基于機(jī)器學(xué)習(xí)的排序優(yōu)化及其在行人再識(shí)別中的應(yīng)用研究.pdf

1、近年來(lái)，計(jì)算機(jī)視覺中的行人再識(shí)別問題受到了研究者的重點(diǎn)關(guān)注，已成為一個(gè)新興的研究領(lǐng)域。目前，行人再識(shí)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(shí)別問題的目標(biāo)是當(dāng)其出現(xiàn)在其它相機(jī)中時(shí)，對(duì)其進(jìn)行再識(shí)別。這類視覺系統(tǒng)主要用于人流密集場(chǎng)所的監(jiān)控，如機(jī)場(chǎng)、銀行和購(gòu)物中心等。受遮擋、光照變化、相機(jī)視角、相機(jī)/目標(biāo)運(yùn)動(dòng)、背景變化等的復(fù)雜因素影響，對(duì)行人進(jìn)行準(zhǔn)確、魯棒的再識(shí)別存在巨大的挑戰(zhàn)。行人再識(shí)別的研究主要集中在兩個(gè)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(jī)制。大多數(shù)方法基于提取的差異特征計(jì)算查詢圖像和圖像庫(kù)之間的相似度，然后再進(jìn)行排序。此類相似性無(wú)法表示圖像之間復(fù)雜和高層的關(guān)系，因此會(huì)導(dǎo)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(shí)別方法在某些特定場(chǎng)景中表現(xiàn)良好，但在秩1排序中的性能仍有待提高。同時(shí)，由于需要人為調(diào)整，該類視覺系統(tǒng)易用性較差。
　　對(duì)此，本文提出排序優(yōu)化和優(yōu)先排序方法進(jìn)行行人再識(shí)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(shí)別方法，第二種是基于后排序優(yōu)先級(jí)的行人再識(shí)別方法，是本文研究的重點(diǎn)。此外，本文還給出了后排序優(yōu)化方法的設(shè)計(jì)和評(píng)估細(xì)節(jié)。
　　本文的主要工作和貢獻(xiàn)如下:
　　1)針對(duì)行人再識(shí)別中大型圖像數(shù)據(jù)庫(kù)圖像查詢時(shí)間代價(jià)大的問題，本文提出基于色彩類別進(jìn)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(cè)實(shí)現(xiàn)目標(biāo)提取，將行人圖像分割為三個(gè)水

4、平條以提取特征，然后基于增量線性判別分析進(jìn)行訓(xùn)練，同時(shí)采用最大相關(guān)和最小冗余技術(shù)減小計(jì)算量。
　　2)針對(duì)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(shí)可有效應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域，特別是圖像檢索和識(shí)別問題。但此類方法無(wú)法表達(dá)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(gè)基于超圖的學(xué)習(xí)策略，不僅提高了秩1排序的準(zhǔn)確性，還

5、對(duì)圖像之間復(fù)雜和高層關(guān)系進(jìn)行建模。該方法首先通過(guò)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(duì)排序結(jié)果進(jìn)行分類。該算法計(jì)算每個(gè)圖像在列表中的位置并自動(dòng)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(jìn)行重排序?qū)W習(xí)，使用軟分配技術(shù)學(xué)習(xí)超圖權(quán)重。該方法的優(yōu)點(diǎn)為:1）降低對(duì)人工的依賴，提高了視覺系統(tǒng)的自動(dòng)化性能;2）減少了初始排序列表，因此降低了最終的計(jì)算代價(jià);3）對(duì)噪聲具有較高的魯棒性而且估計(jì)結(jié)果具有較高的相關(guān)性。
　　3)針對(duì)基

6、于單個(gè)特征行人再識(shí)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(dú)立模式提取長(zhǎng)特征向量對(duì)圖像進(jìn)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(duì)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(guò)結(jié)合不同類型特征的優(yōu)勢(shì)，得到了更好的重排序結(jié)果。此外，該方法的另一優(yōu)點(diǎn)是可以對(duì)內(nèi)存進(jìn)行有效管理。
　　4)

7、本文算法降低了計(jì)算代價(jià)，能有效表達(dá)樣本之間的高層關(guān)系，將多特征融合集成到重排序過(guò)程，實(shí)現(xiàn)了更好的重排序性能，提高了行人再識(shí)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(jìn)行擴(kuò)展實(shí)驗(yàn)，使用累積匹配特征CMC曲線評(píng)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(zhǔn)確的重排序結(jié)果。
　　5)行人再識(shí)別后排序問題是目前的研究