，否則用人工標(biāo)記屬性向量a n代表其某個(gè)屬性值。
[0046] 作為優(yōu)選，步驟3. 1中所述的關(guān)注度形式化表達(dá)為Clom1,
[0047]
[0048] 其中Ii1是屬性i被標(biāo)記的個(gè)數(shù)嗎，共有N 3種屬性。
[0049] 作為優(yōu)選，步驟3. 2中所述的顯著度形式化表達(dá)為Sal1,
[0050]
[0051] 其中Hi1是訓(xùn)練集中標(biāo)記為有屬性i的個(gè)數(shù)，訓(xùn)練集中有N個(gè)圖片。
[0052] 作為優(yōu)選，步驟3. 3中所述的高層屬性向量度量模型d(a，a'），
[0053]
[0054] 其中a和a'表示兩個(gè)屬性向量，Wi= dom ; X sali<3
[0055] 本發(fā)明的系統(tǒng)所采用的技術(shù)方案是：一種基于兩級(jí)融合的不完整屬性標(biāo)記行人 重識(shí)別系統(tǒng)，其特征在于：包括特征提取模塊、前融合模塊、后融合模塊；所述的特征提取 模塊完成普通低層特征、普通高層屬性特征、人工標(biāo)記屬性特征的提?。凰龅那叭诤夏K 基于普通低層特征與普通高層屬性特征、人工標(biāo)記屬性特征之間的跨層一致性，基于人工 標(biāo)記屬性特征更為準(zhǔn)確的前提，融合三種特征得到更為精準(zhǔn)的高層屬性特征；所述的后融 合模塊首先基于提出的關(guān)注度-顯著度匹配模型得到基于高層屬性的排序結(jié)果，然后基于 KISSME方法得到基于普通低層特征的排序結(jié)果，最終融合兩種排序結(jié)果，得到最終的行人 重識(shí)別排序結(jié)果。
[0056] 與現(xiàn)有行人重識(shí)別方法與系統(tǒng)相比，本發(fā)明具有以下優(yōu)點(diǎn)和有益效果：
[0057] (1)與現(xiàn)有技術(shù)相比，本發(fā)明運(yùn)用了三種特征即低層視覺(jué)特征、高層普通屬性特征 和高層人工標(biāo)記屬性特征。在跨層一致和人工標(biāo)記信息優(yōu)先的前提下，提出將三種特征進(jìn) 行前融合，進(jìn)而得到行人更為完整和精確的屬性向量，用該向量進(jìn)行行人重識(shí)別，使得排名 靠前的檢索結(jié)果更加可靠；
[0058] (2)與現(xiàn)有技術(shù)相比，本發(fā)明提出在進(jìn)行屬性向量距離度量時(shí)，考慮行人圖像的關(guān) 注度和顯著度，進(jìn)而給予屬性不同的權(quán)重，使得排名靠前的檢索結(jié)果更加可靠；
[0059] (3)與現(xiàn)有技術(shù)相比，基于粗粒度屬性特征向量的考量，普通特征向量排序結(jié)果基 本不變，輕微調(diào)整屬性特征向量排序結(jié)果，進(jìn)行普通特征向量的排序結(jié)果和高層屬性特征 向量排序結(jié)果分組融合，使得排名靠前的排序結(jié)果更加可靠；
[0060] (4)與現(xiàn)有行人重識(shí)別系統(tǒng)相比。以往的行人重識(shí)別系統(tǒng)一般將該系統(tǒng)分為：特 征提取模塊，距離度量模塊、重排優(yōu)化模塊。該系統(tǒng)將行人重識(shí)別模塊分為特征提取模塊、 前融合模塊、后融合模塊。與以往系統(tǒng)有區(qū)別，特征提取模塊與以往系統(tǒng)基本相同，前融合 模塊相當(dāng)于對(duì)特征的進(jìn)一步優(yōu)化以提取更為精準(zhǔn)的特征，后融合模塊融合原有的距離度量 模塊和重排優(yōu)化模塊得到最終排序優(yōu)化結(jié)果。
【附圖說(shuō)明】
[0061] 圖1 :為本發(fā)明實(shí)施例的方法流程圖。
【具體實(shí)施方式】
[0062] 為了便于本領(lǐng)域普通技術(shù)人員理解和實(shí)施本發(fā)明，下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一 步的詳細(xì)描述，應(yīng)當(dāng)理解，此處所描述的實(shí)施示例僅用于說(shuō)明和解釋本發(fā)明，并不用于限定 本發(fā)明。
[0063] 本發(fā)明是基于二級(jí)融合的不完整屬性標(biāo)記行人重識(shí)別與系統(tǒng)。該方法基于人工標(biāo) 注屬性特征更為精確的前提，利用普通屬性特征和低層特征的跨層稀疏重構(gòu)一致性，同時(shí) 利用人工標(biāo)注屬性特征來(lái)學(xué)習(xí)高層屬性特征，考慮屬性的關(guān)注度和顯著度進(jìn)行屬性間的距 離度量，得到基于高層屬性特征的排序結(jié)果，再與基于KISSME的普通特征度量排序方法融 合排序進(jìn)而實(shí)現(xiàn)多步提升多攝像頭下同一行人匹配的準(zhǔn)確性。
[0064] 本實(shí)施例采用MATLAB7作為仿真實(shí)驗(yàn)平臺(tái)，在常用的行人重識(shí)別數(shù)據(jù)集VIPeR上 進(jìn)行測(cè)試。VIPeR數(shù)據(jù)集有兩個(gè)攝像頭下的632個(gè)行人圖像對(duì)，兩個(gè)攝像頭之間存在明顯的 視角、光照等差異。一般用作訓(xùn)練，另一半用作測(cè)試。本實(shí)例選擇49種有效屬性，選取5名 志愿者充當(dāng)偵查員對(duì)樣本進(jìn)行人工屬性標(biāo)記。
[0065] 請(qǐng)見(jiàn)圖1，本發(fā)明提供的一種基于兩級(jí)融合的不完整屬性標(biāo)記行人重識(shí)別方法，包 括以下步驟：
[0066] 步驟1 :針對(duì)任一圖片，為其定義"普通低層特征向量、普通高層屬性向量、人工標(biāo) 記屬性向量"三種屬性向量；
[0067] ⑴普通低層特征向量f，/e: ，Nf是特征向量的維度，N f是一個(gè)常數(shù)；普通特 征向量需要較強(qiáng)的判別力和面對(duì)光照視角變化的魯棒性要求，這里選擇紋理特征和顏色特 征。
[0068] ⑵普通高層屬性向量ag，〃.?'ΧΙ，Na是屬性分類器個(gè)數(shù)，即N a種屬性，某個(gè)分類 器的分類的結(jié)果ag取值為[-11]，+1代表圖片具有該屬性，-1代表圖片不具有該屬性；通 過(guò)若干個(gè)訓(xùn)練出的屬性分類器學(xué)習(xí)出的普通高層屬性向量，普通高層屬性向量包含所有分 類器所對(duì)應(yīng)的屬性，信息完整；
[0069] ⑶人工標(biāo)記屬性向量Bni表示，％ eK，對(duì)任一種屬性，出現(xiàn)屬性標(biāo)記為+1，未出 現(xiàn)屬性標(biāo)記為-1，未標(biāo)記的屬性為〇 ;由偵查員任選屬性進(jìn)行標(biāo)記；
[0070] 步驟2 :基于跨層稀疏重構(gòu)一致性考慮，利用普通低層特征向量、普通高層屬性向 量、人工標(biāo)記屬性向量進(jìn)行前融合，得到完備高層屬性向量；
[0071] 其具體實(shí)現(xiàn)包括以下子步驟：
[0072] 步驟2. 1 :基于收集獲得的訓(xùn)練集形成特征字典Df，D, e & χ\，用Df重構(gòu)普通低 層特征向量f，通過(guò)目標(biāo)函數(shù)?f，對(duì)應(yīng)f稀疏重構(gòu)權(quán)重向量α ;
[0073] 目標(biāo)函數(shù)Θ,定義為：
[0074]
[0075] 其中I I I L、I I I |2分別為L(zhǎng)JPL2范數(shù)，a (a e Rnxi)是f目標(biāo)稀疏權(quán)重向量，λ 是協(xié)調(diào)因子。
[0076] 步驟2. 2 :基于訓(xùn)練集形成屬性字典Da，/? e，用1重構(gòu)普通高層屬性屬性 向量ag，通過(guò)目標(biāo)函數(shù)Θ3，對(duì)應(yīng)ag稀疏重構(gòu)權(quán)重向量β ;
[0077] 目標(biāo)函數(shù)?a定義為：
[0078]
[0079] 其中I I I U I I I2分別為L(zhǎng)# L2范數(shù)，β (β e Rnxi)是\目標(biāo)稀疏權(quán)重向量，ω 是協(xié)調(diào)因子。
[0080] 步驟2. 3 :基于跨層稀疏重構(gòu)一致性考慮，特征字典Df和屬性字典D a列間對(duì)應(yīng)于 一張圖片，寫出聯(lián)合優(yōu)化目標(biāo)函數(shù)?，求出跨層一致約束下的稀疏重構(gòu)權(quán)重向量α和β ;
[0081] 聯(lián)合優(yōu)化目標(biāo)函數(shù)Θ定義為：
[0082]
[0083] 其中μ-娜是跨層一致性限制，V是懲罰α和β差異的協(xié)調(diào)因子，是 選擇引導(dǎo)限制，τ選擇引導(dǎo)限制的協(xié)調(diào)因子。
[0084] 步驟2. 4 :基于上述α和β，結(jié)合人工標(biāo)記屬性向量信息，得出完備高層屬性向量 a ；
[0085] 完備尚層屬性向量a為：
[0086] a = Da β · *Not (am) +am，
[0087] 其中Not( ·)是取反作用符號(hào)，式子含義為：當(dāng)ani為0時(shí)，即沒(méi)有標(biāo)記信息時(shí)，某 個(gè)屬性用DaP表示，否則用人工標(biāo)記屬性向量a n代表其某個(gè)屬性值。
[0088] 步驟3 :構(gòu)建高層屬性向量度量模型，即關(guān)注度-顯著度匹配模型，其具體實(shí)現(xiàn)包 括以下子步驟：
[0089] 步驟3. 1 :關(guān)注度形式化表達(dá)；如果某些屬性特征較另外一些屬性特征被偵查員 標(biāo)記次數(shù)多，證明該種屬性的關(guān)注度高，反之低；關(guān)注度形式化表達(dá)為dom 1;
[0090]
[0091] 其中Ii1是屬性i被標(biāo)記的個(gè)數(shù)嗎，共有N 3種屬性。
[0092] 步驟3. 2 :顯著度形式化表達(dá)；如果某種屬性出現(xiàn)次數(shù)比其他屬性出現(xiàn)次數(shù)少，它 引人注目的可能性就越大，從而更具有區(qū)分性，該種屬性理應(yīng)賦予更高的權(quán)重；顯著度形式 化表達(dá)為sal 1;
[0093]
[0094] 其中Hi1是訓(xùn)練集中標(biāo)記為有屬性i的個(gè)數(shù)，訓(xùn)練集中有N個(gè)圖片。
[0095] 步驟3. 3 :屬性向量間度量方式；結(jié)合關(guān)注度和顯著度得到高層屬性向量度量模 型 d (a, a'）；
[0096]
[0097] 其中a和a'表示兩個(gè)屬性向量，Wi= dom ; X sali<3
[0098] 步驟4:進(jìn)行普通低層特征向量和高層屬性特征排序結(jié)果的后融合，其具體實(shí)現(xiàn) 包括以下子步驟：
[0099] 步驟4. I :基于步驟1得出圖像普通特征向量f得到基于低層特征的細(xì)粒度排序 結(jié)果RF，其中RF = {RF1，RF2,…RFM}，M為查詢集中被標(biāo)記的行人數(shù)；
[0100] 步驟4. 2 :基于步驟2得出的圖像高層屬性向量a、步驟3得出的高層屬性向量度 量模型d(a，a'），得到基于高層特征的粗粒度排序結(jié)果RA，其中RA = {RA1，RA2,…RAM}，M為 查詢集中被標(biāo)記的行人數(shù)；
[0101] 步驟4. 3 :對(duì)RA進(jìn)行分組G = {G1，G2,…}，出于屬性特征向量的粗粒度考慮，普通 特征向量排序結(jié)果不變，調(diào)整屬性特征向量排序結(jié)果，得到最終組合排序結(jié)果。
[0102] 其中調(diào)整屬性特征向量排序結(jié)果的過(guò)程為：G中某個(gè)子集包含多個(gè)RA的元素， 本發(fā)明需要對(duì)這個(gè)子集里的RA元素進(jìn)行排序。比如，G 1= {!^^!^^，!^^，本發(fā)明要對(duì) RA11RA2, RA3重新排序。RA元素可以在RF中找到對(duì)應(yīng)于同一人的元素。那么本發(fā)明就可以 找到三個(gè)RF元素，其重新排序依照相應(yīng)RF中的次序。
[0103] 步驟