一种基于差异矩阵和矩阵度量的行人重识别方法技术

本发明专利技术涉及一种基于差异矩阵和矩阵度量的行人重识别方法，本发明专利技术的目的在于利用不同行人之间的差异性来提升重识别效果。该方法首先得到行人的特征描述，再把特征描述子从特征向量转换成差异矩阵，利用不同行人之间的差异，引入了差异内投影矩阵L1和差异间投影矩阵L2，实现不同的图像对之间的距离度量由向量度量转换到矩阵度量，该度量方式不仅利用了某一行人单独的外貌信息，更深层次地利用了不同行人之间的联系，提升了多摄像头下同一行人匹配的准确性。

【技术实现步骤摘要】
一种基于差异矩阵和矩阵度量的行人重识别方法
本专利技术属于监控视频检索
，涉及一种行人重识别方法，尤其涉及一种基于差异矩阵和矩阵度量的行人重识别方法。
技术介绍
我国已投入大量资源建设城市视频网络监控，视频监控系统打发展和普及给公安机关侦查破案带来了巨大的方式变革，视频侦查技术得到极大的发展与应用。但是效果并不等于效益。在实际视频侦查工作中，大量侦查员需要调看案发时间前后、案发现场附近的监控视频，并逐步扩大调看范围，以便从多个摄像头所拍摄的视频中查找同一行人目标的活动画面和轨迹，进而锁定、排查和追踪嫌疑目标，需要耗费大量的人力和时间。公安工作的时效需求推进了行人重识别技术的发展。行人重识别，即运用计算机视觉、机器学习方法判断某个摄像头中的某个行人是否曾经出现在其他摄像头中的技术。该技术用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。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。上述方法都是考虑某一个行人的外貌变化，而没有考虑到该行人和其他行人之间的差异关系。中国专利文献号CN106548139A，公开(公告)日2017.03.29,公开了一种行人重识别方法，该专利技术在提取特征时主要采用滑动窗口提取图像颜色直方图，在度量计算时，用带搜索图像特征向量不为0的特征维度与待搜索目标特征做欧式距离，该方法没有考虑到不同行人之间的关系，因此该算法得到的结果还有优化空间。中国专利文献号CN106599795A，公开(公告)日2017.04.26，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，该专利技术引入尺度距离渐变函数，对正负样本分别产生可行和不可行的尺度距离渐变函数，该方法是对距离度量进行学习，但是没有考虑到不同样本之间的关系，因而该方法还有优化空间。中国专利文献号CN105224937A，公开(公告)日2016.01.06，公开了一种基于人体部件位置约束的细粒度语义色彩行人重识别方法，该专利技术引入了细粒度色彩表示和人体部件位置约束关系实现对语义色彩的行人重识别效果的提升，该方法涉及到的是单个行人部件位置约束关系，没有考虑到不同行人之间的部件位置约束关系，因而该方法还有优化空间。中国专利文献号CN105930768A，公开(公告)日2016.09.07，公开了一种基于时空约束的目标重识别方法，该方法中目标描述信息包括视觉特征信息、跨摄像头时间特征信息和摄像头空间特征信息。该方法主要是考虑时空约束，和基于差异矩阵和矩阵度量的行人重识别方法研究角度是不同的。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。该方法利用视角变化得到变换矩阵来进行计算度量，与本文基于差异矩阵来进行计算度量的研究角度是不同的。
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差异矩阵和矩阵度量的行人重识别方法，该方法把特征描述子从特征向量转换成差异矩阵，利用不同行人差异内投影矩阵和差异间投影矩阵，实现不同的图像对之间的距离度量由向量度量转换到矩阵度量，该度量方式不仅利用了某一行人单独的外貌信息，更深层次地利用了不同行人之间的联系，提升了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：一种基于差异矩阵和矩阵度量的行人重识别方法，其特征在于，包括以下步骤：步骤1：将不同摄像头下的行人特征描述由向量转换成差异矩阵描述，具体包括：步骤1.1：定义不同摄像头下的特征描述，具体是：两个摄像头A,B下的标记了的M个人O＝{o1,o2,...,oM}，对于行人oi在摄像头A或摄像头B下的特征描述为或其中，Nf表示特征向量的维度，和分别表示在摄像头A和摄像头B下的两个训练集，为在摄像头A下的测试查询数据，表示摄像头B下的测试数据，N为摄像头B下的测试数据的个数，为测试数据；步骤1.2：将特征描述由特征向量转换成差异矩阵，具体是：给定一系列图像的特征对于图像I的描述X，摄像头A的图像的差异矩阵描述为摄像头B的图像的差异矩阵描述为通过这种方式，特征描述由特征向量转换成了差异矩阵；步骤2：引入不同行人的差异内投影矩阵和差异间投影矩阵，具体是引入了不同行人的差异内投影矩阵和差异间投影矩阵来使同一个行人之间的的差异变小，不同行人之间的差异变大，其中Nr表示每个摄像头下参照人物图像的张数，对于每一个图像对计算矩阵距离来表示行人之间的距离，其中，用Frobenius范数计算矩阵距离，表示为：步骤3：学习新提出的矩阵度量方式，具体包括：步骤3.1：构造矩阵尺度学习的目标函数，具体是：对于不同摄像头下同一个人的一对投影矩阵和由于不同摄像头下的不一致性可以有效减小，称之为一致项，另一对投影矩阵和其中i≠j，这保持了矩阵的可区别性，我们称之为判别项；步骤3.2：稀疏差异间投影矩阵，具体是对于不同行人的差异间投影矩阵L2，考虑到不是所有人对差异性是有用的，部分人是有很强的可识别能力以及能减少噪声，我们对差异性做了稀疏选择，利用以下范式来做差异性的选择，对差异间投影矩阵L2做2,1范稀疏，公式定义如下：Espr(L2)＝||L2||2,1(4)步骤3.3：得到最后的目标函数，具体是将公式Econ，公式Edis，Espr结合成一个目标函数E(L1,L2)＝Econ(L1,L2)+Edis(L1,L2)+uEspr(L2)(5)其中Econ(L1,L2)为L1和L2的一致项，Edis(L1,L2)为L1和L2的判别项，μ为稀疏项Espr(L2)的权重参数；步骤4：进行结果优化，具体包括：步骤4.1：求目标函数的梯度，公式如下：其中：其中：其中，g(z)＝(1+e-βz)-1(13)为logistic损失函数lβ(z)的导数D是对角矩阵，lm表示L2的第m行；步骤4.2：优化算法的学习，利用迭代的优化算法来学习这个度量，优化过程如下：其中和分别表示迭代n次时的计算结果，λ1＞0，λ2＞0是每一步梯度更新自动决定的步长，算法迭代次数最多为1000次，或者满足|En+1-En|＜ε，ε＝1×10-8时，停止迭代。在上述的一种基于差异矩阵和矩阵度量的行人重识别方法，步骤3.1中，一致项为Econ，判别项为Edis项，分别定义为：其中lβ(z)和e(sk)的定义分别如下：e(sk)为如下定义：一个样本三元组定义为s为这个集的大小，对于每一个样本sk，需要满足其中误差函数表示为与现有基于距离度量的行人重识别技术相比，本专利技术具有以下优点和有益效果：1)与现有技术相比，本专利技术不仅考虑了同一行人之间的变化，还考虑到了不同行人之间的变化关系，能进行更有效的重识别；2)本专利技术实现了将距离度量由向量度量转换成矩阵度量，在距离度量层面上的优化使得方法的拓展性和适用性很强。附图说明图1为本专利技术方法流程图。图2为本专利技术简化方法流程图。具体实施方式为了便于本领域普通技术人员理解和实施本专利技术，下面结合附图本文档来自技高网...

【技术保护点】
一种基于差异矩阵和矩阵度量的行人重识别方法，其特征在于，包括以下步骤：步骤1：将不同摄像头下的行人特征描述由向量转换成差异矩阵描述，具体包括：步骤1.1：定义不同摄像头下的特征描述，具体是：两个摄像头A,B下的标记了的M个人O＝{o1,o2,...,oM}，对于行人oi在摄像头A或摄像头B下的特征描述为

【技术特征摘要】
1.一种基于差异矩阵和矩阵度量的行人重识别方法，其特征在于，包括以下步骤：步骤1：将不同摄像头下的行人特征描述由向量转换成差异矩阵描述，具体包括：步骤1.1：定义不同摄像头下的特征描述，具体是：两个摄像头A,B下的标记了的M个人O＝{o1,o2,...,oM}，对于行人oi在摄像头A或摄像头B下的特征描述为或其中，Nf表示特征向量的维度，和分别表示在摄像头A和摄像头B下的两个训练集，为在摄像头A下的测试查询数据，表示摄像头B下的测试数据，N为摄像头B下的测试数据的个数，为测试数据；步骤1.2：将特征描述由特征向量转换成差异矩阵，具体是：给定一系列图像的特征对于图像I的描述X，摄像头A的图像的差异矩阵描述为摄像头B的图像的差异矩阵描述为通过这种方式，特征描述由特征向量转换成了差异矩阵；步骤2：引入不同行人的差异内投影矩阵和差异间投影矩阵，具体是引入了不同行人的差异内投影矩阵和差异间投影矩阵来使同一个行人之间的的差异变小，不同行人之间的差异变大，其中Nr表示每个摄像头下参照人物图像的张数，对于每一个图像对计算矩阵距离来表示行人之间的距离，其中，用Frobenius范数计算矩阵距离，表示为：步骤3：学习新提出的矩阵度量方式，具体包括：步骤3.1：构造矩阵尺度学习的目标函数，具体是：对于不同摄像头下同一个人的一对投影矩阵和由于不同摄像头下的不一致性可以有效减小，称之为一致项，另一对投影矩阵和其中i≠j，这保持了矩阵的可区别性，我们称之为判别项；步骤3.2：稀疏差异间投影矩阵，具体是对于不同行人的差异间投影矩阵L2，考虑到不是所有人对差异性是有用的，部分人是有很强的可识别能力以及能减少噪声，我们对差异性做了稀疏选择，利用以下范式来做差异性的选择，对差异间投影矩阵L2做2,1范稀疏，公式定义如下：Espr(L2)＝||L2||2,1(4)步骤3.3：得到最后的目标函数，具体是将公式Econ，公式Edis，Espr结合成一个目标函数E(L1,L2)＝Econ(L1,L2)+Edis(L1,L2)+uEspr(L2)(5)其中Econ(L1,L2)为L1和L2的一致项，Edis(L1,L2)为L1和L2的判别项，μ为稀疏项Espr(L2)的权重参数；步骤4：进行结果优化，具体包括：步骤4.1：求目标函数的梯度，公式如下：

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