[发明专利]面向行人再识别的基于多投影变换的特征度量学习方法

说明书

本发明公开了一种面向行人再识别的基于多投影变换的特征度量学习方法，包括以下步骤：S1提取不同摄像头对应的特征向量；S2利用标定数据学习不同摄像头的投影矩阵；S3利用投影矩阵将不同摄像头对应的特征向量转换到公共特征空间；当没有新的摄像头添加到非重叠的摄像头网络中时，执行步骤S7；当新的摄像头添加到非重叠的摄像头网络中时，执行步骤S4；S4找到与新的摄像头的最相似的摄像头类；S5将新的摄像头下行人图像的特征向量转换到最相似的摄像头类的特征空间内；S6将转换后的特征向量再转换到公共特征空间；S7计算各个特征向量的之间的距离；S8根据特征向量间的距离来进行排序，得到排序列表，从而提高行人再识别的准确率。

技术领域

本发明涉及特征度量学习技术领域，更具体的说是涉及一种面向行人再识别的基于多投影变换的特征度量学习方法。

背景技术

在多摄像机监控系统中，行人是监控视频中重点关注的对象。分布式多摄像头监控系统的一个基本任务是对出现在不同时间、不同地点和不同摄像机下的行人进行身份关联，即行人再识别(PersonRe-Identification)。

行人再识别技术可以分为两大类：一是基于生物特征的行人再识别，如虹膜，指纹，人脸，步态等。二是基于外貌特征的行人再识别，如行人衣服的颜色，纹理等。

虹膜与指纹这些“接触性”的特征无法在室外监控场景中获取，因此，相对应用的较少。人脸是比较可靠的特征，但是由于室外视频监控的摄像机的分辨率较低，导致行人的脸部数据难以精确的获取。并且随着行人与摄像机之间位置关系的改变，摄像机的视角发生了变化，摄像机可能观察不到行人的脸部。即便人脸在摄像机中可见，其受光照，表情等的影响会发生较大的变化。所有的这些因素使得捕捉可靠的面部数据和随后的人脸识别都变得非常的困难。

步态在行人的识别中有很好的效果。但是，1)提取可靠的步态特征需要精确的提取行人的轮廓和足够长的视频数据。有时，给定行人的视频可能不是足够的长，以提取所需要的步态信息。2)室外监控视频中行人可能被其他行人或物体遮挡，使得行人的某些部分不可见。3)在不同摄像机中捕捉到的同一行人，其姿势可能不同，且在视频持续的时间较长时，视频中的行人往往倾向于改变其走路的姿势。因此，利用步态特征进行人的再识别在理论上可行，但在人工不可控的室外监控的环境中实施是一项艰巨的任务。

在室外监控视频中，行人的外貌如衣服的颜色，纹理等信息相对容易获取，因此基于外貌的行人再识别(Appearance-Based Re-Identification)技术得到国内外学者的广泛研究。

行人再识别的过程基本包括两个步骤。首先，构建一个可靠的和鉴别性的描述符来描述图像。第二，采用合适的特征度量计算目标图像和候选集中图像特征之间的相似性。

简单的特征度量方法并不能很好的反映出两个行人图像间的本质差异，很多关于学习最优度量的方法被提出。该类方法研究的重点是学习适当的度量以最大限度的提高匹配的精度，而不论选择何种特征表达行人。行人再识别的性能与特征度量学习的准确率是紧密相连的，因此特征度量学习是行人再识别中的一个关键的和具有挑战性的问题。

在实际应用中，由于摄像头的参数设置存在差异，从而造成多个摄像头下行人图像的特征向量空间分布不一致。现有特征度量学习模型或对多个摄像头下行人图像的特征向量采用相同的投影变换，或将一个摄像头下的行人图像的特征向量投影到另一个摄像头下行人图像的特征空间中，导致其描述能力有限，无法满足多个摄像头下行人图像的特征向量空间分布不一致性的情况。此外，在现有评估协议中摄像头的数目是固定不变的，但是这在监视应用中是不切实际的。当有新摄像头加入到不重叠的摄像头网络中时，如果不更新每个摄像头的投影矩阵，特征度量学习方法的性能会显著下降。

因此，如何提供一种可以克服多个摄像头下行人图像特征向量差异且具有一定泛化能力的特征度量学习方法在行人再识别领域具有重要意义。

发明内容