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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。