基于二次相似度函数学习的行人再识别

• 作者: 杜宇宁 艾海舟
• 来源期刊: 计算机学报
• 学科: 工学
• 关键词: 视频监控 行人再识别 行人分析 度量学习 二次相似度函数学习 机器学习
• 年，卷（期）: 2016,（8）
• 所属期刊栏目: 数据挖掘、机器学习与类脑智能
• 页码范围: 1639-1651
• 页数: 13页
• 分类号: TP391
• 字数: 8379字
• 语种: 中文
• DOI: 10.11897/SP.J.1016.2016.01639

摘要

行人再识别是一个有着非常重要现实意义的研究问题，它可以应用于刑事侦查、在公共场所中寻找丢失的小孩、个人相册管理以及电子商务等领域．同时由于光照、视角、人的姿态以及背景的变化，同一个人的表观在不同的监控视频中往往变化很大，解决行人再识别问题也非常有挑战性．在设计行人再识别算法时，给定行人图像的特征，考虑到不同的特征分量具有不同的区分能力，学习合适的相似度度量非常重要．度量学习是一类学习相似度度量的主流算法，这些算法通过学习一个马氏距离相似度函数（Mahalanobis Similarity Function，MSF）来估计一对行人图像的相似度．然而 MSF 只与特征差分空间有关，忽略了一对图像中每个个体的表观特征，对于同一个人在不同场景中很大的表观变化的捕捉能力有限．为了加强相似度函数与每个个体的表观特征的联系，该文提出通过学习一个二次相似度函数（Quadratic Similarity Function，QSF），来估计一对行人图像的相似度．QSF 是 MSF 的泛化形式，不但描述了一对行人图像的互相关关系，而且关联了一对行人图像的自相关关系，可以更好地捕捉同一个人在不同监控视频中很大的表观变化．为了学习 QSF，该文分别从分类和排序的角度出发，设计两种不同的优化目标，提出了两种不同的学习 QSF 的算法．由行人再识别的公共数据集 VIPeR 和 CUHK 的实验表明，这两种不同的算法都可以学习到有效的 QSF，识别性能优于已有的行人再识别算法．

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	艾海舟	清华大学计算机科学与技术系	27	3139	21.0	27.0
2	杜宇宁	清华大学计算机科学与技术系	2	56	2.0	2.0