[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

说明书

本发明提供了一种面向目标人物距离量度学习的人物再识别方法，涉及视频处理技术领域，本发明通过在目标任务数据集上引入非目标查询人物作为辅助约束，在距离量度迁移学习框架下，在线学习面向目标查询人物的距离量度，解决多帧图像比较的人物再识别问题。本发明避免引入第三方人物再识别任务数据集时，由于数据集的多样性及差异性对目标任务数据集上统计模型训练学习造成的影响，缓解少量训练数据造成的统计模型过拟合的问题，在目标人物特征实例临近距离定义损失函数，克服同一人物特征实例类内方差大于类间方差的问题，解决多帧图像比较的人物再识别任务。

技术领域

本发明涉及视频处理技术领域，尤其是一种人物再识别方法。

背景技术

人物再识别是对不同摄像机所拍摄的人物图像进行关联匹配，用于理解目标人物在摄像机监控网络中的行为活动，是摄像机监控系统中重要技术。随着摄像机网络及视频监控系统的广泛部署，人物再识别技术受到越来越多的关注。

由于监控摄像机分辨率较低、监控摄像机较远的原因，人物面部及步姿等生物信息无法用于人物再识别技术。因此，当前研究工作假设人物在摄像机监控网络中，人物衣着等外观信息没有发生显著变化，并在此基础之上研究构建具有区分能力的人物外观表示模型。由于这种假设，当人物外观衣着等发生变化，该人物即被认为新的目标人物。因此，人物再识别任务中仅有少量数据能够用于机器学习等统计方法。在少量训练数据上获得的统计模型会出现过拟合(Over-fitting)，最终影响人物再识别任务结果。Wu等人的研究工作从第三方数据集采样数据作为‘ThirdParty’，利用稀疏编码方法对查询人物与候选人物进行联合特征表示，通过‘ThirdParty’数据作为中间特征表示填补查询人物与候选人物特征表示之间的语义间隙。Zheng等人在迁移学习的框架中，将人物再识别问题形式化描述为集合验证(Set-basedVerification)问题，通过引入目标(TargetPerson)与非目标人物(Non-targetPerson)关联关系作为额外约束条件，在学习过程中强化了统计模型的鲁棒性。Li等人在任务目标数据集上学习具有泛化能力的距离量度(DistanceMetric)，根据目标查询人物的相似性对非目标查询人物进行选择与重新量化，进一步学习具有candidate-set-specific距离量度。

上述研究方法通过引入第三方数据集作为辅助信息对目标任务的统计模型进行训练。一方面，如上讨论人物再识别任务数据集获得十分困难，当目标任务规模较大时，引入第三方数据集仍难以满足目标任务的需求；另一方面，由于目标任务数据集与第三方数据集数据的多样性与差异性，第三方数据集数据难以完全应用于目标任务。同时，上述研究方法侧重在目标人物与候选人物之间单一图像比较的人物再识别任务，由于同一人物多帧图像的类内方差大于图像类间方差的问题，这些研究方法无法直接应用于更具挑战性的多帧图像比较的人物再识别任务。

发明内容

为了克服现有技术的不足，本发明目的为设计一种面向目标人物距离量度学习的人物再识别方法，通过在目标任务数据集上引入非目标查询人物作为辅助约束，在距离量度迁移学习框架下，在线学习(Online Learning)面向目标查询人物的距离量度，解决多帧图像比较的人物再识别问题。

本发明解决其技术问题所采用的技术方案包括以下步骤：

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(Large MarginNearest Neighbor，LMNN)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