论文部分内容阅读
行人再识别即判断无重叠的跨摄像机视域中出现的行人是否为同一行人的问题,在智能视频监控和目标跟踪等领域中具有广泛应用。由于现实场景中捕获到的行人图像易受光照变化、人体姿态变化及遮挡等因素的影响,使得行人再识别是一项极具挑战性的课题。随着计算机存储能力的提高,近些年,基于行人图像序列的行人再识别受到了广泛的关注。有效挖掘同一行人图像序列中图像间的互补信息,能显著提高行人再识别方法对人体姿态变化和物体遮挡的鲁棒性。由于稀疏性理论是一种自然的可利用目标行人表示测试行人的方法,不仅对物体遮挡和图像损坏具有较高的鲁棒性,而且可以有效地利用数据之间的内在联系。因此本文研究基于稀疏表示的multi-shot行人再识别。主要研究内容及创新如下:(1)由于l0正则项约束的稀疏表示模型是一个非凸优化问题,因此,目前基于稀疏表示的行人再识别方法通常利用凸l1正则项来实现对l0正则项的逼近。尽管l1正则项可将上述问题松弛为凸优化问题,但是两者之间的等价替换需要在满足有限等距性质(Restricted Isometry Property,RIP)条件下才能成立。因此,本文利用l1/2正则项来实现对l0正则项的逼近,相比凸l1正则项具有更宽松的RIP约束条件。通过将gallery集中同一行人的所有图像视为一组,利用l2正则项约束组内结构,l1/2正则项约束组间结构,提出一种基于混合l2/l1/2范数的组稀疏表示的行人再识别方法。为进一步增强模型的判别性,引入人体结构约束,将行人图像划分为若干近邻区域,针对每一区域分别构造适应性的混合l2/l1/2范数的组稀疏表示模型,最后融合所有稀疏模型给出再识别结果。(2)Multi-shot的行人再识别任务中,同一序列中的行人图像之间既有相似性,也存在互补信息,与基于single-shot的行人再识别方法相比,对物体遮挡和杂乱背景具有更高的鲁棒性。然而,常规的基于稀疏表示的行人再识别方法通常仅仅考虑到gallery集中同一行人图像序列内各图像间的互补信息,而忽略了 probe集中同一行人图像序列内包含的先验信息,表现在每次识别只针对probe数据集中的一幅行人图像。因此,本文提出一种联合组稀疏表示(Joint Group Sparse Representation,JGSR)方法。JGSR方法不仅能同时稀疏编码一个probe序列中的所有行人图像,而且能同时利用gallery和probe集中同一行人图像序列内各图像间的互补信息,使得所提方法对人体姿态变化和物体遮挡具有更高的鲁棒性。(3)针对同一行人序列中,由于外观相似的行人图像所带来的冗余信息,本文采用k-means算法对每个行人序列中的图像聚类,并取每一簇的簇心作为行人序列的表示。此外,引入一种核局部Fisher判别分析(Kernel Local Fisher Discrimination Analysis,KLFDA)方法来降低跨摄像头及视角差异对行人再识别的影响。最后将稀疏表示方法与k-means聚类和KLFDA度量学习方法相融合构建一套完整的行人再识别框架。本文在iLIDS-VID,PRID 2011和SAIVT-SoftBio三个数据集上验证了上述所提方法的有效性,相比已有的同类方法能获得更高的行人再识别准确率。