[发明专利]一种行人重识别的度量学习方法

摘要

本发明公开了一种行人重识别的度量学习方法，包括以下步骤：首先建立不同摄像头下行人目标特征的集合；然后采用马氏距离的度量方式,并添加约束条件将不同摄像头下的同一目标的特征度量距离约束为0，不同目标的特征距离约束为常数μ(μ>0)；最后，建立损失函数并优化其结构，通过投影梯度下降法迭代得出满足约束条件的最优度量矩阵，完成度量学习过程。本发明有效解决了现有度量学习方法中存在的过拟合现象、度量矩阵对噪声敏感等问题，适用于复杂场景下行人重识别的应用场合。

主权项

1.一种行人重识别的度量学习方法，其特征在于，包括如下步骤：(1)建立两个不同摄像头下目标集合，分别构成集合X和集合Z，X、Z集合中的元素为各个目标在不同摄像头下图像的特征向量；(2)采用马氏距离度量方法，计算X、Z集合任意两个元素之间的距离：式中，x_i为集合X的目标i特征向量，z_j为集合Z的目标j的特征向量；建立正样本对集合S，S中的元素为样本对(x_i,z_j)，x_i、z_j属于不同摄像头下同一个行人目标的特征向量；同时建立负样本对集合D，D中的元素为样本对(x_i,z_j)，x_i、z_j属于不同摄像头下不同行人目标的特征表达；度量矩阵M初始化为单位矩阵；(3)将所有S集合中样本对特征的距离约束为0，集合D中的特征向量的距离约束为一个恒定的常数μ,取值范围为[2,4]，建立损失函数L(M)：式中，|S|表示集合S的元素个数，即正样本对个数，|D|表示集合D中元素个数，即负样本对的个数；γ是正、负样本对对于损失函数的权重，取值区间为[0.5,0.7]；为F范数的平方，是正则化项，用于避免算法过拟合；λ取值范围为[5×10^‑6，1×10^‑4]，用作调节正则化的强度；(4)对损失函数L(M)采用投影梯度下降法，迭代求矩阵M的最优值M^*，使损失函数L(M^*)最小；在第k+1次迭代时，对第k次迭代最优值M_k按梯度方向进行优化，得到C_k＝M_k‑s_k▽L(M_k)，s_k为步长系数，取值[0.05,0.5]；(5)判别矩阵C_k是否半正定，是则令转步骤(6)，否则将C_k投影到半正定空间中与C_k最相似的矩阵，具体方法是在半正定空间里寻找与C_k差值的二范数最小的半正定矩阵代替C_k；(6)将与迭代前的M_k分别赋予权重α和(1‑α)，线性组合后形成新的M_k+1，作为第k+1次优化的M矩阵的结果，α取值范围为(0,1]；(7)每次迭代后计算损失函数的差值的绝对值与前一次损失函数的比值，若小于某一预设的阈值ε，则判定迭代结束，得到M的最优结果；否则转步骤(4)继续迭代计算；所述ε取值根据计算精度和计算权衡确定，可取值区间[1×10^‑6，1×10^‑4]。