[发明专利]基于自适应距离度量学习的跨摄像机行人再识别方法

说明书

技术领域

本发明涉及一种视频图像处理技术领域的方法，具体为一种基于自适应距离度量学习的跨摄像机行人再识别方法。

背景技术

在镜头互不重叠的摄像机监控网络中对指定目标行人进行匹配识别具有广泛的应用前景，这一技术被称为跨摄像机行人再识别，它是智能监控系统中跨摄像机目标跟踪及行为分析的基础和前提条件。由于具有巨大的商业价值，因此跨摄像机行人再识别在近年来受到了广泛的关注和研究。跨摄像机行人再识别研究中的重点和难点在于摄像机之间的光照、视角差异以及行人本身的姿态变化和遮挡情况变化。除此之外，低分辨率监控视频使得人脸等信息在大多数情况下不再适用。

为了克服上述问题，很多研究者希望能设计出对跨摄像机视觉变化鲁棒性高的特征。然而，由于现实场景中摄像机间的差异存在很强的不确定性，行人的姿态也存在诸多变数，找出一个对所有这些变化鲁棒性强但又能有效分辨不同行人的特征实属困难。因此，距离度量学习被引入到跨摄像机行人再识别问题中来。具体来说，距离度量学习将已经标注的行人样本对(正样本对表示两张图片属于同一行人，负样本对表示两张图片属于不同行人)作为训练集合，通过对训练集合上样本对之间的距离进行优化，学习得到一个距离度量矩阵，可以将所有样本投影到一个新的特征空间，在这个特征空间里，正样本对之间的相互距离较小，而负样本对之间的相互距离较大。例如郑伟诗等人于2012年在《IEEE Transactions on Pattern Analysis and Machine Intelligence》(国际电气与电子工程师协会模式分析与机器智能学报)发表的论文“Reidentification by relative distance comparison”(基于相对距离比较的跨摄像机行人匹配)利用训练样本学习得到最优的概率相对距离度量标准，并用此标准来对数据库中的其它图片进行距离度量。通过把特征映射到公共空间，距离度量学习可以在一定程度上解决不同摄像机之间的差异性问题。然而，现有距离度量学习算法通常在训练过程中平等地对待所有样本，没有考虑不同样本之间的差异性。由于不同的样本在原始特征空间上具有不同的可区分性，因此对于距离度量学习的重要程度实质上是不同的。

发明内容

针对上述现有技术的不足，本发明提供一种基于自适应距离度量学习的跨摄像机行人再识别方法，能够根据训练样本原始特征空间上的分布情况对样本进行自适应分类和加权，使得不同的样本能在距离度量学习的过程中起到不同的作用，从而训练得到判别性更强的距离度量函数。

为实现上述目的，本发明首先利用训练集中来自不同摄像机的行人图片构成样本对，为距离度量学习提供约束；然后根据训练样本在原始特征空间中的可区分性为不同的样本对自适应性地分配训练权重；接着采用加速近端梯度算法对距离度量学习的目标函数进行求解，得到马氏距离度量矩阵；最后将学习得到的距离度量矩阵代入马氏距离度量函数，并计算测试阶段行人图片特征向量之间的马氏距离，得到相似性排序结果。

本发明方法通过以下具体步骤实现：

基于自适应距离度量学习的跨摄像机行人再识别方法，包括以下步骤：

步骤1：输入距离度量学习的训练数据，将不同摄像机下的行人图片分别表示为查询集和候选集其中是第i张查询图片和第j张候选图片的特征向量，而和为对应行人的身份标签，n为训练阶段查询集的图片总数，m为训练阶段候选集的图片总数；

步骤2：选取查询集中的查询图片x_i和候选集中的候选图片y_j构成样本对(x_i,y_j)，为样本对分配二分类标签z_ij，其中当时z_ij＝1，(x_i,y_j)被称为正样本对，而当时z_ij＝-1，(x_i,y_j)被称为负样本对；定义任意样本对(x_i,y_j)之间的马氏距离度量函数为：

其中M为马氏距离中的距离度量矩阵；

步骤3：利用Logistic损失函数为训练集中的每一样本对(x_i,y_j)建立距离度量学习的损失函数：