[发明专利]一种基于特征空间拓扑分布的行人重识别方法

说明书

本发明公开了一种基于特征空间拓扑分布的行人重识别方法，包括：将颜色直方图特征和纹理特征作为图像特征，根据图像特征在特征空间中的理想拓扑分布，构建正样本对距离小于负样本对距离的约束条件、以及构建相同类之间的距离要小于任意两个不同类的距离的约束条件；根据正样本对距离小于负样本对距离的约束条件获取对应的第一目标函数；根据相同类之间的距离要小于任意两个不同类的距离的约束条件获取对应的第二目标函数；根据第一目标函数和第二目标函数获取最终的目标函数，通过迭代优化对最终的目标函数进行求解，得到最优的度量矩阵，进而计算图像之间的相似得分，根据相似得分进行排序，找到相似程度最高的图像，实现行人的重识别。

技术领域

本发明涉及图像处理、计算机视觉技术领域，尤其涉及一种基于特征空间拓扑分布的行人重识别方法。

背景技术

随着数据存储与图像传感技术的快速发展，大规模视频监控网络已经被广泛部署在机场、公路、学校和办公大楼等诸多公共场所，有力的保障了城市的公共安全。但是庞大的监控网络会产生海量的视频信息，仅仅依靠人力的话不仅效率低下，而且可能会错失有用的线索，因此就需要利用智能视频监控技术从这些海量的数据中高效提取出有用的信息。该技术不仅可以大幅提升视频的处理速度，降低监控成本，还能够实现犯罪预防、交通管制、意外防范等功能，具有广泛的研究意义和应用前景。

作为该领域新兴的研究方向，行人重识别技术在近几年越来越受到学术界和产业界的关注，并且随着公安部平安城市概念的提出，相应的行业标准也在紧锣密鼓的制定中。行人重识别就是给定一个感兴趣的行人，需要在其他时间、其他地点、其他监控视野内再次发现并锁定该目标。

该技术可以应用于以下两个场景：1)实现跨摄像头的目标跟踪。目前单摄像头的目标跟踪已经取得了较多的成果，并且已经应用到许多商业领域。但是单摄像头的视野有限，当监控目标发生跨区穿越时就无法继续跟踪，并且无法判断在该监控范围内丢失的目标与其他监控范围内新出现的目标是否为同一行人。而行人重识别技术则可以利用不同视野下目标之间的相似性来寻找正确匹配的目标，从而获取行人在整个监控网络下的运动轨迹，实现长期且稳定的跟踪。2)实现行人的检索功能。监控网络为城市安全提供了大量的监控视频，利用行人重识别技术就可以代替人力排查的方式，在这些历史的录像中高效快速的筛选出最有可能包含目标行人的若干视频图像。

在实际应用中，行人重识别需要检索的目标在行人身份上与训练数据是完全没有重叠的，这与目前较为成熟的图像分类任务有一定区别，因为在图像分类任务中所有类在训练阶段都是可以见到并且学习的，因此行人重识别任务具有更大的挑战性。此外由于行人图像较难标注，所获得的训练数据的规模也比较小。环境不可控，视角、光照、姿势等条件的变化都导致了行人在不同监控视野下的外表存在较大的差异。以上诸多因素都会影响行人重识别算法的实际表现。因此就需要设计一个鲁棒的特征，并通过度量学习的方式得到一个有效的映射，使得映射后的样本特征更具备可分性。

欧氏距离可以用于比较特征之间的相似性，但是它对特征中的各个维度都是等价看待的，无法强调有用的信息。因此大多数度量学习的方法都是基于马氏距离，通过转换矩阵将特征映射到有辨析力的空间，从而增加样本之间的可分性。KISSME算法通过最大化似然比来扩大同类和不同类样本的可分性。Chen等人使用三元组损失，要求类内样本之间的距离要小于类间样本之间的距离。Zhang等人设计一个转换矩阵，要求正样本对的距离在转换之后为零，负样本对之间的距离为正。

发明人在使用本发明的过程中，发现现有技术主要存在以下缺点和不足：

现有的方法大多利用传统的三元组损失，要求对于一个检索样本来说，身份相同的样本要比身份不同的样本更接近该目标，没有考虑在特征空间中样本之间更全面的位置关系。

发明内容

本发明提供了一种基于特征空间拓扑分布的行人重识别方法，本发明解决了通过深入挖掘样本特征在特征空间中的拓扑位置分布关系，减少了类内样本的距离，同时增大了类间样本的距离，提高了样本之间的可分性，详见下文描述：