[发明专利]一种行人重识别的度量学习方法和系统

说明书

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。由于视频清晰度等限制，很难通过直观的人脸等信息寻找同一目标，而是着眼于基于行人外貌的特征表达，主要包括包含行人图像的颜色和纹理等信息，再寻找一种合适的度量方法使得同一行人目标跨摄像头特征尽量相似，异类目标特征差别尽量显著。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，所以寻找一种合适的度量方法是解决匹配问题的核心部分。目前，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特征相似度计算，这种方法称为度量学习。现有的度量学习方法中，约束条件往往过于追求类内距离最小化和类间距离最大化，忽视了复杂场景中目标特征中图像背景、噪声等信息也同时在训练中被扩大化，最终得到的度量空间往往存在过拟合的风险，在测试中效果欠佳。

发明内容

本发明提出一种行人重识别的度量学习方法，目的在于提供一种对正样本对特征向量进行单阈值约束，对于负样本对特征向量双阈值约束的度量学习方法，解决现有度量学习技术在复杂场景下存在的过拟合问题。

为实现上述目的，按照本发明的一个方面，提供了一种行人重识别的度量学习方法，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。

进一步的，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。

进一步的，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。

进一步的，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：

式中β是平滑参数。

进一步的，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：

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：

(5-2)在第k次迭代过程中，对MK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；