背景信息。有些背景信息有时候是可以作为有用的上下文信息，忽视所有背景信息会忽略一些关于行人再识别任务的线索。

发明内容

本发明的目的在于提供一种基于背景灰度化的行人再识别方法及系统，该方法及系统有利于弱化背景干扰，提高行人再识别的准确度。

为实现上述目的，本发明采用的技术方案是：一种基于背景灰度化的行人再识别方法，包括以下步骤：S1、对原始图像进行背景灰度化处理，同时图像前景信息保持不变，得到处理后的BGg图像，即背景灰度化图像；

S2、基于ResNet50的双路网络，一路为背景灰度流BGg-Stream，对步骤S1得到的背景灰度化图像进行特征提取，另一路为全局流G-Stream，对原始图像进行特征提取；

S3、通过级联对步骤S2得到的两路网络进行彼此交互；

S4、两路网络在每个阶段所得的特征图，通过空间-通道注意力机制模块，即SCAB模块之后作为BGg-stream的下一层卷积的输入特征图，使得两路网络得以联系，两路特征得以结合；

S5、特征提取后，采用三元组损失函数来更新网络参数，然后进行相似度计算，最后输出排列序列。