一种基于适配距离量度学习的人物再识别方法技术

本发明专利技术提供了一种基于适配距离量度学习的人物再识别方法，涉及视频图像处理领域，本发明专利技术构建人物特征表示模型，利用LMNN距离量度学习方法，学习获得公共数据距离量度，在目标数据集上，根据适配距离量度进行求解，比较查询人物与候选人物临近距离，具有最小损失的候选人物即为查询人物的再识别结果。本发明专利技术适配距离量度学习利用公共数据集与目标数据集的距离量度信息，学习拟合目标数据集的再识别任务的距离量度，适配距离量度学习整合公共数据集距离量度与目标数据集距离量度，有效提高目标数据集人物再识别任务准确率；适配距离量度学习能够克服过拟合问题，取得较高的再识别准确率；有效抑制再识别任务中多图像比较的类大方差大于类间方差问题。

A method of character re recognition based on adaptive distance metric learning

The invention provides a method of recognition of characters based on adaptive distance measurement learning, which involves the field of video image processing. The invention constructs a character representation model, and uses the LMNN distance metric learning method to learn to obtain the metric of the public data distance, and to solve it in the target data set according to the fitness distance measure. Compared with the distance between the characters and candidates, the candidate with the smallest loss is the result of re searching the characters. This invention can learn the distance measure of the common data set and the target data set, learn the distance measure of the re recognition task of the target data set, and adapt the distance measure to integrate the distance measure of the public data set and the distance of the target data set, and improve the re recognition task of the target data set effectively. Accuracy rate; adaptive distance measurement learning can overcome overfitting problems and obtain higher re recognition accuracy; the large variance of multi image comparison in the re recognition task is larger than the inter class variance.

【技术实现步骤摘要】
一种基于适配距离量度学习的人物再识别方法
本专利技术涉及视频图像处理领域，尤其是一种人物再识别方法。
技术介绍
人物再识别(PeopleRe-identification)对相同人物在不同摄像机视域中拍摄到的图像进行关联匹配，实现对人物在摄像机监控网络中全局搜索。人物再识别是视频监控系统中关键技术，安防部门通过人物再识别，能够对特定目标人物进行跟踪与定位，为应对突发事件高效部署警力提供有力的支持与帮助。人物再识别技术的研究方法主要为构建人物特征表示模型与人物特征表示模型比较两大类。在第一类研究方法中，相关研究工作对人物外观表示的全局及局部的颜色、形状及纹理等特征进行提取，并与图结构模型(PictorialStructure)、对称因子(SymmetryFactors)及显著性(Salience)等空间信息进行整合，以增强人物特征表示模型的区分能力。在第二类研究方法中，相关研究工作在人物特征表示模型基础之上，利用距离量度学习(DistanceMetricLearning)等方法对特征表示模型进行比较。如Zheng等人提出临近距离比较模型(RelativeDistanceComparison)，描述正确人物匹配与错误人物匹配之间的概率关系，将人物再识别问题转换为距离量度学习问题。Dikemen等人在大间隔最近邻居(LargeMarginNearestNeighbor，LMNN)框架模型下，进一步扩大不同人物特征表示模型实例之间的距离。Li等人通过迁移学习方法，将公共数据集中获得的距离量度迁移为目标数据集的距离量度。上述两类研究方法在人物再识别单一图像(single-shot)比较匹配任务中具有较好的表现，然而在扩展至多图像(multiple-shot)比较匹配时，具有以下局限。首先，同一人物的多个图像，由于相机摄像、光照条件以及人物姿态等因素影响，其特征表示实例具有较大的类内方差(intra-classvariance)；其次，在人物再识别应用场景中假设人物外观服饰没有改变，因此，对机器学习等任务仅有少量训练数据。由于人物外观表示在上述条件下的复杂性，统计学习模型在少量训练数据情况下无法获得目标数据集的全局信息，导致出现过拟合的现象，传统的单一图像比较匹配的行人再识别研究方法，很难解决上述两个问题。
技术实现思路
为了克服现有技术的不足，本专利技术针对传统单一目标比较匹配的人物再识别研究方法的不足，利用公共数据集辅助目标数据集任务，提出一种基于适配距离量度学习的人物再识别方法，解决多图像比较匹配的类内方差较大、以及再识别任务中训练数据不足的问题。本专利技术解决其技术问题所采用的技术方案包括以下步骤：第一步：选择颜色、纹理以及形状特征表示，构建人物特征表示模型，令xi表示第i人物特征实例；第二步：在公共数据集Ds上利用LMNN距离量度学习方法，学习获得公共数据集Ds上的距离量度Ms；第三步：在目标数据集Dt上利用LMNN距离量度学习方法，学习获得目标数据集Dt上距离量度Mt′；第四步：在目标数据集Dt上，根据第二步和第三步所得的距离量度Ms和Mt′，定义损失函数如公式(1)所示，对目标数据集的适配距离量度Mt进行求解：其中γ1与γ2为权重参数，L(*)定义为损失函数，表示适配距离量度Mt在目标数据集上损失，L(*)定义形式为：式(2)中，xi，xj与xk表示人物特征表示模型实例，表示xj为xi的最邻近特征实例；当xi与xk属于相同人物时候，yik＝1，否则yik＝0；D(xi，xj)＝(xi-xj)TMt(xi-xj)，其中Mt为适配距离量度，式(2)中，第一求和项表示属于同一人物特征实例的临近距离，第二项表示不同人物特征实例的临近距离，C为预定义的正数常量，[*]+表示Hinge损失函数，保证损失函数L(Mt，Dt)为凸函数；公式(1)中，R(*)为正则项描述适配距离量度Mt与距离量度Ms，Mt′间的散度(Divergence)关系，本专利技术采用Bregman分散定义距离量度X与Y的散度为：其中函数为实数空间中可微凸函数，选择vonNeumann分散作为函数，对特征空间局部结构信息进行约束，R(M1，M2)定义形式为：R(M1，M2)＝tr(M1logM1-M1logM2-M1+M2)(4)式(4)中，tr(*)表示矩阵迹操作，计算矩阵对角线元素之和，将公式(1)中对目标数据集的适配距离量度Mt求解问题，转化为如下公式(5)所示的优化问题：其中，为松弛因子，满足以及的约束；公式(5)对距离量度Mt约束为半正定矩阵，利用半正定规划(Semi-positiveDefiniteProgramming，SDP)对(5)求解，可获得适配距离量度Mt全局最优解；第五步：比较查询人物p与候选人物t临近距离，即利用第四步中获取的距离量度Mt计算p与t之间的距离损失函数：L(p，t)＝Ld(p，t)+λLo(p，t)(6)式(6)中，λ∈[0，1]调节Ld(p，t)与Lo(p，t)权重比例；将人物p的多个特征表示实例构成的集合表示为Cp，将人物t的多个特征表示实例构成的集合表示为Ct，将不包含人物t的其他候选人物构成的集合表示为Ce，将Cp拆分两个子集CpA与CpB：如果Cp中的实例能够被Ct的实例通过k最近邻规则(k-NearestNeighbor，k-NN)分类，则该实例属于CpB；否则，该实例属于CpA，令表示Ct与CpB的并集：式(6)中Ld(p，t)定义为如下形式：式(7)中，当实例y是实例x的k最近邻时，hd(x，y)＝1，否则hd(x，y)＝0；公式(6)中，Lo(p，t)定义如下形式：其中，λ1与λ2为权重参数，I(a，b)表示在实例a的邻域Na中，与a具有不同标签的实例b所构成的损失，I(a，b)定义如下：式(9)中，h(t)为Hinge函数，当t＜0时，h(t)＝0；当t＞0时，h(t)＝t，公式(7)与公式(9)中D(x，y)＝(x-y)TMt(x-y)，利用式(6)将查询人物p与所有候选人物t进行比较，具有最小损失的候选人物t*即为查询人物p的再识别结果。本专利技术的有益效果是与传统迁移学习方法比较，适配距离量度学习利用公共数据集与目标数据集的距离量度信息，学习拟合目标数据集的再识别任务的距离量度，适配距离量度学习可以整合公共数据集距离量度与目标数据集距离量度，能够有效提高目标数据集人物再识别任务准确率；当目标集仅有少量数据时，适配距离量度学习能够克服过拟合问题，取得较高的再识别准确率；基于适配距离量度的临近距离比较，能够有效抑制再识别任务中多图像比较的类大方差大于类间方差问题。附图说明图1为本专利技术人物再识别方法的流程图。具体实施方式下面结合附图和实施例对本专利技术进一步说明。以再识别任务数据集ETHZ，PersonRe-ID构建公共数据集，以CAVIAR4REID为目标数据集测试适配距离量度学习，与L1，L2，巴氏距离(Bhattacharyya，Bhat.)，RCA(RelevantComponentsAnalysis)及ITML(Information-TheoreticMetricLearning)等距离量度方法比较，考察人物再识别任务CMC(CumulativeMatchingCharacterist本文档来自技高网...

【技术保护点】
一种基于适配距离量度学习的人物再识别方法，其特征在于包括下述步骤：第一步：选择颜色、纹理以及形状特征表示，构建人物特征表示模型，令xi表示第i人物特征实例；第二步：在公共数据集Ds上利用LMNN距离量度学习方法，学习获得公共数据集Ds上的距离量度Ms；第三步：在目标数据集Dt上利用LMNN距离量度学习方法，学习获得目标数据集Dt上距离量度Mt′；第四步：在目标数据集Dt上，根据第二步和第三步所得的距离量度Ms和Mt′，定义损失函数

【技术特征摘要】
1.一种基于适配距离量度学习的人物再识别方法，其特征在于包括下述步骤：第一步：选择颜色、纹理以及形状特征表示，构建人物特征表示模型，令xi表示第i人物特征实例；第二步：在公共数据集Ds上利用LMNN距离量度学习方法，学习获得公共数据集Ds上的距离量度Ms；第三步：在目标数据集Dt上利用LMNN距离量度学习方法，学习获得目标数据集Dt上距离量度Mt′；第四步：在目标数据集Dt上，根据第二步和第三步所得的距离量度Ms和Mt′，定义损失函数如公式(1)所示，对目标数据集的适配距离量度Mt进行求解：其中γ1与γ2为权重参数，L(*)定义为损失函数，表示适配距离量度Mt在目标数据集上损失，L(*)定义形式为：式(2)中，xi，xj与xk表示人物特征表示模型实例，表示xj为xi的最邻近特征实例；当xi与xk属于相同人物时候，yik＝1，否则yik＝0；D(xi，xj)＝(xi-xj)TMt(xi-xj)，其中Mt为适配距离量度，式(2)中，第一求和项表示属于同一人物特征实例的临近距离，第二项表示不同人物特征实例的临近距离，C为预定义的正数常量，[*]+表示Hinge损失函数，保证损失函数L(Mt，Dt)为凸函数；公式(1)中，R(*)为正则项描述适配距离量度Mt与距离量度Ms，Mt′间的散度关系，本发明采用Bregman分散定义距离量度X与Y的散度为：其中函数为实数空间中可微凸函数，选择vonNeumann分散作为函数，对特征空间局部结构信息进行约束，R(M1,M2)定义形式为：R(M1，M2)＝tr(M1logM1-M1logM2-M1+M2)(4)式(4)中，tr(*)表示矩阵迹操作，计算矩阵对角线元素之和，将公式(1)中对目标数据集的适配距离量度Mt求解问题，转化为如下公式(5)所示的优化问题：其中，ζijk为松弛因子，满足D(xi，xk)-D(xi，xj)≥1-ζijk以及ζijk≥0的约束...

【专利技术属性】
技术研发人员：张冠文，周巍，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61