[发明专利]一种基于语义区域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语义区域测度学习的行人再识别方法，该方法包括：将两个视角下每幅训练图像划分为K个子区域并提取特征；基于不同子区域的关系定义三种子区域对；确定三类子区域样本及对应标签；学习并求解映射矩阵M；计算不同视角下两幅行人图像子区域对之间的距离；为每个子区域寻找最佳匹配子区域，作为该子区域的最佳相似度得分；将所有子区域最佳相似度得分之和作为两幅行人图像的相似度得分；求得两个视角下任意两幅测试图像的相似度得分，相似度得分最高的两幅测试图像被认为是相似行人图像对。本发明充分挖掘图像的语义信息并且利用语义约束匹配为每个子区域寻找最佳匹配，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，具体涉及一种基于语义区域测度学习的行人再识别方法。

背景技术

行人再识别(Person Re-identification)是近几年智能视频分析领域兴起的一项新技术，主要用于公共安全视频监控中的人像识别，处理海量增长的视频监控。行人再识别能够实现无重叠系统的多摄像头视角下行人的匹配，即一个行人从一个摄像机下消失后，当其再次出现在其它摄像机下时能够将其与之前摄像机下的该行人重新建立关联。行人再识别在人机交互、安保、监控、法庭、取证等领域有着广泛的应用，如单摄像头目标跟踪、机场和购物广场中实现跨摄像头顾客跟踪、对于警方锁定的某个监控摄像头下的犯罪嫌疑人，在该犯罪嫌疑人可能经过的其他摄像头视角下实现对该目标的识别等。鉴于不同视频监控下环境的复杂性，比如，人体姿态、摄像机视角、光照、背景的变化，遮挡、错位以及分辨率低下等因素，研究者们一直致力于开发高效、鲁棒的行人再识别算法用于提高行人再识别的准确率。

近几年行人再识别被广泛研究，度量学习作为行人再识别关键的一步对于提高行人再识别的准确率起着关键的作用。对于度量学习，大量行人再识别的方法被提出，并取得了较大的进步。其中，Zheng等人提出了一种度量方法称为概率相对距离比较算法(Probabilistic Relative Distance Comparison PRDC)，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。Prosser等人把行人再识别的问题作为一个相对排序问题，并利用集成排序支持向量机(Rank SVMs)学习等级相似度分数。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。进一步地，Li等人提出了局部自适应决策函数的学习，它可以被看作是距离度量和局部适应阈值规则的联合模型，这种方法考虑了行人图像的语义信息。Zhao等人提出在子区域(图形块)的水平上匹配两幅图，进一步考虑到行人图像的语义信息，提高了行人图像匹配的正确率。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像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图像的语义信息，语义信息被证实能够反映行人图像的空间结构以及身体的不同部位，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

本发明的目的是提供一种基于语义区域测度学习的行人再识别方法，以解决行人语义信息对行人再识别结果影响较大的技术问题。

为了实现所述目的，本发明提出的一种基于语义区域测度学习的行人再识别方法包括以下步骤：

步骤S1，将行人再识别两个视角下的每幅训练图像划分为K个子区域并为每个子区域提取特征；

步骤S2，基于两个视角下两幅训练图像不同子区域之间的关系得到三种子区域对类型；

步骤S3，基于每个子区域的特征向量和映射矩阵M计算得到三种子区域对特征向量之间的差异，并将其作为三类子区域样本并赋予三类子区域样本对应的标签；

步骤S4，基于三类子区域样本及对应的标签，学习映射矩阵M并利用优化算法求解映射矩阵M；

步骤S5，利用映射矩阵M，计算不同视角下两幅行人图像子区域对之间的距离；