[发明专利]一种基于度量学习和支持向量机相集成的行人再识别方法

说明书

本发明涉及一种基于度量学习和支持向量机相集成的行人再识别方法，属于图像处理、模式识别技术领域。本发明首先生成带有行人标签信息的行人特征矩阵；对度量行人距离的非线性空间M做处理；设置支持向量机内用到的行人标签信息；支持向量机引入约束变量，再把支持向量机作为非线性空间的约束条件；对非线性空间M的约束条件进行缩放处理；找到投影矩阵和分类器的最优解，用度量学习和支持向量机相集成的识别模型进行行人识别，得到识别率。本发明集成了度量学习和支持向量机。和已有方法相比，本发明所提出的方法有效的挖掘、利用了行人数据集中的标签信息，使行人匹配率得到有效的提升。

技术领域

本发明涉及一种基于度量学习和支持向量机相集成的行人再识别方法，属于图像处理、模式识别技术领域。

背景技术

随着国家智慧城市、平安城市的推广，视频监控系统基本覆盖我国主要城市。视频监控系统保存下来的行人信息数据庞大，人工处理信息效率低成本大，行人再识别技术可以有效的提高工作效率、节省资源。行人再识别主要任务是匹配来自非重叠摄像机下的行人是否为同一个行人。该技术是从a摄像机下抽出一个行人作为目标行人，判断在b摄像机下是否出现过该行人，如果出现则找到该目标行人。因此，行人再识别技术在受到广大研究者的极大关注。

目前，虽然具有较强鲁棒性的行人再识别引起了研究者的重视，并提出了一些可行的解决方案，但实验效果仍不能满足现实的需要，尤其是当行人刻意去更改自己外在特征表现时。现有的行人再识别技术仍然存在由于视角与光照的变化以及摄像头参数设置的不同引起同一行人在不同的视觉、不同的光照条件和不同的摄像头下表现出不同的底层视觉特征，而不同行人表现出相似的视觉特征，从而导致行人再识别技术远远不能满足现实应用的需要。

行人再识别研究成果主要有基于特征的行人再识别和基于度量学习的行人再识别两大类，基于特征的行人在识别是从行人底层特征出发提取出判别能力和表达能力都更强的特征。基于度量学习的行人再识别是从度量学习角度出发寻找匹配效果更好的算法。基于特征的行人再识别方法利用行人的标签信息提取行人底层特征，但是受光照变化剧烈和摄像机参数设置不同等因素的影响，行人的颜色和纹理等底层特征变化很大，导致行人识别准确率低。然而，基于度量学习的行人再识别方法考虑到光照变化剧烈、摄像机参数设置不同和行人外貌等问题，利用不同视角下同一个行人之间成对出现的标签信息来缩小同一行人之间的度量距离。但是在使用行人标签信息时只考虑了不同视角下同一个行人的标签信息，并没有考虑不同视角下不同行人之间的标签信息。针对基于度量学习的行人再识别算法在行人衣着服饰、姿态相似等复杂背景的干扰因素下，行人再识别算法识别效果差，鲁棒性不强的问题。

发明内容

本发明提供了一种基于度量学习和支持向量机相集成的行人再识别方法，挖掘并充分利用不同视角下行人之间的标签信息来提高行人识别的准确率。

本发明的技术方案是：一种基于度量学习和支持向量机相集成的行人再识别方法，首先生成带有行人标签信息的行人特征矩阵；对度量行人距离的非线性空间M做处理；设置支持向量机内用到的行人标签信息；支持向量机引入约束变量，再把支持向量机作为非线性空间的约束条件；对非线性空间M的约束条件进行缩放处理；找到投影矩阵和分类器的最优解，用度量学习和支持向量机相集成的识别模型进行行人识别，得到识别率。

进一步地，所述基于度量学习和支持向量机相集成的行人再识别方法的具体步骤如下：

Stpe1、把a，b视角下行人的特征全部投影到同一个非线性空间M∈R^m×n内，利用公式找出在a视角下与b视角下最相似但不是自己的行人来生成带有行人标签信息的行人特征矩阵x_c；

Stpe2、在非线性空间M内，要求每一个a视角下的第i个人与在b视角下与最相似的但不是同一个人的行人之间的度量距离要小于a视角下的第i个人与它自己在b视角下之间的度量距离，即