[发明专利]用于人识别的拟吉布斯结构采样的深层置换的方法和装置

说明书

本发明公开提供了一种用于人识别的拟吉布斯结构采样的深层置换的方法和装置。所述方法可以包括获得一个以上的输入图像。所述输入图像包括含有兴趣点的图库组和含有人检测的图像的探查组，并且所述一个输入图像对应于一个人。所述方法还可以包括使用深层神经网络从所述输入图像中提取N个特征映射，N为自然数；使用条件随机场图形模型构建所述N个特征映射的N个结构样本；从嵌入在所述N个结构样本中的隐式的共有潜在特征空间中学习所述N个结构样本；并且根据所学习的结构，从包括与图库组中的图像相同的兴趣点的探查组中识别一个以上的图像。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种用于人识别的拟吉布斯结构采样的深层置换的方法和装置。

背景技术

基于视觉外貌的人重新识别(re-id)在过去几年一直是一个活跃的话题，并且在可预见的未来也将继续如此。这项重新识别任务包括将相同的标签分配给一系列图像或影像捕捉到的一个指定个体的所有时刻，即使这些时刻在时间或空间上有明显的不同。

在现有技术中，给出探查组图像和包括兴趣点列表的图库组，检索图像就可以回馈出兴趣点的分级列表，或者可以在图库组上训练一个多种类别的分类器。这些方法主要用于特征表示和距离测量，希望能够根据不同的照相机视图和时空上的显著差异来归纳出外貌变化中的不变特质。然而，不施加任何启发式约束的话，现有的图像检索框架并不能很好地处理类内差异性和类间相似性的问题。

另一种方法涉及对所述图库组和探查组之间的重新识别结构进行建模，从而推断出探查组中的所有图像标签，而不是分别标记每个图像。所述重新识别结构可被建模成二分图或条件随机场(CRF)。这些模型的结构可以从大量手动标记的图像配对(与同一人的标签相关的一个图库组图像和一个探查组图像)中得到，或者从基于启发式的手工制作(例如边缘拓扑)中得出。

然而，手工获取强大的重新识别结构优先级在实践中是非常昂贵和不可用的。此外，手工制作的结构忽略了这种统计学推断问题的不确定性。另外，目前还不存在一种原则性的方法来为重新识别问题导出一个共有的潜在特征空间。

本发明所公开方法和系统用于解决上述一个以上的问题以及其他问题。

发明内容

本发明一方面公开了一种用于人识别的拟吉布斯结构采样的深层置换的方法。所述方法包括：获得一个以上的输入图像，包括含有兴趣点的图库组和含有人检测图像的探查组；使用深层神经网络从所述输入图像中提取N个特征映射，N为自然数；使用条件随机场(CRF)图形模型构建所述N个特征映射的N个结构样本；从嵌入在所述N个结构样本中的隐式的共有潜在特征空间中学习所述N个结构样本；根据已学习的结构，从包括与图库组中的图像相同的兴趣点的探查组中识别一个以上的图像。

本发明另一方面公开了一种用于人识别的拟吉布斯结构采样的深层置换的装置。所述装置包括：一个以上的处理器，所述处理器用于获取一个以上的输入图像。所述输入图像包括含有兴趣点的图库组和含有人检测图像的探查组，并且一个所述输入图像对应于一个人。所述一个以上的处理器还用于：使用深层神经网络从输入图像中提取N个特征映射，N为自然数；使用条件随机场(CRF)图形模型构建所述N个特征映射的N个结构样本；从嵌入在所述N个结构样本中的隐式的共有潜在特征空间中学习所述N个结构样本；根据已学习的结构，从包括与图库组中的图像相同的兴趣点的探查组中识别一个以上的图像。

本领域技术人员根据本揭露的说明书、权利要求书以及说明书附图的指引，能够理解本发明的其他方面。

附图说明

为便于对实施例理解，结合附图对实施例进行描述，仅用于解释本发明，而不能解释为对本发明的限制。

图1为本发明提供的一实施例的操作环境的示意图；

图2为本发明提供的一实施例的计算系统的示意图；

图3为本发明提供的一用于人识别的装置的示例性结构图；