[发明专利]一种自动跨特征推理式目标检索方法

说明书

本发明涉及视频监控技术领域，且公开了一种自动跨特征推理式目标检索方法，所述检索方法包括有特征及特征链接的提取与保存、基于图例获取库内相关样本、构建相似度转移矩阵、相似度扩散。该自动跨特征推理式目标检索方法，构建不同特征之间统一的相似度转化矩阵，使得本检索方法对海量数据的检索运算效率更高，并且用自动化的算法覆盖了跨特征检索的全过程，通过自动的跨特征检索，可以实现基于一张人脸图像，系统可自动搜索到目标人员对应的无法检测到人脸的行人图像或目标人员驾驶的车辆图像、借助人脸特征提高行人重识别的检索精度、在不用更新全部库存特征的情况下，实现多种版本的库存特征的统一检索排序。

技术领域

本发明涉及视频监控技术领域，具体为一种自动跨特征推理式目标检索方法。

背景技术

视频监控使用时常常需要对监控数据进行目标检索，以获取特定目标的图像记录，出行轨迹，存档特征信息等，其中特征，是用算法模型(如人工神经网络)从输入图像中提取到的多维数据，每条特征都是特定特征空间中的一个坐标点(或向量)，可以直接进行相似度比较，而不同的算法模型所提取的特征由于不存在相同的特征空间内，所以无法进行相似度比较，但由于不同类型图像、不同厂家和相同厂家的不同版本使用的算法模型不同，因此目前监控系统存在检索特征的数据孤岛，致使检索获得的信息不够全面。

目前常用的克服信息孤岛的方法有：

特征嵌入技术：特征嵌入的思路是将不同媒体的特征嵌入(或映射)到相同的特征空间以便实现相互比对或检索，特征嵌入的前提条件是每个样本必须同时具备两种特征，例如一张图像存在图像特征的同时必然可以对它进行文字描述，反之，一段文字描述肯定可以联想到与它对应的图像，但是现实场景中只有少部分图像是允许两种特征同时存在的，其应用有较大的局限性。

特征融合技术：特征融合技术是用相同或不同算法模型提取目标多个区域的图像特征或同一个区域的不同版本的图像特征，并将多个特征在维度上进行拼接，这样，在比对时样本间的相似度等效为分别计算每个特征空间各自的相似度并融合为一个综合的相似度，从而提高检索的精度，由于某一种特征缺失了就会影响样本间综合相似度的分值大小，其实际应用同样存在较大的局限性。

相似度扩散技术：基于图像样例和数据库之间、数据库内部样本之间的相似度矩阵，构建一个初始的相似度转移矩阵，然后利用随机游走或其它快速算法计算出相似度扩散收敛后的图像样例和数据库之间的比对分值，相似度扩散技术基于“类内样本在特征空间中的分布较为连续”这样一个先验知识，用于改善检索精度，但是相似度扩散技术要求计算相似度转移矩阵时知道任意两样本的特征比对相似度，由于不同特征空间的特征无法进行比较，因此相似度扩散技术不能实现跨特征检索，与相似度扩散相似的还有应用于互联网信息检索的PageRank技术。

发明内容

针对上述背景技术的不足，本发明提供了一种自动跨特征推理式目标检索方法，具备跨特征检索的优点，解决了背景技术提出的问题。

本发明提供如下技术方案：一种自动跨特征推理式目标检索方法，所述检索方法包括：

S1、特征及特征链接的提取与保存：提取目标图像特征，检测每个特征的质量分值以及每个特征存在的特征链接到数据库中并建立标识保存到数据库中；

所述特征的质量分值表示存在特征i，其在算法模型中置信度为Q_i，所述特征链接指一个图像样本存在特征i和特征j且特征i和特征j的质量分值Q_i和Q_j分别大于各自的阙值T_i和T_j，标记为特征链接i-j；

S2、基于图像样例获取库内相关样本集：使用图像样例的特征和特征相关虫洞样本的出口特征为检索条件获取的相关样品集；

所述特征相关虫洞样本指局部时空范围内特征链接的质量分值最高的样本；

S3、构建相似度转移矩阵：基于所述步骤S3中输出的图例相样本集构建不同特征之间统一的相似度转移矩阵；