基于規(guī)整平滑交叉視角最大間距度量學(xué)習(xí)的行人再識(shí)別研究.pdf

1、近年來，隨著計(jì)算機(jī)視覺領(lǐng)域的不斷發(fā)展，行人再識(shí)別技術(shù)成為了一個(gè)在該領(lǐng)域中比較熱門的研究方向。該項(xiàng)技術(shù)主要目的是辨別在不同攝像頭環(huán)境中不同時(shí)間段內(nèi)出現(xiàn)的行人相同與否，該項(xiàng)技術(shù)對(duì)安防部門的監(jiān)管工作有著重要的作用。但是就目前而言該技術(shù)仍然還面臨著諸多挑戰(zhàn):攝像機(jī)間的分辨率差異、行人的姿態(tài)變換多樣性、物體遮擋以及光照強(qiáng)度的不同等等。目前，眾多研究學(xué)者在該技術(shù)中主要對(duì)以下兩個(gè)方面進(jìn)行研究:基于行人的特征表示方法研究，尋求和設(shè)計(jì)出對(duì)視角變化、光照變

2、化等因素具有魯棒性的行人表示特征;基于度量學(xué)習(xí)方法研究，利用行人樣本訓(xùn)練學(xué)習(xí)出更具有判別性的度量決策函數(shù)，使得同一行人之間相似性遠(yuǎn)遠(yuǎn)大于不同行人的相似性。在計(jì)算行人特征向量之間的相似性時(shí)，一般情況下很多人都會(huì)采用歐氏距離、余弦距離等函數(shù)。但是這些經(jīng)典的距離函數(shù)通常沒有考慮到樣本的特性，從而致使算法的識(shí)別率并不是很高。近年來，一些新的判別度量學(xué)習(xí)方法都是基于有標(biāo)簽的訓(xùn)練樣本，并且考慮到了樣本特性，在識(shí)別精度上有了明顯的提升。馬氏距離度量學(xué)

3、習(xí)在一些算法中得到廣泛的應(yīng)用，例如大間隔最近鄰分類距離（LMNN）測度學(xué)習(xí)算法、簡單而且直接策略的距離(KISSME)測度學(xué)習(xí)算法、交叉二次判別分析度量(XQDA)學(xué)習(xí)算法等。然而一些距離度量學(xué)習(xí)算法在計(jì)算將高維度的樣本數(shù)據(jù)投影到新的低維特征空間的投影矩陣的過程中，沒有考慮到小樣本問題;同時(shí)也未考慮到正負(fù)樣本量的差異問題，針對(duì)這些問題，本文提出了相關(guān)的解決方法。本文的研究內(nèi)容總結(jié)如下:
　　(1)為了更精準(zhǔn)的對(duì)行人識(shí)別與分類，并且

4、尋求更佳的投影子空間對(duì)樣本進(jìn)行降維，在XQDA算法上進(jìn)行改進(jìn)，利用最大間距準(zhǔn)則來學(xué)習(xí)一個(gè)判別低維子空間，提出了交叉視角最大間距度量學(xué)算法(XMM)。該算法可以很好的解決有訓(xùn)練標(biāo)簽的樣本產(chǎn)生的小樣本問題。實(shí)驗(yàn)結(jié)果表明，XMM算法相比XQDA算法有了一定的提升。
　　(2)同時(shí)，一些距離度量學(xué)習(xí)未考慮到正負(fù)樣本量的差異問題，從而影響樣本協(xié)方差矩陣的魯棒性，本文對(duì)協(xié)方差矩陣進(jìn)行了規(guī)整平滑操作，提出了規(guī)整平滑交叉視角最大間距度量學(xué)習(xí)算法(

5、RSXMM)。實(shí)驗(yàn)結(jié)果表明，RSXMM算法的效果優(yōu)于XMM算法。
　　(3)行人再識(shí)別的算法都建立在魯棒性的行人表示特征之上，為此，提出了一種魯棒性的行人表示特征(顯著性加權(quán)局部最大化發(fā)生表示，Saliency weighted local maximum occurrence representation，SWLOMO)。先利用顯著性檢測學(xué)習(xí)身體各個(gè)部位的權(quán)重，然后在提取顏色特征的時(shí)候先將每個(gè)通道的像素值乘以該位置的權(quán)重，可以更