5 :計(jì)算排序融合后的CMC值，此處CMC值是指N次查詢中，返回前r個(gè)結(jié)果 中有正確行人對(duì)象的概率，當(dāng)返回前r個(gè)結(jié)果時(shí)，CMC值越高，表示行人檢索性能越好。
[0104] 上述過(guò)程對(duì)每個(gè)測(cè)試樣本進(jìn)行k次查詢，計(jì)算k次查詢平均CMC值，并輸出，此處k 取10。對(duì)比初始的基于KISSME的行人重識(shí)別方法，基于普通低層屬性特征和Ljg離度量 行人重識(shí)別方法（GA+L1)，基于普通低層特征、普通高層屬性特征、人工標(biāo)記屬性特征三種 融合特征和L 1距離度量行人重識(shí)別方法（EF+L1)，基于三種融合特征和基于關(guān)注-顯著度 距離度量行人重識(shí)別算法（EF+DSM)，基于三種融合特征、基于關(guān)注顯著度距離度量的屬性 融合排序與基于普通特征排序融合行人重識(shí)別算法（EF+DSM+LF)的平均CMC值，見(jiàn)表1。
[0105] 從表1中可以發(fā)現(xiàn)，本發(fā)明的排序優(yōu)化行人重識(shí)別方法的檢索性能在各步都有提 高。最明顯是第一步，基于人工標(biāo)注屬性特征更為精確的前提，利用不完整屬性標(biāo)注信息和 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，通過(guò) 該層融合得到的高層屬性特征即使僅使用L 1度量方式結(jié)果也有很大提升，再利用屬性具有 的關(guān)注度和顯著度特性，改變距離度量時(shí)各屬性的權(quán)重，結(jié)果也得到了提升，最后綜合具關(guān) 注度與顯著度性質(zhì)的融合性屬性特征的排序結(jié)果和普通特征向量排序結(jié)果，結(jié)果基于上一 步仍有提升。
[0106] 表1在VIPeR上分別返回前1、5、10、25個(gè)結(jié)果時(shí)的平均CMC值（％ )
[0107]
[0108] 其中[7]M. Kostinger，M. Hirzer，P. Wohlhart，P. M. Roth, and H. Bischof. Large scale metric learning from equivalence constraints. In CVPRj 2012.
[0109] 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)別系統(tǒng)，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??；所述的前融合模炔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。
[0110] 應(yīng)當(dāng)理解的是，本說(shuō)明書(shū)未詳細(xì)闡述的部分均屬于現(xiàn)有技術(shù)。
[0111] 應(yīng)當(dāng)理解的是，上述針對(duì)較佳實(shí)施例的描述較為詳細(xì)，并不能因此而認(rèn)為是對(duì)本 發(fā)明專利保護(hù)范圍的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明權(quán) 利要求所保護(hù)的范圍情況下，還可以做出替換或變形，均落入本發(fā)明的保護(hù)范圍之內(nèi)，本發(fā) 明的請(qǐng)求保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。
【主權(quán)項(xiàng)】
1. 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，其特征在于，包括以下步 驟： 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； ⑴普通低層特征向量f，/s，m，Nf是特征向量的維度，Nf是一個(gè)常數(shù)； ⑵普通高層屬性向量ag，e，Na是屬性分類器個(gè)數(shù)，即Na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； ⑶人工標(biāo)記屬性向量8|11表不，％dA°xl，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0 ;由偵查員任選屬性進(jìn)行標(biāo)記； 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； 其具體實(shí)現(xiàn)包括以下子步驟： 步驟2. 1 :基于收集獲得的訓(xùn)練集形成特征字典Df，D,efx\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a; 步驟2. 2 :基于訓(xùn)練集形成屬性字典Da，De，用Da重構(gòu)普通高層屬性屬性向量 ag，通過(guò)目標(biāo)函數(shù)?a，對(duì)應(yīng)ag稀疏重構(gòu)權(quán)重向量0 ; 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D3列間對(duì)應(yīng)于一張 圖片，寫(xiě)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a和0 ; 步驟2. 4:基于上述a和0，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; 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： 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dom1; 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sali; 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')； 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： 步驟4. 1 :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)； 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)； 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。2. 根據(jù)權(quán)利要求1所述的基于兩級(jí)融合的不完整屬性標(biāo)記行人重識(shí)別方法，其特征在 于：步驟2.1中所述的目標(biāo)函數(shù)?f定義為：其中IIIUI||2分別為L(zhǎng)JPL2范數(shù)，a(aeRNX1)是f目標(biāo)稀疏權(quán)重向量，入是 協(xié)調(diào)因子。3. 根據(jù)權(quán)利要求1所述的基于兩級(jí)融合的不完整屬性標(biāo)記行人重識(shí)別方法，其特征在 于：步驟2. 2中所述的目標(biāo)函數(shù)?a定義為：其中IIIL、|| ||2分別為L(zhǎng)JPL2范數(shù)，目標(biāo)稀疏權(quán)重向量，《 是協(xié)調(diào)因子。4. 根據(jù)權(quán)利要求1所述的基于兩級(jí)融合的不完整屬性標(biāo)記行人重識(shí)別方法，其特征在 于：步驟2. 3中所述的聯(lián)合優(yōu)化目標(biāo)函數(shù)?定義為：其中卜_遞是跨層一致性限制，v是懲罰a和P差異的協(xié)調(diào)因子，||〇(外,")[是選擇 引導(dǎo)限制，t選擇引導(dǎo)限制的協(xié)調(diào)因子。5. 根據(jù)權(quán)利要求1所述的基于兩級(jí)融合的不完整屬性標(biāo)記行人重識(shí)別方法，其特征在 于：步驟2. 4中所述的完備尚層屬性向量a為： a=Da0 ? *Not(am)+am， 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Da 0表示，否則用人工標(biāo)記屬性向量ani代表其某個(gè)屬性值。6. 根據(jù)權(quán)利要求1所述的基于兩級(jí)融合的不完整屬性標(biāo)記行人重識(shí)別方法，其特征在 于：步驟3. 1中所述的關(guān)注度形式化表達(dá)為donv其中&是屬性i被標(biāo)記的個(gè)數(shù)嗎，共有^種屬性。7. 根據(jù)權(quán)利要求1所述的基于兩級(jí)融合的不完整屬性標(biāo)記行人重識(shí)別方法，其特征在 于：步驟3.2中所述的顯著度形式化表達(dá)為sali，其中A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。8. 根據(jù)權(quán)利要求1所述的基于兩級(jí)融合的不完整屬性標(biāo)記行人重識(shí)別方法，其特征在 于：步驟3. 3中所述的高層屬性向量度量模型d(a，a'），其中a和a'表示兩個(gè)屬性向量，Wi=domiXsal;。9. 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??；所述的前融合模炔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。
【專利摘要】本發(fā)明公開(kāi)了一種基于兩級(jí)融合的不完整屬性標(biāo)記行人重識(shí)別方法與系統(tǒng)，首先，基于人工標(biāo)注屬性特征更為精確的前提，利用低層特征和高層一般屬性特征的跨層稀疏重構(gòu)一致性，初步融合人工標(biāo)注屬性來(lái)學(xué)習(xí)出完整而精確的高層屬性特征，然后，用基于統(tǒng)計(jì)意義上的屬性關(guān)注度和顯著度提出關(guān)注-顯著度模型來(lái)度量行人屬性向量間的距離，最后對(duì)基于低層特征的排序結(jié)果和基于關(guān)注度-顯著度的屬性特征排序結(jié)果進(jìn)行排序的后融合。本發(fā)明的有效性都在VIPER數(shù)據(jù)集上得到證明，同時(shí)可知，引入不完整標(biāo)注屬性進(jìn)行行人重識(shí)別能大大提升檢索效果。
【IPC分類】G06F17/30, G06K9/00
【公開(kāi)號(hào)】CN105095475
【申請(qǐng)?zhí)枴緾N201510492342
【發(fā)明人】胡瑞敏, 王正, 梁超, 黃文心, 楊洋, 陳軍, 姚磊
【申請(qǐng)人】武漢大學(xué)
【公開(kāi)日】2015年11月25日
【申請(qǐng)日】2015年8月12日