[发明专利]一种基于块稀疏表示的行人重识别方法

说明书

技术领域

本发明涉及计算机视觉中的行人重识别技术领域，尤其是一种基于块稀疏表示的行人重识别方法。

背景技术

行人重识别是计算机视觉领域重要的问题之一，其中行人重识别目标是在不同地点通过不同的非重叠摄相机视角识别某一个行人的所有图像，从而找出行人轨迹。由于其在智能监控、多目标跟踪等领域具有重要的意义，近年来得到了国内外研究者的广泛关注。

事实上，在行人重识别领域主要的复杂之处在于同一个行人通常在不同时间被相互之间非重叠的摄像机所拍摄，这就导致拍摄到的图像会因为不同的光照条件、不同的相机视角、不同的行人姿态甚至不同的行人衣着或外观等原因，而产生很大的变化。因此，行人重识别问题通常具有以下几个特点：1)因为在实际的监控环境中，不能有效的利用脸部的有效信息，所以只能利用行人的外貌特征进行识别；2)在不同的摄像头下，因尺度、光照和拍摄角度的变化，同一个行人的不同图片中，外观特征也会有一定程度的变化；3)因为行人姿态和摄像头角度的改变，在不同摄像头中，不同行人的外貌特征可能比同一个行人的外貌特征更相似。

基于以上特点，当前的行人重识别研究工作可以大致分为：基于外貌的特征表示方法和基于距离度量学习方法两类。前者利用纹理和颜色直方图等特征描述行人外貌，如文献“Gheissari N，Sebasetian T B，Hartley R。Person Reidentification Using Spartiotemporal Appearance[C]。IEEE Computer Society Conference on Computer Vision Pattern Recognition，2006：1528-1535。”提取行人外貌特征中不变的区域，在每个稳定不变的区域上提取多种颜色特征，采用三角形模型表示行人身体结构，通过模型匹配计算两个行人图像的距离。文献“Farenzena M，Bazzani L，Perina A。Person re-identification by symmetry-driven accumulation of local features[C]。Computer Vision and Pattern Recognition(CVPR)，2010：2360-2367。”将人体按照结构划分成不同区域，分别提取加权HSV直方图和纹理特征，再分别对不同的特征采用不同的距离函数计算距离，最终距离按照不同的权重将不同特征的距离加权求和得到；文献“Cai Y，Pietikainen M。Person Re-identification Based on Global Color Context[C]。Proc of Lecture Notes in Computer Science，2011：205-215”将位置信息融入到HSV颜色直方图中，提出全局颜色背景(global color context，GCC)方法。基于距离度量学习的行人重识别方法则是通过训练，找出有最大区分度的特征分量，再进行建模实现目标重识别。如文献“Weinberger K Q，Saul L K。Distance Metric Learning for Large Margin Nearest Neighbor Classification[J]。Journal of Machine Learning Research，2006，10(1)：207-244。”提出大间隔最近邻分类(Large Margin Nearest Neighbor，LMNN)距离测度学习算法；文献“Zheng W S，Gong S，Xiang T。Person re-identification by probabi listic relative distance comparison[C]。IEEE Conference on Computer Vision and Pattern Recognition，2011：649-656。”首次引入尺度学习算法的思想，仅采用LMNN中三元组形式的样本对，提出基于概率相对距离比较(Probabilistic Relative Distance Comparison，PRDC)的距离测度学习算法；文献“Zheng W S，Gong S，Xiang T。Re-identification by Relative DistanceComparison[J]。IEEE Transactions on Pattern Analysis and Machine Intelligence，2013，35(3)：653-68。”提出将行人重识别视作一个相对距离比较(relative distance comparison，RDC)的学习问题，在他的方法中，各类特征并非一视同仁对待，目的也是将正样本的距离最大化及负样本的距离最小化，该方法表现出对于外观变化更大的宽容性。文献“许允喜，蒋云良，陈方。基于支持向量机增量学习和LBPoost的人体目标再识别算法[J]。光子学报，2011，40(5)：758-763。”采用视觉单词树直方图和全局颜色直方图构建所跟踪目标的人体外观模型，并使用SVM增量学习进行在线训练；文献“Xiong F，Gou M，Camps O，et al。Person Re-Identification Using Kernel-Based Metric Learning Methods[M]//Computer Vision–ECCV 2014，2014：1-16。”提出了一种新的基于内核的距离学习方法，将归一化成对约束成分分析(regularized Pairwise Constrained Component Analysis，rPCCA)方法用于行人再识别问题；文献“Chen D，Yuan Z，Hua G。Similarity learning on an explicit polynomial kernel feature map for person re-identification[C]。Conference on Computer Vision and Pattern Recognition，2015：1565-1573。”提出了一种相似性学习(Similarity Learning)算法，实质是基于显示内核特征图(explicit kernel feature map)计算特征相似性距离，提高算法鲁棒性；文献“You J，Wu A，Li X，et al。Top-push Video-based Person Re-identification[J]。IEEE Conference on Computer Vision and Pattern Recognition，2016。”提出top-push距离学习(TDL)方法，该方法基于视频上的研究，主要思路即进一步增大行人类间差异，缩小类内差异。显然这些行人重识别方法取得了很好的效果，但是都是基于全部行人特征基础上的研究，加之行人重识别一直以来受遮挡、姿态变化、光照、视角等因素影响，研究效果并不显著，进一步提升仍是困难重重。