申请/专利权人：西安理工大学

申请日：2020-08-11

公开（公告）日：2024-04-05

公开（公告）号：CN112069908B

主分类号：G06V40/10

分类号：G06V40/10;G06V20/52;G06V10/74;G06V10/764;G06V10/774

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2020.12.29#实质审查的生效;2020.12.11#公开

摘要：本发明公开了一种基于共现属性的行人重识别方法，具体按照以下步骤实施：建立数据集，对数据集中常用的单一语义属性进行组合，得到共现属性；使用二进制表示法表征共现属性；利用训练集共现属性和线性支持向量机来训练共现属性分类器；使用共现属性分类器在验证集中计算每个行人图像共现属性标签；通过LMNN算法计算度量矩阵M，分析度量矩阵以进一步寻找积极的共现属性；目标图像和验证集中每个行人参考图像进行距离匹配，通过该距离来判别是否为同一行人，从而实现行人图像的相似性匹配。本发明中环境影响较小，在不同的视角光照下，重识别准确率较高，计算复杂度大大降低，在大规模数据集上也能有良好的识别效果。

主权项：1.一种基于共现属性的行人重识别方法，其特征在于，具体按照以下步骤实施：步骤1、建立数据集，对数据集中常用的单一语义属性进行组合，得到共现属性，具体按照以下步骤实施：步骤1.1、建立VIPeR数据集：包括632个行人的1264张图像，每个行人有两张图像，采集自摄像头a和摄像头b，每张图像大小调整为128x48；步骤1.2、将数据集中人类的语义属性分为三种直觉类型:身体特征、行为特征和粘附的人类特征；步骤1.3、在数据集中选取常见的单一属性特征；步骤1.4、将单一属性进行组合得到共现属性；步骤2、经步骤1后，使用二进制表示法表征共现属性；步骤3、待步骤2完成后，利用步骤2中的训练集共现属性和线性支持向量机来训练共现属性分类器；步骤4、使用步骤3完成的共现属性分类器在验证集中计算每个行人图像共现属性标签，具体为：步骤4.1、将每个行人图像应用共现属性分类器计算一个信号距离hi，即hi＝SVMie，1其中i代表第i个图像，hi代表第i个图像信号距离，SVM为线性支持向量机，e代表从一个人的图像中提取的ELF向量，使用信号距离作为置信度；步骤4.2、平衡可能值的范围，估计置信度xi＝2h′i-1，使用公式 其中hi′是第i个经过缩放后的信号距离，hi代表应用共现属性分类器所得到的信号距离，max或min返回最大值或最小值t是正样本和负样本数之和；行人重识别的特征向量是xi＝[x1,x2,...,xN]T，其中，x1，x2，...，xN分别为第一个，第二个，……，第N个共现属性的特征向量，N代表共现属性总数，T代表正负样本总数；步骤5、通过LMNN算法计算度量矩阵M，分析度量矩阵以进一步寻找积极的共现属性，具体为：步骤5.1、利用LMNN对度量矩阵M进行训练，度量矩阵M是正半定的，表示为 其中，M为结果矩阵，λi是第i个图像的特征值、qi是第i图像的特征向量，T代表正负样本总数，N为选用的共现属性总数；步骤5.2、计算累积量分配比Cm从λ1到λm使用公式 其中，Cm为第k个图像特征值的累积量分配比，N为选用的共现属性总数，m为选用的特征值总数，λk代表从特征值λ1到λm中第k个特征值，λi代表所有图像中第i个图像的特征值；步骤5.3、当计算特征向量之间距离时，为了确定特征向量中的第l个共现属性的元素qi,l对qi的影响，需要计算了特征向量之间的权重比wi，l； 其中，wi,l为特征向量之间的权重比，qi,l代表第l个共现属性的元素，qi,j代表特征向量中第j个共现属性的元素，N代表共现属性总数；步骤5.4、然后计算出累积重量比率Wi,l， 其中，Wi，l代表前l个特征向量的累计重量比率，i代表第i张图像，l代表特征向量中l个共现属性，wi，k代表第k个特征向量的权重比，wi，kk∈1，...，l按降序排列；步骤6、目标图像和验证集中每个行人参考图像进行距离匹配，通过该距离来判别是否为同一行人，从而实现行人图像的相似性匹配。

全文数据：

权利要求：

百度查询： 西安理工大学 基于共现属性的行人重识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD