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: 2019109660298
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:

1.一种基于判别字典学习的跨视角行人重识别方法,其特征在于:包括如下步骤:

1)确定基于判别字典学习的跨视角行人重识别的总体模型框架;

2)将不同视角的行人图像特征分为特定视角域信息分量和域不变行人外观特征分量,学习一个判别字典算法以创建用于描述域信息分量的域通用字典和用于描述域不变分量的域不变字典;

3)训练字典的判别促进项;

4)根据一种扩展正则项强制不同行人的编码系数保持一定距离,而同一行人的编码系数则尽可能接近;

5)训练编码系数的判别促进项,强制具有相同视角的行人图像的编码系数具有很强的相似性;

6)确定基于判别字典学习的跨视角行人重识别的总体目标函数;

7)对总体目标函数中的要更新的变量进行求解;

8)基于仅有域不变行人外观特征的模型采用欧氏距离设计行人匹配方案。

2.根据权利要求1所述的一种基于判别字典学习的跨视角行人重识别方法,其特征在于:所述的步骤1)的总体模型框架包括:用 表示两相机视角下的训练样本集,此时需要把鲁棒的特征表示学习和判别式度量学习整合到一个框架中,总体模型框架如公式(1)所示:式中, 表示所有相机下行人图像共享的域字典, 表示域特定字典,用于在分离域信息后对行人外观特征进行编码,Za,Zb是字典D上Xa和Xb的域信息的编码系数矩阵,Zta,Ztb是对应于字典Dt的域特定信息的编码系数,Φ(D,Dt,Za,Zb,Zta,Ztb)是数据保真度项,Ψ(D,Dt)是字典的判别促进项,Γ(Za,Zb,Zta,Ztb)是编码系数的判别促进项, 是D的第 列,而 是Dt的第 列。

3.根据权利要求2所述的一种基于判别字典学习的跨视角行人重识别方法,其特征在于:所述的步骤2)的判别字典算法包括:把数据保真度项Φ(D,Dt,Za,Zb,Zta,Ztb)表示为:式中, 建立a、b两相机视角的域信息,

将域信息与不受域影响的行人外观特征分开。

4.根据权利要求3所述的一种基于判别字典学习的跨视角行人重识别方法,其特征在于:所述的步骤3)的字典判别促进项包括:提出的字典判别促进项为:

式中,||D||*是对字典D的核范数求解, 是结构不相干正则项,α1和α2是两个标量参数,分别代表着||D||*和 项的权重信息。

5.根据权利要求4所述的一种基于判别字典学习的跨视角行人重识别方法,其特征在于:所述的步骤4)的扩展正则项包括:针对视角a提出以下函数,同时采用同样的方法针对视角b提出类似的函数,此处不再赘述:式中,{z}+=max{z,0},c是一个任意常数, 表示在a相机视角下的第l个行人的第k张图像; 表示在b视角下的和a视角第l个行人的第k张图像最不相似的编码系数所对应的第l个行人的第k*张图像,其中k*≠k; 表示在b视角下的和a视角第l个行人的第k张图像最相似的编码系数所对应的第l*个行人的第k*张图像,其中l*≠l,而式中的表示 它不会导致对行人身份的误判,而 表示 则意味着使用行人图像特征的

编码系数进行行人匹配会导致误识别,在这种情况下,最小化可以促使

6.根据权利要求5所述的一种基于判别字典学习的跨视角行人重识别方法,其特征在于:所述的步骤5)的编码系数判别促进项包括:定义总体模型框架(1)中的Γ(Za,Zb,Zta,Ztb)为:式中, α3,α4,α5是三个标量参数,分别代表着||Za||2,1+||Zb||2,1、||Zta||1+||Ztb||1和 项的权重信息。

7.根据权利要求6所述的一种基于判别字典学习的跨视角行人重识别方法,其特征在于:所述的步骤6)的总体目标函数包括:式中,Ma和Mb分别表示两相机视角下的行人数量,Nal和Nbl表示分别表示两相机视角下第l个行人所对应的的图像数量。

8.根据权利要求7所述的一种基于判别字典学习的跨视角行人重识别方法其特征在于:所述的步骤7)的变量求解包括:总体目标函数(6)中的对于要求的变量D,Dt,Za,Zb,Zta,Ztb不是共同凸的,但是当所有其他变量都固定不变时,它对于每个变量是凸的,因此,通过交替迭代处理来优化它们,每一个变量的求解如下:为了更新编码系数Za,变量Zb的更新方法与Za一致,此处不再赘述,首先假定D,Dt,Zb,Zta,Ztb都是固定的,有以下目标函数:这是一个典型的l2,1最小化问题,Za的解析解可以表示为:Za=(4DTD+α3Λ1)-1(4DTXa+2DTDtZta)                                  (8)式中,Λ1是由 构成的对角矩阵, 表示Zi的第j列;

然后,通过固定D,Dt,Za,Zb,Ztb来更新Zta,变量Ztb的更新方法与Zta一致,此处不再赘述,有以下目标函数:为了方便优化,将公式(9)重写为向量形式:

式中, 是a视角下第l个行人的第k张图像的视觉特征,为了求解(10),一个松弛变量被引入,然后可以将等式(10)放宽为:可以通过以下求解来更新变量

以上问题可以通过迭代收缩算法来解决, 可以通过以下方式更新:式中,h表示第h次迭代, 使用

更新的 Zta可以被构造为

在更新编码系数Za和Zta之后,字典D和Dt可以交替更新,有以下目标函数:为了更新D,引入一个中间变量C,公式(14)变为:C可以通过以下求解得到:

这是一个典型的核规范最小化问题,可以通过奇异值阈值算法来解决,为了更新Dt,一个松弛变量H被引入:松弛变量H的封闭解可以表示为:

H=(α2DtDtT+I1)-1D                                                  (18)其中,I1为一个单位矩阵,使用更新的C和H,可以通过以下求解来优化D:这个问题可以通过拉格朗日对偶来解决,最后,Dt可以通过以下求解来优化:该问题可以作为公式(19)中的问题得到解决。

9.根据权利要求8所述的一种基于判别字典学习的跨视角行人重识别方法,其特征在于:所述的步骤8)的行人匹配方案包括:在测试中,通过学到的字典D和Dt,可以通过以下求解来实现域信息和特定行人信息的分离:式中,Za,Zb分别表示视角a,b下的域编码系数矩阵,Zta,Ztb分别表示视角a,b下的特定行人 信 息的 编码 系数 矩阵 ,这 个问 题可 以 通过 交替 迭 代法 解决 ,当和 时,停止迭代,令 和 为 和 中l第个行人的编码系数矢量,可以通过计算以下距离来测量行人之间的相似性: