[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

说明书

本发明公开了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，包括训练和测试两个阶段；所述训练阶段包括如下步骤：建立跨摄像机关联约束；建立同摄像机关联约束；度量矩阵求解；所述测试阶段包括以下步骤：利用度量矩阵进行特征空间投影；计算查询图片和候选图片在特征空间中的欧式距离；计算候选图片初始排序；选取排序队列中前K张候选图片；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；基于概率超图计算重排序结果；返回候选图片最终排序。本发明同时考虑训练样本的两种关联约束，使学习得到的特征空间更适合于行人再识别，同时利用候选图片的关联性进行重排序，获得了更准确的行人再识别结果。

技术领域

本发明涉及一种视频图像处理技术领域的方法，具体为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。

背景技术

视频监控为安全预警、调查取证以及疑犯追踪等工作提供了丰富的信息来源。然而，单一摄像机的监控范围十分有限，因此无法对较大或较复杂的场景(如火车站、机场、校园等)进行全方位的监控。为了对公共区域进行更全面、更广泛的信息捕捉，通常需要大量的监控摄像头协同工作。传统的视频处理技术主要针对单一摄像头设计，当行人目标移出当前视频后，则无法判断目标的去向。因此，如何根据行人目标的查询图片，在监控网络中进行行人再识别，建立行人目标在不同摄像机下的身份关联成为智能视频监控领域的核心问题。

对于行人再识别问题，传统方法主要基于行人图像的外观特征，如提取颜色、形状、纹理等特征，然后根据特征相似度得到行人再识别结果。然而，不同摄像机之间的光照、视角差异、行人的姿态变化都会使同一行人的外观发生显著改变，仅依靠行人图片的外观特征进行相似性匹配无法取得令人满意的行人再识别准确率。度量学习的引入，为缓解跨摄像机差异对行人再识别的影响提供了重要手段，度量学习通过训练集学习一个度量矩阵，可以将行人图片投影到一个新的特征空间，使同一行人图片之间的特征距离较小，而不同行人图片之间的特征距离较大。然而，现有度量学习算法在训练过程中只考虑了不同摄像机下行人图片之间的跨摄像机关联信息，而忽略了同一摄像机内部不同行人图片之间的关联性。同时，度量学习算法容易在训练集上出现过拟合现象，在测试阶段完全依赖学习得到的距离度量矩阵进行相似性排序可能会得到次优的行人再识别结果。

针对现有的基于度量学习的行人再识别方法中存在的缺点和不足，本发明提出的双约束度量学习技术能够在度量学习的过程中同时考虑训练样本之间的同摄像机和跨摄像机关联信息，学习得到判别性更强的特征空间投影矩阵。此外，通过在测试阶段引入重排序技术，本发明能够利用候选图片之间的关联信息有效缓解度量学习中过拟合现象的影响，获得比现有行人再识别技术更加稳定和准确的候选图片排序结果。

发明内容

本发明为了解决现有技术中的问题，提出了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，从而提升了现有基于度量学习的行人再识别方法的准确性和稳定性。

为实现上述目的，本发明公开了基于双约束度量学习和样本重排序的行人再识别方法，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：