[发明专利]基于两级融合的不完整属性标记行人重识别方法与系统

说明书

本发明公开了一种基于两级融合的不完整属性标记行人重识别方法与系统，首先，基于人工标注属性特征更为精确的前提，利用低层特征和高层一般属性特征的跨层稀疏重构一致性，初步融合人工标注属性来学习出完整而精确的高层属性特征，然后，用基于统计意义上的属性关注度和显著度提出关注‑显著度模型来度量行人属性向量间的距离，最后对基于低层特征的排序结果和基于关注度‑显著度的属性特征排序结果进行排序的后融合。本发明的有效性都在VIPER数据集上得到证明，同时可知，引入不完整标注属性进行行人重识别能大大提升检索效果。

技术领域

本发明属于监控视频检索技术领域，尤其涉及一种基于两级融合的不完整属性标记行人重识别方法与系统。

背景技术

在实际视频侦查中，侦查员需要根据指定行人对象在多摄像头下的活动画面和轨迹来快速排查、追踪和锁定嫌疑目标，在侦查过程中，侦查员经常会手动标注一些信息，视觉属性中的图片信息和语义描述因此得以收集，然而，实际中往往花费大量的人力物力和时间信息在匹配这些不同的标记上，这严重影响破案效率,容易错过最佳的破案时机。

行人重识别是一种针对特定行人对象的跨摄像头监控视频自动检索技术，它仅仅利用图像特征对进行目标查询，侦查员所标记的不完整语义属性并未得到利用，充分利用侦查员所标注的信息并结合已有的行人重识别技术用以辅助视频侦查员快速、准确地发现嫌疑目标的活动画面和轨迹，对公安部门提高破案率、维护人民群众生命财产安全具有重要意义。

目前行人重识别技术所面临的挑战主要是来自于多摄像头下的行人图像往往存在视角变化、光照变化、姿态变化和尺寸变化等，使得相同行人之间的差异甚至比不同行人之间的还要大。现有行人重识别技术大致可以分为三类：基于特征表示的行人重识别技术、基于尺度学习的行人重识别技术、基于排序优化的行人重识别技术。现有行人重识别技术中基于特征方法包括基于低层特征的行人重识别技术，如[文献1]所述的基于局部特征驱动的行人重识别技术、[文献2]所述的基于语义色彩的行人重识别技术、[文献3]所述的基于局部互动的排序优化行人重识别技术等等以及基于高层语义特征的行人重识别技术、如[文献4]所述的基于属性的行人重识别技术。现有基于尺度学习的重识别技术，如[文献5]所述的KISSME算法。

基于特征表示的行人重识别方法，其中低层视觉特征在面对视角变化、光照变化、姿态变化时不够鲁棒，图像高层特征相对而言鲁棒性更强，从图像内容中得到的普通高层属性特征较为完整却因分类器的精度限制而不准确，人工标注的高层属性特征尽管不完整却较为精确。

基于属性特征距离度量的行人重识别，很少考虑到如[文献6]所述信息检索中考虑到属性关注度和属性显著度的概念，而关注度-显著度匹配模型在度量属性时却是非常有效果的。

基于重排的行人重识别认为基于低层特征的行人重识别在行人外貌变化不大的前提下更为精准，而基于高层的属性特征对外貌变化鲁棒性更强，但相对不精准。

[文献1]M.Farenzena,L.Bazzani,A.Perina,V.Murino,and M.Cristani.Personre-identification by symmetry-driven accumulation of local features.In CVPR,2010.

[文献2]Y.Yang,J.Yang,J.Yan,S.Liao,D.Yi,and S.Z.Li.Salient color namesfor person re-identification.In ECCV.2014.

[文献3]Z.Wang,R.Hu,C.Liang,Q.Leng,and K.Sun.Region-based interactiveranking optimization for person re-identification.In PCM.2014.