[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

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。由于視頻清晰度等限制，很難通過直觀的人臉等信息尋找同一目標，而是著眼于基于行人外貌的特征表達，主要包括包含行人圖像的顏色和紋理等信息，再尋找一種合適的度量方法使得同一行人目標跨攝像頭特征盡量相似，異類目標特征差別盡量顯著。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，所以尋找一種合適的度量方法是解決匹配問題的核心部分。目前，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特征相似度計算，這種方法稱為度量學習。現有的度量學習方法中，約束條件往往過于追求類內距離最小化和類間距離最大化，忽視了復雜場景中目標特征中圖像背景、噪聲等信息也同時在訓練中被擴大化，最終得到的度量空間往往存在過擬合的風險，在測試中效果欠佳。

發明內容

本發明提出一種行人重識別的度量學習方法，目的在于提供一種對正樣本對特征向量進行單閾值約束，對于負樣本對特征向量雙閾值約束的度量學習方法，解決現有度量學習技術在復雜場景下存在的過擬合問題。

為實現上述目的，按照本發明的一個方面，提供了一種行人重識別的度量學習方法，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。

進一步的，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。

進一步的，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。

進一步的，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：

式中β是平滑參數。

進一步的，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：

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：

(5-2)在第k次迭代過程中，對MK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；