CN107122755A - 行人相似度计算方法及装置 - Google Patents
行人相似度计算方法及装置 Download PDFInfo
- Publication number
- CN107122755A CN107122755A CN201710322698.2A CN201710322698A CN107122755A CN 107122755 A CN107122755 A CN 107122755A CN 201710322698 A CN201710322698 A CN 201710322698A CN 107122755 A CN107122755 A CN 107122755A
- Authority
- CN
- China
- Prior art keywords
- matrix
- irrelevant
- pedestrian
- characteristic value
- regularization
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种行人相似度计算方法及装置,应用于数据处理设备,所述方法包括:获取相关行人对集合及非相关行人对集合中行人对的图像特征;分别根据所述相关行人对集合及非相关行人对集合中行人对的图像特征,计算获得第一相关集合协方差矩阵及第一非相关集合协方差矩阵;分别对所述第一相关集合协方差矩阵及第一非相关集合协方差矩阵进行正则化处理,获得第二相关集合协方差矩阵及第二非相关集合协方差矩阵;根据所述第二相关集合协方差矩阵及第二非相关集合协方差矩阵计算获得测度矩阵;根据所述测度矩阵及待分析行人对的图像特征,计算得到该待分析行人对的相似度。少量的训练样本时可以有效抑制识别计算过程中的过度拟合。
Description
技术领域
本发明涉及图像数据处理技术领域,具体而言,涉及一种行人相似度计算方法及装置。
背景技术
行人重识别问题是在非重叠区域的摄像头中,对出现的目标进行判断是否为同一目标的过程。其中,对行人相似度的计算是在进行行人重识别的过程中的重要环节。在实际情况中,采用测度矩阵计算行人相似度时,由于采集到的行人图像存在遮挡,视角变化,样本不足等情况,在计算中存在过拟合现象,需要在测度矩阵学习的过程中加入各种约束,导致计算复杂度极大的增加。
发明内容
为了克服现有技术中的上述不足,本发明的目的在于提供一种行人相似度计算方法,应用于数据处理设备,所述方法包括:
获取相关行人对集合及非相关行人对集合中行人对的图像特征,其中,所述相关行人对集合中包括多个具有相关关系的行人对,所述非相关行人对集合中包括多个不具有相关关系的行人对;
分别根据所述相关行人对集合及非相关行人对集合中行人对的图像特征,计算获得第一相关集合协方差矩阵及第一非相关集合协方差矩阵;
分别对所述第一相关集合协方差矩阵及第一非相关集合协方差矩阵进行正则化处理,获得第二相关集合协方差矩阵及第二非相关集合协方差矩阵;
根据所述第二相关集合协方差矩阵及第二非相关集合协方差矩阵计算获得测度矩阵;
根据所述测度矩阵及待分析行人对的图像特征,计算得到该待分析行人对的相似度。
进一步地,在上述方法中,分别对所述第一相关集合协方差矩阵及第一非相关集合协方差矩阵进行正则化处理,获得第二相关集合协方差矩阵及第二非相关集合协方差矩阵的步骤,包括:
对所述第一相关集合协方差矩阵进行分解,得到第一相关集合特征值矩阵及对应的相关集合特征向量矩阵,对所述第一非相关集合协方差矩阵进行分解,得到第一非相关集合特征值矩阵及对应的非相关集合特征向量矩阵;
分别对所述第一相关集合特征值矩阵及第一非相关集合特征值矩阵进行正则化处理,得到第二相关集合特征值矩阵及第二非相关集合特征值矩阵;
根据所述第二相关集合特征值矩阵及相关集合特征向量矩阵计算获得第二相关集合协方差矩阵,根据所述第二非相关集合特征值矩阵及非相关集合特征向量矩阵计算获得第二非相关集合协方差矩阵。
进一步地,在上述方法中,分别对所述第一相关集合特征值矩阵及第一非相关集合特征值矩阵进行正则化处理,得到第二相关集合特征值矩阵及第二非相关集合特征值矩阵的步骤,包括:
分别将所述第一相关集合特征值矩阵中的特征值及所述第一非相关集合特征值矩阵中的特征值划分为多个区间;
针对每个区间分别对所述第一相关集合特征值矩阵中的特征值及所述第一非相关集合特征值矩阵中的特征值进行相应的正则化处理,得到第二相关集合特征值矩阵及第二非相关集合特征值矩阵。
进一步地,在上述方法中,分别将所述第一相关集合特征值矩阵中的特征值及所述第一非相关集合特征值矩阵中的特征值划分为多个区间的步骤,包括:
分别根据所述第一相关集合特征值矩阵中特征值的大小及所述第一非相关集合特征值矩阵中特征值的大小计算获得特征值分界点;
根据所述特征值分界点分别将分别所述第一相关集合特征值矩阵中特征值及所述第一非相关集合特征值矩阵的特征值划分为大特征值区间、小特征值区间及噪声区间。
进一步地,在上述方法中,对特征值进行相应的正则化处理的步骤,包括:
对所述大特征值区间中的特征值采用抑制特征值的正则化处理;
对所述小特征值区间中的特征值采用提高特征值的正则化处理;
对所述噪声区间中的特征值采用平滑处理。
本发明的另一目的在于提供一种行人相似度计算装置,应用于数据处理设备,所述装置包括:
获取模块,用于获取相关行人对集合及非相关行人对集合中行人对的图像特征,其中,所述相关行人对集合中包括多个具有相关关系的行人对,所述非相关行人对集合中包括多个不具有相关关系的行人对;
协方差矩阵计算模块,用于分别根据所述相关行人对集合及非相关行人对集合中行人对的图像特征,计算获得第一相关集合协方差矩阵及第一非相关集合协方差矩阵;
正则化模块,用于分别对所述第一相关集合协方差矩阵及第一非相关集合协方差矩阵进行正则化处理,获得第二相关集合协方差矩阵及第二非相关集合协方差矩阵;
测度矩阵计算模块,用于根据所述第二相关集合协方差矩阵及第二非相关集合协方差矩阵计算获得测度矩阵;
相似度计算模块,用于根据所述测度矩阵及待分析行人对的图像特征,计算得到该待分析行人对的相似度。
进一步地,在上述装置中,所述正则化模块包括:
分解子模块,用于对所述第一相关集合协方差矩阵进行分解,得到第一相关集合特征值矩阵及对应的相关集合特征向量矩阵,对所述第一非相关集合协方差矩阵进行分解,得到第一非相关集合特征值矩阵及对应的非相关集合特征向量矩阵;
正则化处理子模块,用于分别对所述第一相关集合特征值矩阵及第一非相关集合特征值矩阵进行正则化处理,得到第二相关集合特征值矩阵及第二非相关集合特征值矩阵;
合成子模块,用于根据所述第二相关集合特征值矩阵及相关集合特征向量矩阵计算获得第二相关集合协方差矩阵,根据所述第二非相关集合特征值矩阵及非相关集合特征向量矩阵计算获得第二非相关集合协方差矩阵。
进一步地,在上述装置中,正则化处理子模块进行正则化处理的方式,包括:
分别将所述第一相关集合特征值矩阵中的特征值及所述第一非相关集合特征值矩阵中的特征值划分为多个区间;
针对每个区间分别对所述第一相关集合特征值矩阵中的特征值及所述第一非相关集合特征值矩阵中的特征值进行相应的正则化处理,得到第二相关集合特征值矩阵及第二非相关集合特征值矩阵。
进一步地,在上述装置中,所述正则化处理子模块分割特征值区间的方式,包括:
分别根据所述第一相关集合特征值矩阵中特征值的大小及所述第一非相关集合特征值矩阵中特征值的大小计算获得特征值分界点;
根据所述特征值分界点分别将分别所述第一相关集合特征值矩阵中特征值及所述第一非相关集合特征值矩阵的特征值划分为大特征值区间、小特征值区间及噪声区间。
进一步地,在上述装置中,所述正则化处理子模块进行相应的正则化处理的方式,包括:
对所述大特征值区间中的特征值采用抑制特征值的正则化处理;
对所述小特征值区间中的特征值采用提高特征值的正则化处理;
对所述噪声区间中的特征值采用平滑处理。
相对于现有技术而言,本发明具有以下有益效果:
本发明提供的行人相似度计算方法及装置,对相关行人和非相关行人的两个协方差矩阵特征值分解后,对其特征值进行平滑和优化,得到正则化后的测度矩阵,根据得出的测度矩阵进行行人相似度的计算。少量的训练样本时可以有效抑制识别计算过程中的过度拟合。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的数据处理设备的示意图;
图2为本发明实施例提供的行人相似度计算方法的步骤流程示意图;
图3为本发明图2所示步骤S130的子步骤流程示意图;
图4为本发明实施例提供的行人相似度计算装置的示意图;
图5为本发明图4所示正则化模块的子模块示意图。
图标:100-数据处理设备;110-行人相似度计算装置;111-获取模块;112-协方差矩阵计算模块;113-正则化模块;1131-分解子模块;1132-正则化处理子模块;1133-合成子模块;114-测度矩阵计算模块;115-相似度计算模块;120-存储器;130-处理器。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
请参照图1,图1为本实施例提供的一种数据处理设备100的示意图。所述数据处理设备100包括行人相似度计算装置110、存储器120及处理器130。
所述存储器120及处理器130各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述行人相似度计算装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器120中或固化在所述数据处理设备100的操作系统(operating system,OS)中的软件功能模块。所述处理器130用于执行所述存储器120中存储的可执行模块,例如所述行人相似度计算装置110所包括的软件功能模块及计算机程序等。
其中,所述存储器120可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储器120用于存储程序,所述处理器130在接收到执行指令后,执行所述程序。
所述处理器130可能是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(DSP))、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参照图2,图2为应用于图1所示的数据处理设备100的一种行人相似度计算方法的流程图,以下将对所述方法包括各个步骤进行详细阐述。
步骤S110,获取相关行人对集合及非相关行人对集合中行人对的图像特征,其中,所述相关行人对集合中包括多个具有相关关系的行人对,所述非相关行人对集合中包括多个不具有相关关系的行人对。
在本实施例中,所述数据处理设备100记所述相关行人对集合为S,集合S中包括多个具有相关关系的行人对(i,j)。记所述非相关新人对集合为D,集合D中包括多个不具有相关关系的行人对(i,j)。获取集合S及集合D中行人对的图像特征,其中,行人对(i,j)的图像特征可以记为(xi,xj)。
步骤S120,分别根据所述相关行人对集合及非相关行人对集合中行人对的图像特征,计算获得第一相关集合协方差矩阵及第一非相关集合协方差矩阵。
在本实施例中,记所述第一相关集合协方差矩阵为ΣS,记所述第一非相关集合协方差矩阵为ΣD,所述数据处理设备100计算ΣS及ΣD的步骤如下:
步骤S130,分别对所述第一相关集合协方差矩阵及第一非相关集合协方差矩阵进行正则化处理,获得第二相关集合协方差矩阵及第二非相关集合协方差矩阵。
请参照图3,在本实施例中,步骤S130可以包括子步骤S131、子步骤S132及子步骤S133,下面对这些子步骤进行详细阐述。
子步骤S131,对所述第一相关集合协方差矩阵进行分解,得到第一相关集合特征值矩阵及对应的相关集合特征向量矩阵,对所述第一非相关集合协方差矩阵进行分解,得到第一非相关集合特征值矩阵及对应的非相关集合特征向量矩阵。
在步骤中,以ΣS为例解释正则化处理的步骤,对ΣD的处理请参照对ΣS,在本实施例中不在赘述。
对ΣS进行分解可得:
Σs=ΨΛΨT
其中,其中Λ=diag(λ1,λ2,λ3,…,λd)为ΣS的第一相关集合特征值矩阵,其中,特征值从大到小排列。Ψ为与Λ对应的相关集合特征向量矩阵。
子步骤S132,分别对所述第一相关集合特征值矩阵及第一非相关集合特征值矩阵进行正则化处理,得到第二相关集合特征值矩阵及第二非相关集合特征值矩阵。
在本实施例中,所述数据处理设备100先分别将所述第一相关集合特征值矩阵中的特征值及所述第一非相关集合特征值矩阵中的特征值划分为多个区间。
所述多个取件包括划分为大特征值区间P、小特征值区间L及噪声区间N。即,
其中,p及q为预先确定的特征值分界点。
具体地,所述数据处理设备100分别根据所述第一相关集合特征值矩阵中特征值的大小及所述第一非相关集合特征值矩阵中特征值的大小计算获得特征值分界点。
在本实施例中,所述分界点包括p和q,p和q的计算步骤如下:
q=max{q|λq<(λmed-(λp-λmed))}
其中,其中η为一能量比例参数,在本实施例中,η的值可以设置为0.8。为P区间特征值和所占所有特征值和的比例。λmed为所有特征值的中位数。
计算得到所述特征值分界点后,所述数据处理设备100根据所述特征值分界点分别将所述第一相关集合特征值矩阵中特征值及所述第一非相关集合特征值矩阵的特征值划分为大特征值区间P、小特征值区间L及噪声区间N。
划分出特征值区间后,所述数据处理设备100针对每个区间分别对所述第一相关集合特征值矩阵中的特征值及所述第一非相关集合特征值矩阵中的特征值进行相应的正则化处理,得到第二相关集合特征值矩阵及第二非相关集合特征值矩阵。
具体地,由于倒数函数能够较好得拟合协方差特征值的分布曲线,在本实施例中,采用三个参数的倒数函数模型来进行特征值的处理,记处理后的特征值为λ t,其计算公式如下:
其中,α,β,γ均为常数。为了确定这三个常数,在本实施例中入了λ 1=λ1,λ p=λp和λ q=λq。其中,通过三个方程可以解得三个未知数α,β和γ,计算步骤如下:
由于在缺乏足够可靠的训练样本时,获得的协方差矩阵中的大特征值相对于真实特征值会偏大,而较小的特征值相对于真实特征值会偏小。故在本实施例中,对于不同的子区间的特征值采用不同的方法进行如下正则化处理:
对所述大特征值区间中的特征值采用抑制特征值的正则化处理;
对所述小特征值区间中的特征值采用提高特征值的正则化处理;
对所述噪声区间中的特征值采用平滑处理。
即,适当抑制P区间中大特征值,同时提高L区间中较小特征值的影响,对于N区间,由于其对于噪声十分敏感,所以只进行了平滑处理。对三个区间进行处理的方式如下:
其中,a和b为正则化的参数。正则化处理后得到第二相关集合特征值矩阵Λ。根据发明人大量的实践研究发现,在a的取值为0.05,b的取值为0.05时,正则化处理的效果最佳。
子步骤S133,根据所述第二相关集合特征值矩阵及相关集合特征向量矩阵计算获得第二相关集合协方差矩阵,根据所述第二非相关集合特征值矩阵及非相关集合特征向量矩阵计算获得第二非相关集合协方差矩阵。
根据所述相关集合特征向量矩阵Ψ及第二相关集合特征值矩阵Λ计算的到第二相关集合协方差矩阵,记所述第二相关集合协方差矩阵为Σ S,其计算公式为:
Σ S=ΨΛΨT
同理,在本步骤对所述第一非相关集合协方差矩阵为ΣD进行正则化处理得到所述第二非相关集合协方差矩阵为Σ D。
步骤S140,根据所述第二相关集合协方差矩阵及第二非相关集合协方差矩阵计算获得测度矩阵。
根据上述步骤,所述数据处理设备100计算得到所述测距举证
步骤S150,根据所述测度矩阵及待分析行人对的图像特征,计算得到该待分析行人对的相似度。
根据KISSME的算法,行人对(i,j)之间的相似关系可以表示为:
其中,P0(i,j)为一行人对(i,j)属于相关行人对的概率,P1(i,j)表示行人对(i,j)不属于相关行人的概率。δ(i,j)越小则对应行人对属于相关行人对的概率越小。带入行人对(i,j)的图像特征后可得:
由于相关和不相关在行人对在特征差空间服从于均值0,协方差分别为第一相关集合协方差矩阵为ΣS和第一非相关集合协方差矩阵为ΣD的多维正态分布,于是可以得到:
将P0(i,j)及P1(i,j)带入δ(xi,xj)可得:
由于常数项对于最后的结果没有影响,(7)式可以化简为:
上述公式可以看成是马氏距离的度量,由此可以得到测度矩阵M:
将步骤S130中经正则化处理后的测度矩阵带入,可得行人的相关度为:
dij=(xi-xj)T M(xi-xj)
请参照图4,本实施例还提供一种应用于图1所示数据处理设备100的行人相似度计算装置110,所述装置包括获取模块111、协方差矩阵计算模块112、正则化模块113、测度矩阵计算模块114及相似度计算模块115。
获取模块111,用于获取相关行人对集合及非相关行人对集合中行人对的图像特征,其中,所述相关行人对集合中包括多个具有相关关系的行人对,所述非相关行人对集合中包括多个不具有相关关系的行人对。
本实施例中,所述获取模块111可用于执行图2所示的步骤S110,关于所述获取模块111的具体描述可参对所述步骤S110的描述。
协方差矩阵计算模块112,用于分别根据所述相关行人对集合及非相关行人对集合中行人对的图像特征,计算获得第一相关集合协方差矩阵及第一非相关集合协方差矩阵。
本实施例中,所述协方差矩阵计算模块112可用于执行图2所示的步骤S120,关于所述协方差矩阵计算模块112的具体描述可参对所述步骤S120的描述。
所述正则化模块113,用于分别对所述第一相关集合协方差矩阵及第一非相关集合协方差矩阵进行正则化处理,获得第二相关集合协方差矩阵及第二非相关集合协方差矩阵。
本实施例中,所述正则化模块113可用于执行图2所示的步骤S130,关于所述正则化模块113的具体描述可参对所述步骤S130的描述。
请参照图5,进一步地,在本实施例中,所述正则化模块113包括分解子模块1131、正则化处理子模块1132及合成子模块1133。
所述分解子模块1131,用于对所述第一相关集合协方差矩阵进行分解,得到第一相关集合特征值矩阵及对应的相关集合特征向量矩阵,对所述第一非相关集合协方差矩阵进行分解,得到第一非相关集合特征值矩阵及对应的非相关集合特征向量矩阵。
本实施例中,所述分解子模块1131可用于执行图3所示的子步骤S131,关于所述分解子模块1131的具体描述可参对所述子步骤S131的描述。
所述正则化处理子模块1132,用于分别对所述第一相关集合特征值矩阵及第一非相关集合特征值矩阵进行正则化处理,得到第二相关集合特征值矩阵及第二非相关集合特征值矩阵。
本实施例中,所述正则化处理子模块1132可用于执行图3所示的子步骤S132,关于所述正则化处理子模块1132的具体描述可参对所述子步骤S132的描述。
进一步地,在本实施例中,正则化处理子模块1132进行正则化处理的方式,包括:
分别将所述第一相关集合特征值矩阵中的特征值及所述第一非相关集合特征值矩阵中的特征值划分为多个区间;
针对每个区间分别对所述第一相关集合特征值矩阵中的特征值及所述第一非相关集合特征值矩阵中的特征值进行相应的正则化处理,得到第二相关集合特征值矩阵及第二非相关集合特征值矩阵。
进一步地,在本实施例中,所述正则化处理子模块1132分割特征值区间的方式,包括:
分别根据所述第一相关集合特征值矩阵中特征值的大小及所述第一非相关集合特征值矩阵中特征值的大小计算获得特征值分界点;
根据所述特征值分界点分别将分别所述第一相关集合特征值矩阵中特征值及所述第一非相关集合特征值矩阵的特征值划分为大特征值区间、小特征值区间及噪声区间。
进一步地,在本实施例中,所述正则化处理子模块1132进行相应的正则化处理的方式,包括:
对所述大特征值区间中的特征值采用抑制特征值的正则化处理;
对所述小特征值区间中的特征值采用提高特征值的正则化处理;
对所述噪声区间中的特征值采用平滑处理。
所述合成子模块1133,用于根据所述第二相关集合特征值矩阵及相关集合特征向量矩阵计算获得第二相关集合协方差矩阵,根据所述第二非相关集合特征值矩阵及非相关集合特征向量矩阵计算获得第二非相关集合协方差矩阵。
本实施例中,所述合成子模块1133可用于执行图3所示的子步骤S133,关于所述合成子模块1133的具体描述可参对所述子步骤S133的描述。
所述测度矩阵计算模块114,用于根据所述第二相关集合协方差矩阵及第二非相关集合协方差矩阵计算获得测度矩阵。
本实施例中,所述测度矩阵计算模块114可用于执行图2所示的步骤S140,关于所述测度矩阵计算模块114的具体描述可参对所述步骤S140的描述。
所述相似度计算模块115,用于根据所述测度矩阵及待分析行人对的图像特征,计算得到该待分析行人对的相似度。
本实施例中,所述相似度计算模块115可用于执行图2所示的步骤S150,关于所述相似度计算模块115的具体描述可参对所述步骤S150的描述。
基于上述设计,本实施例提供的方法及装置在计算效果上性能更加优秀。下面以VIPeR数据集进行实验的结果为例说明本实施例提供的方法。
VIPeR是行人重识别问题最主要的数据集,大多数行人重识别算法都在该数据集下进行比较,所以在该数据集下进行了多种实验来证明算法的有效性和先进性。
在VIPeR中有1264幅图像,总共632位行人。每一张图像都已经被人为剪裁为128×48像素大小的图片。
为了验证提出的算法优于原算法以及其他正则化方法,本文算法与KISSME及RE_KISS进行了比较,RE_KISS算法是对KISSME算法进行正则化的算法。与本实施例不同的是RE_KISS算法思想是对于协方差矩阵进行特征值分解,在特征值较小的区域取平均值代替其原有特征值,并将得到的特征值与单位阵做加权平均。由于不同数量的训练样本的会存在不同程度的过拟合现象,所以l值选取316和532来分别进行比较。3种算法在VIPeR的结果如表1所示:
表1
从表1中可以看出,本实施例提供的方法可以有效得提高行人重识别的精度。在rank1,提出的算法与原算法比较,不同数量训练样本l=316和l=532性能上分别提高了4%和11%,且在rank10,rank25和rank50的匹配率中,均有明显的改善。当l=532时候,即只有少量的训练样本,过拟合现象十分严重,这就导致了其识别效果明显低于l=316时的情况,在实际情况中通过正则化方法提高识别精度就变得尤为重要。而在样本较少的情况下,本文提出的算法对于KISSME算法性能的提升效果更为明显。
和RE_KISS算法相比,特别是l=532,对于过拟合的抑制效果显著优于RE_KISS算法。
为了验证本实施例提供的方法的优越性,将本实施例提供的方法与当前主流的行人重识别算法进行了比较,包括欧式距离,KISSME,LMNN,PRDC,ITML,CVDWA和rPCCA。同样对于l的取值为316和532。各个算法的结果如表2所示:
表2
从表2中可以看出,在两个测试集规模下,每一个rank等级的正确率均优于目前主流的算法,说明了算法在实际应用中具有良好的识别精度。注意到当l=532,即训练样本数量过少时,目前主流的算法识别精度都收了很大影响,而此时本实施例提供的方法不同rank等级的正确率优势体现的更为明显。充分说明了本实施例提供的方法对于训练样本不足产生的过拟合起到了很好的效果。
下面以CUHK01数据集进行实验的结果为例说明本实施例提供的方法。
CUHK01中由3884幅图像共971个行人组成。每个行人包含了四幅图像,前两幅图像是摄像头A拍摄一行人前后的图像,后两幅图像是摄像头B拍摄同一行人侧面的图像,从前两幅中随机选取一张,同时从后两幅图像中选取一张,从而构成相关行人对。同时将图像的大小调整为128×48像素。在本实施例中测试集为485对行人图像,训练集为486对行人图像。从表4中可以看出,本实施例提供的算法,性能在CUHK01数据集上均优于KISSME算法,在Rank1中匹配率提高了5%。
表4
算法 | 1 | 5 | 10 | 20 |
KISSME | 16.59 | 35.73 | 46.49 | 56.19 |
Proposed | 21.15 | 41.56 | 48.27 | 63.07 |
综上所述,本发明提供的行人相似度计算方法及装置,对相关行人和非相关行人的两个协方差矩阵特征值分解后,对其特征值进行平滑和优化,得到正则化后的测度矩阵,根据得出的测度矩阵进行行人相似度的计算。少量的训练样本时可以有效抑制识别计算过程中的过度拟合。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种行人相似度计算方法,应用于数据处理设备,其特征在于,所述方法包括:
获取相关行人对集合及非相关行人对集合中行人对的图像特征,其中,所述相关行人对集合中包括多个具有相关关系的行人对,所述非相关行人对集合中包括多个不具有相关关系的行人对;
分别根据所述相关行人对集合及非相关行人对集合中行人对的图像特征,计算获得第一相关集合协方差矩阵及第一非相关集合协方差矩阵;
分别对所述第一相关集合协方差矩阵及第一非相关集合协方差矩阵进行正则化处理,获得第二相关集合协方差矩阵及第二非相关集合协方差矩阵;
根据所述第二相关集合协方差矩阵及第二非相关集合协方差矩阵计算获得测度矩阵;
根据所述测度矩阵及待分析行人对的图像特征,计算得到该待分析行人对的相似度。
2.根据权利要求1所述的方法,其特征在于,分别对所述第一相关集合协方差矩阵及第一非相关集合协方差矩阵进行正则化处理,获得第二相关集合协方差矩阵及第二非相关集合协方差矩阵的步骤,包括:
对所述第一相关集合协方差矩阵进行分解,得到第一相关集合特征值矩阵及对应的相关集合特征向量矩阵,对所述第一非相关集合协方差矩阵进行分解,得到第一非相关集合特征值矩阵及对应的非相关集合特征向量矩阵;
分别对所述第一相关集合特征值矩阵及第一非相关集合特征值矩阵进行正则化处理,得到第二相关集合特征值矩阵及第二非相关集合特征值矩阵;
根据所述第二相关集合特征值矩阵及相关集合特征向量矩阵计算获得第二相关集合协方差矩阵,根据所述第二非相关集合特征值矩阵及非相关集合特征向量矩阵计算获得第二非相关集合协方差矩阵。
3.根据权利要求2所述的方法,其特征在于,分别对所述第一相关集合特征值矩阵及第一非相关集合特征值矩阵进行正则化处理,得到第二相关集合特征值矩阵及第二非相关集合特征值矩阵的步骤,包括:
分别将所述第一相关集合特征值矩阵中的特征值及所述第一非相关集合特征值矩阵中的特征值划分为多个区间;
针对每个区间分别对所述第一相关集合特征值矩阵中的特征值及所述第一非相关集合特征值矩阵中的特征值进行相应的正则化处理,得到第二相关集合特征值矩阵及第二非相关集合特征值矩阵。
4.根据权利要求3所述的方法,其特征在于,分别将所述第一相关集合特征值矩阵中的特征值及所述第一非相关集合特征值矩阵中的特征值划分为多个区间的步骤,包括:
分别根据所述第一相关集合特征值矩阵中特征值的大小及所述第一非相关集合特征值矩阵中特征值的大小计算获得特征值分界点;
根据所述特征值分界点分别将分别所述第一相关集合特征值矩阵中特征值及所述第一非相关集合特征值矩阵的特征值划分为大特征值区间、小特征值区间及噪声区间。
5.根据权利要求4所述的方法,其特征在于,对特征值进行相应的正则化处理的步骤,包括:
对所述大特征值区间中的特征值采用抑制特征值的正则化处理;
对所述小特征值区间中的特征值采用提高特征值的正则化处理;
对所述噪声区间中的特征值采用平滑处理。
6.一种行人相似度计算装置,应用于数据处理设备,其特征在于,所述装置包括:
获取模块,用于获取相关行人对集合及非相关行人对集合中行人对的图像特征,其中,所述相关行人对集合中包括多个具有相关关系的行人对,所述非相关行人对集合中包括多个不具有相关关系的行人对;
协方差矩阵计算模块,用于分别根据所述相关行人对集合及非相关行人对集合中行人对的图像特征,计算获得第一相关集合协方差矩阵及第一非相关集合协方差矩阵;
正则化模块,用于分别对所述第一相关集合协方差矩阵及第一非相关集合协方差矩阵进行正则化处理,获得第二相关集合协方差矩阵及第二非相关集合协方差矩阵;
测度矩阵计算模块,用于根据所述第二相关集合协方差矩阵及第二非相关集合协方差矩阵计算获得测度矩阵;
相似度计算模块,用于根据所述测度矩阵及待分析行人对的图像特征,计算得到该待分析行人对的相似度。
7.根据权利要求6所述的装置,其特征在于,所述正则化模块包括:
分解子模块,用于对所述第一相关集合协方差矩阵进行分解,得到第一相关集合特征值矩阵及对应的相关集合特征向量矩阵,对所述第一非相关集合协方差矩阵进行分解,得到第一非相关集合特征值矩阵及对应的非相关集合特征向量矩阵;
正则化处理子模块,用于分别对所述第一相关集合特征值矩阵及第一非相关集合特征值矩阵进行正则化处理,得到第二相关集合特征值矩阵及第二非相关集合特征值矩阵;
合成子模块,用于根据所述第二相关集合特征值矩阵及相关集合特征向量矩阵计算获得第二相关集合协方差矩阵,根据所述第二非相关集合特征值矩阵及非相关集合特征向量矩阵计算获得第二非相关集合协方差矩阵。
8.根据权利要求7所述的装置,其特征在于,正则化处理子模块进行正则化处理的方式,包括:
分别将所述第一相关集合特征值矩阵中的特征值及所述第一非相关集合特征值矩阵中的特征值划分为多个区间;
针对每个区间分别对所述第一相关集合特征值矩阵中的特征值及所述第一非相关集合特征值矩阵中的特征值进行相应的正则化处理,得到第二相关集合特征值矩阵及第二非相关集合特征值矩阵。
9.根据权利要求8所述的装置,其特征在于,所述正则化处理子模块分割特征值区间的方式,包括:
分别根据所述第一相关集合特征值矩阵中特征值的大小及所述第一非相关集合特征值矩阵中特征值的大小计算获得特征值分界点;
根据所述特征值分界点分别将分别所述第一相关集合特征值矩阵中特征值及所述第一非相关集合特征值矩阵的特征值划分为大特征值区间、小特征值区间及噪声区间。
10.根据权利要求9所述的装置,其特征在于,所述正则化处理子模块进行相应的正则化处理的方式,包括:
对所述大特征值区间中的特征值采用抑制特征值的正则化处理;
对所述小特征值区间中的特征值采用提高特征值的正则化处理;
对所述噪声区间中的特征值采用平滑处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710322698.2A CN107122755A (zh) | 2017-05-09 | 2017-05-09 | 行人相似度计算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710322698.2A CN107122755A (zh) | 2017-05-09 | 2017-05-09 | 行人相似度计算方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107122755A true CN107122755A (zh) | 2017-09-01 |
Family
ID=59727898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710322698.2A Pending CN107122755A (zh) | 2017-05-09 | 2017-05-09 | 行人相似度计算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107122755A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875505A (zh) * | 2017-11-14 | 2018-11-23 | 北京旷视科技有限公司 | 基于神经网络的行人再识别方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500345A (zh) * | 2013-09-29 | 2014-01-08 | 华南理工大学 | 一种基于距离度量学习行人重验证的方法 |
CN106599807A (zh) * | 2016-12-01 | 2017-04-26 | 中科唯实科技(北京)有限公司 | 一种基于自编码的行人检索方法 |
-
2017
- 2017-05-09 CN CN201710322698.2A patent/CN107122755A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500345A (zh) * | 2013-09-29 | 2014-01-08 | 华南理工大学 | 一种基于距离度量学习行人重验证的方法 |
CN106599807A (zh) * | 2016-12-01 | 2017-04-26 | 中科唯实科技(北京)有限公司 | 一种基于自编码的行人检索方法 |
Non-Patent Citations (2)
Title |
---|
VENICE ERIN LIONG ET AL: "regularized local metric learning for person re-identification", 《PATTERN RECOGNITION LETTERS》 * |
陶大鹏: "高维问题中的小样本学习", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875505A (zh) * | 2017-11-14 | 2018-11-23 | 北京旷视科技有限公司 | 基于神经网络的行人再识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Factorization-based texture segmentation | |
Montazer et al. | An improved radial basis function neural network for object image retrieval | |
CN103279957A (zh) | 一种基于多尺度特征融合的遥感图像感兴趣区域提取方法 | |
CN103886335B (zh) | 基于模糊粒子群和散射熵的极化sar图像分类方法 | |
CN106529377A (zh) | 一种基于图像的年龄估计方法、装置及系统 | |
Vishnumurthy et al. | Automatic segmentation of brain MRI images and tumor detection using morphological techniques | |
CN108921170B (zh) | 一种有效的图像噪声检测和去噪方法及系统 | |
CN114972339A (zh) | 用于推土机结构件生产异常检测的数据增强系统 | |
CN105825215B (zh) | 一种基于局部近邻嵌入核函数的仪表定位方法及使用载体 | |
CN113221660B (zh) | 一种基于特征融合的跨年龄人脸识别方法 | |
CN107392211A (zh) | 基于视觉稀疏认知的显著目标检测方法 | |
Karoui et al. | Region-based image segmentation using texture statistics and level-set methods | |
CN107122755A (zh) | 行人相似度计算方法及装置 | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
Liu et al. | An efficient collaborative filtering method for image noise and artifact removal | |
CN113378620A (zh) | 监控视频噪声环境下跨摄像头行人重识别方法 | |
Sharma et al. | Study and analysis of edge detection techniques in digital images | |
Arora et al. | Noise adaptive FCM algorithm for segmentation of MRI brain images using local and non-local spatial information | |
CN113705630B (zh) | 一种皮肤病变图像分类方法 | |
CN115050069A (zh) | 基于深度学习的人脸及属性识别方法、系统及计算机设备 | |
Wu et al. | Infrared image segmentation for power equipment failure based on fuzzy clustering and wavelet decomposition | |
Qiao et al. | Lung nodule classification using curvelet transform, LDA algorithm and BAT-SVM algorithm | |
CN104966293B (zh) | 基于pg算法的图像细节特征保护方法 | |
CN114445649A (zh) | 用多尺度超像素融合检测rgb-d单幅图像阴影的方法 | |
Odaudu et al. | Sequential feature selection using hybridized differential evolution algorithm and haar cascade for object detection framework |
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: 20170901 |