[发明专利]一种结合直接度量和间接度量的行人再识别方法

说明书

本发明公开了一种结合直接度量和间接度量的行人再识别方法，其先确定第一待识别图像库和第一目标图像库，并提取第一、第二待识别图像库以及第一、第二目标图像库中的所有行人图像的特征向量；然后基于第一待识别图像库和第一目标图像库训练得到直接相似性得分和间接相似性得分的加权融合模型，作为最终相似性得分模型；接着使用第二待识别图像库与第二目标图像库测试训练好的最终相似性得分模型，依据第二待识别图像库中的每幅行人图像与第二目标图像库中的所有行人图像之间的最终相似性得分识别第二待识别图像库中的每幅行人图像；优点是充分利用了两幅图像自身的判别信息，及与两幅图像相关的其它图像的判别信息，从而大幅提高了行人识别精度。

技术领域

本发明涉及一种图像识别技术，尤其是涉及一种结合直接度量和间接度量的行人再识别方法。

背景技术

行人再识别是计算机视觉中的核心技术，现如今很多计算机视觉中的高层应用都依赖于准确的行人识别结果，如目标跟踪、智能视频监控等。然而，由于图像存在光照变化、视角变化、遮挡等问题，因此行人再识别一直是计算机视觉中最具有挑战性的任务之一。作为多种视觉应用的基础和富有挑战性的任务，行人再识别技术在计算机视觉领域一直广受关注，如何更好地对行人进行再识别，国内外相关机构进行了深入地研究。

度量学习的主要任务是学习一个线性或非线性的映射，将行人高维表观特征映射到目标空间进行度量，使得同一行人的距离更小，不同行人的距离更大。KOSTINGER M,HIRZER M，WOHLHART P,et al.Large scale metric learning from equivalenceconstraints[C]//Computer Vision and Pattern Recognition(CVPR),2012:2288-2295.(马丁-克斯汀格，马丁-海瑞泽尔，保罗-沃海哈瑞特，等价约束中的大尺度度量学习[C].计算机视觉与模式识别大会，2012，2288-2295)，其提出了保持最简单、最直接度量学习算法，其将两个高斯分布的对数似然比检验作为度量学习算法。Chen D,Yuan Z,Hua G,etal.Similarity learning on an explicit polynomial kernel feature map forperson re-identification[C]//Conference on Computer Vision and PatternRecognition,2015:1565-1573(陈大鹏，袁泽建，华刚，基于多项式核特征映射的相似性学习的行人再识别[C].计算机视觉与模式识别大会，2015，1565-1573)，其将内核特征图作为相似性度量学习算法，能够匹配行人图像中某个块与另一行人图像中所有块，也能度量相同位置块的相似性。Carr,Peter.Person re-identification using deformable patchmetric learning[C]//IEEE Winter Conference on Applications of ComputerVision,2016:1278-1287.(卡尔，彼得，基于弹性块度量学习的行人再识别[C].IEEE,计算机视觉的应用研讨会,2016,1278-1287)，其提出弹性模型，在对探测图像与目标图像中的块进行匹配时，允许错位匹配，且块错位的范围可以调节，有效地解决了不同摄像机下行人图像的视角和姿态的变化问题。Zhang Y,Li B,Lu H,et al.Sample-specific svmlearning for person re-identification[C]//Proceedings of the IEEE Conferenceon Computer Vision and Pattern Recognition.2016:1278-1287(张影，李宝华，卢湖川，基于明确样本的SVM训练的行人再识别[C].计算机视觉与模式识别，2016，1278-1287)，其考虑到已有度量学习都是计算探测图像与目标图像的相似性，而忽略了探测图像与目标图像自身的差异性，因此提出将图像自身的差异性也作为度量学习的一部分，学习得到的度量对于每幅图像都有较高的适应性。上述的度量学习算法，直接利用了探测图像与目标图像自身包含的判别信息来计算探测图像与目标图像之间的相似性，而忽略了与探测图像和目标图像相关的其它图像的判别信息对于计算两者之间相似性的重要性。