一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法技术

本发明专利技术公开了一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，本发明专利技术的目的就在于图像为低分辨且尺度变化时的重识别效果。首先，获得来自同一个人的图像对即正样本对，以及来自不同人的图像对即负样本对；然后引入距离尺度渐变函数，由正样本对产生可行的尺度距离渐变函数，由负样本对产生不可行的尺度距离渐变函数，这两种尺度距离渐变函数构成尺度距离渐变函数空间，并由正的参数向量表示可行的尺度距离渐变函数，负的参数向量表示不可行的尺度距离渐变函数；最后训练了的随机森林分类器在该函数空间根据某个尺度距离渐变函数是否在正域或负域，将其分类为是否来自同一个对象。

A dynamic low resolution pedestrian recognition method based on scale distance gradient function interface learning

The invention discloses a dynamic low resolution pedestrian recognition method based on the interface function of the scale distance gradient function. First of all, obtained from the same individual image of the positive samples, and images from different to that of negative samples; and then introduce the distance scale gradient function, by the positive samples of feasible scale distance gradient function, from negative samples to generate infeasible scale distance gradient function, the two scale distance the gradient function scale distance gradient function space, and the parameter vector is that feasible scale distance gradient function, parameter vectors represent a negative infeasible scale distance gradient function; random forest classifier finally trained in the function space according to a scale of distance function is in the positive gradient domain or negative field, the classified as whether from the same object.

【技术实现步骤摘要】

本专利技术属于监控视频检索
，涉及一种行人重识别方法，尤其涉及一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法。
技术介绍
近些年来，监控网络越来越广泛地应用和普及到公共安全、移动侦测、客流统计等领域，视频监控在打击犯罪、维护社会安全方面发挥着越来越重要的作用，视频侦查成为公安机关侦查破案的有效手段。但在实际视频侦查中，侦查员需要根据指定行人对象在多摄像头下的活动画面和轨迹来快速排查、追踪和锁定嫌疑目标，需要耗费大量的人力、物力和时间，不仅影响破案效率,而且极易错过最佳的破案时机。行人重识别是一种针对特定行人对象的跨摄像头监控视频自动检索技术，即在照射区域无重叠的多摄像头下匹配同一行人对象，该技术可以辅助视频侦查员快速、准确地发现嫌疑目标的活动画面和轨迹，对公安部门提高破案率、维护人民群众生命财产安全具有重要意义。在多摄像头的行人重识别过程中，尤其是在行人特征的提取和匹配过程中，不同摄像头下的行人图像往往存在视角变化、尺寸变化、光照变化等，从而造成重识别率的降低。如今犯罪分子的作案手段越来越高明，通过各种方式来隐藏自己，如果他们避开摄像头，这样待重识别目标在摄像头下出现的次数较少，无疑会给重识别工作带来不便。行人重识别是利用图像进行目标查询的，因此对获取的图像在最大程度上挖掘信息，对提升行人重识别性能是具有重要意义的。现有行人重识别方法可以分为两类：第一类主要构造鲁棒的视觉特征，然后使用标准的距离函数(如欧式距离等)进行相似性度量；第二类主要通过学习一个合适的尺度进行更准确的距离度量。基于上述方法的重识别技术所采用的图像对大多是同分辨率和同尺度的，然而在一些真实场景里，行人图像不仅是低分辨率的，而且是不同尺度的。中国专利文献号CN104298992A，公开(公告)日2015.02.01,公开了一种基于数据驱动的尺度自适应行人重识别方法，该专利技术通过采用稀疏的方法获得查询行人和待测行人间的跨域的支撑一致性来计算行人对之间的距离，利用训练数据在不同视角下的一致性来自适应调节尺度，该方法考虑到了行人图像的尺度是变化的，但是没有考虑到行人图像的分辨率是不同的，因此该算法得到的结果也不是最佳的。中国专利文献号CN103793702A，公开(公告)日2014.05.14，公开了一种基于协同尺度学习的行人重识别方法，该专利技术在半监督框架下研究基于尺度学习的行人重识别技术，通过未标注样本辅助标注样本进行尺度学习，该方法没有考虑到行人图像对的尺度、分辨率变化会对重识别结果产生影响，因而该方法在少标注样本下的重识别性能还有待提升。中国专利文献号CN105005797A，公开(公告)日2015.10.28，公开了一种基于阴阳双目标样本的太极相对距离度量方法，该方法为每个阳样本(原始样本)建立虚拟阴样本，采用相对距离来学出距离函数变换矩阵，该方法没有考虑样本图像的尺度、分辨率变化的时候会对该度量学习方法产生什么影响，因而该方法还有优化空间。中国专利文献号CN105138998A，公开(公告)日2015.12.09，公开了一种基于视角自适应空间学习算法的行人重识别方法及系统，该方法通过视角自适应子空间学习算法学习得到变换矩阵，再利用变换矩阵进行距离计算和行人重识别。该方法虽然属于行人重识别领域，但是跟基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法的研究角度是不同的。中国专利文献号CN105095475A，公开(公告)日2015.11.25，公开了一种基于两级融合的不完整属性标记行人重识别方法与系统；中国专利文献号CN104462550A，公开(公告)日2015.03.25，公开了一种基于相似性和不相似性融合排序优化的行人重识别方法；这两种方法通过都是融合在两种不同情况下的排序结果，来提升行人重识别的效果。另外中国专利文献号CN104200206A，公开(公告)日2014.12.10，公开了一种基于双角度排序优化的行人重识别方法，该方法基于全局特征和局部特征的方法得到初始的排序结果，再进行进一步的重排，进而得到更好的重识别效果；以及中国专利文献号CN103810476A，公开(公告)日2014.05.21，公开了一种基于小群体信息关联的视频监控网络中行人重识别方法，该方法根据小群体信息的关联性，将行人小群体特征作为行人重识别的一个重要特征，主要解决视频监控网络中行人重识别准确率低、精度不高的问题；这些方法也都是属于行人重识别领域，但是跟我们基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法的研究角度是也是不同的。中国专利文献号CN104268583A，公开(公告)日2015.01.07，公开了基于颜色区域特征的行人重识别方法及系统；中国专利文献号CN104484324A，公开(公告)日2015.04.01，公开了一种多模型和模糊颜色的行人检索方法，这两篇专利主要是充分利用行人的颜色分布结构信息来提高行人重识别的准确率，这与我们通过基于尺度距离渐变函数学习的动态低分辨率行人重识别方法的角度也是不同的。
技术实现思路
针对现有技术存在的不足，本专利技术提供了一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，该方法通过画出在库图像尺度和查询--在库图像距离的函数，即尺度距离渐变函数，将来自不同的图像对产生的尺度距离渐变函数进行分类，用一种新的模型来进行行人重识别，进而提升多摄像头下同一行人匹配的准确性。本专利技术所采用的技术方案是：一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，其特征在于，包括以下步骤：步骤1：提取图片的可视特征，具体是将训练数据分成正样本对和负样本对，其中每对图像来自不同的摄像头，设一个查询--在库图像对为(Ii,Ij)，在不考虑图像分辨率差异的情况下，提取每张图像I在相同维度m下的可视特征x；步骤2：将步骤1提取的图片的可视特征进行尺度距离渐变函数的表示，该函数的表示由若干步组成，具体包括以下子步骤：步骤2.1，得到图像一系列的可视特征；步骤2.2，构成尺度距离渐变函数空间；步骤2.3，用参数向量表示距离尺度渐变函数；步骤3：基于步骤2得到的结果产生测试参数向量，采用线性插值法对在库图像进行上采样，从而获得更多的观测数据，在线重识别阶段得到了和训练阶段相同数量的观测数据，通过观测数据的回归，得到查询--在库图像对的测试参数向量；步骤4：随机森林分类器来对图像对进行分类，具体包括：步骤4.1，训练随机森林分类器；步骤4.2，基于步骤4.1得到的结果进行分类。在上述的一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，所述步骤2.1的具体方法包括：定义Ii的可视特征为其中，1表示采样图像是分辨率和原始图像的分辨率的尺度比；然后逐步地对Ij下采样，每一次下采样减少0.01个尺度值，通过这种方式得到一系列的可视特征，其中尺度比表示了两张图像的高度和宽度；在上述的一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，所述步骤2.2的具体方法包括：将每张图像分成8行3列的24块，提取出每块的64维HSV特征，这样每张图像由1536维特征表示出来，然后算出下采样的在库图像和原始图片的分辨率尺度比k，以及Ii和Ij之间的欧式距离画出以k为横坐本文档来自技高网...

【技术保护点】
一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，其特征在于，包括以下步骤：步骤1：提取图片的可视特征，具体是将训练数据分成正样本对和负样本对，其中每对图像来自不同的摄像头，设一个查询‑‑在库图像对为(Ii,Ij)，在不考虑图像分辨率差异的情况下，提取每张图像I在相同维度m下的可视特征x；步骤2：将步骤1提取的图片的可视特征进行尺度距离渐变函数的表示，该函数的表示由若干步组成，具体包括以下子步骤：步骤2.1，得到图像一系列的可视特征；步骤2.2，构成尺度距离渐变函数空间；步骤2.3，用参数向量表示距离尺度渐变函数；步骤3：基于步骤2得到的结果产生测试参数向量，采用线性插值法对在库图像进行上采样，从而获得更多的观测数据，在线重识别阶段得到了和训练阶段相同数量的观测数据，通过观测数据的回归，得到查询‑‑在库图像对的测试参数向量；步骤4：随机森林分类器来对图像对进行分类，具体包括：步骤4.1，训练随机森林分类器；步骤4.2，基于步骤4.1得到的结果进行分类。

【技术特征摘要】
1.一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，其特征在于，包括以下步骤：步骤1：提取图片的可视特征，具体是将训练数据分成正样本对和负样本对，其中每对图像来自不同的摄像头，设一个查询--在库图像对为(Ii,Ij)，在不考虑图像分辨率差异的情况下，提取每张图像I在相同维度m下的可视特征x；步骤2：将步骤1提取的图片的可视特征进行尺度距离渐变函数的表示，该函数的表示由若干步组成，具体包括以下子步骤：步骤2.1，得到图像一系列的可视特征；步骤2.2，构成尺度距离渐变函数空间；步骤2.3，用参数向量表示距离尺度渐变函数；步骤3：基于步骤2得到的结果产生测试参数向量，采用线性插值法对在库图像进行上采样，从而获得更多的观测数据，在线重识别阶段得到了和训练阶段相同数量的观测数据，通过观测数据的回归，得到查询--在库图像对的测试参数向量；步骤4：随机森林分类器来对图像对进行分类，具体包括：步骤4.1，训练随机森林分类器；步骤4.2，基于步骤4.1得到的结果进行分类。2.根据权利要求1所述的一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，其特征在于，所述步骤2.1的具体方法包括：定义Ii的可视特征为其中，1表示采样图像是分辨率和原始图像的分辨率的尺度比；然后逐步地对Ij下采样，每一次下采样减少0.01个尺度值，通过这种方式得到一系列的可视特征，其中尺度比表示了两张图像的高度和宽度。3.根据权利要求3所述的一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，其特征在于，所述步骤2.2的具体方法包括：将每张图像分成8行3列的24块，提取出每块的64维HSV特征，这样每张图像由1536维特征表示出来，然后算出下采样的在库图像和原始图片的分辨率尺度比k，以及Ii和Ij之间的欧式距离画出以k为横坐标,d为纵坐标的尺度距离渐变函数，为了便于观察，将图像对之间的欧式距离转换为另一种形式的距离每个图像对(Ii,Ij)的转换距离d'是随着尺度比k的变化而变化；在离...

【专利技术属性】
技术研发人员：胡瑞敏，王正，梁超，兰佳梅，杨洋，陈军，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42