[发明专利]一种行人重识别的度量学习方法和系统

权利要求书

1.一种行人重识别的度量学习方法，其特征在于，所述方法包括以下步骤：

(1)收集两个摄像头下行人目标的特征向量，建立正样本对特征向量集合和负样本对特征向量集合；

(2)计算正样本对特征向量和负样本对特征向量的距离；

(3)将正样本对特征向量的距离在度量空间中约束为一个半径为μ₁的圆，将负样本对特征向量的距离在度量空间中约束为一个以μ₂为内半径、μ₃为外半径的圆环，0＜μ₁＜μ₂＜μ₃；

(4)在正、负样本对特征向量的距离约束条件下建立基于度量矩阵的损失函数；

(5)以损失函数值最小为目标迭代更新度量矩阵；

所述步骤(1)的具体实现方式为：

收集两个摄像头下行人目标的特征向量，分别建立集合X和集合Z，x_i为X集合中的元素，表示第i个行人目标在一摄像头中收集的特征向量，0＜i≤N；z_j为Z集合中的元素，表示第j个行人目标在另一摄像头中收集的特征向量，0＜j≤N；i＝j，x_i和z_i为同一个行人目标在两个不同摄像头下的特征向量，(x_i,z_i)表示正样本对特征向量，共有N对；i≠j，x_i和z_j为不同行人目标在两个不同摄像头下的特征向量，(x_i,z_j)表示负样本对特征向量；

所述步骤(2)的具体实现方式为：

基于马氏距离的度量学习方法，计算正样本对特征向量的距离为：计算负样本对特征向量的距离为：其中M是度量矩阵；

所述步骤(4)的具体实现方式为：

在步骤(3)中正、负样本对特征向量的距离约束条件下，建立基于度量矩阵的损失函数：

其中，正样本对特征向量的损失函数：

负样本对特征向量的损失函数：

ln(xi,zj)=1β(log(1+eβ(DM2(xi,zj)-μ3))+log(1+eβ(μ2-DM2(xi,zj)))),]]>

式中β是平滑参数；

所述步骤(5)的具体实现方式为：

(5-1)令M_k为第k次迭代时的度量矩阵，是第k次迭代时正样本对特征向量的空间距离，是第k次迭代时负样本对特征向量的空间距离，计算损失函数梯度：

▿L(Mk)=1NΣi=1Nw(xi,zi)(xi-zi)(xi-zi)T+1N(N-1)Σi≠jw(xi,zj)(xi-zj)(xi-zj)T]]>

其中，正样本对特征向量与约束条件相关的系数是：负样本对特征向量与约束条件相关的系数是：

w(xi,zj)=11+eβ(μ3-DMk2(xi,zj))-11+eβ(DMk2(xi,zj)-μ2);]]>

(5-2)在第k次迭代过程中，对M_k按照α_k的步长沿梯度下降的方向更新得到：其中α_k是迭代的更新步长；

(5-3)判断是否满足半正定矩阵的约束条件，若满足则直接令若不满足，则需在半正定矩阵空间中寻找一个与最相似的矩阵作为M_k+1的值；

(5-4)判断是否满足结束迭代条件ε为预设值，若不满足结束条件，则令k＝k+1,继续执行步骤(5-1)，若满足结束迭代条件，输出度量矩阵，当前迭代得到的M_k+1就是采用行人重识别的度量学习方法得到的最终的度量矩阵；

所述步骤(5-3)的具体实现方式为：

(5-3-1)使用公式：其中，S是半正定矩阵的集合,F表示F范数；

(5-3-2)将奇异值分解其中而Λ_k+1是由奇异值组成的对角矩阵；

(5-3-3)令则得到半正定空间中与最相似的矩阵M_k+1。

2.一种行人重识别的度量学习系统，其特征在于，所述系统包括以下模块：

特征向量模块，用于收集两个摄像头下行人目标的特征向量，分别建立集合X和集合Z，x_i为X集合中的元素，表示第i个行人目标在一摄像头中收集的特征向量，0＜i≤N；z_j为Z集合中的元素，表示第j个行人目标在另一摄像头中收集的特征向量，0＜j≤N；i＝j，x_i和z_i为同一个行人目标在两个不同摄像头下的特征向量，(x_i,z_i)表示正样本对特征向量，共有N对；i≠j，x_i和z_j为不同行人目标在两个不同摄像头下的特征向量，(x_i,z_j)表示负样本对特征向量；

度量学习方法模块，

基于马氏距离的度量学习方法，计算正样本对特征向量的距离为：计算负样本对特征向量的距离为：其中M是度量矩阵；

约束条件模块，用于将正样本对特征向量的距离在度量空间中约束为一个半径为μ₁的圆，将负样本对特征向量的距离在度量空间中约束为一个以μ₂为内半径、μ₃为外半径的圆环，0＜μ₁＜μ₂＜μ₃；

损失函数模块，用于

在正、负样本对特征向量的距离约束条件下，建立基于度量矩阵的损失函数：

其中，正样本对特征向量的损失函数：

负样本对特征向量的损失函数：

ln(xi,zj)=1β(log(1+eβ(DM2(xi,zj)-μ3))+log(1+eβ(μ2-DM2(xi,zj)))),]]>

式中β是平滑参数；

投影梯度下降法模块，用于以损失函数值最小为目标迭代更新度量矩阵，包括以下子模块：损失函数梯度子模块、迭代子模块、判断子模块和结束子模块；

所述损失函数梯度子模块，用于令M_k为第k次迭代时的度量矩阵，是第k次迭代时正样本对特征向量的空间距离，是第k次迭代时负样本对特征向量的空间距离，计算损失函数梯度：

▿L(Mk)=1NΣi=1Nw(xi,zi)(xi-zi)(xi-zi)T+1N(N-1)Σi≠jw(xi,zj)(xi-zj)(xi-zj)T]]>

其中，正样本对特征向量与约束条件相关的系数是：负样本对特征向量与约束条件相关的系数是：

w(xi,zj)=11+eβ(μ3-DMk2(xi,zj))-11+eβ(DMk2(xi,zj)-μ2);]]>

所述迭代子模块，用于在第k次迭代过程中，对M_k按照α_k的步长沿梯度下降的方向更新得到：其中α_k是迭代的更新步长；

所述判断子模块，用于判断是否满足半正定矩阵的约束条件，若满足则直接令若不满足，则需在半正定矩阵空间中寻找一个与最相似的矩阵作为M_k+1的值；

所述结束子模块，用于判断是否满足结束迭代条件ε为预设值，若不满足结束条件，则令k＝k+1,继续执行损失函数梯度子模块，若满足结束迭代条件，输出度量矩阵，当前迭代得到的M_k+1就是采用行人重识别的度量学习方法得到的最终的度量矩阵；所述判断子模块包括：第一判断模块、第二判断模块和第三判断模块；

所述第一判断模块，用于使用公式：其中，S是半正定矩阵的集合,F表示F范数；

所述第二判断模块，用于将奇异值分解其中而Λ_k+1是由奇异值组成的对角矩阵；

所述第三判断模块，用于令则得到半正定空间中与最相似的矩阵M_k+1。