[发明专利]一种基于双角度排序优化的行人重识别方法

说明书

技术领域

本发明属于监控视频检索技术领域，尤其涉及一种基于双角度的排序优化行人重识别方法。

背景技术

在实际视频侦查中，侦查员需要根据指定行人对象在多摄像头下的活动画面和轨迹来快速排查、追踪和锁定嫌疑目标。传统基于人工浏览的视频侦查模式需要耗费大量的人力和时间、效率低下，极易贻误破案时机。行人重识别是一种针对特定行人对象的跨摄像头监控视频自动检索技术，即在照射区域无重叠的多摄像头下匹配同一行人对象。便于视频侦查员快速、准确地发现嫌疑目标活动画面和轨迹，对公安部门提高破案率、维护人民群众生命财产安全具有重要意义。

现有的行人重识别(又称行人检索)技术根据特征表示的类型主要分为两类：

第一类主要是基于全局描述的特征，即用行人整体外貌信息的描述去表述一个行人。例如文献1提出了一种基于整体效果的特征描述方法，用一个列向量去表示一个行人；然后用计算两个向量的巴氏距离去检索行人。近年来，研究者在全局特征描述的基础上用尺度学习的方法去改进初始的距离度量的重识别效果。文献2通过PCA将每个行人表示成一个较短的向量，然后通过距离学习去改进重识别效果。

第二类主要是基于局部描述的特征，即主要利用行人外貌局部显著性的区域信息去检索行人。例如文献3提出了一种基于显著度匹配的行人重识别技术，通过无监督学习去寻找每个行人的显著性局部区域，通过匹配显著性区域去检索行人。

全局特征和局部特征的都取得了不错的重识别效果，然而我们发现他们的初始排序列表差异很大。由于基于全局特征描述方法检索出来的行人可能只是在整体上看上去差异不大但是局部细节差异很大，而基于局部特征描述的方法在行人局部区域有遮挡的情况下效果一般。

【文献1】Farenzena M,Bazzani L,Perina A,et al.“Person re-identification by symmetry-driven accumulation of local features”，Computer Vision and Pattern Recognition(CVPR),PP.2360-2367,2010。

【文献2】Kostinger M,Hirzer M,Wohlhart P,et al.“Large scale metric learning from equivalence constraints”,Computer Vision and Pattern Recognition(CVPR),PP.2288-2295,2012。

【文献3】Zhao R,Ouyang W,Wang X.“Unsupervised salience learning for person re-identification”,Computer Vision and Pattern Recognition(CVPR),PP.3586-3593,2013。

发明内容

针对现有技术存在的不足，本发明提供了一种基于双角度排序优化的行人重识别方法，该方法通过对全局和局部特征的初始排序结果进行融合，进而提升多摄像头下同一行人匹配的准确性。

本发明所采用的技术方案是：一种基于双角度排序优化的行人重识别方法，其特征在于，包括以下步骤：

步骤1：针对一个特定的查询p，分别通过基于全局特征描述方法和局部特征描述方法得到p的排序列表RL^g(p)和RL^l(p)，通过对两个排序列表的前k个结果取交集，得到他们双方都认同的最近邻即共同最近邻有k_c个；

步骤2：对里的每一个最近邻作为一个新的查询，保留原先的待查集，进行交叉的反向查询；其具体实现包括以下子步骤：

步骤2.1：对于全局特征描述方法，对进行反向查询时，用基于局部特征描述方法去查询，得到一个新的排序列表因此可以得到k_c个新的反向排序列表，即对于全局特征描述方法而言，可以得到共k_c+1个排序列表，

步骤2.2：对于局部特征描述方法，对进行反向查询时，用基于全局特征描述方法去查询，得到一个新的排序列表因此可以得到k_c个新的反向排序列表，即对于局部特征描述方法而言，可以得到共k_c+1个排序列表，