[发明专利]基于双约束度量学习和样本重排序的行人再识别方法

权利要求书

1.一种基于双约束度量学习和样本重排序的行人再识别方法，其特征在于，包括训练和测试两个阶段；

所述训练阶段包括以下步骤：

步骤1，建立跨摄像机关联约束：利用训练集中来自于不同摄像机的行人图片组成跨摄像机样本对，建立约束项使跨摄像机正样本对之间的特征距离小于跨摄像机负样本对之间的特征距离；

步骤2，建立同摄像机关联约束：利用训练集中来自于同一摄像机的行人图片组成同摄像机样本对，建立约束项使同摄像机负样本对之间的特征距离大于跨摄像机正样本对之间的特征距离；

步骤3，度量矩阵求解：通过联合步骤1和步骤2中的两个约束项得到双约束度量学习的目标函数，求使目标函数最小化的半正定度量矩阵M，得到度量学习的训练结果，结束训练阶段；

所述测试阶段包含以下步骤：

步骤4，利用度量矩阵进行特征空间投影：根据度量矩阵M的半正定性，将其特征分解为M＝P^TP，利用矩阵P将测试阶段中查询图片的特征向量x^p和候选集的特征向量统一投影至一个新的特征空间，N为测试阶段候选集中图片总数；

步骤5，计算查询图片和候选图片在特征空间中的欧式距离：分别计算查询图片与每张候选图片在新特征空间中的欧式距离：

步骤6，计算候选图片初始排序：根据步骤5中计算得到的欧式距离对候选图片进行排序，与查询图片欧式距离越小的候选图片将获得更靠前的排序位置；

步骤7，选取排序队列中前K张候选图片：从步骤6中得到的候选图片排序队列中选取排序靠前的K张候选图片；

步骤8，利用前K张候选图片在特征空间中的关联性构建概率超图：以查询图片和K张候选图片作为概率超图的顶点，并通过顶点之间的关联性生成概率超图的超边，最后为每条超边赋予对应的权重；

步骤9，基于概率超图计算重排序结果：计算概率超图的拉普拉斯矩阵，并结合初始标签的经验损失建立目标函数，根据目标函数计算得到候选图片的排序分数，按照排序分数从大到小对K张候选图片重新排序；

步骤10，返回候选图片最终排序：用步骤9中K张候选图片的重排序结果替换步骤6中排序队列里前K张图片的排序位置，并返回整个候选集排序队列作为行人再识别的最终结果。

2.根据权利要求1所述的一种基于双约束度量学习和样本重排序的行人再识别方法，其特征在于：步骤1中所述的建立跨摄像机关联约束，包括以下步骤：

步骤1.1，将来自于不同摄像机的训练图片分别定义为查询集以及候选集其中x_i和y_j为行人图片的特征向量，而和为对应的行人身份标签，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1.2，定义来自于不同摄像机的行人图片组成的样本对(x_i，y_j)为跨摄像机样本对；当x_i和y_j属于同一行人时，即称(x_i，y_j)为跨摄像机正样本对，并定义z_ij＝1；而当时，称(x_i，y_j)为跨摄像机负样本对，并设z_ij＝-1；

步骤1.3，约束训练集中任意跨摄像机正样本对(x_i，y_j)之间的距离小于跨摄像机负样本对(x_i，y_k)之间的距离：

其中d_M(·，·)为待学习的马氏距离度量函数，表达式如下：

上式中M为一个半正定的度量矩阵，即度量学习的目标；

步骤1.4，对步骤1.3中的约束进行等效转化，约束训练集中任意跨摄像机正样本对之间的距离小于阈值ξ，而训练集中任意跨摄像机负样本对之间的距离大于阈值ξ，得到下列损失函数：

其中为逻辑回归函数；E_p(M)为跨摄像机正样本对的损失函数，E_d(M)为跨摄像机负样本对的损失函数；ξ的取值为所有跨摄像机样本对(x_i，y_j)和同摄像机样本对(y_j，y_k)的平均距离。