The invention discloses a method for pedestrian recognition unsupervised local metric learning and reordering based on the realization process is as follows: firstly, to obtain the human images, determine the query sample, and the formation of the training set and the picture gallery; pedestrian images and then the feature extraction and description as the feature vector for each sample; learn a query sample and / or picture library in local measurement, get the corresponding metric matrix; finally, through the study of metric matrix similarity calculation, initial sorting according to the similarity; by reordering the initial optimization ranked by the final results. This method is based on unsupervised local metric learning, and does not need manual annotation. It is practical and extensible, and the accuracy of matching is further improved by re ranking.
【技术实现步骤摘要】
一种基于无监督局部度量学习和重排序的行人再识别方法
本专利技术涉及计算机视觉和图像处理领域,尤其涉及一种可用于智能化视频监控等领域的基于无监督局部度量学习和重排序的行人再识别方法。
技术介绍
跨摄像头的行人再识别是目前智能视频监控领域的热点研究问题,它的主要目的是获取特定目标在一个特定摄像头网络覆盖区域特定时间内的行动轨迹。这在目前大数据时代、视频监控自动化、平安城市建设等背景下具有重要意义。随着监控设备相关技术的成熟和成本的降低,数以万计的监控设备无时无刻地在采集数据,形成了海量数据库。如何有效管理和利用监控大数据就成了目前广受关注的问题。目前,以人工为主的监控方式在大数据背景下遭到了巨大的挑战。人工监控的相关工作人员需要时刻监视视频画面,并分析相关目标和场景,这不仅费时费力,而且错误率会随着数据量的增大而上升。因此,自动化监控技术以其成本低,效率高,扩展性强等优点受到了人们的广泛关注。如何利用各种技术手段如计算机视觉、机器学习、深度学习等有效地解决行人在跨摄像头过程中产生的各种变化,从而使得最终的查询结果符合人们的期望是现在学者们的主要研究方向。目前,行人再识别面临的主要挑战有:背景复杂多变、光照变化、视角变化、姿态变化、行人遮挡、相似行人干扰、摄像头参数变化等影响因素造成的干扰问题。这些因素极大地影响了行人再识别技术在实际场景中的使用。针对这些问题,研究者们提出了许多算法和解决方案。大部分行人再识别方法主要由特征表示和距离度量两部分构成。行人再识别本质上是要计算样本之间的相似度或者距离,然后根据相似度或者距离对样本进行排序,进而找到与查询样本属于同一 ...
【技术保护点】
一种基于无监督局部度量学习的行人再识别方法,其特征在于,所述方法包括以下步骤:步骤1),行人检测:获取行人图片,确定查询样本,并形成训练样本集和图片库;步骤2),特征表示:将获得的行人图片进行特征提取,并描述为特征向量;步骤3),度量学习:为查询样本和/或图片库中各样本学习局部度量,得到查询样本的局部度量矩阵M,和/或图片库中样本所对应的局部度量矩阵Mi;步骤4),匹配排序:通过学习得到的度量矩阵进行查询样本和图片库中样本的相似度计算,根据相似度大小进行排序。
【技术特征摘要】
1.一种基于无监督局部度量学习的行人再识别方法,其特征在于,所述方法包括以下步骤:步骤1),行人检测:获取行人图片,确定查询样本,并形成训练样本集和图片库;步骤2),特征表示:将获得的行人图片进行特征提取,并描述为特征向量;步骤3),度量学习:为查询样本和/或图片库中各样本学习局部度量,得到查询样本的局部度量矩阵M,和/或图片库中样本所对应的局部度量矩阵Mi;步骤4),匹配排序:通过学习得到的度量矩阵进行查询样本和图片库中样本的相似度计算,根据相似度大小进行排序。2.根据权利要求1所述的方法,其特征在于,步骤1)中,在相同场景的摄像头的监控视频帧中获取行人图片,形成训练样本集;和/或在待查询场景的摄像头的监控视频帧中获取行人图片,形成图片库;优选地,查询样本与训练样本集中样本选自相同的摄像头场景,且查询样本与训练样本集中的样本无重叠样本。3.根据权利要求1所述的方法,其特征在于,步骤1)中,通过目标检测算法DPM自动获取监控视频中行人图片;优选地,调节目标检测算法DPM中候选区域得分阈值参数threshold,控制漏检率和误检率。4.根据权利要求1所述的方法,其特征在于,步骤2)包括以下子步骤:步骤2.1),将行人图片划分成设定数量的水平条带,在每一个水平条带中分别提取HSV、RGB、Lab颜色直方图并级联成颜色特征;步骤2.2),在整张行人图片中提取HOG和LBP特征,获得图片的边缘和纹理信息;步骤2.3),将步骤2.1)中颜色特征和步骤2.2)中边缘和纹理特征级联,形成行人图片的最终特征表示。5.根据权利要求1所述的方法,其特征在于,步骤3)中,使用主成分分析PCA降维算法将步骤2)中获得的特征向量进行降维。6.根据权利要求1所述的方法,其特征在于,步骤3)中,查询样本的局部度量矩阵M,通过最大化查询样本和训练样本集中距离最小的样本的距离学习得到:其中,x0表示查询样本的特征向量;xi表示训练样本集中样本的特征向量;和/或图片库中样本所对应的局部度量矩阵Mi,通过最大化某样本和图片库中其他样本中...
【专利技术属性】
技术研发人员:韩振军,赵恒,叶齐祥,焦建彬,
申请(专利权)人:中国科学院大学,
类型:发明
国别省市:北京,11
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。