CN106599795A - 一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法 - Google Patents

Abstract

本发明公开了一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，本发明的目的就在于图像为低分辨且尺度变化时的重识别效果。首先，获得来自同一个人的图像对即正样本对，以及来自不同人的图像对即负样本对；然后引入距离尺度渐变函数，由正样本对产生可行的尺度距离渐变函数，由负样本对产生不可行的尺度距离渐变函数，这两种尺度距离渐变函数构成尺度距离渐变函数空间，并由正的参数向量表示可行的尺度距离渐变函数，负的参数向量表示不可行的尺度距离渐变函数；最后训练了的随机森林分类器在该函数空间根据某个尺度距离渐变函数是否在正域或负域，将其分类为是否来自同一个对象。

Description

一种基于尺度距离渐变函数分界面学习的动态低分辨率行人 重识别方法

技术领域

本发明属于监控视频检索技术领域，涉及一种行人重识别方法，尤其涉及一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法。

背景技术

近些年来，监控网络越来越广泛地应用和普及到公共安全、移动侦测、客流统计等领域，视频监控在打击犯罪、维护社会安全方面发挥着越来越重要的作用，视频侦查成为公安机关侦查破案的有效手段。但在实际视频侦查中，侦查员需要根据指定行人对象在多摄像头下的活动画面和轨迹来快速排查、追踪和锁定嫌疑目标，需要耗费大量的人力、物力和时间，不仅影响破案效率,而且极易错过最佳的破案时机。行人重识别是一种针对特定行人对象的跨摄像头监控视频自动检索技术，即在照射区域无重叠的多摄像头下匹配同一行人对象，该技术可以辅助视频侦查员快速、准确地发现嫌疑目标的活动画面和轨迹，对公安部门提高破案率、维护人民群众生命财产安全具有重要意义。

在多摄像头的行人重识别过程中，尤其是在行人特征的提取和匹配过程中，不同摄像头下的行人图像往往存在视角变化、尺寸变化、光照变化等，从而造成重识别率的降低。如今犯罪分子的作案手段越来越高明，通过各种方式来隐藏自己，如果他们避开摄像头，这样待重识别目标在摄像头下出现的次数较少，无疑会给重识别工作带来不便。行人重识别是利用图像进行目标查询的，因此对获取的图像在最大程度上挖掘信息，对提升行人重识别性能是具有重要意义的。

现有行人重识别方法可以分为两类：第一类主要构造鲁棒的视觉特征，然后使用标准的距离函数(如欧式距离等)进行相似性度量；第二类主要通过学习一个合适的尺度进行更准确的距离度量。基于上述方法的重识别技术所采用的图像对大多是同分辨率和同尺度的，然而在一些真实场景里，行人图像不仅是低分辨率的，而且是不同尺度的。

中国专利文献号CN104298992A，公开(公告)日2015.02.01,公开了一种基于数据驱动的尺度自适应行人重识别方法，该发明通过采用稀疏的方法获得查询行人和待测行人间的跨域的支撑一致性来计算行人对之间的距离，利用训练数据在不同视角下的一致性来自适应调节尺度，该方法考虑到了行人图像的尺度是变化的，但是没有考虑到行人图像的分辨率是不同的，因此该算法得到的结果也不是最佳的。

中国专利文献号CN103793702A，公开(公告)日2014.05.14，公开了一种基于协同尺度学习的行人重识别方法，该发明在半监督框架下研究基于尺度学习的行人重识别技术，通过未标注样本辅助标注样本进行尺度学习，该方法没有考虑到行人图像对的尺度、分辨率变化会对重识别结果产生影响，因而该方法在少标注样本下的重识别性能还有待提升。

中国专利文献号CN105005797A，公开(公告)日2015.10.28，公开了一种基于阴阳双目标样本的太极相对距离度量方法，该方法为每个阳样本(原始样本)建立虚拟阴样本，采用相对距离来学出距离函数变换矩阵，该方法没有考虑样本图像的尺度、分辨率变化的时候会对该度量学习方法产生什么影响，因而该方法还有优化空间。

中国专利文献号CN105138998A，公开(公告)日2015.12.09，公开了一种基于视角自适应空间学习算法的行人重识别方法及系统，该方法通过视角自适应子空间学习算法学习得到变换矩阵，再利用变换矩阵进行距离计算和行人重识别。该方法虽然属于行人重识别领域，但是跟基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法的研究角度是不同的。

中国专利文献号CN105095475A，公开(公告)日2015.11.25，公开了一种基于两级融合的不完整属性标记行人重识别方法与系统；中国专利文献号CN104462550A，公开(公告)日2015.03.25，公开了一种基于相似性和不相似性融合排序优化的行人重识别方法；这两种方法通过都是融合在两种不同情况下的排序结果，来提升行人重识别的效果。另外中国专利文献号CN104200206A，公开(公告)日2014.12.10，公开了一种基于双角度排序优化的行人重识别方法，该方法基于全局特征和局部特征的方法得到初始的排序结果，再进行进一步的重排，进而得到更好的重识别效果；以及中国专利文献号CN103810476A，公开(公告)日2014.05.21，公开了一种基于小群体信息关联的视频监控网络中行人重识别方法，该方法根据小群体信息的关联性，将行人小群体特征作为行人重识别的一个重要特征，主要解决视频监控网络中行人重识别准确率低、精度不高的问题；这些方法也都是属于行人重识别领域，但是跟我们基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法的研究角度是也是不同的。

中国专利文献号CN104268583A，公开(公告)日2015.01.07，公开了基于颜色区域特征的行人重识别方法及系统；中国专利文献号CN104484324A，公开(公告)日2015.04.01，公开了一种多模型和模糊颜色的行人检索方法，这两篇专利主要是充分利用行人的颜色分布结构信息来提高行人重识别的准确率，这与我们通过基于尺度距离渐变函数学习的动态低分辨率行人重识别方法的角度也是不同的。

发明内容

针对现有技术存在的不足，本发明提供了一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，该方法通过画出在库图像尺度和查询--在库图像距离的函数，即尺度距离渐变函数，将来自不同的图像对产生的尺度距离渐变函数进行分类，用一种新的模型来进行行人重识别，进而提升多摄像头下同一行人匹配的准确性。

本发明所采用的技术方案是：

一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，其特征在于，包括以下步骤：

步骤1：提取图片的可视特征，具体是将训练数据分成正样本对和负样本对，其中每对图像来自不同的摄像头，设一个查询--在库图像对为(I_i,I_j)，在不考虑图像分辨率差异的情况下，提取每张图像I在相同维度m下的可视特征x；

步骤2：将步骤1提取的图片的可视特征进行尺度距离渐变函数的表示，该函数的表示由若干步组成，具体包括以下子步骤：

步骤2.1，得到图像一系列的可视特征；

步骤2.2，构成尺度距离渐变函数空间；

步骤2.3，用参数向量表示距离尺度渐变函数；

步骤3：基于步骤2得到的结果产生测试参数向量，采用线性插值法对在库图像进行上采样，从而获得更多的观测数据，在线重识别阶段得到了和训练阶段相同数量的观测数据，通过观测数据的回归，得到查询--在库图像对的测试参数向量；

步骤4：随机森林分类器来对图像对进行分类，具体包括：

步骤4.1，训练随机森林分类器；

步骤4.2，基于步骤4.1得到的结果进行分类。

在上述的一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，所述步骤2.1的具体方法包括：定义I_i的可视特征为其中，1表示采样图像是分辨率和原始图像的分辨率的尺度比；然后逐步地对I_j下采样，每一次下采样减少0.01个尺度值，通过这种方式得到一系列的可视特征，其中尺度比表示了两张图像的高度和宽度；

在上述的一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，所述步骤2.2的具体方法包括：将每张图像分成8行3列的24块，提取出每块的64维HSV特征，这样每张图像由1536维特征表示出来，然后算出下采样的在库图像和原始图片的分辨率尺度比k，以及I_i和I_j之间的欧式距离画出以k为横坐标,d为纵坐标的尺度距离渐变函数，为了便于观察，将图像对之间的欧式距离转换为另一种形式的距离每个图像对(I_i,I_j)的转换距离d'是随着尺度比k的变化而变化；在离线训练阶段，正样本对产生可行的距离尺度渐变函数，负样本对产生不可行的尺度距离渐变函数，可行和不可行的尺度距离渐变函数构成尺度距离渐变函数空间；

在上述的一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，所述步骤2.3的具体方法包括：利用参数向量来表示尺度距离渐变函数，定义模型为f(·)，w是这个模型的参数向量，该模型运用了K＝96对训练图像对(I_i,I_j)观测数据(k,d'_i,j(k))，若f为k到d'_i,j的统一模型，则

d'_i,j(k)＝f(k,w),k∈[0.05,1] (1)

定义参数向量w＝(w₀,...,w_n,...,w_N-1)是N维的，则图像对(I_i,I_j)的参数向量w_i,j为：

其中，模型f(·)为拟合模型，基于如下的多项式模型：

在上述的一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，所述步骤4.1的具体方法包括：在可行的和不可行的尺度距离渐变函数之间，参数向量可能不具有足够的识别力，随机森林模型利用参数向量来训练随机森林分类器，其中，离线训练阶段尺度距离渐变函数表示模型从正样本对产生正的参数向量，从负样本对产生负的参数向量。

在上述的一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，所述步骤4.2的具体方法包括：

在尺度距离渐变函数空间的在线重识别阶段，训练了的随机森林通过判断一个图像对产生的尺度距离渐变函数是否在正域或负域将其分类为是否来自同一个对象，具体分为两个子步骤来实现：

步骤4.21，改变在库图像的尺度并得到可视特征；

步骤4.22，处理检索图像的可视特征和距离。

本发明具有以下优点和有益效果：1、本发明引入了尺度距离渐变函数，当在库图像的分辨率低且尺度变化不稳定时，也能进行有效的重识别；2、本发明引入了动态低分辨率来改进重识别性能，在图像分辨率和尺度层面上的优化使得方法的拓展性和适用性很强。

附图说明

图1为本发明方法流程图。

具体实施方式

为了便于本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。

本发明是一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法。首先获得来自同一个人的图像对即正样本对，以及来自不同人的图像对即负样本对；然后由正样本对产生可行的尺度距离渐变函数，由负样本对产生不可行的尺度距离渐变函数，这两种尺度距离渐变函数构成尺度距离渐变函数空间，并由正的参数向量表示可行的尺度距离渐变函数，负的参数向量表示不可行的尺度距离渐变函数；最后训练了的随机森林分类器在该函数空间根据某个尺度距离渐变函数是否在正域或负域，将其分类为是否来自同一个对象，使得当查询图像是高分辨率而在库图像为低分辨率且尺度变化时，得到更好的重识别效果。

请见图1，本实施例采用MATLAB7作为仿真实验平台,在基于VIPeR数据集的模拟的行人数据集SALR-VIPeR、基于PRID450S数据集模拟的行人数据集SALR-PRID以及数据集CAVIAR上进行测试。VIPeR数据集有两个摄像头下的632个行人图像对，两个摄像头之间存在明显的视角、光照等差异；PRID450S数据集有来自两个空间不相交的摄像头下的450个单景图像对，且该数据集有持续的光线变化和艳度变化；CAVIAR数据集广泛应用于行人重识别，该数据集有来自某个大型购物中心两个摄像头下的72个人的照片。

本发明的流程为：

步骤1：将训练数据分成正样本对和负样本对，其中每对图像来自不同的摄像头，设一个查询--在库图像对为(I_i,I_j)，在不考虑图像分辨率差异的情况下，提取每张图像I在相同维度m下的可视特征x；

步骤2：尺度距离渐变函数的表示，其具体实现包括以下子步骤：

步骤2.1：为了生成尺度距离渐变函数，设I_i的视觉特征为(1表示采样图像分辨率和原始图像分辨率的尺度比)，然后逐步地对I_j下采样，每一次下采样减少0.01个尺度值，得到一系列的视觉特征，其中尺度比表示了两张图像的高度和宽度；

步骤2.2：将每张图像分成8行3列的24块，提取出每块的64维HSV特征，这样每张图像由1536维特征表示出来；然后算出下采样的在库图像和原始图像的分辨率尺度比k，以及I_i和I_j之间的欧式距离画出以k为横坐标,d为纵坐标的尺度距离渐变函数，为了便于观察，将图像对之间的欧式距离转换为另一种形式的距离每个图像对(I_i,I_j)的转换距离d'是随着尺度比k的变化而变化的；在离线训练阶段，正样本对产生可行的尺度距离渐变函数，负样本对产生不可行的尺度距离渐变函数，可行和不可行的尺度距离渐变函数构成尺度距离渐变函数空间；

步骤2.3：为了分离上述两种函数，我们利用参数向量来表示尺度距离渐变函数，我们设模型为f(·)，w是这个模型的参数向量，该模型运用了K＝96对训练图像对(I_i,I_j)观测数据(k,d'_i,j(k))，若f为k到d'_i,j的统一模型，则

d'_i,j(k)＝f(k,w),k∈[0.05,1] (1)

假设参数向量w＝(w₀,...,w_n,...,w_N-1)是N维的，则图像对(I_i,I_j)的参数向量w_i,j为：

我们使用的拟合模型是如下的多项式模型：

步骤3：到了在线重识别阶段，低分辨率在库图像任然保留低分辨率，测试在库图像的尺度比k同样从1到0.05逐步地进行下采样，尺度距离渐变函数表示模型通过这种方式得到了一系列观测数据，对回归过程来说，如果在库图像的分辨率很低，则观测数据是有限的，因此我们采用线性插值法对在库图像进行上采样，从而获得更多的观测数据，在线重识别阶段我们得到了和训练阶段相同数量的观测数据，通过观测数据的回归，一个查询--在库图像对的测试参数向量就产生了；

步骤4：在可行的和不可行的尺度距离渐变函数之间，参数向量可能不具有足够的识别力，随机森林模型利用参数向量(离线训练阶段尺度距离渐变函数表示模型由正样本对产生正的参数向量，负样本对产生负的参数向量)来训练随机森林分类器；

步骤5：在尺度距离渐变函数空间的在线重识别阶段，训练了的随机森林通过判断一个尺度距离渐变函数是否在正域或负域将其分类为是否来自同一个对象，分为两个子步骤来实现：

步骤5.1：改变在库图像的尺度并得到可视特征；

步骤5.2：处理检索图像的可视特征和距离。

从上述过程在数据集上测试的结果可以发现，采用尺度尺度距离渐变函数(SDF)比使用另外两种方法的结果好的多，从而可以说明基于尺度距离渐变函数分界面学习的动态低分辨率的行人重识别方法的检索性能有明显的提高。

本申请与上述10个公开专利的对比如下表所示：

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 (6)

1.一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，其特征在于，包括以下步骤：

步骤1：提取图片的可视特征，具体是将训练数据分成正样本对和负样本对，其中每对图像来自不同的摄像头，设一个查询--在库图像对为(I_i,I_j)，在不考虑图像分辨率差异的情况下，提取每张图像I在相同维度m下的可视特征x；

步骤2：将步骤1提取的图片的可视特征进行尺度距离渐变函数的表示，该函数的表示由若干步组成，具体包括以下子步骤：

步骤2.1，得到图像一系列的可视特征；

步骤2.2，构成尺度距离渐变函数空间；

步骤2.3，用参数向量表示距离尺度渐变函数；

步骤3：基于步骤2得到的结果产生测试参数向量，采用线性插值法对在库图像进行上采样，从而获得更多的观测数据，在线重识别阶段得到了和训练阶段相同数量的观测数据，通过观测数据的回归，得到查询--在库图像对的测试参数向量；

步骤4：随机森林分类器来对图像对进行分类，具体包括：

步骤4.1，训练随机森林分类器；

步骤4.2，基于步骤4.1得到的结果进行分类。

2.根据权利要求1所述的一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，其特征在于，所述步骤2.1的具体方法包括：定义I_i的可视特征为其中，1表示采样图像是分辨率和原始图像的分辨率的尺度比；然后逐步地对I_j下采样，每一次下采样减少0.01个尺度值，通过这种方式得到一系列的可视特征，其中尺度比表示了两张图像的高度和宽度。

3.根据权利要求3所述的一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，其特征在于，所述步骤2.2的具体方法包括：将每张图像分成8行3列的24块，提取出每块的64维HSV特征，这样每张图像由1536维特征表示出来，然后算出下采样的在库图像和原始图片的分辨率尺度比k，以及I_i和I_j之间的欧式距离画出以k为横坐标,d为纵坐标的尺度距离渐变函数，为了便于观察，将图像对之间的欧式距离转换为另一种形式的距离每个图像对(I_i,I_j)的转换距离d'是随着尺度比k的变化而变化；在离线训练阶段，正样本对产生可行的距离尺度渐变函数，负样本对产生不可行的尺度距离渐变函数，可行和不可行的尺度距离渐变函数构成尺度距离渐变函数空间。

4.根据权利要求1所述的一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，其特征在于，所述步骤2.3的具体方法包括：利用参数向量来表示尺度距离渐变函数，定义模型为f(·)，w是这个模型的参数向量，该模型运用了K＝96对训练图像对(I_i,I_j)观测数据(k,d'_i,j(k))，若f为k到d'_i,j的统一模型，则

d'_i,j(k)＝f(k,w),k∈[0.05,1](1)

定义参数向量w＝(w₀,...,w_n,...,w_N-1)是N维的，则图像对(I_i,I_j)的参数向量w_i,j为：

$w_{i,j}=\underset{w}{\arg \min }\frac{1}{K}\underset{k\∈\[0.05,1\]}{\Σ}|{d^{\′}}_{i,j}\left(k\right)-f(k,w){|}^2+\mathrm{\λ}\underset{n=0}{\overset{N-1}{\Σ}}|w_n|---\left(2\right)$

其中，模型f(·)为拟合模型，基于如下的多项式模型：

$f(k,w)=\underset{n=0}{\overset{N-1}{\Σ}}{w}_n{k}^n---\left(3\right).$

5.根据权利要求1所述的一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，其特征在于，所述步骤4.1的具体方法包括：在可行的和不可行的尺度距离渐变函数之间，参数向量可能不具有足够的识别力，随机森林模型利用参数向量来训练随机森林分类器，其中，离线训练阶段尺度距离渐变函数表示模型从正样本对产生正的参数向量，从负样本对产生负的参数向量。

6.根据权利要求1所述的一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，其特征在于，所述步骤4.2的具体方法包括：

在尺度距离渐变函数空间的在线重识别阶段，训练了的随机森林通过判断一个图像对产生的尺度距离渐变函数是否在正域或负域将其分类为是否来自同一个对象，具体分为两个子步骤来实现：

步骤4.21，改变在库图像的尺度并得到可视特征；

步骤4.22，处理检索图像的可视特征和距离。