[发明专利]一种基于大间隔相对距离度量学习的行人重识别方法

说明书

一种基于大间隔相对距离度量学习的行人重识别方法，包括步骤：在训练数据集中，对行人图像的特征表达向量进行降维处理并将降维后的向量进一步投影到类内子空间；根据投影后的特征表达向量及对应的标签信息通过优化损失函数学习马氏距离度量矩阵；在测试数据集中，利用学习到的马氏距离度量矩阵对不同摄像机下的行人图像进行行人重识别。由于在类内子空间通过相对距离比较学习马氏距离度量矩阵，获得的度量矩阵具有更强的鲁棒性，在测试集上显著提升了行人重识别的准确率。

技术领域

本发明涉及视频监控技术领域，具体涉及一种基于大间隔相对距离度量学习的行人重识别方法。

背景技术

近年来，随着网络技术的发展以及社会安防需求的增长，智能视频监控的应用得到了大量的普及。由于视频监控能够以直观、准确、及时与丰富的图像展示当前状态或还原事发现场，成为了打击犯罪、公安刑侦、司法取证等工作的有效手段，也因此被广泛应用于各种场所。当前，在机关单位、小区、街道路口、车站、地铁等公共场合基本上建立起了比较完备的视频监控网络，它们所存储的视频为安全防范，实时监控跟踪以及事件分析提供了有效的数据保障。为了对比较大的范围进行有效的监控，当前的视频监控系统一般采用具有不重叠视域的摄像机对需要重点覆盖的区域进行监控。在一些基于视频监控系统的应用中，比如跨摄像机的行人跟踪与基于视频的行人检索中，常常需要根据特定的外观信息，对不同摄像机下的行人进行身份关联，即通过行人外观信息对不同摄像机捕获的行人画面进行匹配。这种对具有不重叠视域摄像机捕捉到的行人画面根据外观进行身份匹配的工作即为行人重识别。

但是由于不同摄像机的内部参数存在差异，行人在不同摄像机画面中受光照、摄像机视角与行人姿态等因素的影响，即使是同一行人在不同摄像机画面中的外观会存在巨大的差异，导致不同摄像机下根据行人外观进行身份匹配的重识别工作相当困难。

尽管行人重识别的方法各有不同，但总体上大致都可以分为两个阶段。第一阶段是特征表达的提取，即从行人画面(已从摄像机监控视频中裁切出)中计算一些具有判别性的特征表达，获得关于行人外观的数字化表达。第二阶段是采用一些距离/相似度计算方法计算不同摄像机下的两张行人画面间的距离/相似度，并确定两张图像中的行人是否为同一人；针对第二阶段的距离度量研究中，传统方法一般采用标准的距离函数度量行人间的相似性，如欧式距离、巴氏距离等，但是，其存在距离度量的鲁棒性差的问题，导致行人重识别的准确率低。

发明内容

本申请提供一种基于大间隔相对距离度量学习的行人重识别方法，包括步骤：

在训练数据集中，对不同摄像机下的行人图像的特征表达向量进行降维处理，并将降维处理后的特征表达向量投影到类内子空间；

根据投影后的各特征表达向量及其对应的标签信息通过优化损失函数学习马氏距离度量矩阵；

在测试数据集中，利用从训练集中学习获得的马氏距离度量矩阵对不同摄像机下的行人图像进行行人重识别。

一种实施例中，对不同摄像机下的训练数据集的行人图像的特征表达向量进行降维处理，具体为：

将训练数据集中摄像机a下行人图像的特征表达向量拼成矩阵将训练数据集中摄像机b下行人图像的特征表达向量拼成矩阵其中d为特征向量的维度，n和m为特征表达向量的个数；

首先将X与Z拼接为矩阵并计算其中所有样本的均值向量其中y_i指代矩阵Y的第i列；

对摄像机a和摄像机b下的行人图像的特征表达向量分别作去均值处理，即对矩阵Y执行运算其中1_n+m为n+m维元素全为1的列向量；

计算中所有去均值后样本的协方差矩阵；

对所述协方差矩阵进行特征值分解运算，并获取前d′个最大特征值所对应的特征向量；