基于特征融合与核局部Fisher判别分析行人重识别.docVIP

基于特征融合与核局部Fisher判别分析行人重识别 　　摘要： 　　行人重识别精度主要取决于特征描述和度量学习两个方面。在特征描述方面，现有特征难以解决行人图像视角变化的问题，因此考虑将颜色标签特征与颜色和纹理特征融合，并通过区域和块划分的方式提取直方图获得图像特征；在度量学习方面，传统的核局部Fisher判别分析度量学习方法对所有查询图像统一映射到相同的特征空间中，忽略了查询图像不同区域的重要性，为此在核局部Fisher判别分析的基础上对特征进行区域分组，采用查询自适应得分融合方法来描述图像不同区域的重要性，由此实现度量学习。在VIPeR和iLIDS数据集上，实验结果表明融合后的特征描述能力明显优于原始特征，同时改进的度量学习方法有效提高了行人重识别精度。 　　关键词： 　　行人重识别；颜色标签；特征融合；度量学习；核局部Fisher判别分析 　　中图分类号： 　　TP391.4 　　文献标志码：A 　　Abstract： 　　Feature representation and metric learning are fundamental problems in person reidentification. In the feature representation， the existing methods cannot describe the pedestrian well for massive variations in viewpoint. In order to solve this problem， the Color Name （CN） feature was combined with the color and texture features. To extract histograms for image features， the image was divided into zones and blocks. In the metric learning， the traditional kernel Local Fisher Discriminant Analysis （kLFDA） method mapped all query images into the same feature space， which disregards the importance of different regions of the query image. For this reason， the features were grouped by region based on the kLFDA， and the importance of different regions of the image was described by the method of QueryAdaptive Late Fusion （QALF）. Experimental results on the VIPeR and iLIDS datasets show that the extracted features are superior to the original feature； meanwhile， the improved method of metric learning can effectively increase the accuracy of person reidentification. 　　英文关键词Key words： 　　person reidentification； Color Name （CN）； feature fusion； metric learning； kernel Local Fisher Discriminant Analysis （kLFDA） 　　0引言 　　近年来，随着监控设备在公共场所的逐渐增多，行人重识别技术越来越受到人们的关注。行人重识别的定义为从跨摄像机、跨时间段的行人图像数据库中找出与检索行人一致匹配的人物[1]。但是由于光照、摄像机位置、行人姿势变化等问题，同一行人在不同图像之间会出现较大的差异，这给行人重识别研究带来巨大的困难和挑战。 　　当前，行人重识别研究方法大致可分为两类：基于特征描述的方法和基于度量学习的方法。基于特征描述的方法侧重于通过寻找对视角变化鲁棒的特征来提高行人重识别精度。早期Gray等[2]采用AdaBoost方法从大量颜色、纹理特征中挑选出更具描述力的特征来改进效果，但是该方法无法解决视角变换问题。Kai等[3]放弃使用全局特征描述，改用局部的尺度不变特征变换（ScaleInvarian