[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

摘要

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。 1

主权项

1.一种基于两级融合的不完整属性标记行人重识别方法，其特征在于，包括以下步骤：步骤1：针对任一图片，为其定义“普通低层特征向量、普通高层属性向量、人工标记属性向量”三种属性向量；⑴普通低层特征向量f，N_f是特征向量的维度，N_f是一个常数；⑵普通高层属性向量a_g，N_a是属性分类器个数，即N_a种属性，某个分类器的分类的结果a_g取值为[‑1，1]，+1代表图片具有该属性，‑1代表图片不具有该属性；通过若干个训练出的属性分类器学习出的普通高层属性向量，普通高层属性向量包含所有分类器所对应的属性，信息完整；⑶人工标记属性向量a_m表示，对任一种属性，出现属性标记为+1，未出现属性标记为‑1，未标记的属性为0；由侦查员任选属性进行标记；步骤2：基于跨层稀疏重构一致性考虑，利用普通低层特征向量、普通高层属性向量、人工标记属性向量进行前融合，得到完备高层属性向量；其具体实现包括以下子步骤：步骤2.1：基于收集获得的训练集形成特征字典D_f，用D_f重构普通低层特征向量f，通过目标函数Θ_f，对应f稀疏重构权重向量α；其中N表示训练集样本个数；步骤2.2：基于训练集形成属性字典D_a，用D_a重构普通高层属性属性向量a_g，通过目标函数Θ_a，对应a_g稀疏重构权重向量β；步骤2.3：基于跨层稀疏重构一致性考虑，特征字典Df和属性字典Da列间对应于一张图片，写出联合优化目标函数Θ，求出跨层一致约束下的稀疏重构权重向量α和β；步骤2.4：基于上述α和β，结合人工标记属性向量信息，得出完备高层属性向量a；步骤3：构建高层属性向量度量模型，即关注度‑显著度匹配模型，其具体实现包括以下子步骤：步骤3.1：关注度形式化表达；如果某些属性特征较另外一些属性特征被侦查员标记次数多，证明该种属性的关注度高，反之低；关注度形式化表达为domi；步骤3.2：显著度形式化表达；如果某种属性出现次数比其他属性出现次数少，它引人注目的可能性就越大，从而更具有区分性，该种属性理应赋予更高的权重；显著度形式化表达为sali；步骤3.3：属性向量间度量方式；结合关注度和显著度得到高层属性向量度量模型d(a,a')；其中a和a’表示两个属性向量；步骤4：进行普通低层特征向量和高层属性特征排序结果的后融合，其具体实现包括以下子步骤：步骤4.1：基于步骤1得出图像普通特征向量f得到基于低层特征的细粒度排序结果RF，其中RF＝{RF1,RF2,…RFM}，M为查询集中被标记的行人数；步骤4.2：基于步骤2得出的图像完备高层属性向量a、步骤3得出的高层属性向量度量模型d(a,a')，得到基于高层特征的粗粒度排序结果RA，其中RA＝{RA1,RA2,…RAM}，M为查询集中被标记的行人数；步骤4.3：对RA进行分组G＝{G1,G2,…}，出于属性特征向量的粗粒度考虑，普通特征向量排序结果不变，调整属性特征向量排序结果，得到最终组合排序结果。