欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2018110309664
申请人: 昆明理工大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于共享及特有字典对联合学习的行人再识别方法,其特征在于:包括如下步骤:Step1:首先从公开的图像集中选择训练样本;

Step2:利用训练样本学习字典和投影矩阵:

Step2.1:字典学习目标函数的构建;

Step2.2:字典学习目标函数的求解;

Step3:行人图像的相似性匹配:通过训练样本得到字典矩阵和映射矩阵,求解得到编码系数通过距离公式计算大小进行排序,得到查询图像。

2.根据权利要求1所述的基于共享及特有字典对联合学习的行人再识别方法,其特征在于:所述的Step1具体步骤如下:Step1.1:从已知的公共数据中选取两个数据集;

Step1.2:通过已知的LOMO特征提取方法,将选中的数据集图像的特征提取出来,并将其平均分成两等分,作为训练集和测试集。

3.根据权利要求2所述的基于共享及特有字典对联合学习的行人再识别方法,其特征在于:所述Step2.1的具体步骤如下:Step2.1.1:首先假设训练样本来自a和b两个视角,在字典学习中,假设用于表达共有成分的字典为Ds,在此字典下的编码系数为Zs,用于表达独有成分的字典为Du以及在此字典下的编码系数为Zu,在(2.1)式中Yl=[y1,y2…yN](l=a,b)是由l视角下的N个行人图像特征采集得到训练样本所构成的矩阵,正则项ηtr(ZsLZsT)描述行人之间所具有的共有信息,tr(·)是矩阵的迹,L=C-U,L是个拉普拉斯矩阵,C是一个对角矩阵 U是元素全为1的矩阵,Zs是共享字典的编码系数,Za,u、Zb,u分别为a和b两个视角下特有字典的编码系数,η为一大于零的参数,用来调整正则项tr(ZsLZsT)在目标函数中所起的作用,||·||F是F范数,T为矩阵的转置;

Step2.1.2:由于行人共有信息通常表现出较强的相关性,因此用以表达该信息的字典Ds的原子之间同样应该具有较强的相关性,这说明Ds是低秩的,同时,用于表达行人身份的信息往往是特有的,这类信息通常表现出较强的稀疏性,因此用于表达该信息成分的字典Du应该具有稀疏特性,综合考虑到这些问题,提出公式(2.2)来计算共享字典和特有字典:其中,||·||*是核范数,||·||1是l1范数;

Step2.1.2:由于描述行人特有成分时所使用的字典均为Du,反映行人身份特征的信息蕴含在对应的编码系数Za,u与Zb,u中,因此,不同行人之间的编码系数具有较强的非干性,也就是说 具有较小的值,通过提出公式(2.3)来计算特有字典的稀疏系数Za,u、Zb,u和Zs:

式子(2.3)中, 用以刻画不同行人编码系数之间的相干性, 用以避免相同行人之间的相关性被过渡限制;

Step2.1.3:在a,b两个不同的视角下,由于光照变化、视角差异、成像风格的不同,同一行人在原始特征空间内往往表现出较大的差异,为缓解这一问题,在最小化式(2.1)中,引入投影变换算子Wl(l=a,b),将行人图像的原始特征映射到低维判别空间,使不同视角下的同一行人编码系数之间的距离最小,不同行人编码系数之间的相关性较弱,因此通过提出公式(2.4),采用交替迭代法更新得到最终需要的投影矩阵Wa和Wb:其中,Yl=[y1,y2…yN](l=a,b)为训练样本,Wa、Wb分别为a和b两个视角下的投影矩阵,λ1为平衡参数。

4.根据权利要求3所述的基于共享及特有字典对联合学习的行人再识别方法,其特征在于:所述Step2.2的具体步骤如下:Step2.2.1:目标函数需要求解变量Wa,Wb,Za,u,Zb,u,Zs,Ds,Du,由于变量Wa,Wb,Ds,Du,Za,u,Zb,u和Zs是非凸的,无法直接使用凸优化的方法求解,但若求某个变量,而其它变量固定时,目标函数可根据具体算法来求解,采用交替迭代法来本发明字典模型的目标函数;

Step2.2.2:求解编码系数Za,u,Zb,u和Zs首先求解编码系数Zs,通过固定Wa,Wb,Ds,Du,Za,u和Zb,u,计算公式如下:对于上述公式很难直接求出最优解,为此,引入松弛变量 则上述目标函数可改写为:其中,松弛变量 可以通过以下公式求解:

通过分别求解 和Zs闭合解,依次迭代更新;

同理固定其他变量求解编码系数Za,u,Zb,u,计算式如下:通过上述公式可以直接求得Za,u,Zb,u闭合形式的解;

Step2.2.3:求解字典Ds和Du

类似地,求解Ds,Du,固定编码系数Za,u,Zb,u,Zs以及投影矩阵Wa,Wb,求解Ds,Du的目标函数可写为:因此,Ds可通过以下公式进行求解:

上述公式可以通过ADMM算法进行优化求解;

对于字典Du,其求解公式如下:

因此字典Du可以通过迭代收缩算法进行优化求解;

Step2.2.3、求解投影矩阵Wa和Wb

通过固定其它无关的变量,更新映射矩阵Wa和Wb,求解公式如下:可以得到上述公式的闭合形式的解。

5.根据权利要求4所述的基于共享及特有字典对联合学习的行人再识别方法,其特征在于:所述Step3的具体为:通过训练得到Wa、Wb、Ds、Du值后,为了计算得到在图像库中所查询到的图像编码系数,,首先通过公式(3.1)计算共有字典的编码系数:其中, 为第l(l=a,b)个视角下第i个行人与其它行人之间共有成分的编码系数,ya,i是查询图像,yb,i是图像库中的图像,得到共有字典的编码系数,再通过公式(3.2),(3.3)计算特有字典的编码系数:其中,zl,i为该行人特有信息成分的编码系数;

求出编码系数za,i与zb,j后,采用如下的欧式距离来对行人进行匹配:其中,i=1,2,…,N,j=1,2,…,N,通过公式(3.4)找到距离最短、最相似的行人图像的编码系数zb,从而查询到所需要的图像。