[發(fā)明專利]一種基于語義區(qū)域測(cè)度學(xué)習(xí)的行人再識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710841964.2
• 申請(qǐng)日: 2017-09-18
• 公開（公告）號(hào): CN107563344B
• 公開（公告）日: 2020-07-28
• 發(fā)明（設(shè)計(jì)）人: 張重;黃美艷;劉爽
• 申請(qǐng)（專利權(quán)）人: 天津師范大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 北京中政聯(lián)科專利代理事務(wù)所(普通合伙) 11489
• 代理人: 陳超

本發(fā)明實(shí)施例公開了一種基于語義區(qū)域測(cè)度學(xué)習(xí)的行人再識(shí)別方法，該方法包括：將兩個(gè)視角下每幅訓(xùn)練圖像劃分為K個(gè)子區(qū)域并提取特征；基于不同子區(qū)域的關(guān)系定義三種子區(qū)域?qū)Γ淮_定三類子區(qū)域樣本及對(duì)應(yīng)標(biāo)簽；學(xué)習(xí)并求解映射矩陣M；計(jì)算不同視角下兩幅行人圖像子區(qū)域?qū)χg的距離；為每個(gè)子區(qū)域?qū)ふ易罴哑ヅ渥訁^(qū)域，作為該子區(qū)域的最佳相似度得分；將所有子區(qū)域最佳相似度得分之和作為兩幅行人圖像的相似度得分；求得兩個(gè)視角下任意兩幅測(cè)試圖像的相似度得分，相似度得分最高的兩幅測(cè)試圖像被認(rèn)為是相似行人圖像對(duì)。本發(fā)明充分挖掘圖像的語義信息并且利用語義約束匹配為每個(gè)子區(qū)域?qū)ふ易罴哑ヅ洌岣吡诵腥嗽僮R(shí)別匹配的正確率。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺領(lǐng)域，具體涉及一種基于語義區(qū)域測(cè)度學(xué)習(xí)的行人再識(shí)別方法。

背景技術(shù)

行人再識(shí)別(Person Re-identification)是近幾年智能視頻分析領(lǐng)域興起的一項(xiàng)新技術(shù)，主要用于公共安全視頻監(jiān)控中的人像識(shí)別，處理海量增長的視頻監(jiān)控。行人再識(shí)別能夠?qū)崿F(xiàn)無重疊系統(tǒng)的多攝像頭視角下行人的匹配，即一個(gè)行人從一個(gè)攝像機(jī)下消失后，當(dāng)其再次出現(xiàn)在其它攝像機(jī)下時(shí)能夠?qū)⑵渑c之前攝像機(jī)下的該行人重新建立關(guān)聯(lián)。行人再識(shí)別在人機(jī)交互、安保、監(jiān)控、法庭、取證等領(lǐng)域有著廣泛的應(yīng)用，如單攝像頭目標(biāo)跟蹤、機(jī)場和購物廣場中實(shí)現(xiàn)跨攝像頭顧客跟蹤、對(duì)于警方鎖定的某個(gè)監(jiān)控?cái)z像頭下的犯罪嫌疑人，在該犯罪嫌疑人可能經(jīng)過的其他攝像頭視角下實(shí)現(xiàn)對(duì)該目標(biāo)的識(shí)別等。鑒于不同視頻監(jiān)控下環(huán)境的復(fù)雜性，比如，人體姿態(tài)、攝像機(jī)視角、光照、背景的變化，遮擋、錯(cuò)位以及分辨率低下等因素，研究者們一直致力于開發(fā)高效、魯棒的行人再識(shí)別算法用于提高行人再識(shí)別的準(zhǔn)確率。

近幾年行人再識(shí)別被廣泛研究，度量學(xué)習(xí)作為行人再識(shí)別關(guān)鍵的一步對(duì)于提高行人再識(shí)別的準(zhǔn)確率起著關(guān)鍵的作用。對(duì)于度量學(xué)習(xí)，大量行人再識(shí)別的方法被提出，并取得了較大的進(jìn)步。其中，Zheng等人提出了一種度量方法稱為概率相對(duì)距離比較算法(Probabilistic Relative Distance Comparison PRDC)，這種方法最大化一對(duì)正確匹配的圖像之間的距離比一對(duì)錯(cuò)誤配對(duì)圖像的距離小的概率。Prosser等人把行人再識(shí)別的問題作為一個(gè)相對(duì)排序問題，并利用集成排序支持向量機(jī)(Rank SVMs)學(xué)習(xí)等級(jí)相似度分?jǐn)?shù)。Liao等人提出了一種交叉視角的二次性判別分析度量方法，這種方法同時(shí)學(xué)習(xí)了判別性子空間與距離度量函數(shù)。進(jìn)一步地，Li等人提出了局部自適應(yīng)決策函數(shù)的學(xué)習(xí)，它可以被看作是距離度量和局部適應(yīng)閾值規(guī)則的聯(lián)合模型，這種方法考慮了行人圖像的語義信息。Zhao等人提出在子區(qū)域(圖形塊)的水平上匹配兩幅圖，進(jìn)一步考慮到行人圖像的語義信息，提高了行人圖像匹配的正確率。雖然以上方法取得了較大的成功，但是一些度量方法將行人圖像作為一個(gè)整體來測(cè)量兩幅圖像的相似度，忽略了行人的局部表現(xiàn)，還有一些度量方法沒有充分挖掘行人圖像的語義信息，語義信息被證實(shí)能夠反映行人圖像的空間結(jié)構(gòu)以及身體的不同部位，對(duì)視角和姿態(tài)變化具有魯棒性，這會(huì)使行人再識(shí)別匹配的正確率下降。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于語義區(qū)域測(cè)度學(xué)習(xí)的行人再識(shí)別方法，以解決行人語義信息對(duì)行人再識(shí)別結(jié)果影響較大的技術(shù)問題。

為了實(shí)現(xiàn)所述目的，本發(fā)明提出的一種基于語義區(qū)域測(cè)度學(xué)習(xí)的行人再識(shí)別方法包括以下步驟：

步驟S1，將行人再識(shí)別兩個(gè)視角下的每幅訓(xùn)練圖像劃分為K個(gè)子區(qū)域并為每個(gè)子區(qū)域提取特征；

步驟S2，基于兩個(gè)視角下兩幅訓(xùn)練圖像不同子區(qū)域之間的關(guān)系得到三種子區(qū)域?qū)︻愋停?/p>

步驟S3，基于每個(gè)子區(qū)域的特征向量和映射矩陣M計(jì)算得到三種子區(qū)域?qū)μ卣飨蛄恐g的差異，并將其作為三類子區(qū)域樣本并賦予三類子區(qū)域樣本對(duì)應(yīng)的標(biāo)簽；

步驟S4，基于三類子區(qū)域樣本及對(duì)應(yīng)的標(biāo)簽，學(xué)習(xí)映射矩陣M并利用優(yōu)化算法求解映射矩陣M；

步驟S5，利用映射矩陣M，計(jì)算不同視角下兩幅行人圖像子區(qū)域?qū)χg的距離；