[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

说明书

本发明公开了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，其实现过程为：首先获取行人图片，确定查询样本，并形成训练样本集和图片库；然后将获得的行人图片进行特征提取，并描述为特征向量；再为查询样本和/或图片库中各样本学习局部度量，得到对应的度量矩阵；最后通过学习得到的度量矩阵进行相似度计算，根据相似度大小进行初始排序；通过重排序优化初始排序得到最终的排序结果。本方法基于无监督局部度量学习，不需要人工标注样本，具有一定实用性和扩展性，通过重排序，进一步提高了匹配准确度。

技术领域

本发明涉及计算机视觉和图像处理领域，尤其涉及一种可用于智能化视频监控等领域的基于无监督局部度量学习和重排序的行人再识别方法。

背景技术

跨摄像头的行人再识别是目前智能视频监控领域的热点研究问题，它的主要目的是获取特定目标在一个特定摄像头网络覆盖区域特定时间内的行动轨迹。这在目前大数据时代、视频监控自动化、平安城市建设等背景下具有重要意义。随着监控设备相关技术的成熟和成本的降低，数以万计的监控设备无时无刻地在采集数据，形成了海量数据库。如何有效管理和利用监控大数据就成了目前广受关注的问题。

目前，以人工为主的监控方式在大数据背景下遭到了巨大的挑战。人工监控的相关工作人员需要时刻监视视频画面，并分析相关目标和场景，这不仅费时费力，而且错误率会随着数据量的增大而上升。因此，自动化监控技术以其成本低，效率高，扩展性强等优点受到了人们的广泛关注。如何利用各种技术手段如计算机视觉、机器学习、深度学习等有效地解决行人在跨摄像头过程中产生的各种变化，从而使得最终的查询结果符合人们的期望是现在学者们的主要研究方向。目前，行人再识别面临的主要挑战有：背景复杂多变、光照变化、视角变化、姿态变化、行人遮挡、相似行人干扰、摄像头参数变化等影响因素造成的干扰问题。这些因素极大地影响了行人再识别技术在实际场景中的使用。针对这些问题，研究者们提出了许多算法和解决方案。大部分行人再识别方法主要由特征表示和距离度量两部分构成。

行人再识别本质上是要计算样本之间的相似度或者距离，然后根据相似度或者距离对样本进行排序，进而找到与查询样本属于同一个人的样本图像。度量学习本质上是学习一个特征的映射空间，使得对于不同的场景，可以通过数据学习适合特定场景的映射子空间。现有的度量学习方法存在的问题有：

(1)监督学习。现有的大部分度量学习方法主要基于监督学习，即通过标定数据学习获取适用于特定场景的度量参数。然而，训练数据的获取需要大量人力物力进行数据标定，同时随着监控网络的进一步扩大，用于监督学习的训练数据的标定也会随之变得更加困难(在一个摄像头中出现的行人大概率不出现在另一个摄像头中)。这限制了度量方法的实际应用。

(2)迁移能力。由于监督学习得到的度量参数是针对特定场景的，在其他场景下会有很严重的性能损失，无法很好地在另一个场景中使用。

(3)全局度量。即在整个训练集上学习得到一个度量。由于训练数据有限，实际场景中不同行人之间差异巨大，通过有限的数据集训练得到的全局度量无法对场景中出现的所有行人都保持较好的判别性。

发明内容

为了克服上述问题，本发明人进行了锐意研究，提出一种基于无监督局部度量学习或者叫基于样本的度量学习(SBML)、和重排序的行人再识别方法。针对数据标定问题，本方法基于无监督学习，只需要相关场景中的无标定数据进行训练，可行性和实用性大大提高；针对全局度量的缺陷，本方法为每一个查询样本训练局部度量，相当于为每个查询样本进行了调优，保证距离度量的精准性，从而完成本发明。

本发明提供了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，技术方案主要包括以下几个方面：

1.一种基于无监督局部度量学习的行人再识别方法，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；