行人重识别标记代价优化方法与流程

1.本发明涉及行人重识别标记技术领域，特别是涉及一种行人重识别标记代价优化方法。


背景技术：

2.行人重识别是利用计算机视觉技术在非重叠视角域多摄像机网络下对同一行人进行检索，确认不同位置的摄像机在不同的时刻拍摄到的行人目标是否为同一人，可以简单理解为是对不同的、没有视野重叠覆盖的摄像机拍摄的行人图像建立对应关系的处理过程。行人重识别被认为是一个图像检索的子问题，目的是弥补固定的摄像头的视觉局限，能够根据行人的体态、发型、穿着、行为等信息认知行人，缩减传统人工查阅视频图像、锁定人员轨迹的时间。
3.现阶段通过标记传递性来减少训练图像对的人工标记代价的方法，该方法基于标记之间存在传递性，可以利用传递性来自动推断某些图像对的标记属性，即选择最少数量的图像对进行人工标记，然后利用标记传递性来完成未标记图像对的自动标记；然而，现有算法在一定人工标记预算下可能会存在求解得到的边之间是分散的，从而不利于利用传递性来获得更多的自动标记增量。


技术实现要素：

4.本发明的目的是克服现有技术中的不足之处，提供一种能够提高自动标记增量从而减少训练图像对的人工标记代价、以及增加标记传递概率的行人重识别标记代价优化方法。
5.本发明的目的是通过以下技术方案来实现的：
6.一种行人重识别标记代价优化方法，包括如下步骤：
7.s101、采集多个图像对，将各所述图像对进行比对，生成标记代价最小化图像对；
8.s102、对所述标记代价最小化图像对进行模型化操作，生成完全k部图g
k
＝(v，e)，整数b，其中v为顶点集，e为边集，b为人工标记图像对数量的极大值；
9.s103、根据所述完全k部图g
k
，计算生成部图h＝(v，s)，其中s为人工标记集，且|s|≤b；
10.s104、根据所述完全k部图g
k
，结合最小生成树算法计算生成所述k部图g
k
的最大生成树，并将所述最大生成树对应的所述图像对加入至所述人工标记集中，以增加标记传递概率。
11.在其中一个实施例中，在所述步骤s104中，具体包括如下步骤：
12.s104a、将所述人工标记集赋值为空集，并对所述完全k部图g
k
进行复制操作，生成图g'，并对所述图g'中所有的边进行权值取反操作；
13.s104b、计算所述图g'的最小生成树m，并将最小生成树m中的边按照生成的顺序对应生成多个标签进行一一进行标记。
14.在其中一个实施例中，在所述步骤s104b后，还包括如下步骤：
15.s104d、判断|s|＜b是否成立，若是，则将该所述最小生成树m中当前所述标签所标记的边加入至所述人工标记集中，更新当前所述标签，并重复执行本步骤；
16.s104e、将该所述最小生成树m中对应所述标签所标记的边从所述完全k部图g
k
中删除，生成图g”。
17.在其中一个实施例中，在所述步骤s104e后，还包括如下步骤：
18.s104f、判断|s|＜b是否成立，若是，则取所述图g”权值最重的边，并设该边为(u，v)，其中u、v为该边的两个顶点，同时生成图t＝(v，s∪(u，v))，并重复执行本步骤；
19.s104g、若否，则输出所述人工标记集。
20.在其中一个实施例中，在所述步骤s104f中，还包括如下步骤：
21.s104f1、判断所述图t是否存在三角形子图，若否，则将所述边(u，v)加入至所述人工标记集中；
22.s104f2、将边(u，v)从所述图g”中删除。
23.在其中一个实施例中，所述步骤s104f1通过枚举算法实现。
24.本发明相比于现有技术的优点及有益效果如下：
25.本发明为一种行人重识别标记代价优化方法，提出图像对数据标记代价优化策略，在贪婪选择图像对加入人工标记集之前，求解代表摄像机网络的完整k部图的最大生成树，将最大生成树中边对应的图像对加入人工标记集。最大生成树的边是连接的，增加了标记传递概率，有利于利用标记传递性来获得更多的自动标记增量，提高了图像对自动标记效率。
附图说明
26.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
27.图1为本发明一实施方式的行人重识别标记代价优化方法的步骤流程图；
28.图2为本发明一实施方式的行人重识别标记代价优化方法的模型图。
具体实施方式
29.为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施方式。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施方式。相反地，提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
30.需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
31.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的
技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
32.一种行人重识别标记代价优化方法，包括如下步骤：
33.s101、采集多个图像对，将各图像对进行比对，生成标记代价最小化图像对；
34.s102、对标记代价最小化图像对进行模型化操作，生成完全k部图g
k
＝(v，e)，整数b，其中v为顶点集，e为边集，b为人工标记图像对数量的极大值；
35.s103、根据完全k部图g
k
，计算生成部图h＝(v，s)，其中s为人工标记集，且|s|≤b；
36.s104、根据完全k部图g
k
，结合最小生成树算法计算生成k部图g
k
的最大生成树，并将最大生成树对应的图像对加入至人工标记集中，以增加标记传递概率。
37.为了更好地理解本发明的构思以及技术方案，一种行人重识别标记代价优化方法，包括：
38.步骤s101、采集多个图像对，将各图像对进行比对，生成标记代价最小化图像对；
39.步骤s102、对标记代价最小化图像对进行模型化操作，生成完全k部图g
k
＝(v，e)，整数b，其中v为顶点集，e为边集，b为人工标记图像对数量的极大值。
40.需要说明的是，本申请的图像对指两幅图像，且通过摄像机网络拍摄获得。首先将摄像机网络表示为边加权图，假设摄像机网络有k台摄像机，共有n个行人，进行模型化操作，将该摄像机网络表示为一个边加权的完全k部图g
k
＝(v，e)，其中在部图g
k
中，顶点表示第k台摄像机下的第i个人的图像，边表示第k1台摄像机下的第i个人的图像和第k2台的摄像机的第j个人图像的连接关系，边的权重表示第k1台摄像机的第i个人的图像和第k2台摄像机的第j个人图像的相似度。如此，每台摄像机下的每个人用图g
k
上的一个顶点表示，图g
k
上的顶点集合v由所有摄像机下的所有人组成。同一台摄像机下的任何两个人之间没有连接关系，也即同一台摄像机下的顶点形成了一个独立集，然后将图像对选择模型化为图g
k
上的边集选择。
41.步骤s103、根据完全k部图g
k
，计算生成部图h＝(v，s)，其中s为人工标记集，且|s|≤b。
42.需要说明的是，部图h为完全k部图g
k
的子集，且该步骤为模型化后的结果。
43.步骤s104、根据完全k部图g
k
，结合最小生成树算法计算生成k部图g
k
的最大生成树，并将最大生成树对应的图像对加入至人工标记集中，以增加标记传递概率。
44.需要说明的是，步骤s104为选择边的方式。为了更好的理解步骤s104，具体参阅如下步骤：
45.步骤s104a、将人工标记集赋值为空集，并对完全k部图g
k
进行复制操作，生成图g'，并对图g'中所有的边进行权值取反操作。
46.步骤s104b、计算图g'的最小生成树m，并将最小生成树m中的边按照生成的顺序对应生成多个标签进行一一进行标记。
47.需要说明的是，步骤s104a中权值取反的操作是指将正数转换成负数，以求得图g'的最小生成树m，同时也是原图g
k
的最大生成树。
48.步骤s104d、判断|s|＜b是否成立，若是，则将该最小生成树m中当前标签所标记的
边加入至人工标记集中，更新当前标签，并重复执行本步骤；
49.步骤s104e、将该最小生成树m中对应标签所标记的边从完全k部图g
k
中删除，生成图g”。
50.步骤s104f、判断|s|＜b是否成立，若是，则取图g”权值最重的边，并设该边为(u，v)，其中u、v为该边的两个顶点，同时生成图t＝(v，s∪(u，v))，并重复执行本步骤；
51.步骤s104g、若否，则输出人工标记集。
52.具体地，在步骤s104f中，还包括如下步骤：
53.s104f1、判断图t是否存在三角形子图，若否，则将边(u，v)加入至人工标记集中；
54.s104f2、将边(u，v)从图g”中删除。
55.需要说明的是，在贪婪选择边时，存在两种情况。一种是最大生成树边数量大于或等于人工标记预算的极大值b，这样只需要选择人工标记预算的极大值b内的生成树中的边；另一种情况是在人工标记预算的极大值b内最大生成树已经求出，那么对于剩余的人工标记预算，将贪婪选择不构成三角形的当前权重最大的边来耗尽。
56.进一步地，在一实施方式中，步骤s104f1通过枚举算法实现。
57.在一实施例中，如图2所示，假设有三台摄像机，每台摄像机下有三个行人。以此为例，来说明本实施例的标记代价优化方法。共有27对行人图像对需要进行标记，为了减少人工标记代价，在不影响训练性能的前提下，选择一定数量的图像对进行人工标记，其它图像对希望使用标记传递性进行自动标记。首先用图中的顶点表示每个摄像机下的每个行人，在本实例中，有9幅图像，因此共有9个顶点。用顶点之间的边表示行人图像对的连接，同一个摄像头下行人之间没有连接。进一步地，在本实施例中，共有27条边。用边(u，v)的权重表示行人u和行人v之间的相似度。假设f
u
和fv分别为不同摄像机下行人u和v的特征向量，则行人u和行人v之间的相似度使用以下公式进行计算：w(u,v)＝1/(1+exp(d(f
u
,f
v
‑
μ))，其中d()为特征向量距离度量函数，本实施例使用欧式距离进行度量，μ为阈值。
58.通过以上方式，将摄像机网络模型化为图模型g
k
。将摄像机网络上的图像对选择转化为图g
k
上的边集选择。假设人工标记图像对的数量的上界b为10，则在本实施例中，利用本发明的标记代价优化方法从图g
k
中选择10条边加入人工标记集s。
59.再进一步地，本实施例的人工标记图像对的搜索方法如下：
60.首先求图模型g
k
的最大生成树，通过求最小生成树来实现，将图模型g
k
所有边的权值取反，得到，然后在g'上求最小生成树m，则m即为原图模型g
k
的最小生成树。在本实施例中，求最小生成树的方法采用prim算法来进行。
61.由于本实施例中共有9个行人，因此最小生成树m上共有8条边，也即8对图像对。因为本实施例中，人工标记图像对的最大数量为10，所以m上8条边所对应的图像对均会被加入人工标记集s。接下来在原图模型g
k
上搜索当前人工标记集s外的2对图像对。将当前人工标记集s中的8条边从图模型g
k
上删除，得到g”。对g”的边按权值的大小从大到小降序排列。取当前权值最重的边(u，v)，如果将边(u，v)加入s后，s中的边构成的图中不包括三角形子图，则将边(u，v)加入s，否则舍弃该边。重复以上操作，直到s中的边数目为10。这里，判断新边(u,v)的加入是否会形成三角形，本实施例中，通过简单的枚举来实现。完成人工标记图像对搜索后，对于s中边对应的10对图像对，进行人工标记。然后利用当前已标记的图像对，通过标记传递性来完成未标记图像对的自动标记。
62.与现有技术相比，本发明具有以下优点：
63.上述行人重识别标记代价优化方法10，提出图像对数据标记代价优化策略，在贪婪选择图像对加入人工标记集之前，求解代表摄像机网络的完整k部图的最大生成树，将最大生成树中边对应的图像对加入人工标记集。最大生成树的边是连接的，增加了标记传递概率，有利于利用标记传递性来获得更多的自动标记增量，提高了图像对自动标记效率。
64.以上所述实施方式仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。