基于自由能分数空间的行人重识别方法及系统技术方案

本发明专利技术公开了基于自由能分数空间的行人重识别方法及系统，包括：获取查询目标图像和若干幅备选目标图像；对查询目标图像进行局部特征提取，同时，对备选目标图像进行局部特征提取；对查询目标图像的局部特征依次进行特征映射和编码处理，同时对备选目标图像依次进行特征映射和编码处理；将查询目标图像的编码处理结果与备选目标图像的编码处理结果进行相似性计算；选择相似性最大的备选目标图像作为查询目标图像的行人重识别结果。

【技术实现步骤摘要】
基于自由能分数空间的行人重识别方法及系统
本申请涉及行人重识别
，特别是涉及基于自由能分数空间的行人重识别方法及系统。
技术介绍
本部分的陈述仅仅是提到了与本申请相关的
技术介绍
，并不必然构成现有技术。现有的基于外观特征的再识别方法主要使用局部和整体的图像特征来捕捉人体外观的视觉信息，局部特征用来提供肢体各部分的底层和基本信息，全局特征可以提供所有肢体的整体结构。典型的人体目标再识别特征包括：颜色、纹理、协方差特征、边沿信息、HOG特征和SIFT特征等。提取了图像的局部特征之后，可以采用多种策略组合不同的特征，用以捕捉不同的视觉信息。例如，Zheng等人综合使用8种颜色直方图和21种纹理特征，采用概率相对距离比较策略，学习度量函数。Farenzena等人将加权颜色直方图和最稳定颜色区域相结合，在不需要进行学习的情况下，取得了最好的再识别效果。在典型的目标识别领域，提取了图像的局部特征以后，研究者们关注于如何将局部图像特征编码为一个整体图像描述子，其中，最流行的编码方法是视觉词袋(BagofVisualWordsmodel，B本文档来自技高网...

【技术保护点】
1.基于自由能分数空间的行人重识别方法，其特征是，包括：/n获取查询目标图像和若干幅备选目标图像；/n对查询目标图像进行局部特征提取，同时，对备选目标图像进行局部特征提取；/n对查询目标图像的局部特征依次进行特征映射和编码处理，同时对备选目标图像依次进行特征映射和编码处理；/n将查询目标图像的编码处理结果与备选目标图像的编码处理结果进行相似性计算；选择相似性最大的备选目标图像作为查询目标图像的行人重识别结果。/n

【技术特征摘要】
1.基于自由能分数空间的行人重识别方法，其特征是，包括：
获取查询目标图像和若干幅备选目标图像；
对查询目标图像进行局部特征提取，同时，对备选目标图像进行局部特征提取；
对查询目标图像的局部特征依次进行特征映射和编码处理，同时对备选目标图像依次进行特征映射和编码处理；
将查询目标图像的编码处理结果与备选目标图像的编码处理结果进行相似性计算；选择相似性最大的备选目标图像作为查询目标图像的行人重识别结果。


2.如权利要求1所述的方法，其特征是，所述对备选目标图像进行局部特征提取的特征与对查询目标图像进行局部特征提取的特征是一致的；
对查询目标图像的局部特征进行特征映射的具体步骤与对备选目标图像进行特征映射的具体步骤是一致的。


3.如权利要求1所述的方法，其特征是，所述对查询目标图像进行局部特征提取，具体步骤包括：
将查询目标图像均匀划分为若干个图像块；
对每个图像块的每个像素点进行局部特征提取，得到每个图像块的每个像素点的局部特征。


4.如权利要求1所述的方法，其特征是，所述每个图像块的每个像素点的局部特征，包括：像素位置、对应颜色空间的像素灰度值、像素的一阶梯度值、像素的二阶梯度值、像素的一阶梯度方向、像素的二阶梯度方向和像素的纹理特征。


5.如权利要求1所述的方法，其特征是，所述对查询目标图像的局部特征进行特征映射的具体步骤包括：
将查询目标图像的局部特征作为高斯混合模型GMM的输入值；
计算高斯混合模型GMM的联合概率密度函数；
计算高斯混合模型GMM的联合概率密度函数的对数似然函数的变分下界；
根据高斯混合模型GMM的联合概率密度函数的对数似然函数的变分下界，和高斯混合模型GMM的联合概率密度函数，得到自由能分数空间函数；
对自由能分数空间函数，根据随机变量将对数似然函数的变分下界展开，对应的各项组成了FESS特征映射组成部分；
将FESS特征映射组成部分进行串联，得到查询目标图像对应像素点的FESS特征映射向量。<...

【专利技术属性】
技术研发人员：赵艳娜，王亚茹，许源，隋晓丹，丁维康，王雪梅，冯飞燕，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：山东;37