CN108133192A - 一种基于高斯-拉普拉斯分布统计的行人重识别 - Google Patents
一种基于高斯-拉普拉斯分布统计的行人重识别 Download PDFInfo
- Publication number
- CN108133192A CN108133192A CN201711430149.3A CN201711430149A CN108133192A CN 108133192 A CN108133192 A CN 108133192A CN 201711430149 A CN201711430149 A CN 201711430149A CN 108133192 A CN108133192 A CN 108133192A
- Authority
- CN
- China
- Prior art keywords
- sample
- difference
- distance
- represent
- gauss
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于高斯‑拉普拉斯分布统计的行人重识别,首先通过使用手工或深度学习模型从训练样本中提取特征,将样本对的特征相减,产生正样本对差异和负样本对差异,从而得到正样本对差异和负样本对差异的分布参数,然后对正样本对差异采用拉普拉斯分布、负样本对差异采用高斯分布拟合,进而得到距离度量函数,最后将查询图片和库图片带入距离度量函数中计算距离,按照距离的大小进行排序,得到最后的识别结果。本发明提供的距离度量函数更加准确可靠,拓展性和适用性更强。
Description
技术领域
本发明属于行人重识别技术领域,涉及一种基于距离度量的行人重识别技术方案,尤其涉及基于高斯-拉普拉斯分布统计的行人重识别方法。
背景技术
在行人重识别技术领域中,行人重识别也称行人再识别,是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术,具体来说就是验证两张照片中是否包含同一个人,或者在大量的监控摄像机中重新识别人物的技术。该技术可以在很多关键的应用中使用,比如多摄像机跟踪,司法取证和视频检索***。
目前行人重识别技术所面临的挑战主要来自于,查询图像和库图像很少在同一个环境中采集,从而导致查询图像和库图像存在分辨率差异,光照变化和视点转换,这些状态的变化都导致行人重识别的工作相当困难。现有的研究主要集中在两个方面,第一是特征表达的提取,其目的在于构建用于表示脸部或人体的区分性视觉描述符,即从画面中计算一些具有判别性的特征表达,获得关于行人外观的数字化表达。然而,设计一个适应不同现实条件的强大特征描述是具有挑战性。第二是采用一些距离度量方法,分为两类,一是迭代优化方案,这类方法通过从丰富的标签样本中学习先验知识来关注损失函数的设计和规则化解决方案。然而,几乎所有的算法都需要迭代学习所设计的度量函数的最优参数。特别是对于大规模数据集,重复的迭代计算是昂贵的。因此,当标签样本增加或需要在线培训时,这种方法是不合适的。二是非迭代统计推断。这类方法观察了样本对的生成过程。发现样本对的分布后,给定一个新的样本对,根据配对差异的可能性来计算。没有迭代过程,只需要在验证之前计算分布参数,因此可以扩展到大数据集和在线任务。但是传统的方法存在距离度量鲁棒性差的问题,导致行人重识别的准确率低。
中国专利文献号CN107330397A,公开(公告)日2017.11.07,公开了一种基于大间隔相对距离度量学习的行人重识别方法,该方法对行人图像的特征表达向量进行降维处理并将降维后的向量进一步投影到类内子空间,然后根据投影后的特征表达向量及对应的标签信息通过优化损失函数学习马氏距离度量矩阵,获得的度量矩阵具有更强的鲁棒性,提升了行人重识别的准确率,但该方法属于迭代优化类的距离度量方法,与一种基于高斯-拉普拉斯分布统计的行人重识别方法研究角度是不同的。
中国专利文献号CN107316031A,公开(公告日)2017.11.03,公开了一种用于行人重识别的图像特征提取方法,该方法所述的图像特征提取方法是指通过对齐局部描述子提取和分级全局特征提取,与传统的特征提取方法相比,能够解决行人重识别中由于行人姿态变化等带来的特征不对齐问题,消除无关背景对重识别带来的影响,由此提高行人重识别的精度和鲁棒性,并没有涉及到距离度量中的非迭代统计推断技术,与一种基于高斯-拉普拉斯分布统计的行人重识别方法研究角度是不同的。
中国专利文献号CN107273873A,公开(公告)日2017.10.20,公开了一种基于不规则视频序列的行人重识别方法及***,该方法通过检测状态曲线中的稳定点,从视频序列提取多个连续的子序列,得到候选序列,然后利用稀疏表示求取每个子序列的重构误差,得到各子序列的噪声度量结果,然后根据各子序列的噪声度量结果,从候选序列中剔除噪声大于相应阈值的子序列,构成候选池,最后进行自适应权重的行人特征表示,得到基于视频序列的检索结果,提升了不规则序列下行人重识别的性能,并没有涉及距离度量中的非迭代统计推断技术,与一种基于高斯-拉普拉斯分布统计的行人重识别方法研究角度是不同的。
发明内容
为了解决现有技术存在的不足,本发明提供了一种基于高斯-拉普拉斯分布统计的行人重识别方法。
本发明所采用的技术方案是:一种基于高斯-拉普拉斯分布统计的行人重识别方法,包括以下步骤,一种基于高斯-拉普拉斯分布统计的行人重识别,其特征在于,包括以下步骤:
步骤1:从训练样本中提取特征;
步骤2:将样本对的特征相减,使正样本对产生正样本对差异,负样本对产生负样本对差异;
步骤3:计算正样本对差异的分布参数Σ+和负样本对差异的分布参数Σ-;
步骤4:计算距离度量函数;
步骤5:将查询图片和数据库中预存的图片按步骤1-2原理得到查询图片和数据库中预存图片的差异,将差异代入步骤4所得的距离度量函数,计算查询图片和数据库中预存的图片的距离,按照距离从小到大排序,距离最小的是同一人的概率最大。
与现有行人重识别技术相比,本发明主要具有以下优点和有益效果:
1)与现有技术相比,本发明提出了一种基于高斯-拉普拉斯分布统计的行人重识别的距离度量学习方法,与最先进的迭代和非迭代学习的相比有了相当大的改进;
2)与现有技术相比,所提出的方法非常简单,运行成本低,这意味着非迭代学习距离度量函数更适合于大规模在线人员验证应用;
附图说明
图1为本发明实施例的正负样本差异分布图;
图2为本发明实施例的流程图;
图3为本发明实施例的原理示意图。
具体实施方式
为了便于本技术领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本实施例采用MATLAB R2015b和VS2013作为仿真实验平台,为了评估所提出的方法的适用性,本实施例在具有不同多样特征的3个标准数据集上进行了实验。本实施例首先在广泛使用的数据集VIPeR上对人体数字进行实验,然后在最大数据集Market-1501上进行评估,还在LWF数据集上研究了无约束环境的面部问题。
VIPeR数据集包含1,264张632人的室外图像,每个人都有一对分别从两个不同的摄像头拍摄的图像,所有图像被归一化为128×48像素的大小,视角变化、照明和图像质量变化很大。本实施例列出了一些两张图片来自相同身份的正样本对,以及来自不同身份的一些负样本对。本实施例遵循一般评估协议,将632个图像对随机分为两组,每组316个图像对,一个用于训练,另一个用于测试,计算运行超过5次的不同级别的CMC(CumulativeMatching Characteristic)值。CMC值是指N次查询中,返回前r个结果中有正确行人对象的概率,当返回前r个结果时,CMC值越高,表示行人检索性能越好。
Market-1501数据集包含32668个标注的1501个身份的边界框。每个身份的图像最多由六台摄像机拍摄。据本实施例所知,它是迄今为止最大的人重新识别数据集。本实施例遵循这个数据集的一般评估协议,计算不同级别的CMC值,同时计算mAP(mean AveragePrecision)值。
LFW数据集包含从网上收集的5749个受试者的13000多幅面部图像,表情,姿势,年龄,照度,分辨率等方面的变化很大。本实施例在标准的“图像受限”设置下测试本实施例的算法,该设置专门用于验证。在这个设置中,数据集被分成10个完全独立的文件,确保不同的人在不同的文件上出现。在每个文件中提供300个正像和300个负像对。每次本实施例在9个文件中训练得到本实施例的距离度量函数,然后评估剩余文件中的图片。在此之后计算10次的平均匹配精度为最终结果。
请见图2和图3,本发明提供的一种基于高斯-拉普拉斯分布统计的行人重识别,包括以下步骤:
步骤1:通过使用手工或深度学习模型从训练样本中提取特征;
行人重识别中的特征提取技术具体实现可采用现有技术,例如在VIPeR数据集上采用的手工提取的特征SCNCD、LOMO和基于深度学习模型FTCNN,在Market-1501数据集上采用基于CaffeNet和ResNet-50,在LFW数据集上采用基于Lightened CNN进行特征提取。具体实施时,可参考文献:
Yang Yang,Jimei Yang,Junjie Yan,Shengcai Liao,Dong Yi,and StanZ.Li.2014.Salient Color Names for Person Reidentification.In ECCV.
Shengcai Liao,Yang Hu,Xiangyu Zhu,and Stan Z.Li.2015.Person re-identification by Local Maximal Occurrence representation and metriclearning.In CVPR.
Tetsu Matsukawa and Einoshin Suzuki.2016.Person reidentificationusing cnn features learned from combination of attributes.In ICPR.
Liang Zheng,Yi Yang,and Alexander G.Hauptmann.2016.Person Re-identification:Past,Present and Future.In arXiv.
Xiang Wu,Ran He,Zhenan Sun,and Tieniu Tan.2015.A Light CNN for DeepFace Representation with Noisy Labels.In arXiv.
本领域技术人员可自行选择使用的具体行人重识别特征提取技术,本发明不予赘述。
步骤2:将样本对的特征相减,使正样本对产生正样本对差异,负样本对产生负样本对差异;
步骤3:计算正样本对差异的分布参数Σ+和负样本对差异的分布参数Σ-;
计算分布参数Σ+和Σ-,对正样本对差异和负样本对差异分别进行均方计算,得到正样本对和负样本对的分布参数。参数Σ+和Σ-的实现方式如下,
设由步骤1所得的训练样本对为(xi,xj),则Σ+和Σ-定义如下,
其中,yij表示训练样本对(xi,xj)的类别,训练样本对(xi,xj)为正样本对时yij=1,为负样本对时yij=0,N+表示正样本对的总数,N-表示负样本对的总数;
步骤4:计算距离度量函数;
计算距离度量函数,将样本对的距离设为该样本对是负样本对时的概率与该样本对是正样本对时的概率的比值。经测试分析发现正样本对差异遵循拉普拉斯分布,负样本对差异遵循高斯分布。
这一发现是由初步可视化实验及拟合优度检验得到的。可视化实验的数据从LFW数据集中获得,包含3000个正样本对和3000个负样本对,用训练的Lightened CNN模型提取出每幅图像的256维特征,每个样本对差异即可表示为相应特征的差值。因此,本实施例得到了3000个不同的正样本对差异和3000个不同的负样本对差异。
本实施例在二维空间中可视化这两个分布,为了对不同维度的差异分布进行比较全面的观察,本实施例通过随机和主成分分析来选择关键维度。首先,本实施例随机选择两个维度来查看差异的总体分布图,如图1(a)和图1(b)所示。图1(a)和图1(b)分别显示了正样本对差异和负样本对差异的分布图。从这两幅图的形状可以看出,正样本对差异的分布与遵循高斯分布的负样本差异分布图相比其分布在中心处尖峰差异更高,看起来不像以前假设的高斯分布而更倾向于拉普拉斯分布。其次,本实施例通过主成分分析(PCA)的选择的两个关键维度来查看差异的分布图。图1(c)和图1(d)分别显示了PCA下的正样本对差异和负样本对差异的分布图,可以发现与图1(a)和图1(b)显示出了相同的现象。
从图1可看出,正样本对差异的分布看起来不像以前假设的高斯分布而更倾向于拉普拉斯分布。为了验证这一观察,本实施例进一步利用Minitab工具对不同分布进行拟合优度检验,选择所有差异的相应维度用Minitab来研究它们的分布,得到表1-4的结果。表1-4分别显示了一个维度和所有维度的负样本对差异和正样本对差异分布的拟合优度检验值。表中AD(Anderson-Darling)统计量测量数据是否遵循特定的分布,分布越适合数据,AD统计量就越小。此外,如果AD测试的P值(如果可用)高于所选的显着性水平(通常为0.05),则可得出结论该数据遵循指定的分布。表1和表3中高斯分布的P>0.05且AD值最小,这表明负样本对差异的分布非常符合高斯分布。表2和表4中指数分布的AD值是表中的最小值,这意味着与其他分布相比,正样本对差异的分布的一半更可能是一个指数。由于拉普拉斯分布可以被认为是两个拼接在一起的指数分布,所以本实施例认为正样本对差异的整体分布更可能是拉普拉斯分布。
表1负样本对差异在1维的拟合优度检验
分布 | AD | P |
Gaussian | 0.658 | 0.086 |
Exponential | 714.426 | <0.01 |
Smallest Extreme Value | 51.418 | <0.01 |
Largest Extreme Value | 38.363 | <0.01 |
Logistic | 1.348 | <0.005 |
表2正样本对差异在1维的拟合优度检验
分布 | AD | P |
Gaussian | 48.657 | <0.05 |
Exponential | 8.658 | <0.05 |
Smallest Extreme Value | 94.172 | <0.01 |
Largest Extreme Value | 10.241 | <0.01 |
Logistic | 25.178 | <0.005 |
表3负样本对差异在所有维的平均拟合优度检验
分布 | AD | P |
Gaussian | 0.612 | 0.092 |
Exponential | 701.124 | <0.01 |
Smallest Extreme Value | 3.312 | <0.01 |
Largest Extreme Value | 40.112 | <0.01 |
Logistic | 1.945 | <0.005 |
表4正样本对差异在所有维的平均拟合优度检验
分布 | AD | P |
Gaussian | 49.287 | <0.05 |
Exponential | 7.158 | <0.05 |
Smallest Extreme Value | 98.123 | <0.01 |
Largest Extreme Value | 13.932 | <0.01 |
Logistic | 26.291 | <0.005 |
基于这一发现设定了距离度量模型,其度量特征由参数Σ+和Σ-决定。根据正样本对差异符合拉普拉斯分布,负样本对差异符合高斯分布,基于高斯-拉普拉斯分布的样本对距离公式δ(xi,xj)定义如下:
其中,fG(xij|Σ-)表示假设样本对(xi,xj)为负样本对的概率密度函数,G表示负样本对差异遵循高斯分布;同理,fL(xij|Σ+)表示假设样本对(xi,xj)为正样本对的概率密度函数,L表示负样本对差异遵循拉普拉斯分布,两概率密度函数表示如下:
其中Km(x)表示第二类修正的贝塞尔函数,在x处计算;d表示样本特征的维数;λ>0表示比例参数;函数ψ(xij,Σ+)和ψ(xij,Σ-)定义如下:
将fG(xij|Σ-)和fL(xij|Σ+)代入δ(xi,xj)中,再取对数,得样本对距离δ(xi,xj)满足如下分布:
将上式简化为:
该等式本质上定义了基于高斯-拉普拉斯分布统计的距离度量函数,其度量特征由参数Σ+和Σ-决定。
步骤5:将查询图片和数据库中预存的图片按步骤1-2得到查询图片和数据库中预存图片的差异,将差异代入步骤4所得的距离度量函数,计算查询图片和数据库中预存的图片的距离,按照距离从小到大排序,距离最小的是同一人的概率最大。
上述过程中,通过特征提取和特征相减,产生正样本对差异和负样本对差异,从而得到正样本对差异和负样本对差异的分布参数,然后对正样本对差异采用拉普拉斯分布、负样本对差异采用高斯分布拟合,进而得到距离度量函数,最后将查询图片和库图片带入距离度量函数中计算距离,按照距离的大小进行排序,根据各数据集不同的评估标准,得到最后的结果,见表5-7。从表中可以发现,本发明的基于高斯-拉普拉斯分布统计的行人重识别方法(GL)检索准确度更高。
表5在LFW数据集上的CMC
方法 | 1 | 5 | 10 | 20 |
PRDC(文献1) | 15.7 | 38.4 | 53.9 | 70.1 |
SDALF(文献2) | 19.9 | 38.4 | 49.4 | 66 |
BiCov(文献3) | 20.6 | 43.2 | 56.1 | 68 |
eSDC(文献4) | 26.3 | 46.4 | 58.6 | 72.8 |
DeepMetric(文献5) | 28.2 | 59.3 | 73.4 | 86.4 |
LADF(文献6) | 30 | 64 | 80 | 92 |
CPDL(文献7) | 34 | 64.2 | 77.5 | 88.6 |
MKML(文献8) | 37 | 69.9 | 80.7 | 90.1 |
DeepFeature(文献9) | 40.5 | 60.8 | 70.4 | 84.4 |
SCNCD+KISSME(文献10) | 34.81 | 66.77 | 80.38 | 89.56 |
SCNCD+GL(本发明方法) | 38.92 | 69.3 | 81.33 | 90.51 |
LOMO+XQDA(文献11) | 40 | 68.13 | 80.51 | 91.08 |
LOMO+KISSME | 28.48 | 57.59 | 76.58 | 89.24 |
LOMO+GL(本发明方法) | 35.76 | 65.19 | 78.16 | 91.14 |
FTCNN+XQDA | 31.2 | 59.8 | 74 | 83.5 |
FTCNN+KISSME | 31.53 | 62.86 | 78.37 | 88.18 |
FTCNN+GL(本发明方法) | 40.39 | 67.97 | 81.9 | 91.66 |
表6在LFW数据集上的CMC和mAP
方法 | 1 | 10 | 50 | mAP |
BiCov(文献3) | 8.28 | - | - | 2.23 |
LOMO | 26.07 | - | - | 7.75 |
BoW(文献12) | 35.84 | 60.33 | 75.8 | 14.75 |
Siamese CNN(文献13) | 65.88 | - | - | 39.5 |
LSTM(文献14) | 61.6 | - | - | 35.3 |
SCSP(文献15) | 51.9 | - | - | 26.35 |
LOMO+NFST(文献16) | 55.43 | - | - | 29.87 |
CaffeNet+L2 | 59.53 | 85.51 | 94.9 | 32.85 |
CaffeNet+XQDA | 61.34 | 87.26 | 95.13 | 37.59 |
CaffeNet+KISSME | 61.46 | 86.55 | 94.8 | 36.63 |
CaffeNet+GL(本发明方法) | 62.08 | 86.82 | 95.01 | 36.86 |
ResNet+L2 | 75.62 | 91.89 | 96.97 | 50.68 |
ResNet+XQDA | 75.5 | 91.66 | 96.94 | 52.87 |
ResNet+KISSME | 77.52 | 92.93 | 97.48 | 53.87 |
ResNet+GL(本发明方法) | 78.03 | 93.44 | 97.68 | 53.76 |
表7在LFW数据集上的匹配精度
注:参考文献为:
[文献1]Wei Shi Zheng,Shaogang Gong,and Tao Xiang.2011.Person re-identification by probabilistic relative distance comparison.In CVPR.
[文献2]M.Farenzena,L.Bazzani,A.Perina,V.Murino,andM.Cristani.2010.Person re-identification by symmetry-driven accumulation oflocal features.In CVPR.
[文献3]Bingpeng Ma,Yu Su,and Frdric Jurie.2014.Covariance descriptorbased on bio-inspired features for person re-identification and faceverification.Image Vision Comput.(2014).
[文献4]Rui Zhao,Wanli Ouyang,and Xiaogang Wang.2013.UnsupervisedSalience Learning for Person Re-identification.In CVPR.
[文献5]Dong Yi,Zhen Lei,Shengcai Liao,and S.Z Li.2014.Deep MetricLearning for Person Re-identification.In ICPR.
[文献6]Zhen Li,Shiyu Chang,Feng Liang,Thomas S Huang,Liangliang Cao,and John R Smith.2013.Learning Locally-Adaptive Decision Functions for PersonVerification.In CVPR.
[文献7]Sheng Li,Ming Shao,and Yun Fu.2015.Cross-View ProjectiveDictionary Learning for Person Re-identification.In IJCAI.
[文献8]Muhammad Adnan Syed and Jianbin Jiao.2016.Multi-kernel metriclearning for person re-identification.In ICIP.
[文献9]Shengyong Ding,Liang Lin,Guangrun Wang,and HongyangChao.2015.Deep feature learning with relative distance comparison for personre-identification.Pattern Recogn.(2015).
[文献10]Martin K¨ostinger,Martin Hirzer,Paul Wohlhart,and PeterM.Roth.2012.Large scale metric learning from equivalence constraints.In CVPR.
[文献11]Shengcai Liao,Yang Hu,Xiangyu Zhu,and Stan Z.Li.2015.Personre-identification by Local Maximal Occurrence representation and metriclearning.In CVPR.
[文献12]Liang Zheng,Liyue Shen,Lu Tian,Shengjin Wang,Jingdong Wang,and Qi Tian.2015.Scalable Person Re-identification:A Benchmark.In ICCV.
[文献13]Rahul Rama Varior,Mrinal Haloi,and Gang Wang.2016.GatedSiamese Convolutional Neural Network Architecture for Human Re-Identification.In ECCV.
[文献14]Rahul Rama Varior,Bing Shuai,Jiwen Lu,Dong Xu,and GangWang.2016.A Siamese Long Short-Term Memory Architecture for Human Re-identification.In ECCV.
[文献15]Dapeng Chen,Zejian Yuan,Badong Chen,and NanningZheng.2016.Similarity Learning with Spatial Constraints for Person Re-identification.In CVPR.
[文献16]Li Zhang,Tao Xiang,and Shaogang Gong.2016.Learning aDiscriminative Null Space for Person Re-identification.In CVPR.
[文献17]Gary B.Huang,Michael J.Jones,and Eric Learned-Miller.2008.LFWresults using a combined Nowak plus MERL recognizer.In ECCV workshop.
[文献18]Hieu V.Nguyen and Li Bai.2010.Cosine Similarity MetricLearning for Face Verification.In ACCV.
[文献19]Yiming Ying and Peng Li.2012.Distance Metric Learning withEigenvalue Optimization.J.Mach.Learn.Res.(2012).
[文献20]G.B.Huang,Honglak Lee,and E Learned-Miller.2012.Learninghierarchical representations for face verification with convolutional deepbelief networks.In CVPR.
[文献21]Junlin Hu,Jiwen Lu,and Yap Peng Tan.2014.Discriminative DeepMetric Learning for Face Verification in the Wild.In CVPR.
[文献22]Xiangyu Zhu,Zhen Lei,Junjie Yan,and Dong Yi.2015.HighfidelityPose and Expression Normalization for face recognition in the wild.In CVPR.
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (4)
1.一种基于高斯-拉普拉斯分布统计的行人重识别,其特征在于,包括以下步骤:
步骤1:从训练样本中提取特征;
步骤2:将样本对的特征相减,使正样本对产生正样本对差异,负样本对产生负样本对差异;
步骤3:计算正样本对差异的分布参数Σ+和负样本对差异的分布参数Σ-;
步骤4:计算距离度量函数;
步骤5:将查询图片和数据库中预存的图片按步骤1-2原理得到查询图片和数据库中预存图片的差异,将差异代入步骤4所得的距离度量函数,计算查询图片和数据库中预存的图片的距离,按照距离从小到大排序,距离最小的是同一人的概率最大。
2.根据权利要求1所述的基于高斯-拉普拉斯分布统计的行人重识别,其特征在于:步骤1中,通过使用手工或深度学习模型从训练样本中提取特征。
3.根据权利要求1所述的基于高斯-拉普拉斯分布统计的行人重识别,其特征在于:步骤3中,
其中,(xi,xj)表示训练样本对,yij表示训练样本对(xi,xj)的类别,训练样本对(xi,xj)为正样本对时yij=1,为负样本对时yij=0,N+表示正样本对的总数,N-表示负样本对的总数。
4.根据权利要求3所述的基于高斯-拉普拉斯分布统计的行人重识别,其特征在于:步骤4中,对正样本对差异采用拉普拉斯分布、负样本对差异采用高斯分布拟合,进而得到距离度量函数δ(xi,xj);
其中,fG(xij|Σ-)表示训练样本对(xi,xj)为负样本对的概率密度函数,G表示负样本对差异遵循高斯分布;fL(xij|Σ+)表示训练样本对(xi,xj)为正样本对的概率密度函数,L表示负样本对差异遵循拉普拉斯分布;Km(x)表示第二类修正的贝塞尔函数,在x处计算;d表示样本特征的维数;λ>0表示比例参数;
将(5)、(6)、(7)、(8)式代入距离度量函数δ(xi,xj)中,取对数,得样本对距离δ(xi,xj)满足如下分布:
样本对距离δ(xi,xj)最终数学表达形式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711430149.3A CN108133192A (zh) | 2017-12-26 | 2017-12-26 | 一种基于高斯-拉普拉斯分布统计的行人重识别 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711430149.3A CN108133192A (zh) | 2017-12-26 | 2017-12-26 | 一种基于高斯-拉普拉斯分布统计的行人重识别 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108133192A true CN108133192A (zh) | 2018-06-08 |
Family
ID=62393063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711430149.3A Pending CN108133192A (zh) | 2017-12-26 | 2017-12-26 | 一种基于高斯-拉普拉斯分布统计的行人重识别 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108133192A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549883A (zh) * | 2018-08-06 | 2018-09-18 | 国网浙江省电力有限公司 | 一种人脸再识别方法 |
CN109376578A (zh) * | 2018-08-27 | 2019-02-22 | 杭州电子科技大学 | 一种基于深度迁移度量学习的小样本目标识别方法 |
CN110428023A (zh) * | 2019-05-31 | 2019-11-08 | 武汉大学 | 一种面向深度行人重识别***的反侦察逃逸攻击方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145826A (zh) * | 2017-04-01 | 2017-09-08 | 浙江大学 | 基于双约束度量学习和样本重排序的行人再识别方法 |
-
2017
- 2017-12-26 CN CN201711430149.3A patent/CN108133192A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145826A (zh) * | 2017-04-01 | 2017-09-08 | 浙江大学 | 基于双约束度量学习和样本重排序的行人再识别方法 |
Non-Patent Citations (2)
Title |
---|
ZHENG WANG ETAL.: "Statistical Inference of Gaussian-Laplace Distribution for Person Verification", 《PROCEEDINGS OF THE 25TH ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA》 * |
苏松志等: "《行人检测:理论与实践》", 31 March 2016 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549883A (zh) * | 2018-08-06 | 2018-09-18 | 国网浙江省电力有限公司 | 一种人脸再识别方法 |
CN109376578A (zh) * | 2018-08-27 | 2019-02-22 | 杭州电子科技大学 | 一种基于深度迁移度量学习的小样本目标识别方法 |
CN110428023A (zh) * | 2019-05-31 | 2019-11-08 | 武汉大学 | 一种面向深度行人重识别***的反侦察逃逸攻击方法 |
CN110428023B (zh) * | 2019-05-31 | 2021-09-14 | 武汉大学 | 一种面向深度行人重识别***的反侦察逃逸攻击方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jourabloo et al. | Large-pose face alignment via CNN-based dense 3D model fitting | |
CN111709311B (zh) | 一种基于多尺度卷积特征融合的行人重识别方法 | |
Xu et al. | Online dynamic gesture recognition for human robot interaction | |
Garg et al. | Delta descriptors: Change-based place representation for robust visual localization | |
CN105224937B (zh) | 基于人体部件位置约束的细粒度语义色彩行人重识别方法 | |
CN102906787A (zh) | 脸部分析技术 | |
CN101131728A (zh) | 一种基于Shape Context的人脸形状匹配方法 | |
Molina-Moreno et al. | Efficient scale-adaptive license plate detection system | |
CN104392246A (zh) | 一种基于类间类内面部变化字典的单样本人脸识别方法 | |
CN108133192A (zh) | 一种基于高斯-拉普拉斯分布统计的行人重识别 | |
Jia et al. | Semantic and context based image retrieval method using a single image sensor for visual indoor positioning | |
CN104376312A (zh) | 基于词袋压缩感知特征提取的人脸识别方法 | |
CN111144469B (zh) | 基于多维关联时序分类神经网络的端到端多序列文本识别方法 | |
Zhang et al. | A multi-view camera-based anti-fraud system and its applications | |
Campos et al. | Global localization with non-quantized local image features | |
CN115050044A (zh) | 一种基于MLP-Mixer的跨模态行人重识别方法 | |
Tang et al. | A GMS-guided approach for 2D feature correspondence selection | |
Sala et al. | 3-d volumetric shape abstraction from a single 2-d image | |
Yong et al. | Video-based detection of abnormal behavior in the examination room | |
Xudong et al. | Pedestrian detection and tracking with deep mutual learning | |
Chen et al. | Semi-supervised distance metric learning for person re-identification | |
Mostafa et al. | Complex bingham distribution for facial feature detection | |
Soltanpour et al. | Multimodal 2D-3D face recognition using structural context and pyramidal shape index | |
Bentaieb et al. | Nose tip localization on a three dimensional face across pose, expressions and occlusions variations in a Riemannian context | |
Niu et al. | Landmark automatic identification from three dimensional (3D) data by using Hidden Markov Model (HMM) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180608 |