本發(fā)明屬于模式識(shí)別技術(shù)領(lǐng)域，更具體地，涉及一種針對(duì)行人重識(shí)別的度量學(xué)習(xí)方法和系統(tǒng)。

背景技術(shù)：

行人的重識(shí)別算法是圖像處理和模式識(shí)別研究的重要領(lǐng)域之一，著眼于在無(wú)公共視域的攝像頭下特定目標(biāo)行人的識(shí)別工作。由于視頻清晰度等限制，很難通過(guò)直觀的人臉等信息尋找同一目標(biāo)，而是著眼于基于行人外貌的特征表達(dá)，主要包括包含行人圖像的顏色和紋理等信息，再尋找一種合適的度量方法使得同一行人目標(biāo)跨攝像頭特征盡量相似，異類目標(biāo)特征差別盡量顯著。由于同一目標(biāo)在不同攝像頭下受視角、光照、物體遮擋等因素影響，其在不同視角下特征的表達(dá)往往存在偏差，所以尋找一種合適的度量方法是解決匹配問(wèn)題的核心部分。目前，針對(duì)某一數(shù)據(jù)庫(kù)的特定場(chǎng)景，由訓(xùn)練集樣本學(xué)習(xí)而產(chǎn)生一個(gè)更加合適的度量空間來(lái)進(jìn)行特征相似度計(jì)算，這種方法稱為度量學(xué)習(xí)?，F(xiàn)有的度量學(xué)習(xí)方法中，約束條件往往過(guò)于追求類內(nèi)距離最小化和類間距離最大化，忽視了復(fù)雜場(chǎng)景中目標(biāo)特征中圖像背景、噪聲等信息也同時(shí)在訓(xùn)練中被擴(kuò)大化，最終得到的度量空間往往存在過(guò)擬合的風(fēng)險(xiǎn)，在測(cè)試中效果欠佳。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提出一種行人重識(shí)別的度量學(xué)習(xí)方法，目的在于提供一種對(duì)正樣本對(duì)特征向量進(jìn)行單閾值約束，對(duì)于負(fù)樣本對(duì)特征向量雙閾值約束的度量學(xué)習(xí)方法，解決現(xiàn)有度量學(xué)習(xí)技術(shù)在復(fù)雜場(chǎng)景下存在的過(guò)擬合問(wèn)題。

為實(shí)現(xiàn)上述目的，按照本發(fā)明的一個(gè)方面，提供了一種行人重識(shí)別的度量學(xué)習(xí)方法，所述方法包括以下步驟：

(1)收集兩個(gè)攝像頭下行人目標(biāo)的特征向量，建立正樣本對(duì)特征向量集合和負(fù)樣本對(duì)特征向量集合；

(2)計(jì)算正樣本對(duì)特征向量和負(fù)樣本對(duì)特征向量的距離；

(3)將正樣本對(duì)特征向量的距離在度量空間中約束為一個(gè)半徑為μ1的圓，將負(fù)樣本對(duì)特征向量的距離在度量空間中約束為一個(gè)以μ2為內(nèi)半徑、μ3為外半徑的圓環(huán)，0＜μ1＜μ2＜μ3；

(4)在正、負(fù)樣本對(duì)特征向量的距離約束條件下建立基于度量矩陣的損失函數(shù)；

(5)以損失函數(shù)值最小為目標(biāo)迭代更新度量矩陣。

進(jìn)一步的，所述步驟(1)的具體實(shí)現(xiàn)方式為：

收集兩個(gè)攝像頭下行人目標(biāo)的特征向量，分別建立集合x(chóng)和集合z，xi為x集合中的元素，表示第i個(gè)行人目標(biāo)在一攝像頭中收集的特征向量，0＜i≤n；zj為z集合中的元素，表示第j個(gè)行人目標(biāo)在另一攝像頭中收集的特征向量，0＜j≤n；i＝j(luò)，xi和zi為同一個(gè)行人目標(biāo)在兩個(gè)不同攝像頭下的特征向量，(xi,zi)表示正樣本對(duì)特征向量，共有n對(duì)；i≠j，xi和zj為不同行人目標(biāo)在兩個(gè)不同攝像頭下的特征向量，(xi,zj)表示負(fù)樣本對(duì)特征向量。

進(jìn)一步的，所述步驟(2)的具體實(shí)現(xiàn)方式為：

基于馬氏距離的度量學(xué)習(xí)方法，計(jì)算正樣本對(duì)特征向量的距離為：計(jì)算負(fù)樣本對(duì)特征向量的距離為：其中m是度量矩陣。

進(jìn)一步的，所述步驟(4)的具體實(shí)現(xiàn)方式為：

在步驟(3)中正、負(fù)樣本對(duì)特征向量的距離約束條件下，建立基于度量矩陣的損失函數(shù)：

其中，正樣本對(duì)特征向量的損失函數(shù)：

負(fù)樣本對(duì)特征向量的損失函數(shù)：

式中β是平滑參數(shù)。

進(jìn)一步的，所述步驟(5)的具體實(shí)現(xiàn)方式為：

(5-1)令mk為第k次迭代時(shí)的度量矩陣，是第k次迭代時(shí)正樣本對(duì)特征向量的空間距離，是第k次迭代時(shí)負(fù)樣本對(duì)特征向量的空間距離，計(jì)算損失函數(shù)梯度：

其中，正樣本對(duì)特征向量與約束條件相關(guān)的系數(shù)是：負(fù)樣本對(duì)特征向量與約束條件相關(guān)的系數(shù)是：

(5-2)在第k次迭代過(guò)程中，對(duì)mk按照αk的步長(zhǎng)沿梯度下降的方向更新得到：其中αk是迭代的更新步長(zhǎng)；

(5-3)判斷是否滿足半正定矩陣的約束條件，若滿足則直接令若不滿足，則需在半正定矩陣空間中尋找一個(gè)與最相似的矩陣作為mk+1的值；

(5-4)判斷是否滿足結(jié)束條件ε為預(yù)設(shè)值，若不滿足結(jié)束條件，則令k＝k+1,繼續(xù)執(zhí)行步驟(5-1)，若滿足結(jié)束迭代條件，輸出度量矩陣，當(dāng)前迭代得到的mk+1就是采用行人重識(shí)別的度量學(xué)習(xí)方法得到的最終的度量矩陣。

進(jìn)一步的，所述步驟(5-3)的具體實(shí)現(xiàn)方式為：

(5-3-1)使用公式：其中，s是半正定矩陣的集合,f表示f范數(shù)；

(5-3-2)將奇異值分解其中而λk+1是由奇異值組成的對(duì)角矩陣；

(5-3-3)令則得到半正定空間中與最相似的矩陣mk+1。

進(jìn)一步的，所述步驟(1)中的特征向量包括顏色信息和紋理信息。

按照本發(fā)明的另一方面，提供了一種行人重識(shí)別的度量學(xué)習(xí)系統(tǒng)，所述系統(tǒng)包括以下模塊：

特征向量模塊，用于收集兩個(gè)攝像頭下行人目標(biāo)的特征向量，建立正樣本對(duì)特征向量和負(fù)樣本對(duì)特征向量集合；

度量學(xué)習(xí)方法模塊，基于馬氏距離的度量學(xué)習(xí)方法，用于計(jì)算正樣本對(duì)特征向量的距離和負(fù)樣本對(duì)特征向量的距離；

約束條件模塊，用于將正樣本對(duì)特征向量的距離在度量空間中約束為一個(gè)半徑為μ1的圓，將負(fù)樣本對(duì)特征向量的距離在度量空間中約束為一個(gè)以μ2為內(nèi)半徑、μ3為外半徑的圓環(huán)，0＜μ1＜μ2＜μ3；

損失函數(shù)模塊，用于在正、負(fù)樣本對(duì)特征向量的距離的約束條件下，建立基于度量矩陣的損失函數(shù)；

投影梯度下降法模塊，用于以損失函數(shù)值最小為目標(biāo)迭代更新度量矩陣，包括以下子模塊：損失函數(shù)梯度子模塊、迭代子模塊、判斷子模塊和結(jié)束子模塊。

進(jìn)一步的，所述判斷子模塊包括第一判斷模塊、第二判斷模塊和第三判斷模塊。

進(jìn)一步的，所述特征向量模塊中的特征向量包括顏色信息和紋理信息。

總體而言，通過(guò)本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，主要具備以下技術(shù)優(yōu)點(diǎn)：

1、本發(fā)明區(qū)別于通常采用的度量學(xué)習(xí)的約束條件，提出了更優(yōu)越的基于雙閾值對(duì)負(fù)樣本對(duì)特征向量約束的度量學(xué)習(xí)方法，其特點(diǎn)主要在于，保證正樣本對(duì)特征向量的距離同時(shí)，也對(duì)負(fù)樣本對(duì)特征向量的距離大小做了限制，用雙閾值的形式使得負(fù)樣本對(duì)特征向量的距離大小在一個(gè)可控的范圍內(nèi)，而不是通常所選擇的二元約束條件下讓正樣本對(duì)特征向量的距離與負(fù)樣本對(duì)特征向量的距離差大于一個(gè)常數(shù)，或是三元約束條件下分別設(shè)置一個(gè)閾值的方法，這樣做理論依據(jù)實(shí)際上是一種正則化的思想，這種方法可以有效的減輕圖像背景、噪聲等無(wú)關(guān)變量對(duì)矩陣學(xué)習(xí)產(chǎn)生較大的影響，從而避免過(guò)擬合現(xiàn)象發(fā)生；

2、該算法得到的度量矩陣泛化能力強(qiáng)，對(duì)于各種特征向量都有較好的適應(yīng)性，特別是對(duì)于一些含有較多噪聲的復(fù)雜場(chǎng)景下的行人重識(shí)別具有良好的效果。

3、該算法構(gòu)造結(jié)構(gòu)簡(jiǎn)單，采用投影梯度下降法的計(jì)算方法，速度較快、效率較高，且在各個(gè)常用于行人重識(shí)別的數(shù)據(jù)庫(kù)(如viper、cuhk03、cuhk01庫(kù))上測(cè)試效果性能優(yōu)異。

附圖說(shuō)明

圖1是本發(fā)明所提出的一種行人重識(shí)別的度量學(xué)習(xí)方法的流程圖；

圖2是本發(fā)明約束條件的圖形化示意圖；

圖3是本發(fā)明所提出的一種行人重識(shí)別的度量學(xué)習(xí)系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個(gè)實(shí)施方式中所涉及到的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互組合。

為了方便敘述，我們?cè)O(shè)定我們的數(shù)據(jù)集來(lái)自兩個(gè)攝像頭，其中每一個(gè)行人在一個(gè)攝像頭下只有一張圖像(此算法可十分容易地?cái)U(kuò)展到多個(gè)攝像頭和多張圖像)

如圖1所示，本發(fā)明所提出的一種行人重識(shí)別的度量學(xué)習(xí)方法，包括以下步驟：

步驟(1)收集特征向量，建立正樣本對(duì)特征向量和負(fù)樣本對(duì)特征向量：收集兩個(gè)攝像頭下行人目標(biāo)的特征向量，分別建立集合x(chóng)和集合z，xi為x集合中的元素，表示第i個(gè)行人目標(biāo)在一攝像頭中收集的特征向量，0＜i≤n；zj為z集合中的元素，表示第j個(gè)行人目標(biāo)在另一攝像頭中收集的特征向量，0＜j≤n；i＝j(luò)，xi和zi為同一個(gè)行人目標(biāo)在兩個(gè)不同攝像頭下的特征向量，(xi,zi)表示正樣本對(duì)特征向量，共有n對(duì)；i≠j,xi和zj為不同行人目標(biāo)在兩個(gè)不同攝像頭下的特征向量，(xi,zj)表示負(fù)樣本對(duì)特征向量，共有n×(n-1)對(duì)。

步驟(2)基于馬氏距離的度量學(xué)習(xí)方法計(jì)算正、負(fù)樣本對(duì)特征向量的距離：正樣本對(duì)特征向量的距離為：負(fù)樣本對(duì)特征向量的距離為：其中m是度量矩陣，m初始化為單位矩陣，約束條件是一個(gè)半正定矩陣。

步驟(3)規(guī)定正、負(fù)樣本對(duì)特征向量的距離的約束條件：其中，0＜μ1＜μ2＜μ3，正樣本對(duì)特征向量的距離在度量空間中約束為一個(gè)半徑為μ1的圓；對(duì)負(fù)樣本對(duì)特征向量采用雙閾值進(jìn)行約束，負(fù)樣本對(duì)特征向量的距離在度量空間中約束為一個(gè)以μ2為內(nèi)半徑、μ3為外半徑的圓環(huán)。

步驟(4)在步驟(3)中正、負(fù)樣本對(duì)特征向量的距離的約束條件下，建立損失函數(shù)：其中，正樣本對(duì)特征向量的損失函數(shù)：負(fù)樣本對(duì)特征向量的損失函數(shù)：

式中β是一個(gè)起平滑作用的參數(shù)，β＝1；

步驟(5)采用投影梯度下降法求得損失函數(shù)最小時(shí)度量矩陣的值，包括以下子步驟：

步驟(5-1)計(jì)算損失函數(shù)梯度,mk為第k次迭代時(shí)的度量矩陣，是第k次迭代時(shí)正樣本對(duì)特征向量的空間距離，是第k次迭代時(shí)負(fù)樣本對(duì)特征向量的空間距離：

其中，正樣本對(duì)特征向量與約束條件相關(guān)的系數(shù)是：負(fù)樣本對(duì)特征向量與約束條件相關(guān)的系數(shù)是：

步驟(5-2)令第k次迭代時(shí)損失函數(shù)對(duì)mk求導(dǎo)到函數(shù)▽l(mk),在第k次迭代過(guò)程中，對(duì)mk按照αk的步長(zhǎng)沿梯度下降的方向更新其值得到：其中αk是迭代的更新步長(zhǎng)，αk＝1；

步驟(5-3)判斷是否滿足半正定矩陣的約束條件，若滿足則直接令若不滿足，則需在半正定矩陣空間中尋找一個(gè)與最相似的矩陣作為mk+1的值；

步驟(5-4)判斷是否滿足迭代結(jié)束條件ε＝1×10^-4，若不滿足結(jié)束迭代條件，則令k＝k+1,繼續(xù)執(zhí)行步驟(5-1)，若滿足結(jié)束迭代條件，則迭代結(jié)束，輸出度量矩陣，當(dāng)前迭代得到的mk+1就是最終的最優(yōu)化度量矩陣。

所述步驟(5-3)的具體實(shí)現(xiàn)方式為：

步驟(5-3-1)使用公式：其中，s是半正定矩陣的集合,f表示f范數(shù)；

步驟(5-3-2)將奇異值分解其中而λk+1是由奇異值組成的對(duì)角矩陣；

步驟(5-3-3)令則得到半正定空間中與最相似的矩陣mk+1。

進(jìn)一步的，所述步驟(1)中的特征向量包括顏色信息和紋理信息。

如圖2所示，本發(fā)明約束條件的圖形化示意圖，每一種形狀的圖案對(duì)應(yīng)著同一個(gè)目標(biāo)在不同攝像頭下的特征向量，不同的圖案為不同的目標(biāo)的特征向量，正樣本對(duì)特征向量的距離在度量空間中約束為一個(gè)半徑為μ1的圓；對(duì)負(fù)樣本對(duì)特征向量采用雙閾值進(jìn)行約束，負(fù)樣本對(duì)特征向量的距離在度量空間中約束為一個(gè)以μ2為內(nèi)半徑、μ3為外半徑的圓環(huán)；具體約束條件為0＜μ1＜μ2＜μ3，其中μ1為0.2，μ2為1.8，μ3為2.2。

如圖3所示，本發(fā)明所提出的一種行人重識(shí)別的度量學(xué)習(xí)系統(tǒng)，包括以下模塊：

特征向量模塊，用于收集兩個(gè)攝像頭下行人目標(biāo)的特征向量，分別建立集合x(chóng)和集合z，xi為x集合中的元素，表示第i個(gè)行人目標(biāo)在一攝像頭中收集的特征向量，0＜i≤n；zj為z集合中的元素，表示第j個(gè)行人目標(biāo)在另一攝像頭中收集的特征向量，0＜j≤n；i＝j(luò)，xi和zi為同一個(gè)行人目標(biāo)在兩個(gè)不同攝像頭下的特征向量，(xi,zi)表示正樣本對(duì)特征向量，共有n對(duì)；i≠j,xi和zj為不同行人目標(biāo)在兩個(gè)不同攝像頭下的特征向量，(xi,zj)表示負(fù)樣本對(duì)特征向量，共有n×(n-1)對(duì)；

度量學(xué)習(xí)方法模塊，用于計(jì)算正、負(fù)樣本對(duì)特征向量的距離，基于馬氏距離的度量學(xué)習(xí)方法，正樣本對(duì)特征向量的距離為：負(fù)樣本對(duì)特征向量的距離為：其中m是度量矩陣；

約束條件模塊，用于對(duì)正、負(fù)樣本對(duì)特征向量的距離進(jìn)行約束，正、負(fù)樣本對(duì)特征向量的距離的約束條件：其中，0＜μ1＜μ2＜μ3，其中μ1為0.2，μ2為1.8，μ3為2.2，正樣本對(duì)特征向量的距離在度量空間中約束為一個(gè)半徑為μ1的圓；對(duì)負(fù)樣本對(duì)特征向量采用雙閾值進(jìn)行約束，負(fù)樣本對(duì)特征向量的距離在度量空間中約束為一個(gè)以μ2為內(nèi)半徑、μ3為外半徑的圓環(huán)；

損失函數(shù)模塊，用于在正、負(fù)樣本對(duì)特征向量的距離的約束條件下，建立損失函數(shù)：其中，正樣本對(duì)特征向量的損失函數(shù)：負(fù)樣本對(duì)特征向量的損失函數(shù)：

式中β是一個(gè)起平滑作用的參數(shù)，β＝1；

投影梯度下降法模塊，用于計(jì)算損失函數(shù)最小時(shí)度量矩陣的值，包括以下子模塊：

損失函數(shù)梯度子模塊：

其中，mk為第k次迭代時(shí)的度量矩陣，是第k次迭代時(shí)正樣本對(duì)特征向量的空間距離，是第k次迭代時(shí)負(fù)樣本對(duì)特征向量的空間距離，正樣本對(duì)特征向量與約束條件相關(guān)的系數(shù)是：負(fù)樣本對(duì)特征向量與約束條件相關(guān)的系數(shù)是：

迭代子模塊，用于計(jì)算第k次迭代時(shí)損失函數(shù)對(duì)mk求導(dǎo)到函數(shù)▽l(mk),在第k次迭代過(guò)程中，對(duì)mk按照αk的步長(zhǎng)沿梯度下降的方向更新其值得到：其中αk是迭代的更新步長(zhǎng)，αk＝1；

判斷子模塊，用于判斷是否滿足半正定矩陣的約束條件，若滿足則直接令若不滿足，則需在半正定矩陣空間中尋找一個(gè)與最相似的矩陣作為mk+1的值；

結(jié)束子模塊，用于判斷是否滿足迭代結(jié)束條件ε＝1×10^-4，若不滿足結(jié)束迭代條件，則令k＝k+1,繼續(xù)執(zhí)行損失函數(shù)梯度子模塊，若滿足結(jié)束迭代條件，則迭代結(jié)束，輸出度量矩陣，當(dāng)前迭代得到的mk+1就是最終的最優(yōu)化度量矩陣。

進(jìn)一步的，所述判斷子模塊包括：

第一判斷模塊，用于公式計(jì)算：

其中，s是半正定矩陣的集合,f表示f范數(shù)；

第二判斷模塊，用于將奇異值分解其中而λk+1是由奇異值組成的對(duì)角矩陣；

第三判斷模塊，用于令則得到半正定空間中與最相似的矩陣mk+1。

進(jìn)一步的，所述特征向量模塊中的特征向量包括顏色信息和紋理信息。

本領(lǐng)域的技術(shù)人員容易理解，以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。