高级搜索

一种基于等距度量学习策略的行人重识别改进算法

周智恒 刘楷怡 黄俊楚 陈增群

引用本文: 周智恒, 刘楷怡, 黄俊楚, 陈增群. 一种基于等距度量学习策略的行人重识别改进算法[J]. 电子与信息学报, 2019, 41(2): 477-483. doi: 10.11999/JEIT180336 shu
Citation:  Zhiheng ZHOU, Kaiyi LIU, Junchu HUANG, Zengqun CHEN. Improved Metric Learning Algorithm for Person Re-identification Based on Equidistance[J]. Journal of Electronics and Information Technology, 2019, 41(2): 477-483. doi: 10.11999/JEIT180336 shu

一种基于等距度量学习策略的行人重识别改进算法

    作者简介: 周智恒: 男,1977年生,教授,博士生导师,研究方向为模式识别与人工智能;
    刘楷怡: 女,1994年生,硕士生,研究方向为图像处理与模式识别;
    黄俊楚: 男,1994年生,博士生,研究方向为图像处理与模式识别;
    陈增群: 男,1995年生,本科生,研究方向为图像处理与模式识别
    通讯作者: 周智恒,zhouzh@scut.edu.cn
  • 基金项目: 国家自然科学基金项目(U1401252, 61871188),国家重点研发计划(2018YFC0309400),中央高校基本科研业务费专项资金资助项目(2017MS062),广州市产学研协同创新重大专项(201604016133)

摘要: 为了提高行人重识别距离度量MLAPG算法的鲁棒性,该文提出基于等距度量学习策略的行人重识别Equid-MLAPG算法。 MLAPG算法中正负样本对在映射空间的分布不均衡导致间距超参数受负样本对距离影响更大,因此该文设计的Equid-MLAPG算法要求正样本对映射成为变换空间中的一个点,即正样本对在变换空间中距离为零,使算法收敛时正负样本对距离分布不存在交叉部分。实验表明Equid-MLAPG算法能在常用的行人重识别数据集上取得良好的实验效果,具有更好的识别率和广泛的适用性。

English

    1. [1]

      ZHENG Liang, YANG Yi, and HAUPTMANN A G. Person re-identification: Past, present and future[OL]. arXiv preprint arXiv: 1610.02984, 2016.

    2. [2]

      SHAH J H, LIN Mingqiang, and CHEN Zonghai. Multi-camera handoff for person re-identification[J]. Neurocomputing, 2016, 191: 238–248. doi: 10.1016/j.neucom.2016.01.037

    3. [3]

      REHMAN S U, CHEN Zonghai, RAZA M, et al. Person re-identification post-rank optimization via hypergraph-based learning[J]. Neurocomputing, 2018, 287: 143–153. doi: 10.1016/j.neucom.2018.01.086

    4. [4]

      PEDAGADI S, ORWELL J, VELASTIN S, et al. Local fisher discriminant analysis for pedestrian re-identification[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Protland, USA, 2013: 3318–3325.

    5. [5]

      WEINBERGER K Q, BLITZER J, and SAUL L K. Distance metric learning for large margin nearest neighbor classification[C]. Advances in Neural Information Processing Systems. Vancouver, Canada, 2006: 1473–1480.

    6. [6]

      DAVIS J V, KULIS B, JAIN P, et al. Information-theoretic metric learning[C]. Proceedings of the 24th International Conference on Machine Learning, Corvalis, USA, 2007: 209–216.

    7. [7]

      DIKMEN M, AKBAS E, HUANG T S, et al. Pedestrian recognition with a learned metric[C]. Asian Conference on Computer Vision, Queenstown, New Zealand, 2010: 501–512.

    8. [8]

      ZHENG Weishi, GONG Shaogang, and XIANG Tao. Person re-identification by probabilistic relative distance comparison[C]. Computer Vision and Pattern Recognition, IEEE, Colorado, USA, 2011: 649–656.

    9. [9]

      KOESTINGER M, HIRZER M, WOHLHART P, et al. Large scale metric learning from equivalence constraints[C]. Computer Vision and Pattern Recognition (CVPR), Rhode Island, USA, 2012: 2288–2295.

    10. [10]

      TAO Dapeng, JIN Lianwen, WANG Yongfei, et al. Person re-identification by regularized smoothing kiss metric learning[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2013, 23(10): 1675–1685. doi: 10.1109/tcsvt.2013.2255413

    11. [11]

      LIAO Shengcai, and LI S Z. Efficient PSD constrained asymmetric metric learning for person re-identification[C]. Proceedings of the IEEE International Conference on Computer Vision. Santiago, USA, 2015: 3685–3693.

    12. [12]

      NESTEROV Y. Introductory Lectures on Convex Optimization: A Basic Course[M]. New York, USA, Springer Science & Business Media, 2013: 15–20.

    13. [13]

      TSENG P. On accelerated proximal gradient methods for convex-concave optimization[OL]. http://www.mit.edu/~dimitrib/PTseng/papers/apgm.pdf.

    14. [14]

      GRAY D and TAO Hai. Viewpoint invariant pedestrian recognition with an ensemble of localized features[C]. European Conference on Computer Vision, Marseille, France, 2008: 262–275.

    15. [15]

      LI Wei, ZHAO Rui, and WANG Xiaogang. Human reidentification with transferred metric learning[C]. Asian Conference on Computer Vision. Daejeon, Korea, 2012: 31–44.

    16. [16]

      LI Wei, ZHAO Rui, XIAO Tong, et al. Deepreid: Deep filter pairing neural network for person re-identification[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Columbus, USA, 2014: 152–159.

    17. [17]

      ZHENG Liang, SHEN Liyue, TIAN Lu, et al. Scalable person re-identification: A benchmark[C]. Proceedings of the IEEE International Conference on Computer Vision. Santiago, USA, 2015: 1116–1124.

    18. [18]

      ZHENG Zhedong, ZHENG Liang, and YANG Yi. Unlabeled samples generated by GAN improve the person re-identification baseline in vitro[C]. IEEE International Conference on Computer Vision. Venice, Italy, 2017: 3774–3782.

    19. [19]

      LIAO Shengcai, HU Yang, ZHU Xiangyu, et al. Person re-identification by local maximal occurrence representation and metric learning[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Boston, USA, 2015: 2197–2206.

    20. [20]

      ZHANG Li, XIANG Tao, and GONG Shaogong. Learning a discriminative null space for person re-identification[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, USA, 2016: 1239–1248.

    21. [21]

      曾明勇, 吴泽明, 田畅, 等. 基于外观统计特征融合的人体目标再识别[J]. 电子与信息学报, 2014, 36(8): 1844–1851. doi: 10.3724/SP.J.1146.2013.01389
      ZENG Mingyong, WU Zeming, TIAN Chang, et al. Fusing appearance statistical features for person re-identification[J]. Journal of Electronics &Information Technology, 2014, 36(8): 1844–1851. doi: 10.3724/SP.J.1146.2013.01389

    22. [22]

      MATSUKAWA T, OKABE T, SUZUKI E, et al. Hierarchical gaussian descriptor for person re-identification[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas, USA, 2016: 1363–1372.

    1. [1]

      陈莹, 许潇月. 基于双向参考集矩阵度量学习的行人再识别. 电子与信息学报, 2019, 41(0): 1-9.

    2. [2]

      陈鸿昶, 吴彦丞, 李邵梅, 高超. 基于行人属性分级识别的行人再识别. 电子与信息学报, 2019, 41(9): 2239-2246.

    3. [3]

      周莉, 张歆茗, 郭伟震, 王琰. 基于改进冲突度量的多证据直接融合算法. 电子与信息学报, 2019, 41(5): 1145-1151.

    4. [4]

      李宁, 别博文, 邢孟道, 孙光才. 基于多普勒重采样的恒加速度大斜视SAR成像算法. 电子与信息学报, 2019, 41(0): 1-8.

    5. [5]

      梁春燕, 袁文浩, 李艳玲, 夏斌, 孙文珠. 基于判别邻域嵌入算法的说话人识别. 电子与信息学报, 2019, 41(7): 1774-1778.

    6. [6]

      寇广, 王硕, 张达. 基于深度堆栈编码器和反向传播算法的网络安全态势要素识别. 电子与信息学报, 2019, 41(9): 2187-2193.

    7. [7]

      张玉, 李天琪, 张进, 唐波. 基于集成固有时间尺度分解的IFF辐射源个体识别算法. 电子与信息学报, 2019, 41(0): 1-8.

    8. [8]

      杜小妮, 吕红霞, 王蓉. 一类四重和六重线性码的构造. 电子与信息学报, 2019, 41(0): 1-5.

    9. [9]

      江明明, 郭宇燕, 余磊, 宋万干, 魏仕民. 有效的标准模型下格上基于身份的代理重加密. 电子与信息学报, 2019, 41(1): 61-66.

    10. [10]

      刘文康, 景国彬, 孙光才, 陈权, 邢孟道. 基于两步方位重采样的中轨SAR聚焦方法. 电子与信息学报, 2019, 41(1): 136-142.

    11. [11]

      马华, 党乾龙, 王剑锋, 刘振华. 基于属性加密的高效密文去重和审计方案. 电子与信息学报, 2019, 41(2): 355-361.

    12. [12]

      罗会兰, 卢飞, 严源. 跨层融合与多模型投票的动作识别. 电子与信息学报, 2019, 41(3): 649-655.

    13. [13]

      黄国策, 王桂胜, 任清华, 董淑福, 高维廷, 魏帅. 基于Hilbert信号空间的未知干扰自适应识别方法. 电子与信息学报, 2019, 41(8): 1916-1923.

    14. [14]

      盖杉, 鲍中运. 基于改进深度卷积神经网络的纸币识别研究. 电子与信息学报, 2019, 41(8): 1992-2000.

    15. [15]

      贺丰收, 何友, 刘准钆, 徐从安. 卷积神经网络在雷达自动目标识别中的研究进展. 电子与信息学报, 2019, 41(0): 1-13.

    16. [16]

      谢湘, 张立强, 王晶. 残差网络在婴幼儿哭声识别中的应用. 电子与信息学报, 2019, 41(1): 233-239.

    17. [17]

      何怡刚, 佘培亮, 佐磊, 张超群. 超高频射频识别近场系统互耦效应中频率偏移研究. 电子与信息学报, 2019, 41(3): 602-610.

    18. [18]

      吴培良, 杨霄, 毛秉毅, 孔令富, 侯增广. 一种视角无关的时空关联深度视频行为识别方法. 电子与信息学报, 2019, 41(4): 904-910.

    19. [19]

      费高雷, 张亚萌, 胡志宇, 周磊, 胡光岷. 基于网络结构特征的IP所属区域识别. 电子与信息学报, 2019, 41(5): 1235-1242.

    20. [20]

      黄颖坤, 金炜东, 葛鹏, 李冰. 基于多尺度信息熵的雷达辐射源信号识别. 电子与信息学报, 2019, 41(5): 1084-1091.

  • 图 1  MLAPG算法中$\mu $取值和训练过程中所有样本对马氏距离均值对比示意图

    图 2  对数逻辑损失函数变化趋势

    图 3  在不同限制条件下正负样本对距离情况

    图 4  正负样本分布区域重叠示意图

    图 5  交换空间中样本分类情况

    图 6  VIPeR数据集上Equid-MLAPG算法与其他距离度量算法CMC曲线图

    图 7  CUHK01数据集上Equid-MLAPG算法与其他距离度量算法CMC曲线图

    表 1  CUHK03数据集上多种距离度量算法对比

    算法检测标注 人工标注
    第1匹配率(%)第5匹配率(%)第10匹配率(%)第1匹配率(%)第5匹配率(%)第10匹配率(%)
    XQDA46.2578.9088.55 52.2082.2392.14
    MLAPG51.1583.5592.0557.9687.0994.74
    Nullspace53.7083.0590.3058.9085.6092.45
    Equid-MLAPG52.4185.2592.8458.7289.0795.28
    下载: 导出CSV

    表 2  Marlet1501,DukeMTMC-reID数据集上多种距离度量算法对比

    算法Market1501数据集 DukeMTMC-reID数据集
    第1匹配率(%)平均准确率(%)第1匹配率(%)平均准确率(%)
    XQDA43.2322.00 31.3717.17
    MLAPG42.5221.4536.5819.10
    Nullspace54.6029.8045.0226.11
    Equid-MLAPG44.2524.3839.2521.54
    下载: 导出CSV
  • 加载中
图(7)表(2)
计量
  • PDF下载量:  52
  • 文章访问数:  518
  • HTML全文浏览量:  211
文章相关
  • 通讯作者:  周智恒, zhouzh@scut.edu.cn
  • 收稿日期:  2018-04-11
  • 录用日期:  2018-09-13
  • 网络出版日期:  2018-09-20
  • 刊出日期:  2019-02-01
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章