[发明专利]行人再识别方法

说明书

本发明提供了一种行人再识别方法，包括：在获得行人图像的特征表达向量后，对训练集中的样本使用核零空间边界Fisher判别分析方法学习投影矩阵，将样本投影到类内散布矩阵的零空间中，在所述类内散布矩阵零空间中同一行人的所有图片的特征表达向量将塌陷为一个点，同时使不同行人的特征表达向量间尽可能分开，从而实现最优的行人身份匹配。本发明能够有效地避免当前在行人再识别中所遇到的小样本问题，提升行人重识别的准确率。

技术领域

本发明涉及图像处理技术领域，具体地，涉及行人在识别方法，尤其是基于核零空间边界Fisher判别分析的行人再识别方法。

背景技术

在由多摄像机构成的分布式视频监控网络中，常常需要从监控画面中获得具有特定外观的某一特定人物，从而进一步分析其在视频中的行为与运动轨迹，获得关于此人的更为丰富的信息。但是在分布式视频监控中，由于多摄像机通常被安置于不同的区域以实现对更大范围的监控，各个摄像机之间会存在有监控盲区，也就是摄像机视野存在不相交的情况。此时，当行人从某一摄像机画面中消失后，需要在另一摄像机捕获到的行人画面中将此行人识别出来，这项工作即被称为行人再识别。

行人再识别作为分布式视频监控中一种重要的行人自动检索与识别技术，是多摄像机跟踪与行人的行为分析等应用的重要基础。行人再识别通过利用行人画面的图像特征实现跨摄像机的自动身份验证，能够帮助视频侦查员快速、准确地发现特定对象，对于提高公安部门侦查效率与维护公共安全具有重要的意义。

由于在视频监控环境中，摄像机通常被架设在比较高的位置，使得监控画面捕捉到的行人通常分辨率比较低、画面尺寸比较小。这种情况下，诸如人脸、步态等信息无法获得，从而只能采用行人的衣着外观信息来进行识别与检索。但是在不同摄像机拍摄的画面中，受摄像机的内部参数差异的影响，以及不同摄像机成像时光照、视角、遮挡与行人姿态等因素的影响，即使是同一行人在不同摄像机的监控画面中也会存在外观差异巨大的情况。此外，同一摄像机下还会存在不同的行人穿着相似的情况，这些都导致行人再识别工作相当困难。

当前的行人再识别技术大致可以分为两类：(1)基于特征表达的行人再识别技术；(2)基于相似性/距离模型的行人再识别技术。基于特征表达的方法主要关注于从行人画面中提取出具有强判别性的特征描述子，并采用一些不需要学习的方法来计算不同摄像机下行人画面的特征表达向量。当然，为了能够降低不同摄像机下光照、视角、遮挡与行人姿态所带来的外观差异，还要求这些特征表达需要具有比较强的鲁棒性。而基于相似性/距离模型的行人再识别技术则主要强调利用已有的不同摄像机捕捉到的行人图像数据，从中学习获得相似性/距离模型的参数，并将学习到的模型应用到新的图像对上，确定两张图像中的行人是否为同一人。

在已公开的论文及专利中已有大量的关于基相似度/距离学习模型的行人再识别匹配模型。如文献[1]中提出的RDC方法通过最大化不匹配图片对间距离要大于匹配图片对距离的概率，学习获得投影子空间。文献[2]提出一种用于KNN分类的大间隔度量学习方法，通过迭代优化获得一个度量矩阵，使得同类样本与不同类样本间存在一个大的间隔来区分类别。文献[3]中提出了一种具有闭合形式解的度量学习方法，该方法无需迭代优化，非常高效。文献[4]中采用了局部Fisher判别分析方法从训练数据中学习Fisher投影矩阵进行行人再识别。文献[5]中为每个行人类别训练一个SVM分类器，再利用最小二乘耦合词典学习方法实现不同摄像机下行人的匹配。但是上述各方法学习马氏距离度量时，均需要对行人图像的特征表达向量作主成分分析(Principle Component Analysis,PCA)，再在使用PCA投影后的子空间中学习，无法直接对高维数据直接进行处理。而PCA尽管能够降低样本的维度，但也可能会带来数据的判别性降低问题。

文献[1]Zheng W S,Gong S,Xiang T.Re-identification by relativedistance comparison [J].Pattern Analysis and Machine Intelligence,IEEETransactions on,2013,35(3):653–668。