CN109948530B - 基于交叉学习的行人再识别性能提升方法 - Google Patents

Abstract

本发明涉及一种基于交叉学习的行人再识别性能提升方法。该方法提供一种交叉学习的策略并融合现有模型的特征，通过特征互补的方式，学习到更加具有鲁棒性的特征，结合卷积神经网络，对图像进行特征的提取，从而达到对行人再识别性能的提升。

Description

基于交叉学习的行人再识别性能提升方法

技术领域

本发明涉及计算机视觉、深度学习领域，具体涉及一种基于交叉学习的行人再识别性能提升方法。

背景技术

行人再识别(re-ID)是计算机视觉领域的一个重要的研究课题，其目的是在非重叠相机的视图中识别出同一个人。行人再识别对于真实场景下的视频监控系统具有很重要的意义，例如跨摄像头的跟踪，行人检索等。人的重新识别是一项非常具有挑战性的任务。当一个人被两个不同的摄像机捕捉到时，光照条件、背景杂波、遮挡、可观察到的人体部位和感知到的人的姿势可能会有显著的不同。

现有解决背景干扰的方法，多数是利用MaskR-CNN等分割的方法滤除掉背景，或者利用注意力机制的方法，让网络专注于前景信息的信息，尽可能的抑制背景信息，这些方法在一定程度上提升了行人再识别的性能。

目前解决背景干扰的方法，存在以下问题：这些现有的模型直接使用滤除掉背景的前景图提取特征，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。与此同时：此模型并没有考虑到由于行人再识别图像分辨率较低，有的背景比较复杂，滤除掉背景的图像依然带有噪声，如图1所示。

发明内容

本发明的目的在于提供一种基于交叉学习的行人再识别性能提升方法，通过特征互补的方式，学习到更加具有鲁棒性的特征，结合卷积神经网络，对图像进行特征的提取，从而达到对行人再识别性能的提升。

为实现上述目的，本发明的技术方案是：一种基于交叉学习的行人再识别性能提升方法，包括如下步骤：

步骤S1：利用行人解析的网络滤除掉图像的背景，得到不包含背景的前景图像；

步骤S2：基于DenseNet121的网络架构，利用网络中的卷积层对步骤S1得到的前景图像进行特征提取，得到特征图；

步骤S3：通过Softmax层对步骤S2得到的特征图中进行分类，判断每个行人所属类别；具体的，

所述SoftMax层采用SoftMax回归模型，假设类别标签为y，有k个不同的取值，输入x和标签y表示成{(x¹,y¹),(x²,y²),...,(xⁱ,yⁱ)},yⁱ∈{1,2,...,k}；

假设对于每一个输入对应每个类别j的概率值P(y＝j|X)，输出是一个k维向量，表示k个估计值，函数公式如下所示：

其中，θ₁,θ₂,...,θ_k是SoftMax回归模型的参数，对结果进行最大值判断，得到概率最大的类别j，如下公式所示：

表示第i个输入最终分类的结果；

上述过程为交叉学习的第一阶段；

步骤S4：在步骤S3通过前景图像训练得到的模型基础上，继续学习原始图像背景中有用信息以及背景和前景间内在的联系，即使用原始图像对交叉学习第一阶段得到的模型继续学习特征信息，该过程为交叉学习的第二阶段；

步骤S5：完成交叉学习的两个阶段，通过特征互补的方式，即可得到更鲁棒的特征。

在本发明一实施例中，步骤S3中，k＝3。

相较于现有技术，本发明具有以下有益效果：本发明方法考虑到背景信息可能存在有用信息，而提供一种交叉学习的策略并融合现有模型的特征，即采用交叉学习的方法，在先学习前景信息的基础上，在学习背景和前景间的内在联系以及背景中有用上下文信息，通过特征互补的方式，学习到更加具有鲁棒性的特征，结合卷积神经网络，对图像进行特征的提取，从而达到对行人再识别性能的提升。

附图说明

图1为现有行人识别结果示意图。

图2为本发明方法框图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

行人再识别主要是在跨摄像头的角度下，检索出同一个人，准确检索出一个人是相当重要的。本文利用提出的交叉学习，不但能让模型专注于前景信息，滤除背景的干扰，并且能学习背景中有用的信息。最后通过特征融合的方式，得到更加鲁棒性的特征。

本发明提供了一种基于交叉学习的行人再识别性能提升方法，包括如下步骤：

步骤S1：利用行人解析的网络滤除掉图像的背景，得到不包含背景的前景图像；

步骤S2：基于DenseNet121的网络架构，利用网络中的卷积层对步骤S1得到的前景图像进行特征提取，得到特征图；

步骤S3：通过Softmax层对步骤S2得到的特征图中进行分类，判断每个行人所属类别；具体的，

所述SoftMax层采用SoftMax回归模型，假设类别标签为y，有k个不同的取值，输入x和标签y表示成{(x¹,y¹),(x²,y²),...,(xⁱ,yⁱ)},yⁱ∈{1,2,...,k}，k＝3；

假设对于每一个输入对应每个类别j的概率值P(y＝j|X)，输出是一个k维向量，表示k个估计值，函数公式如下所示：

其中，θ₁,θ₂,...,θ_k是SoftMax回归模型的参数，对结果进行最大值判断，得到概率最大的类别j，如下公式所示：

表示第i个输入最终分类的结果；

上述过程为交叉学习的第一阶段；

步骤S4：在步骤S3通过前景图像训练得到的模型基础上，考虑到完全放弃的背景信息，对丢失掉行人的背景再识别有用的上下文线索，所以本发明让模型继续学习原始图像背景中有用信息以及背景和前景间内在的联系，即使用原始图像对交叉学习第一阶段得到的模型继续学习特征信息，该过程为交叉学习的第二阶段；

步骤S5：完成交叉学习的两个阶段，通过特征互补的方式，即可得到更鲁棒的特征。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (2)

1.一种基于交叉学习的行人再识别性能提升方法，其特征在于，包括如下步骤：

步骤S1：利用行人解析的网络滤除掉图像的背景，得到不包含背景的前景图像；

步骤S2：基于DenseNet121的网络架构，利用网络中的卷积层对步骤S1得到的前景图像进行特征提取，得到特征图；

步骤S3：通过Softmax层对步骤S2得到的特征图中进行分类，判断每个行人所属类别；具体的，

所述SoftMax层采用SoftMax回归模型，假设类别标签为y，有k个不同的取值，输入x和标签y表示成{(x¹,y¹),(x²,y²),...,(xⁱ,yⁱ)},yⁱ∈{1,2,...,k}；

假设对于每一个输入对应每个类别j的概率值P(y＝j|X)，输出是一个k维向量，表示k个估计值，函数公式如下所示：

其中，θ₁,θ₂,...,θ_k是SoftMax回归模型的参数，对结果进行最大值判断，得到概率最大的类别j，如下公式所示：

表示第i个输入最终分类的结果；

上述过程为交叉学习的第一阶段；

步骤S4：在步骤S3通过前景图像训练得到的模型基础上，继续学习原始图像背景中有用信息以及背景和前景间内在的联系，即使用原始图像对交叉学习第一阶段得到的模型继续学习特征信息，该过程为交叉学习的第二阶段；

步骤S5：完成交叉学习的两个阶段，通过特征互补的方式，即可得到更鲁棒的特征。

2.根据权利要求1所述的一种基于交叉学习的行人再识别性能提升方法，其特征在于，步骤S3中，k＝3。

Images