CN108021898A - 一种基于适配距离量度学习的人物再识别方法 - Google Patents

一种基于适配距离量度学习的人物再识别方法 Download PDF

Info

Publication number
CN108021898A
CN108021898A CN201711335173.9A CN201711335173A CN108021898A CN 108021898 A CN108021898 A CN 108021898A CN 201711335173 A CN201711335173 A CN 201711335173A CN 108021898 A CN108021898 A CN 108021898A
Authority
CN
China
Prior art keywords
mrow
msub
distance
data set
formula
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
Application number
CN201711335173.9A
Other languages
English (en)
Inventor
张冠文
周巍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201711335173.9A priority Critical patent/CN108021898A/zh
Publication of CN108021898A publication Critical patent/CN108021898A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种基于适配距离量度学习的人物再识别方法，涉及视频图像处理领域，本发明构建人物特征表示模型，利用LMNN距离量度学习方法，学习获得公共数据距离量度，在目标数据集上，根据适配距离量度进行求解，比较查询人物与候选人物临近距离，具有最小损失的候选人物即为查询人物的再识别结果。本发明适配距离量度学习利用公共数据集与目标数据集的距离量度信息，学习拟合目标数据集的再识别任务的距离量度，适配距离量度学习整合公共数据集距离量度与目标数据集距离量度，有效提高目标数据集人物再识别任务准确率；适配距离量度学习能够克服过拟合问题，取得较高的再识别准确率；有效抑制再识别任务中多图像比较的类大方差大于类间方差问题。

Description

一种基于适配距离量度学习的人物再识别方法
技术领域
本发明涉及视频图像处理领域，尤其是一种人物再识别方法。
背景技术
人物再识别(PeopleRe-identification)对相同人物在不同摄像机视域中拍摄到的图像进行关联匹配，实现对人物在摄像机监控网络中全局搜索。人物再识别是视频监控系统中关键技术，安防部门通过人物再识别，能够对特定目标人物进行跟踪与定位，为应对突发事件高效部署警力提供有力的支持与帮助。
人物再识别技术的研究方法主要为构建人物特征表示模型与人物特征表示模型比较两大类。在第一类研究方法中，相关研究工作对人物外观表示的全局及局部的颜色、形状及纹理等特征进行提取，并与图结构模型(PictorialStructure)、对称因子(SymmetryFactors)及显著性(Salience)等空间信息进行整合，以增强人物特征表示模型的区分能力。在第二类研究方法中，相关研究工作在人物特征表示模型基础之上，利用距离量度学习(DistanceMetricLearning)等方法对特征表示模型进行比较。如Zheng等人提出临近距离比较模型(RelativeDistanceComparison)，描述正确人物匹配与错误人物匹配之间的概率关系，将人物再识别问题转换为距离量度学习问题。Dikemen等人在大间隔最近邻居(LargeMarginNearestNeighbor，LMNN)框架模型下，进一步扩大不同人物特征表示模型实例之间的距离。Li等人通过迁移学习方法，将公共数据集中获得的距离量度迁移为目标数据集的距离量度。上述两类研究方法在人物再识别单一图像(single-shot)比较匹配任务中具有较好的表现，然而在扩展至多图像(multiple-shot)比较匹配时，具有以下局限。首先，同一人物的多个图像，由于相机摄像、光照条件以及人物姿态等因素影响，其特征表示实例具有较大的类内方差(intra-classvariance)；其次，在人物再识别应用场景中假设人物外观服饰没有改变，因此，对机器学习等任务仅有少量训练数据。由于人物外观表示在上述条件下的复杂性，统计学习模型在少量训练数据情况下无法获得目标数据集的全局信息，导致出现过拟合的现象，传统的单一图像比较匹配的行人再识别研究方法，很难解决上述两个问题。
发明内容
为了克服现有技术的不足，本发明针对传统单一目标比较匹配的人物再识别研究方法的不足，利用公共数据集辅助目标数据集任务，提出一种基于适配距离量度学习的人物再识别方法，解决多图像比较匹配的类内方差较大、以及再识别任务中训练数据不足的问题。
本发明解决其技术问题所采用的技术方案包括以下步骤：
第一步：选择颜色、纹理以及形状特征表示，构建人物特征表示模型，令xi表示第i人物特征实例；
第二步：在公共数据集Ds上利用LMNN距离量度学习方法，学习获得公共数据集Ds上的距离量度Ms；
第三步：在目标数据集Dt上利用LMNN距离量度学习方法，学习获得目标数据集Dt上距离量度Mt′；
第四步：在目标数据集Dt上，根据第二步和第三步所得的距离量度Ms和Mt′，定义损失函数如公式(1)所示，对目标数据集的适配距离量度Mt进行求解：
其中γ1与γ2为权重参数，L(*)定义为损失函数，表示适配距离量度Mt在目标数据集上损失，L(*)定义形式为：
式(2)中，xi，xj与xk表示人物特征表示模型实例，表示xj为xi的最邻近特征实例；当xi与xk属于相同人物时候，yik＝1，否则yik＝0；D(xi，xj)＝(xi-xj)TMt(xi-xj)，其中Mt为适配距离量度，式(2)中，第一求和项表示属于同一人物特征实例的临近距离，第二项表示不同人物特征实例的临近距离，C为预定义的正数常量，[*]+表示Hinge损失函数，保证损失函数L(Mt，Dt)为凸函数；
公式(1)中，R(*)为正则项描述适配距离量度Mt与距离量度Ms，Mt′间的散度(Divergence)关系，本发明采用Bregman分散定义距离量度X与Y的散度为：
其中函数为实数空间中可微凸函数，选择vonNeumann分散作为函数，对特征空间局部结构信息进行约束，R(M1，M2)定义形式为：
R(M1，M2)＝tr(M1log M1-M1log M2-M1+M2) (4)
式(4)中，tr(*)表示矩阵迹操作，计算矩阵对角线元素之和，将公式(1)中对目标数据集的适配距离量度Mt求解问题，转化为如下公式(5)所示的优化问题：
其中，为松弛因子，满足以及的约束；
公式(5)对距离量度Mt约束为半正定矩阵，利用半正定规划(Semi-positiveDefinite Programming，SDP)对(5)求解，可获得适配距离量度Mt全局最优解；
第五步：比较查询人物p与候选人物t临近距离，即利用第四步中获取的距离量度Mt计算p与t之间的距离损失函数：
L(p，t)＝Ld(p，t)+λLo(p，t) (6)
式(6)中，λ∈[0，1]调节Ld(p，t)与Lo(p，t)权重比例；
将人物p的多个特征表示实例构成的集合表示为Cp，将人物t的多个特征表示实例构成的集合表示为Ct，将不包含人物t的其他候选人物构成的集合表示为Ce，将Cp拆分两个子集CpA与CpB：
如果Cp中的实例能够被Ct的实例通过k最近邻规则(k-Nearest Neighbor，k-NN)分类，则该实例属于CpB；否则，该实例属于CpA，令表示Ct与CpB的并集：式(6)中Ld(p，t)定义为如下形式：
式(7)中，当实例y是实例x的k最近邻时，hd(x，y)＝1，否则hd(x，y)＝0；公式(6)中，Lo(p，t)定义如下形式：
其中，λ1与λ2为权重参数，I(a，b)表示在实例a的邻域Na中，与a具有不同标签的实例b所构成的损失，I(a，b)定义如下：
式(9)中，h(t)为Hinge函数，当t＜0时，h(t)＝0；当t＞0时，h(t)＝t，公式(7)与公式(9)中D(x，y)＝(x-y)TMt(x-y)，利用式(6)将查询人物p与所有候选人物t进行比较，具有最小损失的候选人物t*即为查询人物p的再识别结果。
本发明的有益效果是与传统迁移学习方法比较，适配距离量度学习利用公共数据集与目标数据集的距离量度信息，学习拟合目标数据集的再识别任务的距离量度，适配距离量度学习可以整合公共数据集距离量度与目标数据集距离量度，能够有效提高目标数据集人物再识别任务准确率；当目标集仅有少量数据时，适配距离量度学习能够克服过拟合问题，取得较高的再识别准确率；基于适配距离量度的临近距离比较，能够有效抑制再识别任务中多图像比较的类大方差大于类间方差问题。
附图说明
图1为本发明人物再识别方法的流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
以再识别任务数据集ETHZ，PersonRe-ID构建公共数据集，以CAVIAR4REID为目标数据集测试适配距离量度学习，与L1，L2，巴氏距离(Bhattacharyya，Bhat.)，RCA(RelevantComponentsAnalysis)及ITML(Information-TheoreticMetricLearning)等距离量度方法比较，考察人物再识别任务CMC(CumulativeMatchingCharacteristic，累积匹配特性)指标。本发明方法实施流程图如图1所示。
本发明解决其技术问题所采用的技术方案包括以下步骤：
第一步：选择颜色、纹理以及形状特征表示，构建人物特征表示模型，令xi表示第i人物特征实例；
本发明利用denseRGB，denseHUE，denseSIFT，Gabor及HOG等特征构建人物特征表示向量，利用PCA(PrincipalComponentAnalysis，主成成分分析)获取400维度特征表示作为特征表示模型。
第二步：在公共数据集Ds上利用LMNN距离量度学习方法，学习获得公共数据集Ds上的距离量度Ms；
本发明在由ETHZ与PersonRe-ID构建的公共数据集上，利用LMNN方法学习公共数据集的距离量度Ms。
第三步：在目标数据集Dt上利用LMNN距离量度学习方法，学习获得目标数据集Dt上距离量度Mt′；
本发明在目标集CAVIAR4REID训练数据集上，利用LMNN距离量度方法学习目标数据集的距离量度Mt′。
第四步：在目标数据集Dt上，根据第二步和第三步所得的距离量度Ms和Mt′，定义损失函数如公式(1)所示，对目标数据集的适配距离量度Mt进行求解：
fMt＝L(Mt，Dt)+γ1R(Mt，Ms)+γ2R(Mt，Mt，) (1)
其中γ1与γ2为权重参数，调节公式中后两项的比例系数，公式(1)中，L(*)定义为损失函数，表示适配距离量度Mt在目标数据集上损失，L(*)定义形式为：
式(2)中，xi，xj与xk表示人物特征表示模型实例，表示xj为xi的最邻近特征实例；当xi与xk属于相同人物时候，yik＝1，否则yik＝0；
D(xi，xj)＝(xi-xj)TMt(xi-xj)，其中Mt为适配距离量度，式(2)中，第一求和项表示属于同一人物特征实例的临近距离，第二项表示不同人物特征实例的临近距离，C为预定义的正数常量，用以调节第一项与第二项的权重比例，[*]+表示Hinge损失函数，保证损失函数L(Mt，Dt)为凸函数；
公式(1)中，R(*)为正则项描述适配距离量度Mt与距离量度Ms，Mt，间的散度(Divergence)关系，本发明采用Bregman分散定义距离量度X与Y的散度为：
其中函数为实数空间中可微凸函数，本发明选择vonNeumann分散作为函数，对特征空间局部结构信息进行约束，R(M1，M2)定义形式为：
R(M1，M2)＝tr(M1log M1-M1log M2-M1+M2) (4)
式(4)中，tr(*)表示矩阵迹操作，计算矩阵对角线元素之和，将公式(1)中对目标数据集的适配距离量度Mt求解问题，转化为如下公式(5)所示的优化问题：
其中，为松弛因子，满足以及的约束；
公式(5)对距离量度Mt约束为半正定矩阵，利用半正定规划(Semi-positiveDefinite Programming，SDP)对(5)求解，可获得适配距离量度Mt全局最优解；
本发明在目标数据集CAVIAR4REID上，根据第一、二步距离量度结果Ms与Mt′，利用半正定规划(SDP)对公式(1)优化求解，计算获得适配距离量度Mt：
其中，设置r1＝0.6，r2＝0.4，C＝0.6。公式(5)中，Mt≥0约束距离量度Mt为半正定矩阵；D(xi，xj)＝(xi-xj)TM(xi-xj)，其中M表示距离量度；tr(*)表示矩阵迹操作，计算矩阵对角线元素之和。
第五步：比较查询人物p与候选人物t临近距离，即利用第四步中获取的距离量度Mt计算p与t之间的距离损失函数：
L(p，t)＝Ld(p，t)+λLo(p，t) (6)
式(6)中，λ∈[0，1]用以调节Ld(p，t)与Lo(p，t)权重比例；
将人物p的多个特征表示实例构成的集合表示为Cp，将人物t的多个特征表示实例构成的集合表示为Ct，将不包含人物t的其他候选人物构成的集合表示为Ce，本发明将Cp拆分两个子集CpA与CpB：
如果Cp中的实例能够被Ct的实例通过k最近邻规则(k-Nearest Neighbor，k-NN)分类，则该实例属于CpB；否则，该实例属于CpA，令表示Ct与CpB的并集：式(6)中Ld(p，t)定义为如下形式：
式(7)中，当实例y是实例x的k最近邻时，否则公式(6)中，Lo(p，t)定义如下形式：
其中，λ1与λ2为权重参数，I(a，b)表示在实例a的邻域Na中，与a具有不同标签的实例b所构成的损失，I(a，b)定义如下：
式(9)中，h(t)为Hinge函数，当t＜0时，h(t)＝0；当t＞0时，h(t)t，公式(7)与公式(9)中D(x，y)＝(x-y)TMt(x-y)，利用式(6)将查询人物p与所有候选人物t进行比较，具有最小损失的候选人物t*即为查询人物p的再识别结果。
在目标集CAVIAR4REID测试数据集上，考察查询人物p与候选人物t，利用公式(6)计算人物p与人物t的距离损失。
实施例中，设置最近邻分类规则中k＝3，设置λ1＝0.5，λ2＝0.5。将查询人物p与所有候选人物t进行比较，具有最小损失的候选人物即为查询人物p的再识别结果。完成CAVIAR4REID训练集中所有查询人物的再识别任务后，统计其CMC指标如下表所示：
表1适配距离量度与其他距离量度方法性能比较
Method Top-1 Top-5 Top-10 Top-15 Top-20 Top-25 Top-30 Top-35
L1 28.06 51.81 65.14 73.33 85.28 92.22 96.25 99.58
L2 29.86 55.00 67.36 77.92 87.08 92.92 97.78 100
Bhat. 27.64 47.08 61.39 74.44 82.92 90.14 95.97 100
RCA 2.92 15.00 28.33 41.53 56.53 70.83 85.14 97.64
ITML 10.56 35.83 56.39 72.78 84.03 90.42 95.69 99.86
Adaptive 32.92 59.86 75.00 82.92 87.92 92.22 95.83 100
表2基于适配距离量度的临近距离比较与其他方法性能比较
Method Top-1 Top-5 Top-10 Top-15 Top-20 Top-25 Top-30 Top-35
L1Pairwise 11.99 39.59 54.93 67.81 80.53 88.61 96.58 99.98
L2Pairwise 7.56 36.91 57.78 73.24 85.34 92.80 97.13 99.99
Bhat.Pairwise 23.19 45.14 59.03 71.53 80.14 88.61 95.14 100
RCAPairwise 3.61 18.33 35.00 47.22 61.67 76.11 88.19 97.36
ITMLPairwise 14.17 36.39 56.39 69.86 81.25 88.75 95.14 100
AdaptiveLocal 32.92 59.86 75.00 82.92 87.92 92.22 95.83 100
表3基于不同比例训练数据的目标距离量度与适配距离量度性能比较
Method Top-1 Top-5 Top-10 Top-15 Top-20 Top-25 Top-30 Top-35
Target(25％) 18.61 46.81 63.89 73.89 84.03 90.56 96.25 100
Target(50％) 23.47 51.67 66.11 75.97 86.81 92.50 95.69 100
Target(75％) 24.17 53.89 66.39 76.11 81.94 88.61 94.86 100
Target(100％) 26.81 57.78 73.19 81.39 87.92 92.64 96.94 100
Adaptive(25％) 30.00 63.61 77.78 83.89 87.50 93.75 96.94 100
Adaptive(50％) 32.78 61.25 78.47 85.14 89.72 93.06 95.83 99.86
Adaptive(75％) 28.33 60.83 74.72 83.75 90.14 93.47 96.11 99.58
Adaptive(100％) 32.92 59.86 75.00 82.92 87.91 92.22 95.83 100
从表1可以看出，与其他距离量度方法相比，适配量度学习方法(Adaptive)将公共数据集与目标数据的距离量度进行关联，对目标数据集人物实例进行拟合，在再识别任务的CMC指标上具有较大提升。从表2可以看出，基于适配距离量度的临近距离比较(AdaptiveLocal)对比传统Pairwise比较方法，有效抑制人物特征表示模型中类内方差大于类间方差的问题。实施实例进一步在不同比例(25％，50％，75％及100％)的训练集上，训练学习目标距离量度(Target)与适配距离量度(Adaptive)，并比较其CMC指标。从表3可以看出，当使用较少训练数据时，目标距离量度的CMC性能较低；比较适配距离量度方法，在目标数据集仅有少量训练数据时，适配距离量度方法能够克服复杂模型在小样本数据上的过拟合问题，取得较高再识别任务的性能。

Claims (1)

1.一种基于适配距离量度学习的人物再识别方法，其特征在于包括下述步骤：
第一步：选择颜色、纹理以及形状特征表示，构建人物特征表示模型，令xi表示第i人物特征实例；
第二步：在公共数据集Ds上利用LMNN距离量度学习方法，学习获得公共数据集Ds上的距离量度Ms；
第三步：在目标数据集Dt上利用LMNN距离量度学习方法，学习获得目标数据集Dt上距离量度Mt′；
第四步：在目标数据集Dt上，根据第二步和第三步所得的距离量度Ms和Mt′，定义损失函数如公式(1)所示，对目标数据集的适配距离量度Mt进行求解：
<mrow> <msub> <mi>f</mi> <msub> <mi>M</mi> <mi>t</mi> </msub> </msub> <mo>=</mo> <mi>L</mi> <mrow> <mo>(</mo> <msub> <mi>M</mi> <mi>t</mi> </msub> <mo>,</mo> <msub> <mi>D</mi> <mi>t</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>&amp;gamma;</mi> <mn>1</mn> </msub> <mi>R</mi> <mrow> <mo>(</mo> <msub> <mi>M</mi> <mi>t</mi> </msub> <mo>,</mo> <msub> <mi>M</mi> <mi>s</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>&amp;gamma;</mi> <mn>2</mn> </msub> <mi>R</mi> <mrow> <mo>(</mo> <msub> <mi>M</mi> <mi>t</mi> </msub> <mo>,</mo> <msub> <mi>M</mi> <mi>t</mi> </msub> <mo>,</mo> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中γ1与γ2为权重参数，L(*)定义为损失函数，表示适配距离量度Mt在目标数据集上损失，L(*)定义形式为：
式(2)中，xi，xj与xk表示人物特征表示模型实例，表示xj为xi的最邻近特征实例；当xi与xk属于相同人物时候，yik＝1，否则yik＝0；
D(xi，xj)＝(xi-xj)TMt(xi-xj)，其中Mt为适配距离量度，式(2)中，第一求和项表示属于同一人物特征实例的临近距离，第二项表示不同人物特征实例的临近距离，C为预定义的正数常量，[*]+表示Hinge损失函数，保证损失函数L(Mt，Dt)为凸函数；
公式(1)中，R(*)为正则项描述适配距离量度Mt与距离量度Ms，Mt′间的散度关系，本发明采用Bregman分散定义距离量度X与Y的散度为：
其中函数为实数空间中可微凸函数，选择vonNeumann分散作为函数，对特征空间局部结构信息进行约束，R(M1,M2)定义形式为：
R(M1，M2)＝tr(M1 log M1-M1 log M2-M1+M2) (4)
式(4)中，tr(*)表示矩阵迹操作，计算矩阵对角线元素之和，将公式(1)中对目标数据集的适配距离量度Mt求解问题，转化为如下公式(5)所示的优化问题：
其中，ζijk为松弛因子，满足D(xi，xk)-D(xi，xj)≥1-ζijk以及ζijk≥0的约束；
公式(5)对距离量度Mt约束为半正定矩阵，利用半正定规划对(5)求解，可获得适配距离量度Mt全局最优解；
第五步：比较查询人物p与候选人物t临近距离，即利用第四步中获取的距离量度Mt计算p与t之间的距离损失函数：
L(p，t)＝Ld(p，t)+λLo(p，t) (6)
式(6)中，λ∈[0，1]调节Ld(p，t)与Lo(p，t)权重比例；
将人物p的多个特征表示实例构成的集合表示为Cp，将人物t的多个特征表示实例构成的集合表示为Ct，将不包含人物t的其他候选人物构成的集合表示为Ce，将Cp拆分两个子集CpA与CpB：
如果Cp中的实例能够被Ct的实例通过k最近邻规则分类，则该实例属于CpB；否则，该实例属于CpA，令表示Ct与CpB的并集：式(6)中Ld(p，t)定义为如下形式：
<mrow> <msub> <mi>L</mi> <mi>d</mi> </msub> <mrow> <mo>(</mo> <mi>p</mi> <mo>,</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>x</mi> <mo>&amp;Element;</mo> <msub> <mi>C</mi> <mrow> <mi>p</mi> <mi>A</mi> </mrow> </msub> </mrow> </munder> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>y</mi> <mo>&amp;Element;</mo> <msubsup> <mi>C</mi> <mi>t</mi> <mo>+</mo> </msubsup> </mrow> </munder> <msub> <mi>h</mi> <mi>d</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mi>D</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
式(7)中，当实例y是实例x的k最近邻时，hd(x，y)＝1，否则hd(x，y)＝0；公式(6)中，Lo(p，t)定义如下形式：
<mrow> <msub> <mi>L</mi> <mi>o</mi> </msub> <mrow> <mo>(</mo> <mi>p</mi> <mo>,</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>x</mi> <mo>&amp;Element;</mo> <msub> <mi>C</mi> <mrow> <mi>p</mi> <mi>A</mi> </mrow> </msub> </mrow> </munder> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>z</mi> <mo>&amp;Element;</mo> <msub> <mi>C</mi> <mi>e</mi> </msub> </mrow> </munder> <mo>{</mo> <msub> <mi>&amp;lambda;</mi> <mn>1</mn> </msub> <mi>I</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>z</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>&amp;lambda;</mi> <mn>2</mn> </msub> <mi>I</mi> <mrow> <mo>(</mo> <mi>z</mi> <mo>,</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>}</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
其中，λ1与λ2为权重参数，I(a，b)表示在实例a的邻域Na中，与a具有不同标签的实例b所构成的损失，I(a，b)定义如下：
<mrow> <mi>I</mi> <mrow> <mo>(</mo> <mi>a</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>c</mi> <mo>&amp;Element;</mo> <msub> <mi>N</mi> <mi>a</mi> </msub> </mrow> </munder> <mi>h</mi> <mrow> <mo>(</mo> <mi>D</mi> <mo>(</mo> <mrow> <mi>a</mi> <mo>,</mo> <mi>c</mi> </mrow> <mo>)</mo> <mo>-</mo> <mi>D</mi> <mo>(</mo> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
式(9)中，h(t)为Hinge函数，当t＜0时，h(t)＝0；当t＞0时，h(t)＝t，公式(7)与公式(9)中D(x，y)＝(x-y)TMt(x-y)，利用式(6)将查询人物p与所有候选人物t进行比较，具有最小损失的候选人物t*即为查询人物p的再识别结果。
CN201711335173.9A 2017-12-14 2017-12-14 一种基于适配距离量度学习的人物再识别方法 Pending CN108021898A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711335173.9A CN108021898A (zh) 2017-12-14 2017-12-14 一种基于适配距离量度学习的人物再识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711335173.9A CN108021898A (zh) 2017-12-14 2017-12-14 一种基于适配距离量度学习的人物再识别方法

Publications (1)

Publication Number Publication Date
CN108021898A true CN108021898A (zh) 2018-05-11

Family

ID=62073644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711335173.9A Pending CN108021898A (zh) 2017-12-14 2017-12-14 一种基于适配距离量度学习的人物再识别方法

Country Status (1)

Country Link
CN (1) CN108021898A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458139A (zh) * 2019-08-19 2019-11-15 浙江工业大学 基于行人身体子区域颜色直方图的行人重识别预匹配方法
CN110517427A (zh) * 2018-05-22 2019-11-29 杭州萤石软件有限公司 一种报警信息识别方法、服务器和系统
CN111523351A (zh) * 2019-02-02 2020-08-11 北京地平线机器人技术研发有限公司 神经网络的训练方法、装置和电子设备
CN113705337A (zh) * 2021-07-15 2021-11-26 南京林业大学 一种基于独立共享空间距离度量学习的无人机多视图火人烟识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160180196A1 (en) * 2014-12-22 2016-06-23 Canon Kabushiki Kaisha Object re-identification using self-dissimilarity
CN105989369A (zh) * 2015-02-15 2016-10-05 中国科学院西安光学精密机械研究所 基于度量学习的行人再识别方法
CN107145827A (zh) * 2017-04-01 2017-09-08 浙江大学 基于自适应距离度量学习的跨摄像机行人再识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160180196A1 (en) * 2014-12-22 2016-06-23 Canon Kabushiki Kaisha Object re-identification using self-dissimilarity
CN105989369A (zh) * 2015-02-15 2016-10-05 中国科学院西安光学精密机械研究所 基于度量学习的行人再识别方法
CN107145827A (zh) * 2017-04-01 2017-09-08 浙江大学 基于自适应距离度量学习的跨摄像机行人再识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GUANWEN ZHANG 等: "Adaptive Metric Learning for People Re-Identification", 《IEICE》 *
罗伟: "前视车辆检测及定位算法研究与实现", 《万方数据》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110517427A (zh) * 2018-05-22 2019-11-29 杭州萤石软件有限公司 一种报警信息识别方法、服务器和系统
CN110517427B (zh) * 2018-05-22 2022-03-25 杭州萤石软件有限公司 一种报警信息识别方法、服务器和系统
CN111523351A (zh) * 2019-02-02 2020-08-11 北京地平线机器人技术研发有限公司 神经网络的训练方法、装置和电子设备
CN110458139A (zh) * 2019-08-19 2019-11-15 浙江工业大学 基于行人身体子区域颜色直方图的行人重识别预匹配方法
CN110458139B (zh) * 2019-08-19 2022-02-11 浙江工业大学 基于行人身体子区域颜色直方图的行人重识别预匹配方法
CN113705337A (zh) * 2021-07-15 2021-11-26 南京林业大学 一种基于独立共享空间距离度量学习的无人机多视图火人烟识别方法
CN113705337B (zh) * 2021-07-15 2024-03-22 南京林业大学 一种基于独立共享空间距离度量学习的无人机多视图火人烟识别方法

Similar Documents

Publication Publication Date Title
Narihira et al. Learning lightness from human judgement on relative reflectance
Liu et al. Combining multiple kernel methods on riemannian manifold for emotion recognition in the wild
Peng et al. Discriminative graph regularized extreme learning machine and its application to face recognition
CN109101938B (zh) 一种基于卷积神经网络的多标签年龄估计方法
US9396412B2 (en) Machine-learnt person re-identification
Kar et al. Study of implementing automated attendance system using face recognition technique
CN104657718B (zh) 一种基于人脸图像特征极限学习机的人脸识别方法
Wolf et al. Effective unconstrained face recognition by combining multiple descriptors and learned background statistics
CN108021898A (zh) 一种基于适配距离量度学习的人物再识别方法
CN100440246C (zh) 一种人脸特征点定位方法
CN110135459B (zh) 一种基于双三元组深度度量学习网络的零样本分类方法
CN105205501B (zh) 一种多分类器联合的弱标注图像对象检测方法
CN106022317A (zh) 人脸识别方法及装置
CN111090764B (zh) 基于多任务学习和图卷积神经网络的影像分类方法及装置
CN105608471A (zh) 一种鲁棒直推式标签估计及数据分类方法和系统
Kulkarni et al. Real time face recognition using LBP features
Liu et al. A novel locally linear KNN model for visual recognition
CN106056067B (zh) 基于对应关系预测的低分辨率人脸图像识别方法
Okokpujie et al. Predictive modeling of trait-aging invariant face recognition system using machine learning
CN108133230A (zh) 一种面向目标人物距离量度学习的人物再识别方法
Nikitidis et al. Projected gradients for subclass discriminant nonnegative subspace learning
Sorci et al. Modelling human perception of static facial expressions
Gupta et al. HaarCascade and LBPH Algorithms in Face Recognition Analysis
CN112131477A (zh) 一种基于用户画像的图书馆图书推荐系统及方法
Mitra et al. Face recognition by city-block distance classifier in supervised machine learning

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180511

WD01 Invention patent application deemed withdrawn after publication