[发明专利]基于局部高频次特征和混合度量学习的行人重识别方法

说明书

本发明公开了一种基于局部高频次特征和混合度量学习的行人重识别方法，采用局部频次特征表示方法，在光照和视角变化条件下提取目标图像的颜色和纹理特征集合，并采用滑动窗口来描述局部细节提取图像特征，取局部高频次出现的特征最大值作为特征值，获得多尺度的特征描述符级联。在子空间降维以后，根据样本出现的后验概率得到度量学习矩阵及其混合度量学习矩阵的权重系数，最终得到相似程度作为行人重识别的依据。本发明可以在多摄像头监控场景下利用行人外观特征识别出与给定行人相关图像，在智能监控、智能安保、刑事侦查、行人检索、行人跟踪和行为分析等领域具有较好应用价值。

技术领域

本发明属于信息技术计算机视觉技术领域，具体涉及一种基于局部高频次特 征和混合度量学习的行人重识别方法。

背景技术

在多摄像头监控场景下利用行人外观特征识别出与给定行人相关图像的问 题，称为行人重识别(Person re-identification)。通过对多摄像头监控数据的自动分 析、检测、识别和跟踪，可匹配不同摄像机在不同时间、地点拍摄的行人目标。 近年来，行人重识别问题一直是视频监控技术的研究热点，广泛应用于智能监控、 智能安保、刑事侦查、行人检索、行人跟踪和行为分析等领域，对它的深入研究 极大地推动计算机视觉、机器学习和多媒体信号处理等学科的发展。

行人重识别包括监控视频行人检测，特征提取和相似性度量等一系列的过程， 其中特征提取和相似性度量是两个基本问题。目前，行人重识别技术研究主要集 中在如下几个方面：

1)产生鲁棒的特征表示或特征描述子；

2)建立高效的信息相似性度量或度量学习机制。

特征表示需要计算行人样本的局部颜色和纹理特征，有效的特征表示既对目 标有较强的区分力，又对光照和视角变化具有鲁棒性。用于描述行人外貌形态的 特征有很多，如基于整体和基于部分的特征描述以及基于区域的特征描述。相似 性度量学习目的是比较特征向量之间的距离，将其转化为图像对之间的相似度， 通过对该相似度进行排序，找到最相似的图像。度量学习包括两个阶段，首先基 于主成分分析(PCA)方法将原始特征或特征维映射到低维子空间，然后在子空 间上学习判定相应距离。这种两阶段处理方法能够有效提取一些在光照、位姿和 视角都发生严重畸变的情况下提取显著特征。

大多数方法采用颜色直方图来表示局部或全局特征提取差异特征，计算查询 图像之间的相似度然后排序，此时得到的往往不是最优结果。常见的特征提取方 法包括显著特征匹配、局部特征的集成(ELF)，对称局部特征累加(SDALF)，Fisher 矢量(LDFV)，局部最大重现特征(LOMO)和中级滤波等方法。无论是基于外貌 的方法，还是基于形态的方法，充分利用目标的空间信息可以增强提取特征的鲁 棒性，进而获得较好的再识别率。一些文献对于近年行人重识别工作进行了综述， 提出纹理和形态是颜色特征的有益补充。有些研究提出了缩影特征(Epitome)作为 模板或基函数。局部特征对行人图像的旋转、视角、光照条件具有较好适应性。 由于行人重识别的训练集和测试集之间ID不重叠，并且大多数场景下，行人处 于非合作状态，关键部位有时还会被遮挡住。因此，完全依赖特征描述解决行人目标再识别问题非常困难。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于 局部高频次特征和混合度量学习的行人重识别方法，基于局部高频次特征提取目 标图像的特征描述符，并进行全局和局部特征混合度量学习，在匹配准确程度方 面做出改进，同时对计算速度方面没有显著影响。

本发明采用以下技术方案：

基于局部高频次特征和混合度量学习的行人重识别方法，包括以下步骤：

S1、在光照和视角变化条件下提取目标图像的颜色特征，使用基于中心环绕 多尺度Retinex算法预处理人物图像，进行图像颜色增强来消除光照不均；