一種基于距離度量學習行人重驗證的方法
【專利摘要】本發(fā)明公開一種基于距離度量學習行人重驗證的方法，包括以下步驟：步驟1：構造基本距離度量模型；步驟2：對基本距離度量模型進行光滑正則化。本發(fā)明通過采用新設計的光滑正則化距離度量模型進行行人重驗證，充分考慮了模型中協(xié)方差矩陣估計偏差問題。具有不需要復雜的優(yōu)化迭代過程，訓練時間短，在訓練樣本少的情況下，能有效改善距離度量模型的匹配性能，提升用戶體驗等優(yōu)點。
【專利說明】一種基于距離度量學習行人重驗證的方法
【技術領域】
[0001]本發(fā)明涉及一種模式識別與人工智能技術，特別涉及一種基于距離度量學習行人重驗證的方法。
【背景技術】
[0002]隨著智能監(jiān)控(intelligent video surveillance, IVS)的興起，行人重驗證(person re-1dentification)作為檢索問題重要的應用引起了越來越多的關注。簡單說，行人重驗證的目的從當前攝像機A中檢測到的行人作為檢索數(shù)據(jù)，在其他攝像機A的記錄數(shù)據(jù)中尋找同一個人。由于不同攝像機檢測到的行人的姿態(tài)以及當時的拍攝環(huán)境的復雜性，我們很難直接正確返回正確匹配，因此分類問題并不適用于這里。退而求其次，我們希望正確匹配的結果盡量靠前，因此前η (這個η越小越好)排序匹配率是行人重驗證系統(tǒng)的技術指標。
[0003]通常來說完整的行人重驗證系統(tǒng)的工作過程通常包括以下幾步:1)利用行人檢測的方法，收集多個行人不同拍攝位置、光照條件下的樣本數(shù)據(jù)；2)從每個樣本中提取紋理特征和顏色直方圖特征；3)將所有特征描述子連接在一起后降維，從而獲得每個樣本的低維表達；4)訓練能夠判斷兩個樣本是否為同一個人的距離度量模型；5)對新收集的行人不同拍攝位置、光照條件下的樣本數(shù)據(jù)，利用學習好的距離度量模型判斷哪些樣本為同一個人。
[0004]然而常用的距離度量學習模型對訓練樣本數(shù)量比較敏感，在手工標注樣本較少的情況下，行人重驗證系統(tǒng)工作性能下降，為了獲得系統(tǒng)性能，不得不大量手工標注樣本，這使得行人重驗證系統(tǒng)開發(fā)成本大量增加。另外許多距離度量模型的求解過程是一個復雜的優(yōu)化迭代過程，因此訓練時間較長。因此，從工程的角度出發(fā)，需要尋找一個需要少量訓練樣本，并且算法實現(xiàn)簡單的距離度量模型是非常必要的。

【發(fā)明內容】

[0005]本發(fā)明的目的在于克服現(xiàn)有技術的缺點與不足，提供一種基于距離度量學習行人重驗證的方法，該方法只需要少量人工標注樣本的基于距離度量學習的簡單算法就可以實現(xiàn)行人重驗證方法。
[0006]本發(fā)明的目的通過下述技術方案實現(xiàn):一種基于距離度量學習行人重驗證的方法，具體實現(xiàn)方式:
[0007]I)利用行人檢測的方法，收集多個行人不同拍攝位置、光照條件下的樣本數(shù)據(jù)，這里行人類別數(shù)目為P;
[0008]2)從每個樣本中提取紋理特征和顏色直方圖特征；
[0009]3)將所有特征描述子連接在一起后執(zhí)行PCA，從而獲得每個樣本的低維表達；
[0010]4)訓練能夠判斷兩個樣本是否為同一個人的光滑正則化距離度量模型；
[0011]具體包括以下步驟:
[0012]步驟1:構造基本距離度量模型:[0013]假設給定一特征向量對Xi和Xj7Hci代表特征向量對是不相似的(Xi和Xj是不同的人)，H1代表特征向量對是相似的(Xi和\是同一個人)，兩者的概率的比的對數(shù)為:
【權利要求】
1.一種基于距離度量學習行人重驗證的方法，包括以下步驟: 1)利用行人檢測的方法，收集多個行人不同拍攝位置、光照條件下的樣本數(shù)據(jù)，設置行人類別數(shù)目為P ； 2)從每個樣本中提取紋理特征和顏色直方圖特征； 3)將所有特征描述子連接在一起后執(zhí)行PCA，從而獲得每個樣本的低維表達； 4)訓練能夠判斷兩個樣本是否為同一個人的光滑正則化距離度量模型； 5)對新收集P’個行人的不同拍攝位置、光照條件下的樣本數(shù)據(jù)，利用學習好的光滑正則化距離度量模型判斷哪些樣本為同一個人； 其特征在于，所述步驟4)中，訓練光滑正則化距離度量模型的實現(xiàn)方式，包括以下步驟: 步驟1:構造基本距離度量模型； 步驟2:對基本距離度量模型進行光滑正則化。
2.根據(jù)權利要求1所述的基于距離度量學習行人重驗證的方法，其特征在于，所述步驟I包括以下步驟: 步驟1、假設給定一特征向量對Xi和\代表兩個樣本，H1代表特征向量對相似，即:Xi和是同一個人，H0代表特征向量對不相似，即:Xi和是不同的人，H1和Htl的概率的比的對數(shù)為:
3.根據(jù)權利要求1所述的基于距離度量學習行人重驗證的方法，其特征在于，所述步驟2包括以下步驟: 步驟1、對協(xié)方差矩陣Si進行對角化:
【文檔編號】G06K9/66GK103500345SQ201310461132
【公開日】2014年1月8日 申請日期:2013年9月29日 優(yōu)先權日:2013年9月29日
【發(fā)明者】陶大鵬, 金連文, 王永飛 申請人:華南理工大學