CN109063591A - 一种基于距离分布度量学习的行人再识别方法 - Google Patents

Abstract

本发明公开一种基于距离分布度量学习的行人再识别方法，属于生物特征认证领域。首先构建行人的特征库，利用马氏距离构建学习距离度量的目标函数，并且在目标函数中引入样本间距离的分布特性，然后采用遗传算法求解马氏距离的协方差矩阵，最后利用所求的马氏距离计算样本间的距离，从而完成对行人图像的识别，得到识别结果。本发明重点解决自然场景下行人再识别的问题，旨在提高行人再识别***的识别率。

Description

一种基于距离分布度量学习的行人再识别方法

技术领域

本发明属于生物特征认证领域，涉及一种基于距离分布度量学习的行人再识别方法。

背景技术

现如今，监控摄像头在日常生活中随处可见，随着计算机处理能力和并行计算技术的迅速发展以及视频侦查需求的增大，行人再识别技术应运而生。行人再识别是指在非重叠视角域下的多摄像头网络中进行行人匹配，即如何确认不同位置的摄像头在不同时刻发现的行人目标是否为同一人。该技术的实际应用价值十分广泛，在刑侦工作、图像检索、寻人寻亲方面均有举足轻重的作用。但同时也面临着一些挑战，不同摄像头中，由于尺度、光照和行人姿势及摄像头角度的等因素的变化，导致同一个人在不同摄像头下拍摄的人像相似度很低，提取一个不变的特征就变得很困难，因此，行人再识别技术的应用十分具有挑战性。本项目提出一种基于距离分布度量学习的行人再识别方法，旨在提高行人再识别的确率。

识别率是行人再识别技术的核心指标，但由于光照、视角、人的姿态以及背景的变化等各方面因素的影响，使得行人再识别存在难点，进而识别率并不高。为此，如何提高行人再识别的识别率是实际应用中面临的重要问题之一。近年来国内外学者对行人再识别的研究分为两类：一类是研究行人对象的特征表示方法，提取更具有鲁棒性的鉴别特征对行人进行表示；另一类是使用距离度量学***面，使得该超平面与最靠近点的距离尽可能大。Dikmen M在LMNN的基础上进行了改进，提出了LMNN-R方法，取得了比LMNN方法更强的约束效果。Chen D等人根据排序的思想，学习一个相似性度量函数使同类行人的相似性和不同类行人之间相似性的差异最大化。采用软性区块匹配的思想，结合混合线性相似性函数，学习区块之间相似性匹配模式，最后采用正则化的方法更新多项式核函数的权重，并引入稀疏约束的方式避免过拟合问题。该方法起到的良好的实验效果，但计算过于复杂，并不实用。实际上，上述方法仅考虑了样本对之间的相对距离约束，并没有考虑到距离本身的分布情况。为此，本项目设计了基于距离分布度量学习的行人再识别方法，并且利用该分布学习泛化性更好的距离度量函数，以提高行人再识别的准确率。

发明内容

本发明针对自然条件下的行人再识别问题，提出一种基于距离分布度量学习的识别方法。基本思路是首先构建行人的特征库，利用马氏距离构建距离度量函数，并且在函数中引入样本间距离的分布特性，然后使用遗传算法求解马氏距离的协方差矩阵M，最后利用所求的马氏距离计算样本间的相似度，从而完成对行人图像的识别。本方法能够更为有效而充分地处理自然条件下的行人图像的再识别问题，提高行人的识别率。

技术方案：一种基于距离分布的度量学习及其在行人再识别中的方法，包含以下步骤：

步骤一：通过摄像头采集图像，构建训练样本库；

步骤二：对采集到的人脸图像进行预处理，提取图像的颜色特征；

步骤三：构建基于马氏距离的目标函数，并将同类图像间距离分布嵌入目标函数中；

步骤四：利用遗传算法学习最优距离度量函数；

步骤五：利用学习到的最优距离度量函数计算测试样本和训练样本间的距离；

步骤六：依据距离最小原则进行识别，得到识别结果。

与现有的行人再识别算法相比，本发明充分利用同类样本间距离分布的特征信息，优化了适应度函数，使之更加合理，让学习到的解矩阵更加有效。

附图说明

图1为本发明具体实施流程图；

具体实施方式

结合说明书附图进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，本发明的实施主要包含四个步骤：(1)行人图像预处理，提取图像特征，组成训练数据库；(2)构建学习距离度量的目标函数；(3)利用遗传算法求得最优解矩阵M；(4)利用得到的矩阵确定度量函数，对测试的行人图像进行识别，并输出识别结果。

步骤一：通过摄像头采集图像，构建行人数据库；

使用高清摄像头对用户进行行人图像采集，构成N个用户的行人数据库。每个用户有ni张样本：其中i＝1,2,3...N；

步骤二：图像的颜色矩特征提取；

针对RGB图像每个通道提取图像的特征向量：

图像均值特征：

图像的二阶矩：

图像的三阶矩：

i表示第i类，k表示i类的第k张，H表示该图像的像素点个数。

由于图片是三维的，特征向量 指第i类图片的第k个样本的特征向量

步骤三：构建基于马氏距离的目标函数，并将同类图像间距离分布嵌入目标函数中；

i,j表示样本类，k,r表示该类的样本序号

构建目标函数：

首先引入同类样本对距离间的距离：

对于同类样本对距离分布，引入均值D_ε和标准差D_e，两者应该趋于0，此时学习到的距离度量更具有鲁棒性。

||M||是对矩阵M的约束，α，β为正则化系数，并且规定同类样本的上界Rs，以及不同类样本的下界Sr。

步骤四：利用遗传算法学习最优距离度量函数；

确定所求矩阵M的编码方式：

M是一9*9的方阵，本方法仅取对角线上有有效值，有效值为[0,1]的实数，故每个解方阵可化为一个9维的实数向量，向量每个值在0到1之间。

随机生成一组初始解M_i，i＝1,2,3...100，即初始种群大小为100。

选择算子：

使用比例选择的方法，各个个体被选中的概率与其适应度大小成正比。评价一个矩阵用它的适应度Fi(M_i)＝1/(||M||+α*D_ε+β*D_ν)，认为适应度越高选中的概率越大，故一个矩阵M_i被选中的概率为P_i＝Fi(M_i)/ΣFi(M_i)，求每个矩阵的累计概率随机生成0到1的数在那个累计区间决定选择哪个矩阵M_i。

交叉算子：

认为每组解有0.75的概率进行交叉变换，生成随机数当其值大于0.75时选择进行交叉变换，将选择的解组进行交叉，生成随机数α决定交叉算子，两个解M₁,M₂，求得交叉后矩阵M₁′＝α*M₁+(1-α)*M₂；，M₂′＝α*M₂+(1-α)*M₁；，如此得到交叉后的解集合M_i。

变异算子：

认为每个解M_i值都有0.01的概率变异，生成一个0到1的随机数决定是否变异，然后生成一到九的随机数决定变异的位置，最后生成一个随机数决定变异值。

然后重复遗传算法的三个算子，其中当同类样本间距离均值高于下界Sr，不同类样本间距离均值低于上界Rs时，认为解无效重新生成一组随机有效的解替代。当达到100次循环终止迭代，取适应度最高的解为最优解，得到最优解矩阵M。

步骤五：利用学习到的最优距离度量函数计算测试样本和训练样本间的距离；

对于待测样本，提取特征向量，然后通过得到的最优解矩阵，求其与训练数据库的样本距离D。

步骤六：依据距离最小原则进行识别，得到识别结果。

寻找与测试样本距离最小的训练样本，其对应的类别即为测试样本的类别。

Claims (1)

1.一种基于距离分布度量学习的行人再识别方法，其特征在于，该方法具体包括以下步骤：

步骤一：通过摄像头采集图像，构建行人数据库；

使用高清摄像头对用户进行行人图像采集，构成N个用户的行人数据库；每个用户有ni张样本：其中i＝1,2,3...N；

步骤二：图像的颜色矩特征提取；

针对RGB图像每个通道提取图像的特征向量：

图像均值特征：

图像的二阶矩：

图像的三阶矩：

i表示第i类，k表示i类的第k张，H表示该图像的像素点个数，X_k ⁱ表示图像的所有像素；

由于图片是三维的，特征向量 指第i类图片的第k个样本的特征向量；

步骤三：构建基于马氏距离的目标函数，并将同类图像间距离分布嵌入目标函数中；

i,j表示样本类，k,r表示该类的样本序号；

构建目标函数：

首先引入同类样本对距离间的距离：对于同类样本对距离分布，引入均值D_ε和标准差D_e，两者趋于0；

||M||是对矩阵M的约束，α，β为正则化系数，并且规定同类样本的上界Rs，以及不同类样本的下界Sr；

步骤四：利用遗传算法学习最优距离度量函数；

确定所求矩阵M的编码方式：

M是一9*9的方阵，取对角线上有效值，有效值为[0,1]的实数，故每个解方阵可化为一个9维的实数向量，向量每个值在0到1之间；

随机生成一组初始解M_i，i＝1,2,3...100，即初始种群大小为100；

选择算子：

使用比例选择的方法，各个个体被选中的概率与其适应度大小成正比；评价一个矩阵用它的适应度Fi(M_i)＝1/(||M||+α*D_ε+β*D_ν)，认为适应度越高选中的概率越大，故一个矩阵M_i被选中的概率为P_i＝Fi(M_i)/∑Fi(M_i)，求每个矩阵的累计概率随机生成0到1的数在那个累计区间决定选择哪个矩阵M_i；

交叉算子：

认为每组解有0.75的概率进行交叉变换，生成随机数当其值大于0.75时选择进行交叉变换，将选择的解组进行交叉，生成随机数α决定交叉算子，两个解M₁,M₂，求得交叉后矩阵M₁′＝α*M₁+(1-α)*M₂；，M₂′＝α*M₂+(1-α)*M₁；，如此得到交叉后的解集合M_i；

变异算子：

认为每个解M_i值都有0.01的概率变异，生成一个0到1的随机数决定是否变异，然后生成一到九的随机数决定变异的位置，最后生成一个随机数决定变异值；

然后重复遗传算法的三个算子，其中当同类样本间距离均值高于下界Sr，不同类样本间距离均值低于上界Rs时，认为解无效重新生成一组随机有效的解替代；当达到100次循环终止迭代，取适应度最高的解为最优解，得到最优解矩阵M；

步骤五：利用学习到的最优距离度量函数计算测试样本和训练样本间的距离；

对于待测样本，提取特征向量，然后通过得到的最优解矩阵，求其与训练数据库的样本距离D；

步骤六：依据距离最小原则进行识别，得到识别结果；

寻找与测试样本距离最小的训练样本，其对应的类别即为测试样本的类别。