[发明专利]一种基于核化特征和随机子空间集成的行人再辨识方法

说明书

本发明涉及一种基于核化特征和随机子空间集成的行人再辨识方法，包括以下步骤：S1，获取行人图像的训练样本集和测试样本集，确定两个样本间的核化函数；S2，分别将两个样本集的原始特征转化为核化特征；S3，在训练样本集的核化特征空间中，随机选取多个不同的子空间，分别计算不同和相同行人图像对的核化特征差值的协方差矩阵及其逆矩阵，得到图像对的核化特征差值的分布函数；S4，分别在各子空间下，计算样本对为相同行人的概率和为不同行人的概率，将两个概率的比值作为样本间的距离；S5，对距离进行集成，得到各样本对间的最终距离。与现有技术相比，本发明具有良好的行人再辨识能力，适用于各种不同的特征，具有较强的鲁棒性。

技术领域

本发明涉及监控视频智能分析中的特征提取和距离度量学习方法，尤其是涉及一种基于核化特征和随机子空间集成的行人再辨识方法。

背景技术

行人再辨识是指在一个多摄像机组成的系统中，对不同摄像机视角下的行人图像进行匹配的问题。它对于行人身份、行为等不同方面的分析提供了关键性帮助，并发展成为智能视频监控领域的关键组成部分。

行人再辨识领域中主要的方法可以分为以下两类：1)基于特征表示的行人再辨识方法；2)基于度量学习的行人再辨识方法。

在基于特征表示的行人再辨识方法中，低层视觉特征是最常用的特征。常用的低层视觉特征有颜色直方图、纹理等，具体描述如下：颜色直方图通过统计图像上颜色分布来描述整张图像或者其中一个小区域的颜色分布特征。它对于视角变化较为鲁棒，但容易受光照等亮度变换的影响，因此它通常在特定的彩色空间上提取。纹理特征描述的整张图像或者其中一个小区域的结构信息，对颜色直方图特征描述的颜色信息是个很好的补充。大部分行人再辨识算法都基于底层视觉特征实现的，然而当人类自身在进行行人再辨识任务时，往往不是完全通过底层视觉特征，而是更多通过具有语义的属性特征来判断两张图像是否属于同一行人。比如：发型，恤的类型，外套的类型，鞋子等信息。与底层视觉特征相比，基于语义属性特征的方法具有天然的优势：语义属性对于不同监控视频下的行人外貌特征差异更为鲁棒，同一个行人在不同监控视频下，其语义属性的描述通常是不变的；语义属性和人类的理解更为接近，因此，基于语义属性的特征方法得到的结果更符合人的需求；基于语义属性的方法更方便人的交互。

在特征表示方法之后，如何度量不同行人图像的距离也是行人再辨识领域的关键问题之一。基于特征的方法在计算特征向量相似性时，通常采用欧式距离、余弦距离和测地距离等经典的距离函数。这些经典的距离函数未考虑样本的特性因此性能往往不好。近年来，大量文献采用距离测度的方法，通过对标注样本的训练，得到一个更符合样本特性的距离函数，从而提高性能。这些方法通过学习一个马氏形式的距离函数来实现。其中基于简单而直接策略(KISS)的行人再辨识方法在性能上处于前列。然而，这种方法是建立在样本分布服从高斯分布的理论假设基础之上，但现实中的样本不仅不会完美地服从高斯分布，甚至有可能严重地偏离，从而导致性能下降。另外，在实际情况中，样本规模往往远小于特征维数，从而导致度量学习中马氏距离的计算变得困难甚至不可解。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于核化特征和随机子空间集成的行人再辨识方法，使提取的特征更加近似地服从高斯分布能调和样本规模与特征维数的矛盾，避免SSS(小规模样本)问题，从而提升性能。

本发明的目的可以通过以下技术方案来实现：

一种基于核化特征和随机子空间集成的行人再辨识方法，包括以下步骤：

S1，获取行人图像的训练样本集和测试样本集，确定两个样本间的核化函数，核化函数的输出值为一维实数，在每个样本集中，同一个行人具有多个图像；在训练样本集中，每个行人与其多幅图像的对应关系是已知的，在测试样本集中，是未知的；

S2，分别将两个样本集的原始特征转化为核化特征，核化特征的维度均为训练样本集中的样本个数；