一种用于行人重识别的背景抑制方法与系统与流程

技术特征：
1.一种用于行人重识别的背景抑制方法，其特征在于，包括以下步骤：s1：利用两路卷积神经网络构建出一个双流网络，所述双流网络包括：第一路网络和第二路网络，其中所述第一路网络和所述第二路网络都使用resnet50模型，且其中所述第一路网络和所述第二路网络均由相同数量的若干层残差卷积块构成；s2：将待识别的原始图像滤除背景后获得前景图像，将所述原始图像作为所述第一路网络的第一层残差卷积块的输入，同时将所述前景图像作为所述第二路网络的第一层残差卷积块的输入；s3：计算所述第一路网络中每一层的残差卷积块的输出与所述第二路网络中对应层的残差卷积块的输出进行通道级联后得到的级联特征信息，将所述级联特征信息作为所述第二路网络中的下一层残差卷积块的输入，同时将所述第一路网络中每一层的残差卷积块的输出作为所述第一路网络中的下一层残差卷积块的输入；s4：将所述第一路网络最后一层的特征、所述第二路网络最后一层的特征以及最后一层的所述级联特征信息作为所述双流网络的输出，对所述双流网络的输出分别进行池化操作，再基于三元组损失函数和交叉熵损失函数的结合，对所述池化操作的输出进行监督训练，获得行人重识别模型。2.根据权利要求1所述的方法，其特征在于，所述s4中，将所述第一路网络最后一层的特征、所述第二路网络最后一层的特征以及最后一层的所述级联特征信息作为所述双流网络的输出，对所述双流网络的输出分别进行池化操作，具体包括：s401：获取所述第一路网络的最后一层残差卷积所输出的特征对所述特征进行全局平均池化后获得所述第一路网络的最终特征信息f
p
；s402：获取所述第二路网络的最后一层残差卷积所输出的特征对所述特征进行全局最大池化后获得所述第二路网络的最终特征信息f
r
；s403：将和进行通道级联获得最终输出对所述最终输出进行全局最大池化后获得特征f
pr
；其中n为所述第一路网络和所述第二路网络的层数。3.根据权利要求1所述的方法，其特征在于，所述s4中，基于三元组损失函数和交叉熵损失函数的结合，对所述池化操作的输出进行监督训练，获得行人重识别模型，具体包括：选择一定数量的用于训练的原始图像，其中包含k类不同的行人身份，且每种行人身份包含k0张不同的图像；针对每张原始图像x
a
，在与所述原始图像x
a
属于同一个行人身份的图像中选择一张相似度距离最大的图像x
p
作为正样本，在与所述原始图像x
a
属于不同行人身份的图像中选择一张相似度距离最小的图像x
n
作为负样本，设定预设的阈值利用以下三元组损失函数对所述双流网络的输出进行监督训练：其中，l
triplet
为三元组损失函数，d(a,p)表示原始图像x
a
和图像x
p
的欧式距离，d(a,n)表示原始图像x
a
和图像x
n
的欧式距离，batch表示训练的批大小，k表示行人身份的类别个数；
所述监督训练基于标签平滑正则化的交叉熵损失函数预测每张原始图像属于某一类行人身份的概率，所述标签平滑正则化的交叉熵损失函数由如下公式表示：其中ε∈[0,1]，k表示所述用于训练的原始图像中行人身份的类别，p(k)表示所述原始图像经过预测得到的属于k类行人身份的概率。4.根据权利要求2所述的方法，其特征在于，所述第一路网络的最终特征信息f
p
具体根据以下特征提取表达式给出：f
p
＝p
gap
{b
resnet
(i
i
；w
p
|w
imagenet
,b
p
|b
imagenet
)}其中，i
i
表示所述原始图像，p
gap
表示全局平均池化，b
resnet
表示主干网络resnet50，w
p
表示所述第一路网络的参数，w
imagenet
表示在imagenet数据集上预训练的resnet50参数，b
p
表示所述第一路网络的偏置，b
imagenet
表示在imagenet数据集上预训练的resnet50偏置。5.根据权利要求2所述的方法，其特征在于，所述第二路网络的最终特征信息f
r
具体根据以下特征提取表达式给出：f
r
＝p
gmp
{b
resnet
(i
i
；w
r
|w
priori
,b
r
|b
priori
)}其中，i
i
表示所述原始图像，p
gmp
全局最大池化，b
resnet
代表主干网络resnet50，w
r
表示所述第二路网络的参数，w
priori
表示利用所述前景图像训练resnet50获得的参数，b
r
表示所述第二路网络的偏置，b
priori
表示利用所述前景图像训练resnet50的偏置。6.根据权利要求1所述的方法，其特征在于，所述滤除背景利用lip_jppnet实现。7.一种行人重识别的方法，其特征在于，使用了权利要求1至6中任一项所述的用于行人重识别的背景抑制方法。8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被计算机处理器执行时实施权利要求1至6中任一项所述的方法。9.一种用于行人重识别的背景抑制系统，其特征在于，包括：双流网络构建模块：配置用于利用两路卷积神经网络构建出一个双流网络，所述双流网络包括：第一路网络和第二路网络，其中所述第一路网络和所述第二路网络都使用resnet50模型，且其中所述第一路网络和所述第二路网络均由相同数量的若干层残差卷积块构成；训练图像输入模块：配置用于将待识别的原始图像滤除背景后获得前景图像，将所述原始图像作为所述第一路网络的第一层残差卷积块的输入，同时将所述前景图像作为所述第二路网络的第一层残差卷积块的输入；背景抑制的特征训练模块：配置用于计算所述第一路网络中每一层的残差卷积块的输出与所述第二路网络中对应层的残差卷积块的输出进行通道级联后得到的级联特征信息，将所述级联特征信息作为所述第二路网络中的下一层残差卷积块的输入，同时将所述第一路网络中每一层的残差卷积块的输出作为所述第一路网络中的下一层残差卷积块的输入；损失函数计算模块：配置用于将所述第一路网络最后一层的特征、所述第二路网络最后一层的特征以及最后一层的所述级联特征信息作为所述双流网络的输出，对所述双流网络的输出分别进行池化操作，再基于三元组损失函数和交叉熵损失函数的结合，对所述池化操作的输出进行监督训练，获得行人重识别模型。

技术总结
本发明给出了一种用于行人重识别的背景抑制方法与系统，包括设计了一个两路网络，并结合提出的先验优化和指导学习策略，用来使得模型能专注于行人的前景信息，抑制背景信息的干扰，并能学习背景中和行人身份相关的信息；第一路网络充当第二路网络的指导者，来推动第二路网络学习完整的前景信息和背景中与行人身份相关的信息。最后，本发明在多个公开行人重识别的数据集上进行了验证，验证结果表明本发明结合数据层面的先验优化和特征层面的指导学习可以有选择性的滤除背景干扰，使得网络专注于前景信息的学习。专注于前景信息的学习。专注于前景信息的学习。


技术研发人员：吴俊毅 姚灿荣 高志鹏 赵建强 杜新胜
受保护的技术使用者：厦门市美亚柏科信息股份有限公司
技术研发日：2021.06.29
技术公布日：2021/11/8