[发明专利]一种基于适配距离量度学习的人物再识别方法

说明书

本发明提供了一种基于适配距离量度学习的人物再识别方法，涉及视频图像处理领域，本发明构建人物特征表示模型，利用LMNN距离量度学习方法，学习获得公共数据距离量度，在目标数据集上，根据适配距离量度进行求解，比较查询人物与候选人物临近距离，具有最小损失的候选人物即为查询人物的再识别结果。本发明适配距离量度学习利用公共数据集与目标数据集的距离量度信息，学习拟合目标数据集的再识别任务的距离量度，适配距离量度学习整合公共数据集距离量度与目标数据集距离量度，有效提高目标数据集人物再识别任务准确率；适配距离量度学习能够克服过拟合问题，取得较高的再识别准确率；有效抑制再识别任务中多图像比较的类大方差大于类间方差问题。

技术领域

本发明涉及视频图像处理领域，尤其是一种人物再识别方法。

背景技术

人物再识别(PeopleRe-identification)对相同人物在不同摄像机视域中拍摄到的图像进行关联匹配，实现对人物在摄像机监控网络中全局搜索。人物再识别是视频监控系统中关键技术，安防部门通过人物再识别，能够对特定目标人物进行跟踪与定位，为应对突发事件高效部署警力提供有力的支持与帮助。

人物再识别技术的研究方法主要为构建人物特征表示模型与人物特征表示模型比较两大类。在第一类研究方法中，相关研究工作对人物外观表示的全局及局部的颜色、形状及纹理等特征进行提取，并与图结构模型(PictorialStructure)、对称因子(SymmetryFactors)及显著性(Salience)等空间信息进行整合，以增强人物特征表示模型的区分能力。在第二类研究方法中，相关研究工作在人物特征表示模型基础之上，利用距离量度学习(DistanceMetricLearning)等方法对特征表示模型进行比较。如Zheng等人提出临近距离比较模型(RelativeDistanceComparison)，描述正确人物匹配与错误人物匹配之间的概率关系，将人物再识别问题转换为距离量度学习问题。Dikemen等人在大间隔最近邻居(LargeMarginNearestNeighbor，LMNN)框架模型下，进一步扩大不同人物特征表示模型实例之间的距离。Li等人通过迁移学习方法，将公共数据集中获得的距离量度迁移为目标数据集的距离量度。上述两类研究方法在人物再识别单一图像(single-shot)比较匹配任务中具有较好的表现，然而在扩展至多图像(multiple-shot)比较匹配时，具有以下局限。首先，同一人物的多个图像，由于相机摄像、光照条件以及人物姿态等因素影响，其特征表示实例具有较大的类内方差(intra-classvariance)；其次，在人物再识别应用场景中假设人物外观服饰没有改变，因此，对机器学习等任务仅有少量训练数据。由于人物外观表示在上述条件下的复杂性，统计学习模型在少量训练数据情况下无法获得目标数据集的全局信息，导致出现过拟合的现象，传统的单一图像比较匹配的行人再识别研究方法，很难解决上述两个问题。

发明内容

为了克服现有技术的不足，本发明针对传统单一目标比较匹配的人物再识别研究方法的不足，利用公共数据集辅助目标数据集任务，提出一种基于适配距离量度学习的人物再识别方法，解决多图像比较匹配的类内方差较大、以及再识别任务中训练数据不足的问题。

本发明解决其技术问题所采用的技术方案包括以下步骤：

第一步：选择颜色、纹理以及形状特征表示，构建人物特征表示模型，令xi表示第i人物特征实例；

第二步：在公共数据集Ds上利用LMNN距离量度学习方法，学习获得公共数据集Ds上的距离量度Ms；

第三步：在目标数据集Dt上利用LMNN距离量度学习方法，学习获得目标数据集Dt上距离量度Mt′；