一種基于數(shù)據(jù)驅(qū)動的自適應(yīng)尺度行人重識別方法
【專利摘要】本發(fā)明公開了一種基于數(shù)據(jù)驅(qū)動的自適應(yīng)尺度行人重識別方法，首先采用稀疏表示的方法獲得查詢行人和待測行人間的跨域的支撐一致性，然后采用K近鄰的方法獲得查詢行人和待測行人間的跨域的投影一致性，最后綜合跨域的支撐一致性因子和跨域的投影一致性因子來計算行人對之間的距離。本發(fā)明通過再次利用訓練數(shù)據(jù)在不同視角下的一致性來自適應(yīng)地調(diào)節(jié)尺度，可以提高現(xiàn)有算法的性能，獲得更準確的行人重識別結(jié)果。
【專利說明】一種基于數(shù)據(jù)驅(qū)動的自適應(yīng)尺度行人重識別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于監(jiān)控視頻檢索【技術(shù)領(lǐng)域】，涉及一種監(jiān)控視頻識別方法，尤其涉及一種 基于數(shù)據(jù)驅(qū)動的自適應(yīng)尺度行人重識別方法。

【背景技術(shù)】
[0002] 監(jiān)控視頻行人檢索是在照射區(qū)域無重疊的多攝像頭下匹配特定行人對象的技術(shù)。 在實際視頻偵查中，偵查員主要根據(jù)同一行人對象的活動畫面和軌跡來快速鎖定、排查和 追蹤嫌疑目標。傳統(tǒng)人工瀏覽的視頻偵查模式需要耗費大量的人力和時間，容易貽誤破案 時機。行人重識別技術(shù)便于視頻偵查員快速、準確地發(fā)現(xiàn)嫌疑目標活動畫面和軌跡，對公安 部門提高破案率、維護人民群眾生命財產(chǎn)安全具有重要意義。
[0003] 現(xiàn)有行人檢索（又稱行人重識別）方法可以分為兩類：第一類主要構(gòu)造魯棒的視 覺特征，然后使用標準的距離函數(shù)（如歐式距離等）進行相似性度量。例如文獻1提出的基 于對稱分割的多局部特征匹配的行人重識別方法，首先利用顏色特征線索對身體進行水平 和垂直分割；其次提取各區(qū)域的多種顏色和紋理特征，并基于水平中軸加權(quán)上述視覺特征； 最后綜合使用上述特征進行對象的表示和匹配。
[0004] 第二類對于特征構(gòu)造沒有嚴格的要求，主要通過學習一個合適的尺度進行更準確 的距離度量。例如文獻2將同類樣本的差向量和不同樣本的差向量分別表示成不同的高斯 分布，然后用概率的比值來度量樣本之間的距離，最終將高斯分布的比值轉(zhuǎn)換成馬氏距離 的形式，從而學習一個合適的馬氏距離函數(shù)。
[0005] 上述方法都是使用一個統(tǒng)一的學習得到的距離函數(shù)，沒有考慮特定的行人重識別 任務(wù)的特定限制，也沒有考慮每個行人的獨特特性帶來的不一致性。因此在實際行人重識 別任務(wù)中，采用統(tǒng)一的距離函數(shù)是不合適的，會導致外貌特征的匹配誤差，使得行人重識別 結(jié)果不準確。
[0006] 文獻 1 :M. Farenzena, L. Bazzani, A. Perina, V. Murino, and M. Cristani, "Person re-identification by symmetry-driven accumulation of local features"，IEEE Conf. on Computer Vision and Pattern Recognition(CVPR), PP. 2360 - 2367, 2010.
[0007] 文獻 2 :M. Kostinger, M. Hirzer, P. Wohlhart, P. M. Roth, andH. Bischof, "Large scale metric learning from equivalence constraints"，in Computer Vision and Pattern Recognition(CVPR), PP. 2288-2295, 2012.


【發(fā)明內(nèi)容】

[0008] 本發(fā)明的目的提供一種能提升多攝像頭下同一行人匹配準確性的基于數(shù)據(jù)驅(qū)動 的自適應(yīng)尺度行人重識別方法。
[0009] 本發(fā)明所采用的技術(shù)方案是：一種基于數(shù)據(jù)驅(qū)動的自適應(yīng)尺度行人重識別方法， 其特征在于，包括以下步驟：
[0010] 步驟1 :將查詢行人圖像

【權(quán)利要求】
1. 一種基于數(shù)據(jù)驅(qū)動的自適應(yīng)尺度行人重識別方法，其特征在于，包括以下步驟： 步驟1 :將查詢行人圖像:x〖和待測行人圖像4都分割為m行η列的小圖像塊，每幅圖 像表示為圖像塊的集合； 步驟2 :提取查詢行人圖像和待測行人圖像的每個圖像塊的特征，將每幅圖像用基于 塊的特征表示； 步驟3 :采用稀疏表示的方法，計算查詢行人圖像相對于待測行人圖像的跨域的支撐 一致性因子； 步驟4 :采用Κ近鄰的方法，計算查詢行人圖像相對于待測行人圖像的跨域的投影一致 性因子； 步驟5 :根據(jù)跨域的支撐一致性因子和跨域的投影一致性因子，來學習得到尺度適應(yīng) 的矩陣，從而計算得到查詢行人和待測行人之間的距離。
2. 根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動的自適應(yīng)尺度行人重識別方法，其特征在于： 步驟2中所述的圖像塊的特征，包括RGB特征、HSV顏色直方圖特征和LBP特征。
3. 根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動的自適應(yīng)尺度行人重識別方法，其特征在于： 步驟3中所述的采用稀疏表示的方法計算查詢行人圖像相對于待測行人圖像的跨域的支 撐一致性因子，其查詢行人圖像:x〖相對于待測行人圖像.xg的跨域的支撐一致性因子定義 為：
]α? α >〇 其中Sims(x^ xJJ)=size(wfwf )，size()表示向量中非零元素的個數(shù)，wf 和 wf 分別由 wp*=argmin II wp||， s. t. II D, wp-xp|| < ε，wp^0 和 wc^=argmin || w^||〇, s, t. || Db<-x
|〈 ε，<彡〇計算得到，表示所選擇的 集合中的圖像和它們的權(quán)重，wf表示集合a中的圖像和所有圖像的權(quán)重，wf表示集合b a U 中的圖像和所有圖像的權(quán)重。
4. 根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動的自適應(yīng)尺度行人重識別方法，其特征在于： 步驟4中所述的采用K近鄰的方法計算查詢行人相對于待測行人的跨域的投影一致性因 子，其查詢行人4相對于待測行人的跨域的投影一致性因子定義為：
其中knn(x〗|Xb>l)表示<在Xy中最鄰近的前κ張圖像，knn(x〖|XbJ表示 :xf在Xu中
中相同的個數(shù)，Xd表示集合a中的訓練圖像集合，表示集合b中的訓練圖像集合。
5. 根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動的自適應(yīng)尺度行人重識別方法，其特征在于： 步驟5中所述的得到尺度適應(yīng)的矩陣為
其中，X〖表示查詢行人，表示待測行人，M#表示采用最基本的距離學習方式得到的 初始投影矩陣，fs(x〖,xD表示采用稀疏表示的方法計算得到的查詢行人相對于待測行人的 跨域的支撐一致性因子，fp(x〖,4)表示采用K近鄰的方法計算得到的查詢行人相對于待測 行人的跨域的投影一致性因子。
6. 根據(jù)權(quán)利要求5所述的基于數(shù)據(jù)驅(qū)動的自適應(yīng)尺度行人重識別方法，其特征在于： 步驟5中所述的計算得到查詢行人和待測行人之間的距離4(\，\)，其計算公式為：
;最終距離越小，查詢行人4和待測行人 越相似。
【文檔編號】G06K9/46GK104298992SQ201410541165
【公開日】2015年1月21日 申請日期:2014年10月14日 優(yōu)先權(quán)日:2014年10月14日
【發(fā)明者】胡瑞敏, 王正, 梁超, 黃冰月, 葉茫, 嚴巖, 陳軍 申請人:武漢大學