[发明专利]深度多视图特征距离学习的行人重识别方法

说明书

深度多视图特征距离学习的行人重识别方法，具体按照以下步骤实施：步骤1，提取区域特征向量；步骤2，区域划分，先根据步骤1中得到的图像的所有特征向量，通过归一化算法l₂范数归一化；再通过加和的方式表现图像的矢量集合，之后再对图像表示进行l₂范数归一化处理；一幅图像划分为N个区域，得到深度区域聚合特征；步骤3，LOMO特征提取，对于参考集和测试集中的行人图像分别提取传统LOMO特征；步骤4，多视图特征距离学习，从深度区域聚合特征和LOMO特征两个角度出发，两个特征分别通过度量方法XQDA训练获得两个距离；步骤5，加权融合策略，对于步骤4得到的两个距离通过参数加权融合获得最终距离，并根据最终距离得到匹配的等级；能明显提高行人重识别的鲁棒性；提高行人重识别的性能。

技术领域

本发明属于图像分析及图像识别技术领域，具体涉及一种深度多视图特征距离学习的行人重识别方法。

背景技术

近年来，监控摄像机网络在公共安全、商业活动、智慧交通、国防和军事应用领域中的需求日益增加，如：在机场、地铁、车站、银行、学校和军事设施等场所安装监控摄像机网络，用于安全自动无人监控，以有效确保国家设施和公众的安全。正因为监控摄像机网络具有如此大的应用前景，智能视频监控系统引起了许多国家的高度重视，并投入大量资金开展了广泛的研究工作。

行人重识别问题是通过多个摄像机视图判断行人是否为同一目标的过程，当前已广泛应用于跟踪任务的视频分析和行人检索中。但是在实际生活中，由于行人重识别受到视角、光照、姿态、背景杂波和遮挡等因素的影响，使得行人图像在不重叠的摄像机视图中的差异性较大，如何减少和降低这种差异性对行人重识别的影响，是当前行人重识别中存在的巨大问题和面临的严峻挑战。

特征表示和度量学习是行人重识别系统中的两个基本要素，其中由于特征表示是构成距离度量学习的基础，使其在行人重识别系统中显得尤为重要。虽然度量学习具有一定的有效性，但它很大程度上取决于特征表示的质量。因此，当前许多研究致力于开发更加复杂和具有鲁棒性的特征，用以描述可变条件下的视觉外观，可以将其提取的特征划分为两类：传统特征和深度特征。