[发明专利]基于自适应距离度量学习的跨摄像机行人再识别方法

摘要

本发明公开了一种基于自适应距离度量学习的跨摄像机行人再识别方法，首先利用训练集中来自不同摄像机的行人图片构成样本对，为距离度量学习提供约束；然后根据训练样本在原始特征空间中的可区分性为不同的样本对自适应性地分配训练权重；接着采用加速近端梯度算法对距离度量学习的目标函数进行求解，得到马氏距离度量矩阵；最后将学习得到的距离度量矩阵代入马氏距离度量函数，并计算测试阶段行人图片特征向量之间的马氏距离，得到相似性排序结果。本发明充分考虑了不同训练样本在距离度量学习过程中的差异，使学习得到的距离度量函数具有更强的判别性，从而能够达到更高的跨摄像机行人再识别准确率。

主权项

一种基于自适应距离度量学习的跨摄像机行人再识别方法，其特征在于包括以下步骤：步骤1：输入距离度量学习的训练数据，将不同摄像机下的行人图片分别表示为查询集和候选集其中是第i张查询图片和第j张候选图片的特征向量，而和为对应行人的身份标签，n为训练阶段查询集的图片总数，m为训练阶段候选集的图片总数；步骤2：选取查询集中的查询图片xi和候选集中的候选图片yj构成样本对(xi,yj)，为样本对分配二分类标签zij，其中当时zij＝1，(xi,yj)被称为正样本对，而当时zij＝‑1，(xi,yj)被称为负样本对；定义任意样本对(xi,yj)之间的马氏距离度量函数为：dM(xi,yj)=||xi-yj||M2=(xi-yj)TM(xi-yj)]]>其中M为马氏距离中的距离度量矩阵；步骤3：利用Logistic损失函数为训练集中的每一样本对(xi,yj)建立距离度量学习的损失函数：ψ(xi,yj)=log(1+ezij·(dM(xi,yj)-ξ))]]>其中ξ为训练集中所有样本对特征向量之间的欧式距离均值，当(xi,yj)为正样本对时，损失函数约束马氏距离dM(xi,yj)小于ξ；而当(xi,yj)为负样本对时，损失函数约束马氏距离dM(xi,yj)大于ξ；步骤4：同时考虑训练集中所有样本对之间的损失函数约束，定义自适应距离度量学习的总体目标函数为：Ψ(M)=Σi=1nΣj=1mψ(xi,yj)]]>步骤5：根据训练样本的差异性，为不同样本对的损失函数ψ(xi,yj)分配不同的训练权重wij，使自适应距离度量学习的目标函数变为：Ψ(M)=Σi=1nΣj=1mwij·ψ(xi,yj)]]>步骤6：根据目标函数，将自适应距离度量学习定义为如下优化问题：minMΨ(M),s.t.M≥0]]>步骤7：使用加速近端梯度算法求解步骤6中的优化问题，得到对应的距离度量矩阵M；步骤8：在测试阶段，对于给定的查询模板图片的特征向量xp和其它摄像机下可疑行人目标构成的候选图片的特征向量组N为测试阶段候选集的图片总数，将距离度量矩阵M代入步骤2中的马氏距离度量函数，分别计算xp与每张候选图片的特征向量之间的马氏距离并按照马氏距离大小对候选图片进行排序，使与xp马氏距离较小的候选图片排在队列的前端。