[發明專利]一種行人重識別的度量學習方法和系統

有效

• 申請號: 201710073645.1
• 申請日: 2017-02-10
• 公開（公告）號: CN106919909B
• 公開（公告）日: 2018-03-27
• 發明（設計）人: 賀波濤;余少華
• 申請（專利權）人: 華中科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 華中科技大學專利中心42201
• 代理人: 李智

1.一種行人重識別的度量學習方法，其特征在于，所述方法包括以下步驟：

(1)收集兩個攝像頭下行人目標的特征向量，建立正樣本對特征向量集合和負樣本對特征向量集合；

(2)計算正樣本對特征向量和負樣本對特征向量的距離；

(3)將正樣本對特征向量的距離在度量空間中約束為一個半徑為μ₁的圓，將負樣本對特征向量的距離在度量空間中約束為一個以μ₂為內半徑、μ₃為外半徑的圓環，0＜μ₁＜μ₂＜μ₃；

(4)在正、負樣本對特征向量的距離約束條件下建立基于度量矩陣的損失函數；

(5)以損失函數值最小為目標迭代更新度量矩陣；

所述步驟(1)的具體實現方式為：

收集兩個攝像頭下行人目標的特征向量，分別建立集合X和集合Z，x_i為X集合中的元素，表示第i個行人目標在一攝像頭中收集的特征向量，0＜i≤N；z_j為Z集合中的元素，表示第j個行人目標在另一攝像頭中收集的特征向量，0＜j≤N；i＝j，x_i和z_i為同一個行人目標在兩個不同攝像頭下的特征向量，(x_i,z_i)表示正樣本對特征向量，共有N對；i≠j，x_i和z_j為不同行人目標在兩個不同攝像頭下的特征向量，(x_i,z_j)表示負樣本對特征向量；

所述步驟(2)的具體實現方式為：

基于馬氏距離的度量學習方法，計算正樣本對特征向量的距離為：計算負樣本對特征向量的距離為：其中M是度量矩陣；

所述步驟(4)的具體實現方式為：

在步驟(3)中正、負樣本對特征向量的距離約束條件下，建立基于度量矩陣的損失函數：

其中，正樣本對特征向量的損失函數：

負樣本對特征向量的損失函數：

ln(xi,zj)=1β(log(1+eβ(DM2(xi,zj)-μ3))+log(1+eβ(μ2-DM2(xi,zj)))),]]>

式中β是平滑參數；

所述步驟(5)的具體實現方式為：

(5-1)令M_k為第k次迭代時的度量矩陣，是第k次迭代時正樣本對特征向量的空間距離，是第k次迭代時負樣本對特征向量的空間距離，計算損失函數梯度：

▿L(Mk)=1NΣi=1Nw(xi,zi)(xi-zi)(xi-zi)T+1N(N-1)Σi≠jw(xi,zj)(xi-zj)(xi-zj)T]]>

其中，正樣本對特征向量與約束條件相關的系數是：負樣本對特征向量與約束條件相關的系數是：

w(xi,zj)=11+eβ(μ3-DMk2(xi,zj))-11+eβ(DMk2(xi,zj)-μ2);]]>

(5-2)在第k次迭代過程中，對M_k按照α_k的步長沿梯度下降的方向更新得到：其中α_k是迭代的更新步長；

(5-3)判斷是否滿足半正定矩陣的約束條件，若滿足則直接令若不滿足，則需在半正定矩陣空間中尋找一個與最相似的矩陣作為M_k+1的值；

(5-4)判斷是否滿足結束迭代條件ε為預設值，若不滿足結束條件，則令k＝k+1,繼續執行步驟(5-1)，若滿足結束迭代條件，輸出度量矩陣，當前迭代得到的M_k+1就是采用行人重識別的度量學習方法得到的最終的度量矩陣；

所述步驟(5-3)的具體實現方式為：

(5-3-1)使用公式：其中，S是半正定矩陣的集合,F表示F范數；

(5-3-2)將奇異值分解其中而Λ_k+1是由奇異值組成的對角矩陣；

(5-3-3)令則得到半正定空間中與最相似的矩陣M_k+1。

2.一種行人重識別的度量學習系統，其特征在于，所述系統包括以下模塊：

特征向量模塊，用于收集兩個攝像頭下行人目標的特征向量，分別建立集合X和集合Z，x_i為X集合中的元素，表示第i個行人目標在一攝像頭中收集的特征向量，0＜i≤N；z_j為Z集合中的元素，表示第j個行人目標在另一攝像頭中收集的特征向量，0＜j≤N；i＝j，x_i和z_i為同一個行人目標在兩個不同攝像頭下的特征向量，(x_i,z_i)表示正樣本對特征向量，共有N對；i≠j，x_i和z_j為不同行人目標在兩個不同攝像頭下的特征向量，(x_i,z_j)表示負樣本對特征向量；

度量學習方法模塊，

基于馬氏距離的度量學習方法，計算正樣本對特征向量的距離為：計算負樣本對特征向量的距離為：其中M是度量矩陣；

約束條件模塊，用于將正樣本對特征向量的距離在度量空間中約束為一個半徑為μ₁的圓，將負樣本對特征向量的距離在度量空間中約束為一個以μ₂為內半徑、μ₃為外半徑的圓環，0＜μ₁＜μ₂＜μ₃；

損失函數模塊，用于

在正、負樣本對特征向量的距離約束條件下，建立基于度量矩陣的損失函數：

其中，正樣本對特征向量的損失函數：

負樣本對特征向量的損失函數：

ln(xi,zj)=1β(log(1+eβ(DM2(xi,zj)-μ3))+log(1+eβ(μ2-DM2(xi,zj)))),]]>

式中β是平滑參數；

投影梯度下降法模塊，用于以損失函數值最小為目標迭代更新度量矩陣，包括以下子模塊：損失函數梯度子模塊、迭代子模塊、判斷子模塊和結束子模塊；

所述損失函數梯度子模塊，用于令M_k為第k次迭代時的度量矩陣，是第k次迭代時正樣本對特征向量的空間距離，是第k次迭代時負樣本對特征向量的空間距離，計算損失函數梯度：

▿L(Mk)=1NΣi=1Nw(xi,zi)(xi-zi)(xi-zi)T+1N(N-1)Σi≠jw(xi,zj)(xi-zj)(xi-zj)T]]>

其中，正樣本對特征向量與約束條件相關的系數是：負樣本對特征向量與約束條件相關的系數是：

w(xi,zj)=11+eβ(μ3-DMk2(xi,zj))-11+eβ(DMk2(xi,zj)-μ2);]]>

所述迭代子模塊，用于在第k次迭代過程中，對M_k按照α_k的步長沿梯度下降的方向更新得到：其中α_k是迭代的更新步長；

所述判斷子模塊，用于判斷是否滿足半正定矩陣的約束條件，若滿足則直接令若不滿足，則需在半正定矩陣空間中尋找一個與最相似的矩陣作為M_k+1的值；

所述結束子模塊，用于判斷是否滿足結束迭代條件ε為預設值，若不滿足結束條件，則令k＝k+1,繼續執行損失函數梯度子模塊，若滿足結束迭代條件，輸出度量矩陣，當前迭代得到的M_k+1就是采用行人重識別的度量學習方法得到的最終的度量矩陣；所述判斷子模塊包括：第一判斷模塊、第二判斷模塊和第三判斷模塊；

所述第一判斷模塊，用于使用公式：其中，S是半正定矩陣的集合,F表示F范數；

所述第二判斷模塊，用于將奇異值分解其中而Λ_k+1是由奇異值組成的對角矩陣；

所述第三判斷模塊，用于令則得到半正定空間中與最相似的矩陣M_k+1。