[发明专利]基于差异正则化的成对约束成分分析度量优化方法

说明书

本发明涉及一种基于差异正则化的成对约束成分分析度量优化方法，包括：步骤S1：用摄像头采集多张行人图片形成训练样本集，提取每张样本图片中行人目标的颜色特征，形成一个d维的特征向量x_i，最终构成一个包含N个d维特征向量的训练集，其中，N为样本图片的数目；步骤S2：对训练集中的特征向量进行降维处理；步骤S3：计算降维后的样本之间的欧氏距离，并基于各训练样本与测试样本之间的欧氏距离，将训练样本分为正样本和负样本；步骤S4：通过对目标优化函数增加差异正则化项，并基于约束条件创建优化问题；步骤S5：使用梯度下降法求解优化问题。与现有技术相比，本发明具有避免过拟合现象的发生，提高度量学习算法的泛化能力等优点。

技术领域

本发明涉及智能信息处理技术领域，尤其是涉及一种基于差异正则化的成对约束成分分析度量优化方法。

背景技术

近年来，视频监控系统大量普及。视频监控系统的建设与应用，在打击犯罪、维护稳定实践中正发挥着越来越重要的作用，视频侦察已成为公安机关侦查破案的新手段。在视频侦察应用中，针对特定嫌疑目标的检索是重要需求。在海量的视频数据面前，完全依靠人工的方法来完成上述工作不仅需要消耗大量的人力资源，还不能保证结果的准确性和实时性。操作者的匹配结果受个体经验的影响，而不同操作者的经验差异很大，有些操作者不能有效的利用多种信息，依靠传统的人工的方法很难得到好的识别效果。随着摄像机网络的日益增大，依靠人工的方法进行再识别也变得越来越不现实。因此，迫切的需要一种技术来减轻有限的人力资源的负担、增强识别的能力。

行人目标再识别研究的根本目的在于如何有效地利用行人的外观信息对指定目标进行跨摄像机搜索匹配。在计算机视觉和模式识别等领域，通常使用特征向量来表征样本。在众多衡量特征向量相似性的方法中，距离度量是最基本的方法。距离度量学习算法在机器学习、模式识别和计算机视觉等领域有着广泛的应用。因此，研究距离度量学习算法具有非常重要的理论意义和应用价值。

虽然现有的度量学习方法已经在许多实验中显示出不错的效果，但是加强对度量学习的理论解释仍然是一项非常重要的任务。其中一个主要的问题就是度量学习的泛化性能，评估所学度量的泛化性能目前仍然是一个具有挑战性的问题。由于目前大多的度量学习方法都是一种两步式的学习，度量学习的泛化性能分析主要包含两个方面：第一是关于所学度量自身的一致性，也就是通过在训练数据上的学习，分析所得度量函数针对特定的损失函数能否在新数据上获得好的期望误差；第二是考虑所学度量在后续的结果学习器上的性能，从理论上分析两者之间的联系，理解这一联系将更有助于提升结果学习器的泛化性能。

综上所述，距离度量方法是行人再识别领域的研究重点，尽管目前国内外的研究已经取得了很多优秀的研究成果，但是随着大规模摄像头网络发展，拍摄条件的恶化，以及安防要求的提高，目前已有距离度量算法在行人再识别匹配正确率方面的表现并不能满足实际应用的需求，因此，本项目对距离度量学习算法的研究将具有非常重要的理论意义和应用价值。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于差异正则化的成对约束成分分析度量优化方法。

本发明的目的可以通过以下技术方案来实现：

一种基于差异正则化的成对约束成分分析度量优化方法，包括：

步骤S1：用摄像头采集多张行人图片形成训练样本集，提取每张样本图片中行人目标的颜色特征，形成一个d维的特征向量x_i，最终构成一个包含N个d维特征向量的训练集，其中，N为样本图片的数目；

步骤S2：对训练集中的特征向量进行降维处理；

步骤S3：计算降维后的样本之间的欧氏距离，并基于各训练样本与测试样本之间的欧氏距离，将训练样本分为正样本和负样本；

步骤S4：通过对目标优化函数增加差异正则化项，并基于约束条件创建优化问题；