基于機器學習的排序優(yōu)化及其在行人再識別中的應用研究.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注，已成為一個新興的研究領域。目前，行人再識別技術存在許多挑戰(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雜和高層的關系，因此會導致次優(yōu)的匹配結果，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排序分類，創(chuàng)建了六種色彩類別。為產生簽名，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，同時采用最大相關和最小冗余技術減小計算量。
　　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用于計算機視覺領域，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、對圖像之間復雜和高層關系進行建模。該方法首先通過基線法獲得初始排序列表，然后應用一種新的優(yōu)化方法對排序結果進行分類。該算法計算每個圖像在列表中的位置并自動查找相關信息。為發(fā)現(xiàn)樣本之間的關系，本文使用超圖進行重排序學習，使用軟分配技術學習超圖權重。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果具有較高的相關性。
　　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，通過結合不同類型特征的優(yōu)勢，得到了更好的重排序結果。此外，該方法的另一優(yōu)點是可以對內存進行有效管理。
　　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合以獲得較為魯棒和準確的重排序結果。
　　5)行人再識別后排序問題是目前的研究