[發明專利]一種行人重識別的度量學習方法

有效

• 申請號: 201611192599.9
• 申請日: 2016-12-21
• 公開（公告）號: CN106803063B
• 公開（公告）日: 2019-06-28
• 發明（設計）人: 桑農;陳科舟;王金;高常鑫;李志強;李亞成
• 申請（專利權）人: 華中科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 張建偉

本發明公開了一種行人重識別的度量學習方法，包括以下步驟：首先建立不同攝像頭下行人目標特征的集合；然后采用馬氏距離的度量方式,并添加約束條件將不同攝像頭下的同一目標的特征度量距離約束為0，不同目標的特征距離約束為常數μ(μ>0)；最后，建立損失函數并優化其結構，通過投影梯度下降法迭代得出滿足約束條件的最優度量矩陣，完成度量學習過程。本發明有效解決了現有度量學習方法中存在的過擬合現象、度量矩陣對噪聲敏感等問題，適用于復雜場景下行人重識別的應用場合。

技術領域

本發明屬于模式識別技術領域，更具體地，涉及一種針對行人重識別的度量學習方法和系統。

背景技術

行人的重識別算法是圖像處理和模式識別研究的重要領域之一，著眼于在無公共視域的攝像頭下特定目標行人的識別工作。目前較為通用的方法是尋找一種基于行人外貌的特征表達，主要包括顏色和紋理等信息，再使用一種合適的度量方法計算目標之間的相似度，并排序輸出。由于同一目標在不同攝像頭下受視角、光照、物體遮擋等因素影響，其在不同視角下特征的表達往往存在偏差，除了選取更加魯棒的特征表達目標，選擇一種合適的度量方法也是解決匹配問題的核心部分。針對某一數據庫的特定場景，由訓練集樣本學習而產生一個更加合適的度量空間來進行相似度計算，這種方法稱為度量學習。現有的度量學習方法中，在訓練階段往往追求類內距離最小化和類間距離最大化，忽視了目標特征的組成部分，導致背景、噪聲等信息在度量中的權重被擴大化，得到的結果往往存在過擬合的風險，造成測試效果欠佳。本發明提出了一種基于等距約束的度量學習方法，在一定程度上解決了傳統度量學習過擬合的問題。

發明內容

本發明提出一種行人重識別的度量學習方法，目的在于提供一種基于等距約束的度量學習方法，解決現有度量學習技術存在的過擬合問題。

本發明提出的一種行人重識別的度量學習方法，包括如下步驟：

(1)建立兩個不同攝像頭下目標集合(可擴展到多個)，分別構成集合X和集合Z，X、Z集合中的元素為各個目標在該攝像頭下圖像的特征向量(包括顏色和紋理等特征)；

(2)采用馬氏距離度量方法，計算X、Z集合任意兩個元素之間的距離：式中，x_i為集合X的目標i特征向量，z_j為集合Z的目標j的特征向量，建立正樣本對集合S，S中的元素為樣本對(x_i,z_j)，x_i、z_j屬于不同攝像頭下同一個行人目標的特征向量；同時建立負樣本對集合D，D中的元素為樣本對(x_i,z_j)，x_i、z_j屬于不同攝像頭下不同行人目標的特征表達；度量矩陣M初始化為單位矩陣；

(3)約束所有X、Z集合中屬于同一目標特征的距離為0，不同目標的特征向量的距離為一個恒定的常數μ,取值范圍為[2,4]，建立損失函數：

式中，|S|表示集合X、Z中同一行人目標在不同攝像頭下的特征對(定義為正樣本對)的個數，|D|表示集合X、Z中不屬于同一個人的特征對(定義為負樣本對)的個數；γ是正、負樣本對對于損失函數的權重，取值區間為[0.5,0.7]；為F范數的平方，是正則化項，用于避免算法過擬合；λ取值范圍為[5×10^-6，1×10^-4]，用作調節正則化的強度；

(4)對損失函數L(M)采用投影梯度下降法，迭代求矩陣M的最優值M^*，使損失函數L(M^*)最小；；在第k+1次迭代時，對第k次迭代最優值M_k按梯度方向進行優化，得到s_k為步長系數，取值[0.05,0.5]；