[发明专利]一种基于适配距离量度学习的人物再识别方法

摘要

本发明提供了一种基于适配距离量度学习的人物再识别方法，涉及视频图像处理领域，本发明构建人物特征表示模型，利用LMNN距离量度学习方法，学习获得公共数据距离量度，在目标数据集上，根据适配距离量度进行求解，比较查询人物与候选人物临近距离，具有最小损失的候选人物即为查询人物的再识别结果。本发明适配距离量度学习利用公共数据集与目标数据集的距离量度信息，学习拟合目标数据集的再识别任务的距离量度，适配距离量度学习整合公共数据集距离量度与目标数据集距离量度，有效提高目标数据集人物再识别任务准确率；适配距离量度学习能够克服过拟合问题，取得较高的再识别准确率；有效抑制再识别任务中多图像比较的类大方差大于类间方差问题。

主权项

1.一种基于适配距离量度学习的人物再识别方法，其特征在于包括下述步骤：第一步：选择颜色、纹理以及形状特征表示，构建人物特征表示模型，令xi表示第i人物特征实例；第二步：在公共数据集Ds上利用LMNN距离量度学习方法，学习获得公共数据集Ds上的距离量度Ms；第三步：在目标数据集Dt上利用LMNN距离量度学习方法，学习获得目标数据集Dt上距离量度Mt′；第四步：在目标数据集Dt上，根据第二步和第三步所得的距离量度Ms和Mt′，定义损失函数如公式(1)所示，对目标数据集的适配距离量度Mt进行求解： f M t = L ( M t , D t ) + γ 1 R ( M t , M s ) + γ 2 R ( M t , M t , ) - - - ( 1 ) ]]>其中γ1与γ2为权重参数，L(*)定义为损失函数，表示适配距离量度Mt在目标数据集上损失，L(*)定义形式为：式(2)中，xi，xj与xk表示人物特征表示模型实例，表示xj为xi的最邻近特征实例；当xi与xk属于相同人物时候，yik＝1，否则yik＝0；D(xi，xj)＝(xi-xj)TMt(xi-xj)，其中Mt为适配距离量度，式(2)中，第一求和项表示属于同一人物特征实例的临近距离，第二项表示不同人物特征实例的临近距离，C为预定义的正数常量，[*]+表示Hinge损失函数，保证损失函数L(Mt，Dt)为凸函数；公式(1)中，R(*)为正则项描述适配距离量度Mt与距离量度Ms，Mt′间的散度关系，本发明采用Bregman分散定义距离量度X与Y的散度为：其中函数为实数空间中可微凸函数，选择vonNeumann分散作为函数，对特征空间局部结构信息进行约束，R(M1,M2)定义形式为：R(M1，M2)＝tr(M1 log M1-M1 log M2-M1+M2) (4)式(4)中，tr(*)表示矩阵迹操作，计算矩阵对角线元素之和，将公式(1)中对目标数据集的适配距离量度Mt求解问题，转化为如下公式(5)所示的优化问题：其中，ζijk为松弛因子，满足D(xi，xk)-D(xi，xj)≥1-ζijk以及ζijk≥0的约束；公式(5)对距离量度Mt约束为半正定矩阵，利用半正定规划对(5)求解，可获得适配距离量度Mt全局最优解；第五步：比较查询人物p与候选人物t临近距离，即利用第四步中获取的距离量度Mt计算p与t之间的距离损失函数：L(p，t)＝Ld(p，t)+λLo(p，t) (6)式(6)中，λ∈[0，1]调节Ld(p，t)与Lo(p，t)权重比例；将人物p的多个特征表示实例构成的集合表示为Cp，将人物t的多个特征表示实例构成的集合表示为Ct，将不包含人物t的其他候选人物构成的集合表示为Ce，将Cp拆分两个子集CpA与CpB：如果Cp中的实例能够被Ct的实例通过k最近邻规则分类，则该实例属于CpB；否则，该实例属于CpA，令表示Ct与CpB的并集：式(6)中Ld(p，t)定义为如下形式： L d ( p , t ) = Σ x ∈ C p A Σ y ∈ C t + h d ( x , y ) D ( x , y ) - - - ( 7 ) ]]>式(7)中，当实例y是实例x的k最近邻时，hd(x，y)＝1，否则hd(x，y)＝0；公式(6)中，Lo(p，t)定义如下形式： L o ( p , t ) = Σ x ∈ C p A Σ z ∈ C e { λ 1 I ( x , z ) + λ 2 I ( z , x ) } - - - ( 8 ) ]]>其中，λ1与λ2为权重参数，I(a，b)表示在实例a的邻域Na中，与a具有不同标签的实例b所构成的损失，I(a，b)定义如下： I ( a , b ) = Σ c ∈ N a h ( D ( a , c ) - D ( a , b ) ) - - - ( 9 ) ]]>式(9)中，h(t)为Hinge函数，当t＜0时，h(t)＝0；当t＞0时，h(t)＝t，公式(7)与公式(9)中D(x，y)＝(x-y)TMt(x-y)，利用式(6)将查询人物p与所有候选人物t进行比较，具有最小损失的候选人物t*即为查询人物p的再识别结果。