主权项 |
一种基于双角度排序优化的行人重识别方法,其特征在于,包括以下步骤:步骤1:针对一个特定的查询p,分别通过基于全局特征描述方法和局部特征描述方法得到p的排序列表RL<sup>g</sup>(p)和RL<sup>l</sup>(p),通过对两个排序列表的前k个结果取交集,得到他们双方都认同的最近邻<img file="FDA0000567340480000011.GIF" wi="774" he="87" />即共同最近邻有k<sub>c</sub>个;步骤2:对<img file="FDA0000567340480000012.GIF" wi="156" he="82" />里的每一个最近邻<img file="FDA0000567340480000013.GIF" wi="115" he="68" />作为一个新的查询,保留原先的待查集,进行交叉的反向查询;其具体实现包括以下子步骤:步骤2.1:对于全局特征描述方法,对<img file="FDA0000567340480000014.GIF" wi="114" he="67" />进行反向查询时,用基于局部特征描述方法去查询,得到一个新的排序列表<img file="FDA0000567340480000015.GIF" wi="197" he="98" />因此可以得到k<sub>c</sub>个新的反向排序列表,即对于全局特征描述方法而言,可以得到共k<sub>c</sub>+1个排序列表,<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><msup><mi>RL</mi><msup><mi>g</mi><mo>*</mo></msup></msup><mrow><mo>(</mo><mi>p</mi><mo>)</mo></mrow><mo>=</mo><mo>{</mo><msup><mi>RL</mi><mi>g</mi></msup><mrow><mo>(</mo><mi>p</mi><mo>)</mo></mrow><mo>,</mo><msubsup><mi>RL</mi><mrow><mo>(</mo><msub><mi>g</mi><mrow><msub><mi>K</mi><mi>c</mi></msub><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow></msub><mo>)</mo></mrow><msup><mi>l</mi><mo>′</mo></msup></msubsup><mo>,</mo><msubsup><mi>RL</mi><mrow><mo>(</mo><msub><mi>g</mi><mrow><msub><mi>K</mi><mi>c</mi></msub><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow></msub><mo>)</mo></mrow><msup><mi>l</mi><mo>′</mo></msup></msubsup><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msubsup><mi>RL</mi><mrow><mo>(</mo><msub><mi>g</mi><mrow><msub><mi>K</mi><mi>c</mi></msub><mrow><mo>(</mo><msub><mi>k</mi><mi>c</mi></msub><mo>)</mo></mrow></mrow></msub><mo>)</mo></mrow><msup><mi>l</mi><mo>′</mo></msup></msubsup><mo>}</mo><mo>;</mo></mrow>]]></math><img file="FDA0000567340480000016.GIF" wi="1108" he="106" /></maths>步骤2.2:对于局部特征描述方法,对<img file="FDA0000567340480000017.GIF" wi="116" he="68" />进行反向查询时,用基于全局特征描述方法去查询,得到一个新的排序列表<img file="FDA0000567340480000018.GIF" wi="199" he="98" />因此可以得到k<sub>c</sub>个新的反向排序列表,即对于局部特征描述方法而言,可以得到共k<sub>c</sub>+1个排序列表,<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><msup><mi>RL</mi><msup><mi>l</mi><mo>*</mo></msup></msup><mrow><mo>(</mo><mi>p</mi><mo>)</mo></mrow><mo>=</mo><mo>{</mo><msup><mi>RL</mi><mi>l</mi></msup><mrow><mo>(</mo><mi>p</mi><mo>)</mo></mrow><mo>,</mo><msubsup><mi>RL</mi><mrow><mo>(</mo><msub><mi>g</mi><mrow><msub><mi>K</mi><mi>c</mi></msub><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow></msub><mo>)</mo></mrow><msup><mi>g</mi><mo>′</mo></msup></msubsup><mo>,</mo><msubsup><mi>RL</mi><mrow><mo>(</mo><msub><mi>g</mi><mrow><msub><mi>K</mi><mi>c</mi></msub><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow></msub><mo>)</mo></mrow><msup><mi>g</mi><mo>′</mo></msup></msubsup><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msubsup><mi>RL</mi><mrow><mo>(</mo><msub><mi>g</mi><mrow><msub><mi>K</mi><mi>c</mi></msub><mrow><mo>(</mo><msub><mi>k</mi><mi>c</mi></msub><mo>)</mo></mrow></mrow></msub><mo>)</mo></mrow><msup><mi>g</mi><mo>′</mo></msup></msubsup><mo>}</mo><mo>;</mo></mrow>]]></math><img file="FDA0000567340480000019.GIF" wi="1088" he="106" /></maths>步骤3:对于全局特征描述方法,每个新的查询<img file="FDA00005673404800000110.GIF" wi="120" he="78" />和它的排序列表<img file="FDA00005673404800000111.GIF" wi="193" he="100" />根据新的排序列表与初始排序列表RL<sup>g</sup>(p)的前k个的相似性,计算每个<img file="FDA00005673404800000112.GIF" wi="116" he="70" />的排序列表赋的权重<img file="FDA00005673404800000113.GIF" wi="242" he="84" />对于局部特征描述方法,每个新的查询<img file="FDA00005673404800000114.GIF" wi="114" he="71" />和它的排序列表<img file="FDA00005673404800000115.GIF" wi="199" he="94" />根据新的排序列表与初始排序列表RL<sup>l</sup>(p)的前k个的相似性,计算每个<img file="FDA00005673404800000116.GIF" wi="120" he="69" />的排序列表赋的权重<img file="FDA00005673404800000117.GIF" wi="236" he="86" />步骤4:对于全局特征描述方法,通过对新的k<sub>c</sub>+1个排序列表进行加权融合,可以得到优化后的排序列表<img file="FDA0000567340480000021.GIF" wi="189" he="100" /><maths num="0003" id="cmaths0003"><math><![CDATA[<mrow><msup><mi>RL</mi><msup><mi>g</mi><mo>*</mo></msup></msup><mrow><mo>(</mo><mi>p</mi><mo>)</mo></mrow><mo>=</mo><msup><mi>RL</mi><mi>g</mi></msup><mrow><mo>(</mo><mi>p</mi><mo>)</mo></mrow><mo>+</mo><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>k</mi><mi>c</mi></msub></munderover><msup><mi>w</mi><mi>g</mi></msup><mrow><mo>(</mo><msub><mi>g</mi><mrow><msub><mi>K</mi><mi>c</mi></msub><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow></mrow></msub><mo>)</mo></mrow><mo>*</mo><msubsup><mi>RL</mi><mrow><mo>(</mo><msub><mi>g</mi><mrow><msub><mi>K</mi><mi>c</mi></msub><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow></mrow></msub><mo>)</mo></mrow><msup><mi>l</mi><mo>′</mo></msup></msubsup><mo>;</mo></mrow>]]></math><img file="FDA0000567340480000022.GIF" wi="914" he="152" /></maths>对于局部特征描述方法,通过对新的k<sub>c</sub>+1个排序列表进行加权融合,可以得到优化后的排序列表<img file="FDA0000567340480000023.GIF" wi="194" he="100" /><maths num="0004" id="cmaths0004"><math><![CDATA[<mrow><msup><mi>RL</mi><msup><mi>l</mi><mo>*</mo></msup></msup><mrow><mo>(</mo><mi>p</mi><mo>)</mo></mrow><mo>=</mo><msup><mi>RL</mi><mi>l</mi></msup><mrow><mo>(</mo><mi>p</mi><mo>)</mo></mrow><mo>+</mo><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>k</mi><mi>c</mi></msub></munderover><msup><mi>w</mi><mi>l</mi></msup><mrow><mo>(</mo><msub><mi>g</mi><mrow><msub><mi>K</mi><mi>c</mi></msub><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow></mrow></msub><mo>)</mo></mrow><mo>*</mo><msubsup><mi>RL</mi><mrow><mo>(</mo><msub><mi>g</mi><mrow><msub><mi>K</mi><mi>c</mi></msub><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow></mrow></msub><mo>)</mo></mrow><msup><mi>g</mi><mo>′</mo></msup></msubsup><mo>;</mo></mrow>]]></math><img file="FDA0000567340480000024.GIF" wi="885" he="154" /></maths>对两种优化后的排序列表进行融合,得到交叉反向查询的排序融合排序列表RL<sup>*</sup>(p),<maths num="0005" id="cmaths0005"><math><![CDATA[<mrow><msup><mi>RL</mi><mo>*</mo></msup><mrow><mo>(</mo><mi>p</mi><mo>)</mo></mrow><mo>=</mo><mi>α</mi><msup><mi>RL</mi><msup><mi>g</mi><mo>*</mo></msup></msup><mrow><mo>(</mo><mi>p</mi><mo>)</mo></mrow><mo>+</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>α</mi><mo>)</mo></mrow><msup><mi>RL</mi><msup><mi>l</mi><mo>*</mo></msup></msup><mrow><mo>(</mo><mi>p</mi><mo>)</mo></mrow><mo>;</mo></mrow>]]></math><img file="FDA0000567340480000025.GIF" wi="749" he="86" /></maths>其中,α表示融合的权重;步骤5:对<img file="FDA0000567340480000026.GIF" wi="151" he="85" />中的每一个行人<img file="FDA0000567340480000027.GIF" wi="119" he="74" />构建一个双层图Graph=<G,E,w>,根据其进行重排,第一层采用初始的基于全局特征描述方法得到的top‑k个结果,第二层采用局部特征描述方法,取top‑k结果,计算两层的Jaccard相似度,对<img file="FDA0000567340480000028.GIF" wi="156" he="82" />中进行重排,并输出排序优化的结果。 |