[发明专利]一种基于无监督局部度量学习和重排序的行人再识别方法

权利要求书

1.一种基于无监督局部度量学习的行人再识别方法，其特征在于，所述方法包括以下步骤：

步骤1)，行人检测：获取行人图片，确定查询样本，并形成训练样本集和图片库；

在相同场景的摄像头的监控视频帧中获取行人图片，形成训练样本集；和/或

在待查询场景的摄像头的监控视频帧中获取行人图片，形成图片库；

查询样本与训练样本集中样本选自相同的摄像头场景，且查询样本与训练样本集中的样本无重叠样本；

步骤2)，特征表示：将获得的行人图片进行特征提取，并描述为特征向量；

步骤3)，度量学习：为查询样本和/或图片库中各样本学习局部度量，得到查询样本的局部度量矩阵M，和/或图片库中样本所对应的局部度量矩阵M_i；

所述局部度量是指为每一个查询样本学习一个度量矩阵；

无监督度量学习是指使用无标注的数据学习距离度量；

步骤4)，匹配排序：通过学习得到的度量矩阵进行查询样本和图片库中样本的相似度计算，根据相似度大小进行排序；

在步骤4)后，还包括重排序步骤：通过基于K近邻交集重排序方法对步骤4)中排序进行重排序；

重排序步骤包括以下子步骤：

步骤5.1)，根据步骤4)中得到初始排序结果，确定初始排序得分；

步骤5.2)，计算查询样本和初始排序结果中样本之间k近邻中相同样本的数量，确定k近邻得分；

步骤5.3)，根据初始排序得分和k近邻得分，获得查询样本和初始排序结果中样本的最终相似度；

步骤5.1)中初始排序得分S_r(x₀，g⁰_i)为：S_r(x₀,g⁰_i)＝1/i，其中，i为初始排序结果中的位置，g⁰_i表示初始排序结果中排在i的样本；

步骤5.2)中k近邻得分S_cn(x₀，g⁰_i)为：S_cn(x₀,g⁰_i)＝|n_k(x₀)∩n_k(g⁰_i)|，其中，n_k(x₀)为查询样本x₀的k近邻，n_k(g⁰_i)为g⁰_i的k近邻；

步骤5.3)中，查询样本和初始排序结果中样本g⁰_i的最终相似度S_n(x₀，g⁰_i)为：

所述基于K近邻交集重排序方法指的是基于KNN交集重排序方法，所述k近邻为k个最近邻，即前k个排序。

2.根据权利要求1所述的方法，其特征在于，步骤1)中，通过目标检测算法DPM自动获取监控视频帧中行人图片，

所述DPM是指可变形部件模型；

调节目标检测算法DPM中候选区域得分阈值参数threshold，控制漏检率和误检率。

3.根据权利要求1所述的方法，其特征在于，步骤2)包括以下子步骤：

步骤2.1)，将行人图片划分成设定数量的水平条带，在每一个水平条带中分别提取HSV、RGB、Lab颜色直方图并级联成颜色特征；

步骤2.2)，在整张行人图片中提取HOG和LBP特征，获得图片的边缘和纹理信息；

步骤2.3)，将步骤2.1)中颜色特征和步骤2.2)中边缘和纹理信息特征级联，形成行人图片的最终特征表示。

4.根据权利要求1所述的方法，其特征在于，步骤3)中，使用主成分分析PCA降维算法将步骤2)中获得的特征向量进行降维。