[发明专利]基于无监督交叉视角度量学习的行人再识别方法及系统

摘要

本发明公开了一种基于无监督交叉视角度量学习的行人再识别方法及系统，主要解决难以对行人进行精确建模的问题，以及传统度量学习方法需要大量监督信息的问题。其实现步骤是：(1)特征提取；(2)共性和特性投影矩阵的构建；(3)无监督交叉视角度量学习；(4)约束不同摄像机下行人特征的分布一致；(5)投影矩阵优化；(6)将查询样本与测试样本集投影到潜在特征空间，对比特征距离，得到测试样本集的排序结果。本发明将行人特征分解为共性特征和特性特征，提升了行人特征表达的精度。同时，提出的无监督度量学习方法，更能满足现今大量监控网络的实际需求，可用于智能监控、交通管制以及刑侦辅助等领域。

主权项

1.一种基于无监督交叉视角度量学习的行人再识别方法，其特征在于，包括以下步骤：S1、获取行人图像，构建训练集；获取多个空间不重叠的摄像机中行人的图像数据，构建训练集；S2、行人图像特征提取：S21、利用训练集以外的已标注好的行人数据训练卷积神经网络；S22、利用步骤S21训练好的卷积神经网络对训练集中的每幅图像分别提取行人特征表达为第v个摄像机下第i幅行人图像的特征表达；S3、构建交叉视角下的最终投影矩阵及行人特征表达模型；交叉视角下的最终投影矩阵为：W^v＝U⁰+U^v，W^v为第v个摄像机交叉视角下的最终投影矩阵，U⁰为共性投影矩阵，用于提取所有摄像机之间的共同特性；U^v为特性投影矩阵，用于提取每个摄像机独有的特性；交叉视角下的最终行人特征表达为S4、构建目标函数及其约束项，所述目标函数包括聚类目标函数与行人特征分布一致性函数；S41、聚类目标函数：其中，K为聚类的类别数，V是摄像机的总数，c_k为第k个聚类的类中心，C_k为聚类中心的集合；S42、构建目标函数的约束项：约束共性和特性行人特征之间正交，彼此没有交集，即S43、行人特征分布一致性函数：其中，m^p和m^q分别为第p和第q个摄像机下行人的特征表达均值，N_p和N_q分别为对应摄像机下行人样本的数量；W^p为第p个摄像机的交叉视角下的最终的投影矩阵；为第q个摄像机下第j幅行人图像的特征表达，为第p个摄像机下第i幅行人图像的特征表达；S5、解算最终目标函数，获得优化矩阵；S51、根据步骤S4构建的目标函数及其约束项，获取最终目标函数：其中，是正则项，α和β是最终目标函数的正则化参数，I为单位矩阵；S52、更新c_k：利用k‑means算法对进行聚类，得到更新后的c_k和聚类结果；S53、更新共性投影矩阵U⁰与特性投影矩阵U^v：基于步骤S52更新后的c_k，利用拉格朗日乘子法对公式(4)进行优化求解，得到更新后共性投影矩阵U⁰与特性投影矩阵U^v；S54、再次更新c_k：基于步骤S53得到的共性投影矩阵U⁰与特性投影矩阵U^v，利用k‑means算法对投影空间中的行人特征表达进行聚类，得到再次更新后的c_k；S55、再次更新共性投影矩阵U⁰与特性投影矩阵U^v：基于S54更新后的c_k，利用拉格朗日乘子法对公式(4)进行优化求解，得到再次更新后的共性投影矩阵U⁰与特性投影矩阵U^v；S56、迭代更新：重复步骤S54和S55的操作，直到模型收敛或达到最大迭代次数；S6、利用步骤S5获得的矩阵，将测试集投影到潜在特征空间，对比特征距离，得到查询结果，识别行人。