CN110727818B - 一种基于低秩嵌入表示的二进制图像特征编码方法 - Google Patents

Abstract

本发明公开了一种基于低秩嵌入表示的二进制图像特征编码方法，所述方法包括：基于低秩子空间表示项、二进制编码学习项和二进制编码约束项得到图像特征二进制编码框架；基于二进制编码框架获取总目标函数，利用迭代法获取子空间映射矩阵、二进制映射矩阵；由映射矩阵、新样本特征矩阵获取低秩表示，再对低秩表示进行二进制编码，使得新样本特征矩阵在汉明空间中得到二进制编码。本发明通过联合学习低秩子空间映射和二进制编码，降低图片由不同摄像头拍摄带来的影响，生成高质量的二进制图像编码。

Description

一种基于低秩嵌入表示的二进制图像特征编码方法

技术领域

本发明涉及智能交通技术领域，尤其涉及一种基于低秩嵌入表示的二进制图像特征编码方法。

背景技术

计算机视觉是当今人工智能的重要技术之一，是机器感知外界环境的基础。摄像头拍摄图片、视频等作为输入数据，机器根据输入数据给出反馈，才能进行下一步操作。因此，将输入图像进行准确高效的特征表示，成为许多后续步骤的基础。诸如，在大规模的互联网图像数据库中，为用户提供高质量的图片检索服务，即需要前期对图片特征的有效表示；在安防监控中，对行人、车辆等的快速匹配，也需要对目标行人或车辆的图片进行准确而简洁的特征表示。

在提高图像特征表征鲁棒性上，研究者们做出了许多工作，比如设计颜色、纹理描述子等提取图像的低层特征，或利用卷积神经网络提取图像的深度特征。然而，数据库中的图像通常是从不同摄像头中获取得到的，往往存在视角变化、分辨率、光照变化、模糊等问题。低秩约束在挖掘数据的潜在的本征表示方面具有良好的应用效果，研究者们使用低秩约束方法在提高数据特征表示能力和消除数据中的噪声方面做了一些研究，将低秩约束应用到图像特征表示中，可以使特征更稳定有效。

另外，由于研究者们一般关注于更加鲁棒的视觉表示，大多数的策略都集中于提升特征表征的准确度，进而提升匹配率，却忽视了在测试使用阶段相对大体量的待匹配图片的可扩展性。因此，现有的图像特征表示方法会使得在后续的检索步骤中，随着待匹配图片数量的增长，时间和存储的消耗迅速激增。

发明内容

本发明提供了一种基于低秩嵌入表示的二进制图像特征编码方法，本发明通过联合学习低秩子空间映射和二进制编码，降低图片由不同摄像头拍摄带来的影响，生成高质量的二进制图像编码，详见下文描述：

一种基于低秩嵌入表示的二进制图像特征编码方法，所述方法包括：

基于低秩子空间表示项、二进制编码学习项和二进制编码约束项得到图像特征二进制编码框架；

基于二进制编码框架获取总目标函数，利用迭代法获取子空间映射矩阵、二进制映射矩阵；

由映射矩阵、新样本特征矩阵获取低秩表示，再对低秩表示进行二进制编码，使得新样本特征矩阵在汉明空间中得到二进制编码。

其中，所述低秩子空间表示项具体为：将图像特征矩阵通过子空间映射矩阵、潜在低秩表示映射到低秩样本子空间中。

进一步地，所述二进制编码学习项具体为：借助图像标签信息和局部亲和度信息，通过二进制映射矩阵将低秩子空间内特征映射到汉明空间中。

具体实现时，所述二进制编码约束项具体为：通过正则化约束与垂直约束构建。

本发明提供的技术方案的有益效果是：

1、本发明通过低秩子空间学习，既保留了样本的个体信息，又降低了摄像头变化对图像特征表征的影响，保证了后续步骤中的准确率；

2、本发明通过哈希法，将样本特征转换为长度更短的二进制编码，从而提高了后续图像检索或行人、车辆再识别的效率。

附图说明

图1为基于低秩嵌入表示的二进制图像特征编码方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

哈希法是一种将字符组成的字符串转化为固定长度(通常是更短的长度)的数值或索引值的方法。在数据库中建立索引，通过更短的哈希值进行搜索，从而达到比原始值直接搜索更快的目的。最近，哈希法逐渐成为在大型数据处理中一个很有前途的方式，并且在诸如动作识别和图像检索领域拥有广泛引用。

为了解决背景技术中存在的问题，本发明实施例提供了一种基于哈希法的图像特征编码方法，提出了一个学习低秩子空间映射和判别性二进制编码的框架，既保留了个体信息又降低了拍摄摄像头变化对图像特征表示的影响，该方法能够应用到大规模图像检索与行人或车辆再识别中。

实施例1

本发明实施例提供了一种基于低秩嵌入表示的二进制图像特征编码方法，参见图1，该方法包括以下步骤：

101：提取待编码图片的图像特征，组成图像特征矩阵；

102：构建低秩子空间表示项：将图像特征矩阵通过子空间映射矩阵U、潜在低秩表示映射到低秩样本子空间中；

103：构建二进制编码学习项：借助图像标签信息和局部亲和度信息，通过二进制映射矩阵V，将低秩子空间内特征映射到汉明空间中；

104：构建二进制编码约束项：通过正则化约束与垂直约束，防止二进制编码的相关性；

105：基于低秩子空间表示项、二进制编码学习项和二进制编码约束项得到一种图像特征二进制编码框架；

106：基于此二进制编码框架获取总目标函数，利用迭代法优化总目标函数，依次迭代更新各个变量及参数，直至目标函数值收敛，进而获取子空间映射矩阵U、二进制映射矩阵V；

107：由迭代得到的映射矩阵U、新样本特征矩阵X_N通过迭代得到其低秩表示Z_N，再对其进行二进制编码，使得新样本特征矩阵在汉明空间得到其二进制编码sgn(Z_NV)，sgn表示符号函数。

综上所述，本发明实施例通过引入二进制编码表示、低秩子空间学习等，有效提高了样本特征表示的效率，提高了大体量样本匹配的可扩展性。既保留了个体信息又降低了摄像头变化对图像特征表征的影响，从而可以实现后续步骤中，较高准确率和效率的图像检索等操作。

实施例2

下面结合计算公式、实例对实施例1中的方案进行进一步地介绍，详见下文描述：

201：提取待编码图片的图像特征，组成图像特征矩阵；

本实施例中，将行人图片归一化为128*64像素大小，提取LOMO(local maximaloccurrence局部最大出现)特征作为该行人图片的表示，每张图片得到26960维特征向量，再使用PCA(主成分分析法)将特征向量降维至3000维。将数据库按照比例3：1分为训练集和测试集，由训练集内所有图片的特征向量，组成图像特征矩阵。

202：构建低秩子空间表示项，将图像特征矩阵通过子空间映射矩阵U、潜在低秩表示映射到低秩样本子空间中，在该子空间中使类间距离大于类内距离，同时样本表示更加稳定，如公式(1)所示；

其中，表示样本特征矩阵，N表示样本个数，D表示特征维度。表示潜在低秩表示，z_i表示第i个样本的低秩表示，z_j表示第j个样本的低秩表示，T表示矩阵转置，E∈R^N×N表示误差项。/>为类别标签矩阵，k_i为每一样本的类别标签向量，若k_i＝k_j则k_ij＝1，否则k_ij＝-1。U∈R^D×d表示子空间映射矩阵，/>表示马氏距离。Δ_ij表示平衡系数，若k_i＝k_j则Δ_ij＝1/N_p否则Δ_ij＝1/N_n，N_p为正样本数量，N_n为负样本数量。φ为平衡系数，γ为平衡参数，log为logistics函数，e为自然常数，λ，η为平衡系数。

203：构建二进制编码学习项：借助图像标签信息和局部亲和度信息，通过二进制映射矩阵V，将特征由低秩子空间映射到汉明空间，如公式(2)所示；

其中，表示编码后的二进制矩阵，L表示编码位数，d(b_i,b_j)＝|{a|b_i,a≠b_j,a,1≤a≤L}|表示汉明距离，m_ij表示低秩表示样本z_i和z_j的语义和局部亲和度编码，定义若k_i＝k_j则m_ij＝1，否则/>σ表示自定义参数，θ为平衡系数。

204：构建二进制编码约束项：通过正则化约束与垂直约束，防止二进制编码的相关性，如公式(3)所示；

其中，V∈R^N×L表示二进制映射矩阵，I_L表示维度为L的单位阵，α表示平衡系数，矩阵右上角的T表示矩阵转置。

205：基于低秩子空间表示项、二进制编码学习项和二进制编码约束项得到一种图像特征二进制编码框架，并基于此二进制编码框架得到优化的总目标函数，所述总目标函数如公式(4)所示；

其中，λ,α,η,θ,φ为自定义平衡参数。

206：利用交替迭代法优化总目标函数，依次迭代更新各个变量及参数，直至目标函数值收敛，求得子空间映射矩阵U、二进制映射矩阵V；

207：由迭代得到的映射矩阵U与测试集新样本特征矩阵X_N∈R^M×D得到其低秩表示Z_N∈R^M×N，其中M表示新样本数量；

208：再通过迭代对其进行二进制编码，迭代目标函数为：

从而测试集样本矩阵在汉明空间得到其二进制编码sgn(Z_NV)，sgn表示符号函数；

208：在测试集中指定一个待匹配车辆样本(query)，由上述步骤得到其二进制编码向量sgn(z^queryV)，其他样本作为候选集(gallery)，计算query与gallery中每一样本的二进制编码向量之间的汉明距离d_i，对所有候选样本计算得到的集合{d_i}进行排序，其中d_i最小的为行人再识别结果。

综上所述，本发明实施例通过引入二进制编码表示、低秩子空间学习等，有效提高了样本特征表示的效率，提高了大体量样本匹配的可扩展性；既保留了个体信息又降低了摄像头变化对图像表征的影响，从而实现较高准确率和效率的行人再识别。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于低秩嵌入表示的二进制图像特征编码方法，其特征在于，所述方法包括：

基于低秩子空间表示项、二进制编码学习项和二进制编码约束项得到图像特征二进制编码框架；

基于二进制编码框架获取总目标函数，利用迭代法获取子空间映射矩阵、二进制映射矩阵；

由子空间映射矩阵、新样本特征矩阵获取低秩表示，再对低秩表示进行二进制编码，使得新样本特征矩阵在汉明空间中得到二进制编码；

所述低秩子空间表示项具体为：将图像特征矩阵通过子空间映射矩阵、潜在低秩表示映射到低秩子空间中；

所述二进制编码学习项具体为：借助图像标签信息和局部亲和度信息，通过二进制映射矩阵将低秩子空间内特征映射到汉明空间中；

所述二进制编码约束项具体为：通过正则化约束与垂直约束构建；

其中，V∈R^N×L表示二进制映射矩阵，I_L表示维度为L的单位阵，α表示平衡系数，矩阵右上角的T表示矩阵转置；

所述总目标函数为：

其中，λ,α,η,θ,φ为自定义平衡系数；所述低秩子空间表示项的表达式为：

其中，表示样本特征矩阵，N表示样本个数，D表示特征维度，表示潜在低秩表示，z_i表示第i个样本的低秩表示，z_j表示第j个样本的低秩表示，T表示矩阵转置，E∈R^N×N表示误差项；/>为类别标签矩阵，k_i为第i个样本的类别标签向量，若k_i＝k_j则k_ij＝1，否则k_ij＝-1；U∈R^D×d表示子空间映射矩阵，/>表示马氏距离；△_ij表示平衡系数，若k_i＝k_j则△_ij＝1/N_p否则△_ij＝1/N_n，N_p为正样本数量，N_n为负样本数量；φ为平衡系数，γ为平衡系数，log为logistics函数，e为自然常数，λ，η为平衡系数；

所述二进制编码学习项的表达式具体为；

其中，表示编码后的二进制矩阵，L表示编码位数，d(b_i,b_j)＝|{a|b_i,a≠b_j,a,1≤a≤L}|表示汉明距离，m_ij表示低秩表示样本z_i和z_j的语义和局部亲和度编码，定义若k_i＝k_j则m_ij＝1，否则/>σ表示自定义参数，θ为平衡系数。