基于機器學習的排序優(yōu)化及其在行人再識別中的應(yīng)用研究.pdf

1、近年來，計算機視覺中的行人再識別問題受到了研究者的重點關(guān)注，已成為一個新興的研究領(lǐng)域。目前，行人再識別技術(shù)存在許多挑戰(zhàn)，特別是重排序或后排序優(yōu)化問題。行人再識別問題的目標是當其出現(xiàn)在其它相機中時，對其進行再識別。這類視覺系統(tǒng)主要用于人流密集場所的監(jiān)控，如機場、銀行和購物中心等。受遮擋、光照變化、相機視角、相機/目標運動、背景變化等的復(fù)雜因素影響，對行人進行準確、魯棒的再識別存在巨大的挑戰(zhàn)。行人再識別的研究主要集中在兩個方面:1）產(chǎn)生魯棒

2、的特征表示或特征描述子;2）建立高效的信息相似性度量機制。大多數(shù)方法基于提取的差異特征計算查詢圖像和圖像庫之間的相似度，然后再進行排序。此類相似性無法表示圖像之間復(fù)雜和高層的關(guān)系，因此會導致次優(yōu)的匹配結(jié)果，尤其是在秩1排序中，該類方法性能較差?，F(xiàn)有的再識別方法在某些特定場景中表現(xiàn)良好，但在秩1排序中的性能仍有待提高。同時，由于需要人為調(diào)整，該類視覺系統(tǒng)易用性較差。
　　對此，本文提出排序優(yōu)化和優(yōu)先排序方法進行行人再識別。本文提出了

3、兩種解決方法:第一種是基于圖像預(yù)排序分類的行人再識別方法，第二種是基于后排序優(yōu)先級的行人再識別方法，是本文研究的重點。此外，本文還給出了后排序優(yōu)化方法的設(shè)計和評估細節(jié)。
　　本文的主要工作和貢獻如下:
　　1)針對行人再識別中大型圖像數(shù)據(jù)庫圖像查詢時間代價大的問題，本文提出基于色彩類別進行預(yù)排序分類，創(chuàng)建了六種色彩類別。為產(chǎn)生簽名，本研究使用了顯著稠密顏色特征，并基于SIFT特征和凸包檢測實現(xiàn)目標提取，將行人圖像分割為三個水

4、平條以提取特征，然后基于增量線性判別分析進行訓練，同時采用最大相關(guān)和最小冗余技術(shù)減小計算量。
　　2)針對后排序優(yōu)化問題，本研究提出兩種改善基線法結(jié)果的方法，分別為基于超圖的后排序優(yōu)化和基于多特征融合的重排序算法?；趫D的方法已被證實可有效應(yīng)用于計算機視覺領(lǐng)域，特別是圖像檢索和識別問題。但此類方法無法表達樣本之間的高層關(guān)系，因此本研究采用比基于圖的方法更有效的超圖方法，并提出了一個基于超圖的學習策略，不僅提高了秩1排序的準確性，還

5、對圖像之間復(fù)雜和高層關(guān)系進行建模。該方法首先通過基線法獲得初始排序列表，然后應(yīng)用一種新的優(yōu)化方法對排序結(jié)果進行分類。該算法計算每個圖像在列表中的位置并自動查找相關(guān)信息。為發(fā)現(xiàn)樣本之間的關(guān)系，本文使用超圖進行重排序?qū)W習，使用軟分配技術(shù)學習超圖權(quán)重。該方法的優(yōu)點為:1）降低對人工的依賴，提高了視覺系統(tǒng)的自動化性能;2）減少了初始排序列表，因此降低了最終的計算代價;3）對噪聲具有較高的魯棒性而且估計結(jié)果具有較高的相關(guān)性。
　　3)針對基

6、于單個特征行人再識別系統(tǒng)判別能力不足的問題，本研究提出了一種基于多特征融合的重排序框架。目前，大部分傳統(tǒng)方法一般利用獨立模式提取長特征向量對圖像進行描述。本文提出從樣本中提取多種特征，生成混合向量并以此構(gòu)造聯(lián)合特征向量，利用曼哈頓距離度量圖像對之間的相似性?；诼?lián)合特征向量和距離度量方式，本文提出基于樹的重排序算法。因此，通過結(jié)合不同類型特征的優(yōu)勢，得到了更好的重排序結(jié)果。此外，該方法的另一優(yōu)點是可以對內(nèi)存進行有效管理。
　　4)

7、本文算法降低了計算代價，能有效表達樣本之間的高層關(guān)系，將多特征融合集成到重排序過程，實現(xiàn)了更好的重排序性能，提高了行人再識別和重排序的結(jié)果。在更有挑戰(zhàn)性的VIPeR，CUHK，GRID和ETHZ等公開數(shù)據(jù)集上進行擴展實驗，使用累積匹配特征CMC曲線評估算法性能，結(jié)果表明本文提出的重排序方法優(yōu)于現(xiàn)有算法，而且本文提出的排序優(yōu)化和優(yōu)先排序方法可以與基線法相結(jié)合以獲得較為魯棒和準確的重排序結(jié)果。
　　5)行人再識別后排序問題是目前的研究