[发明专利]一种基于特征映射空间和样本判定的行人重识别方法

说明书

本发明公开了一种基于特征映射空间和样本判定的行人重识别方法，它可以在安全监控、行人搜索和刑事调查等领域得到大量应用。为解决视角和光照的变化易导致视觉模糊现象，对行人重识别精度产生影响的问题。首先，在映射空间中引入水平方向图像块分布的均值与最大值加权融合模型，优化局部特征；其次，引入具有将像素特征的均值和协方差层次化的高斯分布模型，增强特征表达；最后，考虑训练样本数量对度量学习精度的影响，利用样本判定来选择合适的度量学习方法，进一步提高行人重识别精度。可以满足实际工程系统的设计需求，具有良好的工程应用价值。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于特征映射空间和样本判定的行人重 识别方法。

背景技术

目前，行人重识别目的是在不同物理位置的摄像头视角下进行同一行人身份匹配。行 人重识别是视频监控领域的关键组成部分，在安全监控、行人搜索和刑事调查等领域具有 重要意义。行人重识别的研究一般分为两类：特征提取和度量学习。视觉模糊的存在会影 响特征提取的质量，进一步影响度量学习和行人重识别的匹配率。因此，设计鲁棒的特征 提取和度量学习方法就成了提升行人重识别有效性的主要途径。

基于特征提取的行人重识别方法通常根据基本的颜色、纹理和其他外观属性来构造。 局部最大发生(Local Maximal Occurrence,LOMO)特征提取方法是由中国科学院大学的 Liao等人在2015年提出的，该方法与一般的特征提取方法相比，通过将局部像素分布率最 大化，有效提升行人重识别的匹配率，更好的实现了行人重识别的鲁棒性。LOMO是行人重识别研究中经典的特征提取方法，其在提取行人图像特征过程中，首先，提取像素级的全局颜色特征和全局纹理特征。之后，将行人图像分为重叠的行块，采用滑动窗口在每一行提取像素特征。接着，将像素特征拉伸到一个大范围内，统计像素的特征值在这个大范围内的分布情况。最后，在水平方向的图像块中计算像素分布的最大值，将这个最大值作为最终的行人图像特征。LOMO方法是一种比较成熟且常用的行人图像特征提取方法，该 方法可以有效地解决行人图像中视角变化问题，增强行人图像特征表达。

LOMO方法是行人重识别中行人图像特征提取方法的典型代表，是研究其他特征提取 方法的基础，与其他方法相比具有一定的优势，但是该方法仍然存在一些局限性：首先，LOMO方法是依据像素特征的最大化来表征行人图像，没有考虑代表着行人图像的均值信息，这样会丢失部分行人特征，造成行人图像特征表达的不全面。其次，LOMO方法没有 考虑行人图像像素特征的协方差信息，从而导致行人图像特征不完整，降低了同一对行人 图像相似度。

基于度量学习的行人重识别方法通过学习合适的相似度来最小化同类行人之间的距 离。跨视域二次判别分析(Cross-view Quadratic Discriminant Analysis,XQDA)度量学习方 法是由中国科学院大学的Liao等人在2015年提出的，该方法与一般的度量学习方法相比， 可以有效地提升行人重识别的匹配率，高效地完成行人重识别的匹配过程。XQDA是行人 重识别研究中经典的度量学习方法，其在计算行人图像之间相似度的过程中，首先，定义 引入了协方差和映射矩阵的行人图像距离计算方程。然后，根据行人图像的特征样本计算 出同一行人图像特征协方差和不同行人图像特征协方差。最后，根据前述两个协方差矩阵 计算出投影矩阵。XQDA方法是一种比较成熟且常用的行人重识别度量学习方法，该方法 可以有效地解决高维度行人特征度量学习问题，提升度量的计算效率。

XQDA方法是行人重识别中行人图像特征度量学习的典型代表，是研究其他度量学习 方法的基础，与其他方法相比具有一定的优势，但是该方法仍然存在一些局限性：首先，XQDA方法对行人图像特征较为依赖，没有考虑在行人图像特征完整的情况下，增加行人 图像数量带来的计算复杂度。其次，XQDA方法没有考虑在增加行人图像数量的情况下， 行人图像间的匹配率可能出现负增长的现象，从而降低行人重识别的有效性。以上因素都 会影响行人重识别的高效性和匹配率，进而影响行人重识别的整体的有效性。

发明内容