基于一致性约束特征学习的行人再识别方法技术

本发明专利技术公开了一种基于一致性约束特征学习的行人再识别方法，包括：S1：通过摄像头网络获取行人图片，并标注训练集；设定参数，并初始化卷积神经网络；S2：从数据库当中采样出一个图片子集，使用卷积神经网络提取特征信息，根据特征信息计算得到所有行人的相似度矩阵；S3：根据预设目标函数和预设梯度下降方法求解所有行人的关系矩阵的最优匹配；S4：根据所有行人的关系矩阵的最优匹配和根据实际情况得到的所有行人的关系矩阵之间的偏差求出梯度反传，来根据梯度反转训练卷积神经网络；S5：重复步骤S2‑S4，直至满足用户需求。本发明专利技术具有如下优点：适应大型摄像机网络下进行匹配的应用场景，消除互相矛盾的匹配误差。

【技术实现步骤摘要】
基于一致性约束特征学习的行人再识别方法
本专利技术涉及数字图像处理
，具体涉及一种基于一致性约束特征学习的行人再识别方法。
技术介绍
行人再识别(PersonRe-Identification)就是在不同的摄像机的视角下对采集的行人进行匹配，判断不同的图片是否属于同一个人。行人再识别在监控安防等领域有广泛的应用和广阔的前景，但是由于采集到的行人图片在尺寸、光照、视角、姿态等方面都有很大的变化，所以尽管近几年很多研究者参与到相关的研究当中，也一直没有被很好地解决。现阶段的行人再识别方式主要都是基于对对匹配(pairwisere-identification)，也就是每次只考虑两张采集的图片是否属于同一个人，得到一个相似度的数值。当前的方法主要可以分为两类：基于图片的行人再识别和基于视频的行人再识别。基于图片的方法着重于寻找一种有足够分辨能力的特征和一种更优的度量方式来提升行人再识别系统的性能。行人再识别常用的特征有颜色直方图特征，颜色描述子，局部二值模式(LBP)，尺寸不变性特征变换和尺寸不变局部三值模式等等，这些特征在提升识别的准确率方面有着非常重要的作用。另一方面，度量学习也本文档来自技高网...

【技术保护点】
一种基于一致性约束特征学习的行人再识别方法，其特征在于，包括以下步骤：S1：通过摄像头网络获取行人图片，并标注训练集；设定参数，并初始化卷积神经网络，其中，所述摄像头网络构建多个相机对；S2：从数据库当中采样出一个图片子集，使用所述卷积神经网络提取特征信息，根据所述特征信息计算得到所有行人的相似度矩阵；S3：根据预设目标函数和预设梯度下降方法求解所有行人的关系矩阵的最优匹配，其中，所述所有行人的关系矩阵通过二值表示是否为同一个行人，所述预设梯度下降算法中通过二值约束、行列约束和三角约束得到所述所有行人的关系矩阵的最优匹配；S4：根据所述所有行人的关系矩阵的最优匹配和根据实际情况得到的所述所有行...

【技术特征摘要】
1.一种基于一致性约束特征学习的行人再识别方法，其特征在于，包括以下步骤：S1：通过摄像头网络获取行人图片，并标注训练集；设定参数，并初始化卷积神经网络，其中，所述摄像头网络构建多个相机对；S2：从数据库当中采样出一个图片子集，使用所述卷积神经网络提取特征信息，根据所述特征信息计算得到所有行人的相似度矩阵；S3：根据预设目标函数和预设梯度下降方法求解所有行人的关系矩阵的最优匹配，其中，所述所有行人的关系矩阵通过二值表示是否为同一个行人，所述预设梯度下降算法中通过二值约束、行列约束和三角约束得到所述所有行人的关系矩阵的最优匹配；S4：根据所述所有行人的关系矩阵的最优匹配和根据实际情况得到的所述所有行人的关系矩阵之间的偏差求出梯度反传，来根据所述梯度反转训练所述卷积神经网络；S5：重复步骤S2-S4，直至满足用户需求。2.根据权利要求1所述的基于一致性约束特征学习的行人再识别方法，其特征在于，使用DPM(可变部分模型)从所述行人图片中将得到行人信息。3.根据权利要求1所述的基于一致性约束特征学习的行人再识别方法，其特征在于，步骤S3中还包括：引入预设损失函数，以缩短所述所有行人的关系矩阵的最优匹配和根据实际情况得到的所述所有行人的关系矩阵之间的偏差。4.根据权利要求3所述的基于一致性约束特征学习的行人再识别方法，其特征在于，步骤S3进一步包括：提供全局最优匹配目标和约束条件，得到以下公式：其中，C表示相似度矩阵，H表示关系矩阵，表示摄像头a中第i个人和摄像机b中第j个人的相似度，表示摄像头a中第i个人和摄像头b中第j个人是否是同一个人，1或者0表示是或...

【专利技术属性】
技术研发人员：鲁继文，周杰，任亮亮，林己，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11