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(sing ...
【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...
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。