[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

权利要求书

1.一种基于域无关前景特征学习的行人再识别方法，其特征在于，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。

2.根据权利要求1所述的方法，其特征在于，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。

3.根据权利要求2所述的方法，其特征在于，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：

上述公式中的F为行人前景图像经过深度神经网络提取出的特征，F∈R^N×C×H×W，N为这个批次中的图像数量，C为通道数，H×W为图像的大小；沿着通道计算每张图像的均值μ和标准差σ，γ为缩放变量，β为平移变量；

步骤(4-2)：在基础网络的深层中添加批量归一化，从而学习行人个体之间的差异，批量归一化的公式为：

上述公式中的x_n为这个批次中的第n张图像，n∈1,2,3,…,N，N为这个批次的图像数量，对第n张图像经过深度神经网络提取出的特征进行池化得到f(x_n)，f(x_n)∈R^N×C×1×1，C为通道数，按通道计算每个批次的均值μ和标准差σ，γ为缩放变量，β为平移变量。

4.根据权利要求3所述的方法，其特征在于，步骤(4)中以残差网络为基础网络，则在基础网络的conv2，conv3，conv4中的最后一个残差块中添加实例归一化；残差块依次包含1×1的卷积，批量归一化，3×3的卷积，批量归一化，1×1的卷积，批量归一化，实例归一化，ReLU激活函数， 在基础网络的conv5后添加批量归一化，其结构为池化层、批量归一化、全连接层。

5.根据权利要求3所述的方法，其特征在于，所述步骤(4)中的具有跨域泛化能力的深度神经网络的损失函数，其构建方法具体为：使用交叉熵损失作为分类损失函数，交叉熵描述了两个概率之间的分布。