[发明专利]一种面向目标人物距离量度学习的人物再识别方法

权利要求书

1.一种面向目标人物距离量度学习的人物再识别方法，其特征在于包括下述步骤：

第一步：将目标任务数据集中图像缩放成相同大小，并按照不同人物将数据集随机划分为训练集与测试集，按照人物所处的不同摄像机视野，将测试集再划分为查询人物集和候选人物集；

第二步：在数据集图像数据上提取颜色和纹理特征，构建人物特征表示模型；

第三步：在训练集上利用距离量度学习方法大边缘最邻近学习得到训练集的距离量度M_t；

第四步：学习面向目标查询人物的距离量度M_p

在测试集的查询人物集合中，任意选择目标查询人物P，由于P由多帧图像组成，P表示为P＝{x₁，x₂，…x_i，…，x_N}，其中x_i为人物特征实例，N表示人物P的特征实例个数，将查询人物集合中除去查询人物P之外的其他人物特征实例构成的集合作为非目标人物R＝{y₁，y₂，…y_j，…y_K}，其中y_j为人物特征实例，K表示非目标人物R的特征实例个数，根据目标查询人物的距离量度M_p，特征实例之间的临近距离，定义损失函数如下：

公式(1)中，L(M_p)表示损失函数，R(M_p，M_t)表示正则函数，α为权重系数，用以调节损失函数与正则函数间的比例关系；

令x_i表示目标查询人物P的特征实例，定义P中与x_i最邻近的特征实例为损失函数L(M_p)定义形式如下：

公式(2)中，表示特征实例x_i，y_j在距离量度M_p作用下的距离；[a]₊＝max(0,a),为hing损失函数，公式(2)表示集合R中特征实例y_i，对集合P中任意最临近特征实例x_i与间造成的损失，最小化损失函数L(M_p)能够使得拉近集合P中相同人物的特征距离，推远不同人物的特征实例距离，针对公式(1)中正则函数，使用LogDet分散计算训练集距离量度M_t与面向查询人物的距离量度M_p，正则函数定义如下：

公式(3)中，d表示距离量度维度，tr(*)表示求解矩阵迹的操作；

对面向目标查询人物的距离量度M_p的求解，通过对公式(1)最小化实现，本发明通过优化如下问题实现对M_p的求解：

公式(4)中，ζ_i，j为松弛因子，满足及ζ_i，j≥0的约束；β为权重参数，调节公式(4)中两项比例；表示x_i与在距离量度M_t作用下的距离；其中，约束距离量度M_p为半正定矩阵，使用半正定规划对公式(4)进行求解；

第五步：根据目标查询人物距离量度M_p，计算目标查询人物与所有候选人物的距离，距离计算公式为距离最小的候选人物即为目标查询人物的再识别结果。