[发明专利]一种基于判别结构测度学习的行人再识别方法

说明书

本发明实施例公开了一种基于判别结构测度学习的行人再识别方法，该方法包括：将每幅训练图像划分为K个子区域并提取特征；对相似行人图像对的对应子区域学习得到类内子区域度量；对相似行人图像对的非对应子区域学习得到弱类外子区域度量；对非相似行人图像对的对应和非对应子区域学习得到类外子区域度量；基于三种度量得到映射矩阵H；计算两幅行人图像对应子区域的马氏距离；训练得到子区域的权重；求得测试图像与每幅训练图像对应子区域间的马氏距离，进而得到该测试图像与所有训练图像的相似度得分，据此得到测试图像的行人再识别结果。本发明充分挖掘图像的结构信息和自动寻找判别性子区域，提高了行人再识别匹配的正确率。

技术领域

本发明属于计算机视觉领域，具体涉及一种基于判别结构测度学习的行人再识别方法。

背景技术

随着人们对社会公共安全的日益关注以及视频采集技术和大规模数据存储技术的发展，大量的监控摄像头应用在商场、公园、学校、医院、公司、体育场馆、大型广场、地铁站等人群密集易发生公共安全事件的场所。人工已难以应对海量增长的监控视频，因此利用计算机对监控视频中的行人等进行再识别(Re-identification)的需求应运而生。行人再识别技术是监控视频分析和理解过程中的一个十分重要的研究点，在智能视频监控、行人分析、图像检索、体感游戏和多媒体检索等领域都具有非常大的应用价值。经过不同机构和研究者们的努力，行人再识别的性能得到了重大的改善，并使得它能更加适用于真实监控场景。但是，由于人体姿态多样性、摄像机视角变化、光照变化和复杂背景等因素的存在，人体的表观信息往往发生巨大的变化，这导致了较大的类内差异，从而给开发高效、鲁棒和可用的行人再识别算法带来了巨大的挑战。

近几年行人再识别被广泛研究，行人再识别的两个基本问题是特征表示和测度学习。对于特征表示，几种有效的特征表示已经被提出，比如，局部特征集合(Ensemble ofLocal Features，ELF)、费舍尔向量特征(Fisher Vectors，LDFV)、局部最大共生特征(Local Maximal Occurrence，LOMO)等。对于测度学习，大量行人再识别的方法被提出，并取得了较大的进步。其中，Dikmen等人提出了大幅度最近邻与排斥的度量方法(LargeMargin Nearest Neighbor with Rejection，LMNN-R)，它可以通过设置某一阈值更好的处理行人图像的视角变化。Koestinger等人介绍了KISSME方法，它学习了基于统计推断观点的等价约束距离度量。Liao等人提出了一种交叉视角的二次性判别分析度量方法，这种方法同时学习了判别性子空间与距离度量函数。Zheng等人提出了一种度量方法称为概率相对距离比较算法，这种方法最大化一对正确匹配的图像之间的距离比一对错误配对图像的距离小的概率。进一步地，Zhao等人提出在子区域(图形块)的水平上匹配两幅图，这种方法考虑到行人图像的结构信息，提高了行人图像匹配的正确率。Wang等人提出了建立外观模型来计算图像区域之间的相似性。Chen等人利用两幅行人图像相对应的子区域学习距离函数，进一步考虑了图像的结构信息。虽然以上方法取得了较大的成功，但是一些度量方法将行人图片作为一个整体来测量两幅图像的相似度，忽略了行人的局部表现，还有一些度量方法没有充分挖掘行人的结构信息，结构信息被证实对视角和姿态变化具有鲁棒性，这会使行人再识别匹配的正确率下降。

发明内容

本发明的目的是要解决行人结构信息对行人再识别结果影响较大的技术问题，为此，本发明提供一种基于判别结构测度学习的行人再识别方法。

为了实现所述目的，本发明提出的一种基于判别结构测度学习的行人再识别方法包括以下步骤：

步骤S1，将每幅行人再识别训练图像划分为K个子区域并为每个子区域提取特征；

步骤S2，基于每个子区域的特征，对行人再识别训练图像中相似行人图像对的对应子区域进行学习，得到类内子区域度量M_I；