[发明专利]一种行人重识别的度量学习方法

说明书

本发明公开了一种行人重识别的度量学习方法，包括以下步骤：首先建立不同摄像头下行人目标特征的集合；然后采用马氏距离的度量方式,并添加约束条件将不同摄像头下的同一目标的特征度量距离约束为0，不同目标的特征距离约束为常数μ(μ>0)；最后，建立损失函数并优化其结构，通过投影梯度下降法迭代得出满足约束条件的最优度量矩阵，完成度量学习过程。本发明有效解决了现有度量学习方法中存在的过拟合现象、度量矩阵对噪声敏感等问题，适用于复杂场景下行人重识别的应用场合。

技术领域

本发明属于模式识别技术领域，更具体地，涉及一种针对行人重识别的度量学习方法和系统。

背景技术

行人的重识别算法是图像处理和模式识别研究的重要领域之一，着眼于在无公共视域的摄像头下特定目标行人的识别工作。目前较为通用的方法是寻找一种基于行人外貌的特征表达，主要包括颜色和纹理等信息，再使用一种合适的度量方法计算目标之间的相似度，并排序输出。由于同一目标在不同摄像头下受视角、光照、物体遮挡等因素影响，其在不同视角下特征的表达往往存在偏差，除了选取更加鲁棒的特征表达目标，选择一种合适的度量方法也是解决匹配问题的核心部分。针对某一数据库的特定场景，由训练集样本学习而产生一个更加合适的度量空间来进行相似度计算，这种方法称为度量学习。现有的度量学习方法中，在训练阶段往往追求类内距离最小化和类间距离最大化，忽视了目标特征的组成部分，导致背景、噪声等信息在度量中的权重被扩大化，得到的结果往往存在过拟合的风险，造成测试效果欠佳。本发明提出了一种基于等距约束的度量学习方法，在一定程度上解决了传统度量学习过拟合的问题。

发明内容

本发明提出一种行人重识别的度量学习方法，目的在于提供一种基于等距约束的度量学习方法，解决现有度量学习技术存在的过拟合问题。

本发明提出的一种行人重识别的度量学习方法，包括如下步骤：

(1)建立两个不同摄像头下目标集合(可扩展到多个)，分别构成集合X和集合Z，X、Z集合中的元素为各个目标在该摄像头下图像的特征向量(包括颜色和纹理等特征)；

(2)采用马氏距离度量方法，计算X、Z集合任意两个元素之间的距离：式中，x_i为集合X的目标i特征向量，z_j为集合Z的目标j的特征向量，建立正样本对集合S，S中的元素为样本对(x_i,z_j)，x_i、z_j属于不同摄像头下同一个行人目标的特征向量；同时建立负样本对集合D，D中的元素为样本对(x_i,z_j)，x_i、z_j属于不同摄像头下不同行人目标的特征表达；度量矩阵M初始化为单位矩阵；

(3)约束所有X、Z集合中属于同一目标特征的距离为0，不同目标的特征向量的距离为一个恒定的常数μ,取值范围为[2,4]，建立损失函数：

式中，|S|表示集合X、Z中同一行人目标在不同摄像头下的特征对(定义为正样本对)的个数，|D|表示集合X、Z中不属于同一个人的特征对(定义为负样本对)的个数；γ是正、负样本对对于损失函数的权重，取值区间为[0.5,0.7]；为F范数的平方，是正则化项，用于避免算法过拟合；λ取值范围为[5×10^-6，1×10^-4]，用作调节正则化的强度；

(4)对损失函数L(M)采用投影梯度下降法，迭代求矩阵M的最优值M^*，使损失函数L(M^*)最小；；在第k+1次迭代时，对第k次迭代最优值M_k按梯度方向进行优化，得到s_k为步长系数，取值[0.05,0.5]；