一种行人重识别的度量学习方法和系统技术方案

本发明专利技术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。

A metric learning method and system for pedestrian re identification

The invention discloses a heavy pedestrian recognition metric learning method and system realization method, which comprises: collecting feature vector two camera pedestrian target, establishment of positive sample and negative sample feature vectors of feature vectors, calculation of positive and negative samples of the feature vector distance of positive samples the single threshold constraints on feature vectors, constraints on the negative samples of feature vector by double threshold, a loss function based on distance metric matrix in the constraint conditions of positive and negative samples of the feature vector, the loss function value for minimizing the iterative update metric matrix, this method can effectively reduce the image background and noise free variable learning has great effect on the matrix, so as to avoid the overfitting phenomenon, the measure matrix generalization ability.

【技术实现步骤摘要】
一种行人重识别的度量学习方法和系统
本专利技术属于模式识别
，更具体地，涉及一种针对行人重识别的度量学习方法和系统。
技术介绍
行人的重识别算法是图像处理和模式识别研究的重要领域之一，着眼于在无公共视域的摄像头下特定目标行人的识别工作。由于视频清晰度等限制，很难通过直观的人脸等信息寻找同一目标，而是着眼于基于行人外貌的特征表达，主要包括包含行人图像的颜色和纹理等信息，再寻找一种合适的度量方法使得同一行人目标跨摄像头特征尽量相似，异类目标特征差别尽量显著。由于同一目标在不同摄像头下受视角、光照、物体遮挡等因素影响，其在不同视角下特征的表达往往存在偏差，所以寻找一种合适的度量方法是解决匹配问题的核心部分。目前，针对某一数据库的特定场景，由训练集样本学习而产生一个更加合适的度量空间来进行特征相似度计算，这种方法称为度量学习。现有的度量学习方法中，约束条件往往过于追求类内距离最小化和类间距离最大化，忽视了复杂场景中目标特征中图像背景、噪声等信息也同时在训练中被扩大化，最终得到的度量空间往往存在过拟合的风险，在测试中效果欠佳。
技术实现思路
本专利技术提出一种行人重识别的度量学习方法，目的在于提供一种对正样本对特征向量进行单阈值约束，对于负样本对特征向量双阈值约束的度量学习方法，解决现有度量学习技术在复杂场景下存在的过拟合问题。为实现上述目的，按照本专利技术的一个方面，提供了一种行人重识别的度量学习方法，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。进一步的，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。进一步的，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。进一步的，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：式中β是平滑参数。进一步的，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：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：(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。进一步的，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。进一步的，所述步骤(1)中的特征向量包括颜色信息和纹理信息。按照本专利技术的另一方面，提供了一种行人重识别的度量学习系统，所述系统包括以下模块：特征向量模块，用于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和负样本对特征向量集合；度量学习方法模块，基于马氏距离的度量学习方法，用于计算正样本对特征向量的距离和负样本对特征向量的距离；约束条件模块，用于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；损失函数模块，用于在正、负样本对特征向量的距离的约束条件下，建立基于度量矩阵的损失函数；投影梯度下降法模块，用于以损失函数值最小为目标迭代更新度量矩阵，包括以下子模块：损失函数梯度子模块、迭代子模块、判断子模块和结束子模块。进一步的，所述判断子模块包括第一判断模块、第二判断模块和第三判断模块。进一步的，所述特征向量模块中的特征向量包括颜色信息和纹理信息。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，主要具备以下技术优点：1、本专利技术区别于通常采用的度量学习的约束条件，提出了更优越的基于双阈值对负样本对特征向量约束的度量学习方法，其特点主要在于，保证正样本对特征向量的距离同时，也对负样本对特征向量的距离大小做了限制，用双阈值的形式使得负样本对特征向量的距离大小在一个可控的范围内，而不是通常所选择的二元约束条件下让正样本对特征向量的距离与负样本对特征向量的距离差大于一个常数，或是三元约束条件下分别设置一个阈值的方法，这样做理论依据实际上是一种正则化的思想，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；2、该算法得到的度量矩阵泛化能力强，对于各种特征向量都有较好的适应性，特别是对于一些含有较多噪声的复杂场景下的行人重识别具有良好的效果。3、该算法构造结构简单，采用投影梯度下降法的计算方法，速度较快、效率较高，且在各个常用于行人重识别的数据库(如VIPer、CUHK03、CUHK01库)上测试效果性能优异。附图说明图1是本专利技术所提出的一种行人重识别的度量学习方法的流程图；图2是本专利技术约束条件的图形化示意图；图3是本专利技术所提出的一种行人重识别的度量学习系统的结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。为了方便叙述，我们设定我们的数据集来自两个摄像头，其中每一个行人在一个摄像头下只有一张图像(此算法可十分容易地扩展到多个摄像头和多张图像)如图1所示，本专利技术所提出的一种行人重识别的度量学习方法，包括以下步骤：步骤(1)收集特征向量，建立正样本对特征向量和负样本对特征向量：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本文档来自技高网...

【技术保护点】
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μ

【技术特征摘要】
1.一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。2.如权利要求1所述的一种行人重识别的度量学习方法，其特征在于，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。3.如权利要求2所述的一种行人重识别的度量学习方法，其特征在于，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。4.如权利要求3所述的一种行人重识别的度量学习方法，其特征在于，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：式中β是平滑参数。5.如权利要求4所述的一种行人重识别的度量学习方法，其特征在于，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：

【专利技术属性】
技术研发人员：贺波涛，余少华，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42