[發明專利]基于局部高頻次特征和混合度量學習的行人重識別方法

在審

• 申請號: 202010028083.0
• 申請日: 2020-01-10
• 公開（公告）號: CN111259756A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 趙增輝;林青
• 申請（專利權）人: 西安培華學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

本發明公開了一種基于局部高頻次特征和混合度量學習的行人重識別方法，采用局部頻次特征表示方法，在光照和視角變化條件下提取目標圖像的顏色和紋理特征集合，并采用滑動窗口來描述局部細節提取圖像特征，取局部高頻次出現的特征最大值作為特征值，獲得多尺度的特征描述符級聯。在子空間降維以后，根據樣本出現的后驗概率得到度量學習矩陣及其混合度量學習矩陣的權重系數，最終得到相似程度作為行人重識別的依據。本發明可以在多攝像頭監控場景下利用行人外觀特征識別出與給定行人相關圖像，在智能監控、智能安保、刑事偵查、行人檢索、行人跟蹤和行為分析等領域具有較好應用價值。

技術領域

本發明屬于信息技術計算機視覺技術領域，具體涉及一種基于局部高頻次特 征和混合度量學習的行人重識別方法。

背景技術

在多攝像頭監控場景下利用行人外觀特征識別出與給定行人相關圖像的問 題，稱為行人重識別(Person re-identification)。通過對多攝像頭監控數據的自動分 析、檢測、識別和跟蹤，可匹配不同攝像機在不同時間、地點拍攝的行人目標。 近年來，行人重識別問題一直是視頻監控技術的研究熱點，廣泛應用于智能監控、 智能安保、刑事偵查、行人檢索、行人跟蹤和行為分析等領域，對它的深入研究 極大地推動計算機視覺、機器學習和多媒體信號處理等學科的發展。

行人重識別包括監控視頻行人檢測，特征提取和相似性度量等一系列的過程， 其中特征提取和相似性度量是兩個基本問題。目前，行人重識別技術研究主要集 中在如下幾個方面：

1)產生魯棒的特征表示或特征描述子；

2)建立高效的信息相似性度量或度量學習機制。

特征表示需要計算行人樣本的局部顏色和紋理特征，有效的特征表示既對目 標有較強的區分力，又對光照和視角變化具有魯棒性。用于描述行人外貌形態的 特征有很多，如基于整體和基于部分的特征描述以及基于區域的特征描述。相似 性度量學習目的是比較特征向量之間的距離，將其轉化為圖像對之間的相似度， 通過對該相似度進行排序，找到最相似的圖像。度量學習包括兩個階段，首先基 于主成分分析(PCA)方法將原始特征或特征維映射到低維子空間，然后在子空 間上學習判定相應距離。這種兩階段處理方法能夠有效提取一些在光照、位姿和 視角都發生嚴重畸變的情況下提取顯著特征。

大多數方法采用顏色直方圖來表示局部或全局特征提取差異特征，計算查詢 圖像之間的相似度然后排序，此時得到的往往不是最優結果。常見的特征提取方 法包括顯著特征匹配、局部特征的集成(ELF)，對稱局部特征累加(SDALF)，Fisher 矢量(LDFV)，局部最大重現特征(LOMO)和中級濾波等方法。無論是基于外貌 的方法，還是基于形態的方法，充分利用目標的空間信息可以增強提取特征的魯 棒性，進而獲得較好的再識別率。一些文獻對于近年行人重識別工作進行了綜述， 提出紋理和形態是顏色特征的有益補充。有些研究提出了縮影特征(Epitome)作為 模板或基函數。局部特征對行人圖像的旋轉、視角、光照條件具有較好適應性。 由于行人重識別的訓練集和測試集之間ID不重疊，并且大多數場景下，行人處 于非合作狀態，關鍵部位有時還會被遮擋住。因此，完全依賴特征描述解決行人目標再識別問題非常困難。

發明內容

本發明所要解決的技術問題在于針對上述現有技術中的不足，提供一種基于 局部高頻次特征和混合度量學習的行人重識別方法，基于局部高頻次特征提取目 標圖像的特征描述符，并進行全局和局部特征混合度量學習，在匹配準確程度方 面做出改進，同時對計算速度方面沒有顯著影響。

本發明采用以下技術方案：

基于局部高頻次特征和混合度量學習的行人重識別方法，包括以下步驟：

S1、在光照和視角變化條件下提取目標圖像的顏色特征，使用基于中心環繞 多尺度Retinex算法預處理人物圖像，進行圖像顏色增強來消除光照不均；