詹敏　王佳斌　鄒小波

摘要：該文提出了基于自適應(yīng)度量學(xué)習(xí)（AML）的行人再識別方法。與正常處理所有負(fù)樣本的常規(guī)度量學(xué)習(xí)方法不同的是，AML將負(fù)樣本自適應(yīng)地分為三組，并對它們給予不同的關(guān)注。通過加強(qiáng)負(fù)樣本的影響，AML可以更好地挖掘正樣本和負(fù)樣本之間的辨別信息，從而生成更有效的度量。此外，我們還提出了探針特定重新排名（PSR）算法來改進(jìn)由度量學(xué)習(xí)得到的初始排名列表。對于每個(gè)探針，PSR構(gòu)建相應(yīng)的超圖以捕獲探針和其排名前100的圖庫圖像之間的鄰域關(guān)系。然后基于它們在超圖中的鄰域親和力來重新排列這些圖像。其中對公共數(shù)據(jù)集VIPER數(shù)據(jù)集的實(shí)驗(yàn)證明了AML和PSR的良好的魯棒性和優(yōu)越性。

關(guān)鍵詞：行人再識別；自適應(yīng)度量學(xué)習(xí)；負(fù)樣本；探針特定重新排名

中圖分類號：TP391

文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2017）10-0159-03

1.概述

行人再識別指的是從給定由一個(gè)相機(jī)捕獲的行人探測圖像或從其他相機(jī)獲取的一組圖庫圖像中識別目標(biāo)人的任務(wù)。由于其在多相機(jī)監(jiān)視中的重要性，近年來該問題已經(jīng)獲得越來越多的關(guān)注。然而，同一個(gè)人在不同相機(jī)下往往具有不同的外觀變化和不同行人的視覺模糊性使得行人重識別是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。

關(guān)于行人再識別的現(xiàn)有工作大致可以分為兩組。第一組的方法是設(shè)計(jì)針對交叉相機(jī)變化魯棒的特征表示。其中代表特征的描述符包括SDALF，saliency，SCNCD，MLF和LO-MO。然而，在面對諸如照明，視角，姿勢和遮擋等問題時(shí)交叉相機(jī)變化是不變的，而且對于視覺模糊性而言足夠區(qū)別的特征描述符是極其困難的。為此，引入旨在尋找任何給定特征的最佳距離度量的第二組方法，以進(jìn)一步改善其算法性能，提高算法的魯棒性。

在過去幾年中，已經(jīng)提出并實(shí)現(xiàn)了許多基于度量學(xué)習(xí)的行人重識別方法，例如PRDC，KISSME，LADF，XQDA和MLAPG。一般來說，這些方法試圖學(xué)習(xí)距離度量，其給出正的（匹配的）圖像對的小距離值和大的距離值到負(fù)的（不匹配的）。通過在訓(xùn)練集中采用標(biāo)記的成對信息，度量學(xué)習(xí)方法可以隱式地對相機(jī)視圖之間的過渡進(jìn)行建模。

雖然度量學(xué)習(xí)算法對于行人再識別是有效的，但是現(xiàn)有的度量學(xué)習(xí)方法仍然具有若干缺點(diǎn)。首先，現(xiàn)有方法常常忽略數(shù)據(jù)不平衡的問題。由于正樣本的數(shù)量通常在行人再識別中非常有限，所以大量負(fù)樣本可能在訓(xùn)練期間削弱正樣本的效果，因此使得所學(xué)習(xí)的度量不具有區(qū)別性。其次，不同類型的負(fù)樣本可以為度量學(xué)習(xí)提供不同量的辨別信息。然而，大多數(shù)現(xiàn)有方法同等對待所有陰性樣本，而不考慮它們的多樣性。第三，基于度量學(xué)習(xí)的方法傾向于在高維特征空間中過擬合。在測試階段盲目相信學(xué)習(xí)的度量可能會(huì)產(chǎn)生不理想的結(jié)果。

為了處理前兩個(gè)缺點(diǎn)，我們提出了一種稱為自適應(yīng)度量學(xué)習(xí)（AML）的新度量學(xué)習(xí)方法。與現(xiàn)有的度量學(xué)習(xí)方法不同的是，AML基于它們與探針的距離將負(fù)樣品自適應(yīng)地分類為三種類型。良好可分離的負(fù)樣本容易被丟棄以減輕數(shù)據(jù)不平衡并加速學(xué)習(xí)過程，而接近探測器的較難負(fù)樣本在度量學(xué)習(xí)期間被分配以大的權(quán)重。通過不同地處理負(fù)樣品，AML可以更好地利用負(fù)樣品提供的鑒別信息。此外，由于第三個(gè)缺點(diǎn)，我們提出了一個(gè)探針特定重新排名（PSR）框架，以細(xì)化由學(xué)習(xí)的度量測量的初始結(jié)果。與直接計(jì)算成對距離不同，PSR考慮在排名前100的圖庫圖像中的鄰域信息以做出魯棒決定。對于每個(gè)探針，重新排名被公式化為具有閉式解的變換超圖學(xué)習(xí)問題。實(shí)驗(yàn)結(jié)果表明，AML優(yōu)于先前的方法，PSR可以進(jìn)一步提高整體性能。

3.探針特異性重排序

3.1超圖像架構(gòu)

由于樣本之間的建模群體關(guān)系的有效性，超圖像已經(jīng)廣泛用于圖像檢索，并最近被引入行人重識別。與以前的研究不同，本方法側(cè)重于改進(jìn)度量學(xué)習(xí)的測試階段。因此，一些調(diào)整已使得構(gòu)造的超圖更適合我們的任務(wù)。

其中向量f包含要學(xué)習(xí)的重新排名分?jǐn)?shù)，向量s是初始標(biāo)簽向量，u是權(quán)衡參數(shù)L是可以基于H計(jì)算的超圖拉普拉斯算子，其推導(dǎo)可以參考。方程的第一項(xiàng)（7）是超圖上的損失項(xiàng)，保證兩個(gè)頂點(diǎn)共享的超邊越多，它們的分?jǐn)?shù)在f中越相似，而第二項(xiàng)是強(qiáng)迫學(xué)習(xí)分?jǐn)?shù)逼近s中的標(biāo)記的正則化項(xiàng)。為了傳播標(biāo)簽信息，s中的第一元素被設(shè)置為1，其對應(yīng)于探針，并且所有其他元素被設(shè)置為0。其中圖1為超圖像重排序框架，該框架的PSR僅關(guān)注初始列表中的前100個(gè)圖像，以減少不相關(guān)樣本的噪聲。

4.實(shí)驗(yàn)結(jié)果及分析

為了評估AML和PSR的有效性，我們在VIPeR數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。最近提出的LOMO特征被用作輸入特征，其中將LOMO特征的維數(shù)減少到每個(gè)數(shù)據(jù)集上的訓(xùn)練圖像的數(shù)量。這加快了學(xué)習(xí)過程，同時(shí)保持輸入特征的所有能量。在所有實(shí)驗(yàn)中，權(quán)重Wh和權(quán)衡參數(shù)u被設(shè)置為0.3和10^-2，其通過對訓(xùn)練數(shù)據(jù)的交叉驗(yàn)證來確定。根據(jù)廣泛使用的協(xié)議，所有三個(gè)數(shù)據(jù)集隨機(jī)分為兩個(gè)子集，一個(gè)用于訓(xùn)練，另一個(gè)用于測試。具體來說，VIPER，PRID450S和CUHK01的訓(xùn)練集分別包含316，225和485人。分割重復(fù)10次，并描繪平均累積匹配特征（CMC）曲線。

VIPER是最具挑戰(zhàn)性的數(shù)據(jù)集之一，其中包含了632個(gè)人不同姿態(tài)、不同場景的圖像。圖2為該數(shù)據(jù)集中的部分圖像。每個(gè)人在室外環(huán)境中具有由兩個(gè)不相交的相機(jī)捕獲的一對圖像，其在視點(diǎn)，姿勢和照明方面具有顯著變化。所有圖像縮放為128x48像素。

度量學(xué)習(xí)方法性能的比較：我們首先評估所提出的現(xiàn)有的度量學(xué)習(xí)方法，例如KISSME，LADF。所有方法使用相同的LOMO特征進(jìn)行統(tǒng)一對比。圖3顯示了VIPER數(shù)據(jù)分區(qū)設(shè)置下各算法與基線方法的比較。通過觀察圖中CMC曲線不難發(fā)現(xiàn)顯然，AML優(yōu)于均衡處理負(fù)樣本的所有度量學(xué)習(xí)方法。此外，通過聯(lián)合使用AML和PSR，AML的秩-l精度進(jìn)一步提高。該結(jié)果證明了所提出的重新排名算法的有效性。不同度量學(xué)習(xí)算法的運(yùn)行時(shí)間如圖4所示。本實(shí)驗(yàn)在具有Intel i7雙核2.8GHz CPU的PC上進(jìn)行。AML的訓(xùn)練速度（27.1s）比其他方法更快，對于PSR，每個(gè)探頭的重新排列只需要0.004s。AML和PSR的吸引人的運(yùn)行時(shí)間非常受益于在訓(xùn)練和測試階段忽略不相關(guān)的樣品。為了顯示僅獲取用于重新排名的前100個(gè)排名的圖像的優(yōu)點(diǎn)，我們給出了如何相對于在圖1中為PSR選擇的圖像的數(shù)量q改變精度和測試時(shí)間。結(jié)果表明，放大q不會(huì)改善性能，但指數(shù)地增加重新排序時(shí)間。

5.總結(jié)

本文提出了一種新穎的度量學(xué)習(xí)方法AML，以及一種有效的重新排名算法PSR，用于行人重識別。AML處理陰性樣本不同，以更好地探索訓(xùn)練期間樣本之間的辨別信息，PSR通過考慮測試期間圖庫圖像之間的鄰域關(guān)系進(jìn)一步提高了性能。對三個(gè)具有挑戰(zhàn)性的基準(zhǔn)的實(shí)驗(yàn)已經(jīng)證明了AML和PSR在有效性和效率方面的優(yōu)點(diǎn)。根據(jù)其基礎(chǔ)數(shù)據(jù)分布針對每個(gè)圖像樣本學(xué)習(xí)一個(gè)局部特征投影，并且將所有圖像特征映射到用于比較的公共辨別空間中.我們采用基于PSR的學(xué)習(xí)方法與直接計(jì)算成對距離不同，PSR考慮在排名前100的圖庫圖像中的鄰域信息以做出魯棒的決定。對于每個(gè)探針，重新排名被公式化為具有閉式解的變換超圖學(xué)習(xí)問題。實(shí)驗(yàn)結(jié)果表明，AML優(yōu)于先前的方法，PSR可以進(jìn)一步提高整體性能。所有訓(xùn)練樣本的局部預(yù)測的聯(lián)合學(xué)習(xí)和優(yōu)化中引入正則化項(xiàng)使我們的模型可以處理來自在訓(xùn)練過程中不存在的照相機(jī)的圖像。我們的方法優(yōu)于基線方法，并利用最先進(jìn)的方法實(shí)現(xiàn)競爭性能。