主权项 |
一种基于度量学习的行人再识别方法,其特征在于:包括以下步骤:1】利用摄像机A与摄像机B拍摄视频,将同时出现在两个摄像机中的行人图像用方框标记并提取出来,建立原始数据库Χ;将原始数据Χ划分为训练样本集Η和测试样本集Τ,满足Η∪Τ=Χ,<img file="FDA0000673786110000011.GIF" wi="242" he="79" />其中<img file="FDA0000673786110000012.GIF" wi="344" he="78" />1a]将数据库中的P个行人在摄像机A与摄像机B中的所有图像作为训练样本集,剩余行人的所有图像作为测试样本集;1b]将测试样本集分为原型图像集和测试集合,所述原型图像集为行人在摄像机A中的所有图像;所述测试集合为行人在摄像机B中的所有图像;2】将训练样本集中的正样本对映射到正样本空间W<sub>p</sub>、负样本对映射到负样本空间W<sub>n</sub>;约束正样本对更相似,负样本对更相远,进而得到两个子空间;2a]将训练样本集中来自摄像机A、B的两幅图像x<sup>i</sup>,x<sup>j</sup>,若x<sup>i</sup>,x<sup>j</sup>为同一目标则标记为正样本对,若x<sup>i</sup>,x<sup>j</sup>为不同目标则标记为负样本对;并定义正样本对集合S负样本对集合D;记作:S={(x<sub>i</sub>,x<sub>j</sub>)|y(x<sub>i</sub>)=y(x<sub>j</sub>)},D={(x<sub>i</sub>,x<sub>l</sub>)|y(x<sub>i</sub>)≠y(x<sub>l</sub>)};其中y表示样本的标签,即行人ID;2b]将正样本对映射到正样本空间W<sub>p</sub>,负样本对映射到负样本空间W<sub>n</sub>,如下:(x<sub>i</sub>,x<sub>j</sub>)→(W<sub>p</sub>x<sub>i</sub>,W<sub>p</sub>x<sub>j</sub>)(x<sub>i</sub>,x<sub>j</sub>)∈S(x<sub>i</sub>,x<sub>l</sub>)→(W<sub>n</sub>x<sub>i</sub>,W<sub>n</sub>x<sub>l</sub>)(x<sub>i</sub>,x<sub>l</sub>)∈D2c]约束正样本对更相似,负样本对更相远:<img file="1.GIF" wi="532" he="99" /><img file="FDA0000673786110000014.GIF" wi="516" he="93" />其中,d(x<sub>i</sub>,x<sub>j</sub>)是原始空间的欧式距离;2d]将步骤2c]中的两个公式左右两边相乘,可以得到:<img file="FDA0000673786110000021.GIF" wi="984" he="107" />利用逻辑回归函数log(1+exp(‑x))计算上述式子的惩罚函数,则子空间可以通过优化下面的目标函数得到:<img file="FDA0000673786110000022.GIF" wi="1606" he="219" />s.t.W<sub>p</sub><sup>T</sup>W<sub>p</sub>=W<sub>n</sub><sup>T</sup>W<sub>n</sub>=M其中z<sub>ij</sub>=|x<sub>i</sub>‑x<sub>j</sub>|,f(z<sub>ij</sub>,M)=z<sub>ij</sub><sup>T</sup>Mz<sub>ij</sub>,α<sub>ij</sub>=exp(‑d<sup>2</sup>(x<sub>i</sub>,x<sub>j</sub>)/σ);λ是参量,控制正则项的大小,σ是一个正数用来控制权重的范围;2e]最小化步骤2d]中的目标函数,求得M;3】计算所有测试样本集与原型图像集的距离,得到查询结果,具体方法如下:选取测试集合中的一个测试样本根据下式计算该测试样本与所有原型图像集的距离:<img file="FDA0000673786110000023.GIF" wi="680" he="146" />其中,z<sub>ij</sub>=|x<sub>i</sub>‑x<sub>j</sub>|,所述<img file="FDA0000673786110000024.GIF" wi="60" he="85" />是第i个测试样本,<img file="FDA0000673786110000025.GIF" wi="68" he="100" />是原型图像集的第j个样本。 |