[发明专利]一种行人重识别的度量学习方法和系统

摘要

本发明公开了一种行人重识别的度量学习方法和系统，其中方法的实现包括收集两个摄像头下行人目标的特征向量，建立正样本对特征向量集合和负样本对特征向量集合，计算正、负样本对特征向量的距离，对正样本对特征向量进行单阈值约束，对负样本对特征向量采用双阈值进行约束，在正、负样本对特征向量的距离约束条件下建立基于度量矩阵的损失函数，以损失函数值最小为目标迭代更新度量矩阵，这种方法可以有效的减轻图像背景、噪声等无关变量对矩阵学习产生较大的影响，从而避免过拟合现象发生，得到的度量矩阵泛化能力强。

主权项

一种行人重识别的度量学习方法，其特征在于，所述方法包括以下步骤：(1)收集两个摄像头下行人目标的特征向量，建立正样本对特征向量集合和负样本对特征向量集合；(2)计算正样本对特征向量和负样本对特征向量的距离；(3)将正样本对特征向量的距离在度量空间中约束为一个半径为μ1的圆，将负样本对特征向量的距离在度量空间中约束为一个以μ2为内半径、μ3为外半径的圆环，0＜μ1＜μ2＜μ3；(4)在正、负样本对特征向量的距离约束条件下建立基于度量矩阵的损失函数；(5)以损失函数值最小为目标迭代更新度量矩阵；所述步骤(1)的具体实现方式为：收集两个摄像头下行人目标的特征向量，分别建立集合X和集合Z，xi为X集合中的元素，表示第i个行人目标在一摄像头中收集的特征向量，0＜i≤N；zj为Z集合中的元素，表示第j个行人目标在另一摄像头中收集的特征向量，0＜j≤N；i＝j，xi和zi为同一个行人目标在两个不同摄像头下的特征向量，(xi,zi)表示正样本对特征向量，共有N对；i≠j，xi和zj为不同行人目标在两个不同摄像头下的特征向量，(xi,zj)表示负样本对特征向量；所述步骤(2)的具体实现方式为：基于马氏距离的度量学习方法，计算正样本对特征向量的距离为：计算负样本对特征向量的距离为：其中M是度量矩阵；所述步骤(4)的具体实现方式为：在步骤(3)中正、负样本对特征向量的距离约束条件下，建立基于度量矩阵的损失函数：其中，正样本对特征向量的损失函数：负样本对特征向量的损失函数：ln(xi,zj)=1β(log(1+eβ(DM2(xi,zj)-μ3))+log(1+eβ(μ2-DM2(xi,zj)))),]]>式中β是平滑参数；所述步骤(5)的具体实现方式为：(5‑1)令Mk为第k次迭代时的度量矩阵，是第k次迭代时正样本对特征向量的空间距离，是第k次迭代时负样本对特征向量的空间距离，计算损失函数梯度：▿L(Mk)=1NΣi=1Nw(xi,zi)(xi-zi)(xi-zi)T+1N(N-1)Σi≠jw(xi,zj)(xi-zj)(xi-zj)T]]>其中，正样本对特征向量与约束条件相关的系数是：负样本对特征向量与约束条件相关的系数是：w(xi,zj)=11+eβ(μ3-DMk2(xi,zj))-11+eβ(DMk2(xi,zj)-μ2);]]>(5‑2)在第k次迭代过程中，对Mk按照αk的步长沿梯度下降的方向更新得到：其中αk是迭代的更新步长；(5‑3)判断是否满足半正定矩阵的约束条件，若满足则直接令若不满足，则需在半正定矩阵空间中寻找一个与最相似的矩阵作为Mk+1的值；(5‑4)判断是否满足结束迭代条件ε为预设值，若不满足结束条件，则令k＝k+1,继续执行步骤(5‑1)，若满足结束迭代条件，输出度量矩阵，当前迭代得到的Mk+1就是采用行人重识别的度量学习方法得到的最终的度量矩阵；所述步骤(5‑3)的具体实现方式为：(5‑3‑1)使用公式：其中，S是半正定矩阵的集合,F表示F范数；(5‑3‑2)将奇异值分解其中而Λk+1是由奇异值组成的对角矩阵；(5‑3‑3)令则得到半正定空间中与最相似的矩阵Mk+1。