一種基于雙角度排序優(yōu)化的行人重識(shí)別方法
【專利摘要】本發(fā)明公開了一種基于雙角度排序優(yōu)化的行人重識(shí)別方法，屬于監(jiān)控視頻檢索【技術(shù)領(lǐng)域】。本發(fā)明首先通過(guò)基于全局特征和局部特征的方法得到初始的排序結(jié)果；然后通過(guò)取兩者排序結(jié)果的前k個(gè)結(jié)果的交集作為初始查詢更可靠的最近鄰；再然后對(duì)里的每一個(gè)目標(biāo)作為新的查詢進(jìn)行交叉的反向查詢，通過(guò)加權(quán)融合反向查詢的排序列表得到整個(gè)優(yōu)化的排序列表；最后再對(duì)里的每個(gè)去構(gòu)建一個(gè)雙層圖，計(jì)算圖的近鄰相似性去對(duì)進(jìn)行進(jìn)一步的重排，進(jìn)而得到更好的重識(shí)別效果。
【專利說(shuō)明】—種基于雙角度排序優(yōu)化的行人重識(shí)別方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于監(jiān)控視頻檢索【技術(shù)領(lǐng)域】，尤其涉及一種基于雙角度的排序優(yōu)化行人重識(shí)別方法。

【背景技術(shù)】
[0002]在實(shí)際視頻偵查中，偵查員需要根據(jù)指定行人對(duì)象在多攝像頭下的活動(dòng)畫面和軌跡來(lái)快速排查、追蹤和鎖定嫌疑目標(biāo)。傳統(tǒng)基于人工瀏覽的視頻偵查模式需要耗費(fèi)大量的人力和時(shí)間、效率低下，極易貽誤破案時(shí)機(jī)。行人重識(shí)別是一種針對(duì)特定行人對(duì)象的跨攝像頭監(jiān)控視頻自動(dòng)檢索技術(shù)，即在照射區(qū)域無(wú)重疊的多攝像頭下匹配同一行人對(duì)象。便于視頻偵查員快速、準(zhǔn)確地發(fā)現(xiàn)嫌疑目標(biāo)活動(dòng)畫面和軌跡，對(duì)公安部門提高破案率、維護(hù)人民群眾生命財(cái)產(chǎn)安全具有重要意義。
[0003]現(xiàn)有的行人重識(shí)別(又稱行人檢索)技術(shù)根據(jù)特征表示的類型主要分為兩類:
[0004]第一類主要是基于全局描述的特征，即用行人整體外貌信息的描述去表述一個(gè)行人。例如文獻(xiàn)I提出了一種基于整體效果的特征描述方法，用一個(gè)列向量去表不一個(gè)行人；然后用計(jì)算兩個(gè)向量的巴氏距離去檢索行人。近年來(lái)，研究者在全局特征描述的基礎(chǔ)上用尺度學(xué)習(xí)的方法去改進(jìn)初始的距離度量的重識(shí)別效果。文獻(xiàn)2通過(guò)PCA將每個(gè)行人表示成一個(gè)較短的向量，然后通過(guò)距離學(xué)習(xí)去改進(jìn)重識(shí)別效果。
[0005]第二類主要是基于局部描述的特征，即主要利用行人外貌局部顯著性的區(qū)域信息去檢索行人。例如文獻(xiàn)3提出了一種基于顯著度匹配的行人重識(shí)別技術(shù)，通過(guò)無(wú)監(jiān)督學(xué)習(xí)去尋找每個(gè)行人的顯著性局部區(qū)域，通過(guò)匹配顯著性區(qū)域去檢索行人。
[0006]全局特征和局部特征的都取得了不錯(cuò)的重識(shí)別效果，然而我們發(fā)現(xiàn)他們的初始排序列表差異很大。由于基于全局特征描述方法檢索出來(lái)的行人可能只是在整體上看上去差異不大但是局部細(xì)節(jié)差異很大，而基于局部特征描述的方法在行人局部區(qū)域有遮擋的情況下效果一般。
[0007]【文獻(xiàn) I 】Farenzena M, Bazzani L, Perina A, et al.“Person re-1dentificat1nby symmetry-driven accumulat1n of local features，，,Computer Vis1n and PatternRecognit1n (CVPR), PP.2360-2367，2010。
[0008]【文獻(xiàn)2】Kostinger M, Hirzer M, Wohlhart P, et al.“Large scale metriclearning from equivalence constraints，，，Computer Vis1n and Pattern Recognit1n(CVPR), PP.2288-2295，2012。
[0009]【文獻(xiàn)3】Zhao R, Ouyang ff, Wang X.“Unsupervised salience learningfor person re-1dentificat1n，，，Computer Vis1n and Pattern Recognit1n(CVPR)，PP.3586-3593，2013。


【發(fā)明內(nèi)容】

[0010]針對(duì)現(xiàn)有技術(shù)存在的不足，本發(fā)明提供了一種基于雙角度排序優(yōu)化的行人重識(shí)別方法，該方法通過(guò)對(duì)全局和局部特征的初始排序結(jié)果進(jìn)行融合，進(jìn)而提升多攝像頭下同一行人匹配的準(zhǔn)確性。
[0011]本發(fā)明所采用的技術(shù)方案是:一種基于雙角度排序優(yōu)化的行人重識(shí)別方法，其特征在于，包括以下步驟:
[0012]步驟1:針對(duì)一個(gè)特定的查詢P，分別通過(guò)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RLg(P)和RL1 (P)，通過(guò)對(duì)兩個(gè)排序列表的前k個(gè)結(jié)果取交集，得到他們雙方都認(rèn)同的最近鄰&>) = +!&Λ/? 1./=1,2,…Uv ,即共同最近鄰有k。個(gè)；
[0013]步驟2:對(duì)GjttCP)里的每一個(gè)最近鄰作為一個(gè)新的查詢，保留原先的待查集，進(jìn)行交叉的反向查詢；其具體實(shí)現(xiàn)包括以下子步驟:
[0014]步驟2.1:對(duì)于全局特征描述方法，對(duì)&,^進(jìn)行反向查詢時(shí)，用基于局部特征描述方法去查詢，得到一個(gè)新的排序列表，因此可以得到kC個(gè)新的反向排序列表，即對(duì)于全局特征描述方法而言，可以得到共kjl個(gè)排序列表，
[0015]RLg'(P) = {RLHpl Ow",U ?’
[0016]步驟2.2:對(duì)于局部特征描述方法，對(duì)進(jìn)行反向查詢時(shí)，用基于全局特征描述方法去查詢，得到一個(gè)新的排序列表，因此可以得到k。個(gè)新的反向排序列表，即對(duì)于局部特征描述方法而言，可以得到共kjl個(gè)排序列表，
[0017](P)-1RL1 (P),;
[0018]步驟3:對(duì)于全局特征描述方法，每個(gè)新的查詢它的排序列表Λ?4Ανι?,,，根據(jù)新的排序列表與初始排序列表RLg(ρ)的前k個(gè)的相似性，計(jì)算每個(gè)#^01的排序列表賦的權(quán)重W8對(duì)于局部特征描述方法，每個(gè)新的查詢&和它的排序列表iaIkvi,.,,，根據(jù)新的排序列表與初始排序列表RL1 (ρ)的前k個(gè)的相似性，計(jì)算每個(gè)的排序列表賦的權(quán)重 Μ?;υι) ?
[0019]步驟4:對(duì)于全局特征描述方法，通過(guò)對(duì)新的kjl個(gè)排序列表進(jìn)行加權(quán)融合，可:.*c,
以得到優(yōu)化后的排序列表.(P),騰(P) = MH.P) + Σ、？ (g ΚΛ η、續(xù)1L ,」' 對(duì)于局部特征描述方法，通過(guò)對(duì)新的h+i個(gè)排序列表進(jìn)行加權(quán)融合，可以得到優(yōu)化后的排序列表劇(P)聲(p):R^(P)+Σ(?)*,);對(duì)兩種優(yōu)化后的排序列表進(jìn)行融合，得到交叉反向查詢的排序融合排序列表RL*(p)，1Ι:_ = ι?1?/ζ|^+?1-?Ο/.?//(/Οι其中，α表示融合的權(quán)重，可根據(jù)實(shí)際情況調(diào)整；
[0020]步驟5:對(duì)(ρ)中的每一個(gè)行人gK ( /)構(gòu)建一個(gè)雙層圖Graph = <G, E, w>,根據(jù)其進(jìn)行重排，第一層采用初始的基于全局特征描述方法得到的top-k個(gè)結(jié)果，第二層采用局部特征描述方法，取top-k結(jié)果，計(jì)算兩層的Jaccard相似度，對(duì)Gr (P)中進(jìn)行重排，并輸出排序優(yōu)化的結(jié)果。
[0021]作為優(yōu)選，步驟I中雙方都認(rèn)同的最近鄰定義為:
[0022]Gjc (ρ) = m (ρ)} Π {RlX (ρ)}
[0023]其中，RLUp)和叱(/>)表示兩種方法排序列表的前k個(gè)結(jié)果。
[0024]作為優(yōu)選，步驟3中的⑴)和W(A w) ?分別定義為:

【權(quán)利要求】
1.一種基于雙角度排序優(yōu)化的行人重識(shí)別方法，其特征在于，包括以下步驟: 步驟1:針對(duì)一個(gè)特定的查詢P，分別通過(guò)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RLg(P)和RL1 (P)，通過(guò)對(duì)兩個(gè)排序列表的前k個(gè)結(jié)果取交集，得到他們雙方都認(rèn)同的最近鄰(P) = I戶口”.為.Λ.，即共同最近鄰有k。個(gè)； 步驟2:對(duì)Ck.?里的每一個(gè)最近鄰gA:1/>作為一個(gè)新的查詢，保留原先的待查集，進(jìn)行交叉的反向查詢；其具體實(shí)現(xiàn)包括以下子步驟: 步驟2.1:對(duì)于全局特征描述方法，對(duì)進(jìn)行反向查詢時(shí)，用基于局部特征描述方法去查詢，得到一個(gè)新的排序列表因此可以得到k。個(gè)新的反向排序列表，即對(duì)于全局特征描述方法而言，可以得到共kjl個(gè)排序列表， 步驟2.2:對(duì)于局部特征描述方法，對(duì)進(jìn)行反向查詢時(shí)，用基于全局特征描述方法去查詢，得到一個(gè)新的排序列表^MCwil，因此可以得到k。個(gè)新的反向排序列表，即對(duì)于局部特征描述方法而言，可以得到共kjl個(gè)排序列表， RH^(p) = {Rll(p\;步驟3:對(duì)于全局特征描述方法，每個(gè)新的查詢&#和它的排序列表/?4^,，根據(jù)新的排序列表與初始排序列表RLg(P)的前k個(gè)的相似性，計(jì)算每個(gè)5^的排序列表賦的權(quán)重對(duì)于局部特征描述方法，每個(gè)新的查詢§/U/i和它的排序列，根據(jù)新的排序列表與初始排序列表RL1 (P)的前k個(gè)的相似性，計(jì)算每個(gè)的排序列表賦的權(quán)重uJ(gKAJi)； 步驟4:對(duì)于全局特征描述方法，通過(guò)對(duì)新的kjl個(gè)排序列表進(jìn)行加權(quán)融合，可以得到優(yōu)化后的排序列表f O?)，妞(P) = rlHf)+^?,)*Μκ,,,I;對(duì)于局部特征描
M—.述方法，通過(guò)對(duì)新的h+1個(gè)排序列表進(jìn)行加權(quán)融合，可以得到優(yōu)化后的排序列表λ>/Λ/7) f
+對(duì)兩種優(yōu)化后的排序列表進(jìn)行融合，得到交叉反向查詢的排序融合排序列表RLiXp), r￡(p) = aRLr (p) + (\-a)Rl! (p)；其中，α表不融合的權(quán)重； 步驟5:對(duì)中的每一個(gè)行人構(gòu)建一個(gè)雙層圖Graph = <G, E, w>，根據(jù)其進(jìn)行重排，第一層采用初始的基于全局特征描述方法得到的top-k個(gè)結(jié)果，第二層采用局部特征描述方法，取top-k結(jié)果，計(jì)算兩層的Jaccard相似度，對(duì)Gj^(P)中進(jìn)行重排，并輸出排序優(yōu)化的結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于雙角度排序優(yōu)化的行人重識(shí)別方法，其特征在于:步驟I中雙方都認(rèn)冋的最近鄰定乂為:
GK(p) = {RLU.p)}f){R^(p)} 其中’處? (P)和賦(P)表示兩種方法排序列表的前k個(gè)結(jié)果。
3.根據(jù)權(quán)利要求1所述的基于雙角度排序優(yōu)化的行人重識(shí)別方法，其特征在于:步驟3中所述的#(&&+,)和Agiws)，分別定義為:
其中，/VfO^是初始基于全局的方法排序列表的前k個(gè)結(jié)果，是用交叉反向查詢排序列表的前k個(gè)結(jié)果；N1k(P)是初始基于局部的方法排序列表的前k個(gè)結(jié)果，mgKAJi)是用…交叉反向查詢排序列表的前k個(gè)結(jié)果。
4.根據(jù)權(quán)利要求1所述的基于雙角度排序優(yōu)化的行人重識(shí)別方法，其特征在于:步驟5中所述的兩層的Jaccard相似度為:
其中n{p，gx,ai)由&#在<3<?中初始的排序順序決定，即:
其中，]ν|?Λ是初始排序列表的前k個(gè)結(jié)果，是用交叉反向查詢排序列表的前k個(gè)結(jié)果。
【文檔編號(hào)】G06K9/00GK104200206SQ201410454857
【公開日】2014年12月10日 申請(qǐng)日期:2014年9月9日 優(yōu)先權(quán)日:2014年9月9日
【發(fā)明者】胡瑞敏, 葉茫, 梁超, 冷清明, 王正, 陳軍, 潘逸飛 申請(qǐng)人:武漢大學(xué)