[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

摘要

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。

主权项

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：$f_{M_p}=L\left(M_p\right)+\mathrm{\α}R(M_p,M_t)---\left(1\right)$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：$L\left(M_p\right)=\underset{i,j}{\mathrm{\Σ}}{\[1+d_{M_p}(x_i,x_i^c)-d_{M_p}(x_i,y_i)\]}_{+}---\left(2\right)$公式(2)中，表示特征实例x_i，y_j在距离量度M_p作用下的距离；[a]₊＝max(0,a),为hing损失函数，公式(2)表示集合R中特征实例y_i，对集合P中任意最临近特征实例x_i与间造成的损失，最小化损失函数L(M_p)能够使得拉近集合P中相同人物的特征距离，推远不同人物的特征实例距离，针对公式(1)中正则函数，使用LogDet分散计算训练集距离量度M_t与面向查询人物的距离量度M_p，正则函数定义如下：$R(M_p,M_t)=tr\left(M_p{M}_t^{-1}\right)-\log \det \left(M_p{M}_t^{-1}\right)-d---\left(3\right)$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：

×

专利文献下载

说明：

1、专利原文基于中国国家知识产权局专利说明书；

2、支持发明专利 、实用新型专利、外观设计专利（升级中）；

3、专利数据每周两次同步更新，支持Adobe PDF格式；

4、内容包括专利技术的结构示意图、流程工艺图或技术构造图；

5、已全新升级为极速版,下载速度显著提升！欢迎使用！

请您登陆后，进行下载，点击【登陆】 【注册】

友情链接：交换友情链接需要网站权重大于4，网站收录10W以上，如符合条件，请联系QQ：。

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

周一至周五 9:00-18:00

版权所有http://www.vipzhuanli.com/公布日期

咨询在线客服

tel code back_top

服务热线：

投诉建议：

扫一扫，微信关注钻瓜专利网

定制专利/购买专利

行业大牛为您服务 快来咨询~