[发明专利]一种结合表观特征和时空分布的双流网络行人重识别方法

权利要求书

1.一种结合表观特征和时空分布的双流网络行人重识别方法，其特征在于，包括步骤：

表观特征上，使用深度神经网络算法提取每个行人图像的表观特征向量，计算出所有行人图像对之间的表观相似度，所述图像对是指检索图像和数据库图像；

时空分布上，对于训练数据集，以一时间差单位区间统计每组摄像头对的原始时间差概率分布模型，得到n*n个时间差概率统计直方图，n为摄像头个数，然后对每个时间差概率统计直方图进行高斯平滑，得到时空分布模型；由时空分布模型求出检索图像和数据库图像之间的时空概率；

时空分布模型的构建步骤是：

步骤2.1，假设训练数据集中一共有n个摄像头，对于摄像头对C_i和C_j，i＝1，2，...，n，j＝1，2，...，n，以Δt为一个单位区间，统计训练数据集中同一行人先后出现在摄像头C_i和C_j的时间差概率分布，从而得到n*n个原始时间差概率分布直方图

步骤2.2，对于摄像头对C_i和C_j的原始时间差概率分布直方图在直方图中的每一个单位区间叠加一个以该单位为对称中心的高斯函数，在所有单位区间将原始概率与所有高斯函数在此区间的函数值相加，再除以归一化值得到高斯平滑后的时空分布模型；

原始时间差概率分布直方图的计算方法是：

其中：

k代表统计直方图中第k个单位区间，记Δt为统计直方图的时间差单位区间，则t_j-t_i∈((k-1)Δt，kΔt)；

代表摄像头C_i到摄像头C_j中第k个单位区间的频数；

y＝1代表统计的行人对频数是指同一行人；

代表摄像头C_i到摄像头C_j的时间差概率分布直方图；

高斯平滑后的时空分布模型获取方法如下：

z＝∑_kP(y＝1|k，c_i，c_j)

其中：

代表关于摄像头对C_i和C_j的原始时间差概率分布模型在第k个时间差单位区间的时空概率；

K为高斯核函数，用于平滑原始时间差概率分布模型；

Z为归一化参数；

P(y＝1|k，c_i，c_j)代表关于摄像头对C_i和C_j的原始时间差概率分布模型经过高斯平滑后，在第k个单位区间的时空概率；

对表观相似度和时空概率进行逻辑平滑，得到平滑后的表观相似度和时空概率；

将平滑后的表观相似度和时空概率进行联合计算得到最终的行人图像对相似度，对行人图像对相似度排序得到行人重识别结果。

2.根据权利要求1所述的双流网络行人重识别方法，其特征在于，使用余弦距离计算出所有行人图像对之间的表观相似度。

3.根据权利要求1所述的双流网络行人重识别方法，其特征在于，对表观相似度和时空概率进行逻辑平滑，将平滑后的表观相似度和时空概率相乘，得到最终的行人图像对相似度；具体为：

P_joint＝f(S；a₀，k₀)f(P_st；a₁，k₁)

P_st＝P(y＝1|k，c_i，c_j)

其中，

S代表行人图像对X_i和X_j的表观相似度；I_i、I_j分别表示两张行人图像的表观特征向量；

P_st代表行人图像对的时空概率；

f(x；a，k)代表逻辑回归函数，用于表观相似度和时空概率的逻辑平滑；

f(S；a₀，k₀)代表逻辑平滑后的表观相似度；

f(P_st；a₁，k₁)代表逻辑平滑后的时空概率；

P_joint代表行人对间最终的行人图像对相似度。