譚飛剛　劉偉銘　黃玲　翟聰

(華南理工大學(xué) 土木與交通學(xué)院, 廣東 廣州 516040)

基于加權(quán)歐氏距離度量的目標(biāo)再識(shí)別算法*

譚飛剛劉偉銘黃玲?翟聰

(華南理工大學(xué) 土木與交通學(xué)院, 廣東 廣州 516040)

摘要：針對(duì)傳統(tǒng)歐氏距離在特征相似性度量中存在區(qū)分能力弱的缺陷，提出了基于加權(quán)歐氏距離度量的目標(biāo)再識(shí)別算法.首先，針對(duì)現(xiàn)有目標(biāo)再識(shí)別算法中目標(biāo)分割易受衣著和背景顏色干擾的缺陷以及忽略人體頭部特征的現(xiàn)象，提出了一種簡(jiǎn)單的比例分割方法，即根據(jù)VIPeR和i-LIDS數(shù)據(jù)集上目標(biāo)各部件的比例統(tǒng)計(jì)將目標(biāo)按比例分割成3部分.然后提取各部件的多種互補(bǔ)特征來(lái)增加其對(duì)光照變化等因素的魯棒性.在部件特征描述過(guò)程中，文中提出了以顯著性因子為權(quán)重的顯著性局部二值模式(SLBP)特征來(lái)增加局部二值模式(LBP)特征對(duì)目標(biāo)顯著性的描述.最后綜合各部件的相似性度量結(jié)果來(lái)判斷目標(biāo)是否匹配.在VIPeR和i-LIDS數(shù)據(jù)集上的對(duì)比實(shí)驗(yàn)結(jié)果顯示，文中算法的目標(biāo)再識(shí)別準(zhǔn)確率優(yōu)于其他算法.

關(guān)鍵詞：加權(quán)歐氏距離；目標(biāo)再識(shí)別；相似性度量；人體再識(shí)別；顯著性LBP特征

目標(biāo)再識(shí)別指在無(wú)重疊的多攝像機(jī)監(jiān)控網(wǎng)絡(luò)中感興趣目標(biāo)從一個(gè)攝像機(jī)視野離開(kāi)后再進(jìn)入到另外一個(gè)攝像機(jī)視野并再次被識(shí)別的過(guò)程[1],它已廣泛應(yīng)用在異常行為檢測(cè)、智能監(jiān)控和多攝像機(jī)間協(xié)同跟蹤等領(lǐng)域.例如智能交通系統(tǒng)中多攝像機(jī)間協(xié)同跟蹤、火車站或飛機(jī)場(chǎng)等公共場(chǎng)所的安全監(jiān)控等.特別是隨著城市交通網(wǎng)絡(luò)的飛速發(fā)展,攝像機(jī)數(shù)目的不斷增加,監(jiān)控網(wǎng)絡(luò)變得越來(lái)越復(fù)雜,如何在復(fù)雜的攝像機(jī)網(wǎng)絡(luò)中對(duì)目標(biāo)進(jìn)行長(zhǎng)時(shí)間、遠(yuǎn)距離的跟蹤和分析也受到越來(lái)越多的關(guān)注.目標(biāo)再識(shí)別作為目標(biāo)協(xié)同跟蹤過(guò)程中的重要步驟之一受到了廣泛的關(guān)注[2].然而,目標(biāo)再識(shí)別面臨著巨大的挑戰(zhàn),特別是對(duì)于非剛性物體(如行人等),因?yàn)槭艿焦庹兆兓⑴臄z視角、姿態(tài)變化、遮擋和攝像機(jī)自身特性等因素的影響,使得同一目標(biāo)在不同攝像機(jī)之間的外觀特征發(fā)生很大的變化[3].因此,如何建立魯棒的目標(biāo)再識(shí)別算法是目前研究熱點(diǎn)之一.

目標(biāo)再識(shí)別算法主要分為基于特征學(xué)習(xí)和基于度量學(xué)習(xí)兩類算法[4].基于特征學(xué)習(xí)的算法是從外觀特征出發(fā),選取或設(shè)計(jì)一種外觀描述特征使得類內(nèi)相似度高且類間區(qū)分性強(qiáng).顏色、結(jié)構(gòu)、形狀、梯度、紋理、關(guān)鍵點(diǎn)等描述子是人體再識(shí)別中主要使用的特征.Layne等[5]使用8種顏色特征和21種紋理特征來(lái)檢測(cè)人體的15種屬性特征,然后利用各屬性的后驗(yàn)概率形成一個(gè)中層特征并進(jìn)行行人再確認(rèn)識(shí)別.Zhao等[4]將圖像中行人劃分多個(gè)塊并提取各塊的顏色特征和稠密的SIFT特征,然后利用無(wú)監(jiān)督學(xué)習(xí)得到人體的顯著性特征并進(jìn)行識(shí)別.Liu等[6]利用人體顏色特征和紋理特征,并在識(shí)別過(guò)程中動(dòng)態(tài)調(diào)整各種特征的權(quán)值來(lái)選擇最重要的特征進(jìn)行人體再識(shí)別.曾明勇等[7]從外觀統(tǒng)計(jì)特征融合的角度,利用人體的顏色和結(jié)構(gòu)信息研究了再識(shí)別問(wèn)題的特征構(gòu)建和測(cè)度選擇.

基于度量學(xué)習(xí)的算法是從圖像特征空間中學(xué)習(xí)得到一個(gè)模型,使得來(lái)自相同類別的特征距離更近,而來(lái)自不同類別的特征距離更遠(yuǎn),從而最大化匹配準(zhǔn)確率[8-9].Dikmen等[10]提出的大間距近鄰的距離度量機(jī)制(LMNN)最小化正確匹配目標(biāo)之間的距離,同時(shí)最大化錯(cuò)誤匹配目標(biāo)之間的距離.Zheng等[11]提出的相對(duì)距離比較(PRDC)概率模型使得正確匹配目標(biāo)之間距離小于錯(cuò)誤匹配目標(biāo)之間距離的概率最大,從而實(shí)現(xiàn)匹配精度的最大化并忽略外觀特征的選擇.受文本分類或檢索的啟發(fā),Prosser等[8]將人體再識(shí)別問(wèn)題轉(zhuǎn)換為一個(gè)檢索排序問(wèn)題,提出了排序的支持向量機(jī)(RankSVM).Pedagadi 等[12]利用局部Fisher(LF)特征并結(jié)合主成分分析(PCA)降維技術(shù)獲得了較高的再識(shí)別性能.Hirzer等[13]針對(duì)度量學(xué)習(xí)存在優(yōu)化計(jì)算模式復(fù)雜的缺陷,提出了寬松的逐對(duì)度量學(xué)習(xí)方法,將矩陣操作轉(zhuǎn)換為跡操作,從而減少計(jì)算復(fù)雜度,提升算法效率.

上述基于特征學(xué)習(xí)的算法雖然取得了較好的研究效果,但該類算法需要人為尋找或設(shè)計(jì)出對(duì)光照、尺度、形變等因素具有較好魯棒性的特征,并且特征的優(yōu)劣程度直接影響其識(shí)別性能.而基于度量學(xué)習(xí)的算法需要進(jìn)行監(jiān)督訓(xùn)練,訓(xùn)練時(shí)間和空間復(fù)雜度較高,并且距離度量方式影響著算法的識(shí)別效果.基于上述分析,文中提出了一種基于加權(quán)歐式距離的多特征融合的目標(biāo)再識(shí)別算法,并在VIPeR和i-LIDS兩個(gè)公開(kāi)測(cè)試數(shù)據(jù)庫(kù)上進(jìn)行對(duì)比實(shí)驗(yàn),比較了文中提出的算法與其他目標(biāo)再識(shí)別算法的識(shí)別效果.

1加權(quán)歐式距離計(jì)算

在多維數(shù)據(jù)空間結(jié)構(gòu)中,歐式距離是測(cè)量?jī)蓚€(gè)向量空間距離的一種方法.傳統(tǒng)的歐式距離計(jì)算表達(dá)式為

(1)

根據(jù)上述分析可知,在計(jì)算特征向量的相似性度量時(shí),其對(duì)應(yīng)元素間的值越相近,其貢獻(xiàn)越大,在最終度量結(jié)果中應(yīng)具有更大的權(quán)值,而不是所有的元素都有相同的權(quán)值.因此,文中對(duì)歐式距離的計(jì)算進(jìn)行改進(jìn),提出了加權(quán)歐式距離,其表達(dá)式如下:

(2)

(3)

按式(2)計(jì)算可以得到dist(A,B)=2.351 1,dist(A,C)=0.533 4.由此可以看出,文中改進(jìn)的加權(quán)歐式距離計(jì)算方法相對(duì)于傳統(tǒng)的歐氏距離計(jì)算方法具有更好的相似度的區(qū)分性,并且更符合人類感官認(rèn)知.

2目標(biāo)再識(shí)別算法

2.1　目標(biāo)區(qū)域分割

圖像的局部特征被廣泛用于目標(biāo)檢測(cè)、識(shí)別、檢索和分類等領(lǐng)域[14].Farenzena等[15]提出的SDAL方法將人體分割為頭部、軀干和腿部,并提取軀干及腿部的加權(quán)HSV直方圖、最大穩(wěn)定顏色區(qū)域和周期性高度結(jié)構(gòu)化的紋理塊3種特征,并綜合各種特征的識(shí)別結(jié)果來(lái)實(shí)現(xiàn)人體再識(shí)別.范彩霞等[16]將人體劃分為頭部、軀干和腿部3部分,采用顏色結(jié)合形狀信息的描述方式進(jìn)行局部特征描述,并通過(guò)地球移動(dòng)距離(EMD)來(lái)度量目標(biāo)局部特征間的相似性.上述兩種人體部件分割方法對(duì)顏色信息很敏感,如果行人穿相同或相近顏色的衣服和褲子,則會(huì)導(dǎo)致分割失敗.文中在對(duì)VIPeR和i-LIDS兩個(gè)數(shù)據(jù)集進(jìn)行觀察與分析后發(fā)現(xiàn),人體頭部、軀干和腿部之間的比例約為1∶3∶4.部分劃分結(jié)果如圖1所示,將樣本圖像水平劃分為8個(gè)區(qū)域,頭部占一個(gè)區(qū)域,軀干占3個(gè)區(qū)域,腿占4個(gè)區(qū)域.

圖1　人體部件比例示意圖Fig.1　Illustration of the proportion of body parts

文獻(xiàn)[15-16]認(rèn)為人體部件分割后,人體頭部所占區(qū)域小,并且無(wú)法提供有效的識(shí)別信息，因而忽略頭部區(qū)域.然而,研究發(fā)現(xiàn)行人間頭部遮擋概率較小,并且頭部的發(fā)型、頭發(fā)顏色及配飾(如帽子等)都對(duì)行人再識(shí)別提供非常有用的幫助.此外,文獻(xiàn)[17]利用人體頭肩區(qū)域特征在較擁擠的無(wú)重疊區(qū)域的跨攝像機(jī)環(huán)境中進(jìn)行目標(biāo)跟蹤.但圖1所示的人體頭部所在區(qū)域較小,過(guò)多的背景區(qū)域會(huì)干擾目標(biāo)再識(shí)別結(jié)果,因此,文中按照以下方法提取人體頭部區(qū)域.設(shè)樣本寬為w、高為H,條紋的高度為h(h=H/8),那么頭部區(qū)域距離左右邊界w/4,高度為1.5h,即頭部區(qū)域?qū)挒閣/2,高度為1.5h,如圖2所示.

圖2　人體部件分割示意圖Fig.2　Illustration of body-part divisions

2.2　特征提取

單一特征具有局限性,因?yàn)樗粚?duì)某種或幾種影響因素具有較好的魯棒性.如顏色特征對(duì)目標(biāo)形變及拍攝角度變化具有較好的魯棒性,但對(duì)光照變化比較敏感.因此,為增加特征描述的魯棒性,文中提出了顯著性LBP(SLBP)特征,并結(jié)合Gabor特征、YUV顏色直方圖來(lái)描述目標(biāo).將目標(biāo)從RGB顏色空間轉(zhuǎn)換到Y(jié)UV空間,即

(4)

圖3　YUV空間中各分量圖像Fig.3　Images of channels in YUV space

顯著性因子是對(duì)目標(biāo)局部特征顯著性的描述[18],韋伯定律解釋了目標(biāo)局部顯著性不能由差別閾值的絕對(duì)值來(lái)進(jìn)行比較,而應(yīng)由其相對(duì)值進(jìn)行劃定.LBP特征因其計(jì)算速度快并能很好地描述目標(biāo)的紋理特征而被廣泛應(yīng)用,但其缺乏對(duì)目標(biāo)的顯著性描述.然而,在目標(biāo)再識(shí)別過(guò)程中,目標(biāo)的顯著性區(qū)域不僅能增加同一目標(biāo)間的相似性,而且能增加不同目標(biāo)間的差異性,從而提高目標(biāo)再識(shí)別算法的可靠性和準(zhǔn)確性.

圖4描述的是目標(biāo)在不同攝像機(jī)視角下的圖像.從圖中不難發(fā)現(xiàn),圖4(a)至4(d)的4個(gè)目標(biāo)可分別利用腰上跨的手提包、頭上戴的帽子、背上背的雙肩包和旅行包來(lái)輔助目標(biāo)的再識(shí)別.雖然Cao等[19]以像素間差異的絕對(duì)值作為權(quán)值,提出的加權(quán)LBP(WLBP)直方圖考慮了像素鄰域間差異的影響,但它并不能很好地描述特征的局部顯著性.因此,文中依據(jù)韋伯定律,以顯著性因子作為權(quán)值來(lái)增加LBP特征對(duì)顯著性的描述能力,即為顯著性的局部二值模式(SLBP).

圖4　輔助目標(biāo)再識(shí)別的顯著性區(qū)域Fig.4　Salience region assisted object re-identification

SLBP描述如下:

(5)

式中:K為最大的LBP特征值；S(x,y)為中心像素gc的顯著性因子,其計(jì)算表達(dá)式為

(6)

gi(i=[1,2,…,8])為gc的8鄰域像素;LBP(x,y)為像素gc傳統(tǒng)的LBP特征值;f(a,b)為判斷函數(shù),其定義為

(7)

圖5中a與c為來(lái)自不同攝像機(jī)視野的同一目標(biāo),與c為不同目標(biāo).分別對(duì)這3幅圖像提取LBP特征、WLBP[19]特征和SLBP特征(由于手提包位于軀干區(qū)域,因此只提取軀干區(qū)域的3種特征),并且利用加權(quán)歐氏距離計(jì)算它們之間的相似度,結(jié)果如表1所示.

圖5　目標(biāo)顯著性特征再識(shí)別示意圖Fig.5　Illustration of object re-identification by salience feature

從表1中可以看出,對(duì)于SLBP特征,同一目標(biāo)的加權(quán)歐氏距離最小,而不同類目標(biāo)間的加權(quán)歐氏距離比較大.由此可知,SLBP特征既可以較好地描述目標(biāo)類內(nèi)相似性,也可以很好地描述目標(biāo)類間差異性.

表1　3種特征的加權(quán)歐氏距離相似性計(jì)算結(jié)果Table 1　Similarity results of 3 features calculated by weighted Euclidean distance

2.3　目標(biāo)再識(shí)別

目標(biāo)再識(shí)別問(wèn)題可以轉(zhuǎn)換為特征相似性度量問(wèn)題,即給定一幅從攝像機(jī)A捕獲的查詢圖像p,從攝像機(jī)B捕獲的圖像庫(kù)Q中尋找與查詢圖像相似度最高的圖像q.將圖像相似度轉(zhuǎn)換為特征距離度量表示,即

(8)

α+β+γ=1

(9)

(10)

圖6　文中算法流程圖Fig.6　Flowchart of the proposed algorithm

當(dāng)計(jì)算出攝像機(jī)A中圖像p與攝像機(jī)B圖庫(kù)中所有圖像的相似度距離后,選擇攝像機(jī)B中相似度距離最小的圖像q作為最終的再識(shí)別結(jié)果,即

(11)

目標(biāo)再識(shí)別算法的流程圖如圖6所示.首先將查詢圖像按照文中提出的分割比例分割成頭、軀干和腿3部件,并提取各部件的5種特征;然后將各部件特征與圖庫(kù)中候選目標(biāo)各部件特征進(jìn)行相似性度量,并計(jì)算出各部件的度量值;最后累加各部件度量值,并判斷其是否大于設(shè)定的閾值,若大于則認(rèn)為兩目標(biāo)匹配(即為同一目標(biāo)),反之則不匹配.

3實(shí)驗(yàn)及結(jié)果分析

累積匹配特性(CMC)曲線[20]和TOPn是目前常用的人體再識(shí)別性能評(píng)價(jià)指標(biāo).CMC曲線反映查詢圖像在測(cè)試圖庫(kù)前n個(gè)最相似候選圖像中正確匹配到目標(biāo)圖像的概率.TOPn表示測(cè)試圖庫(kù)前n個(gè)最相似圖像中包含正確匹配圖像的概率,它是CMC曲線上的一個(gè)點(diǎn),

(12)

式中,n為統(tǒng)計(jì)的等級(jí)數(shù),Pi為第i等級(jí)正確匹配目標(biāo)圖像的概率.

在CMC曲線中,離左上角越近表明該方法的識(shí)別性能越好.VIPeR圖庫(kù)由大學(xué)校園室外環(huán)境兩個(gè)不同拍攝角度的攝像機(jī)拍攝的圖像組成,它屬于單幀模式標(biāo)準(zhǔn)圖庫(kù),包含632對(duì)不同視角、姿態(tài)和光照條件下的行人.i-LIDS是目標(biāo)再識(shí)別使用最多的多幀圖庫(kù),它包含在某機(jī)場(chǎng)拍攝的119個(gè)行人的476幅圖像,平均每個(gè)行人有4幅圖像,該圖庫(kù)不僅包含視覺(jué)拍攝角度、光照、姿態(tài)變化的行人圖像,還包含部分遮擋圖像.本實(shí)驗(yàn)平臺(tái)為Windows7操作系統(tǒng)、2 GB內(nèi)存、Intel(R) Core(TM) i5的CPU和軟件Matlab2014a.選用CMC和TOPn作為評(píng)價(jià)指標(biāo),并在VIPeR和i-LIDS圖庫(kù)上進(jìn)行對(duì)比實(shí)驗(yàn).

3.1　加權(quán)歐氏距離性能評(píng)估

為驗(yàn)證文中改進(jìn)歐氏距離計(jì)算方法的性能,選擇傳統(tǒng)歐氏距離與文中提出的加權(quán)歐氏距離作為特征相似度計(jì)算方法.在VIPeR和i-LIDS圖庫(kù)上兩種方法的TOP1和TOP5對(duì)比如表2所示.從表中不難看出,使用加權(quán)歐氏距離的計(jì)算方法能較好地改善目標(biāo)再識(shí)別效果.對(duì)于單幀模式的VIPeR圖庫(kù),文中方法的TOP1和TOP5都高于傳統(tǒng)方法10%以上;對(duì)于多幀模式的i-LIDS圖庫(kù),兩種方法的TOP1相差較大,而TOP5相差較小,其原因是多幀模式下目標(biāo)再識(shí)別的準(zhǔn)確率較高,因此,累計(jì)準(zhǔn)確率的差距越小.

表2　兩種方法的TOP1和TOP5比較Table 2　Comparison of TOP1and TOP5between two methods

3.2 幾種算法的CMC對(duì)比

為進(jìn)一步說(shuō)明文中算法的目標(biāo)再識(shí)別性能,選擇文獻(xiàn)[4,6,15]算法在VIPeR和i-LIDS圖庫(kù)上進(jìn)行對(duì)比實(shí)驗(yàn),結(jié)果如圖7所示.從圖中可知,文中算法在兩個(gè)圖庫(kù)上的檢測(cè)效果均優(yōu)于其他算法,主要原因是文獻(xiàn)[4]算法將目標(biāo)劃分為多個(gè)塊,然后提取各個(gè)塊的SIFT和LAB顏色特征,并通過(guò)聚類得到目標(biāo)的顯著性特征,該算法易受塊大小、目標(biāo)樣本背景的影響;文獻(xiàn)[15]算法忽略了頭部區(qū)域信息,但頭部區(qū)域有時(shí)包含的顯著性信息能有效改善目標(biāo)再識(shí)別精度,如圖7(b)中,當(dāng)n>8時(shí)包含頭部特征的3種算法的識(shí)別準(zhǔn)確率均高于文獻(xiàn)[15]算法;文獻(xiàn)[6]算法將目標(biāo)水平劃分為6個(gè)條塊,然后動(dòng)態(tài)調(diào)整每個(gè)樣本在顏色特征和紋理特征上的權(quán)值,進(jìn)而根據(jù)調(diào)整后的權(quán)值進(jìn)行目標(biāo)再識(shí)別,該算法忽略了目標(biāo)顯著性特征信息,且容易受背景環(huán)境和目標(biāo)間遮擋的影響;文中算法首先對(duì)目標(biāo)進(jìn)行細(xì)致分割,以避免復(fù)雜背景的干擾,再選擇多種互補(bǔ)特征來(lái)描述目標(biāo)部件,并通過(guò)各部件的匹配來(lái)完成整體目標(biāo)的匹配,從而增加算法對(duì)光照、視角變化和遮擋等因素的魯棒性.

圖7　4算法的CMC曲線Fig.7　CMC curves of four algorithms

4結(jié)論

文中對(duì)非重疊區(qū)域內(nèi)目標(biāo)再識(shí)別問(wèn)題進(jìn)行研究,提出了基于加權(quán)歐氏距離度量的多部件目標(biāo)再識(shí)別算法和以顯著性因子為權(quán)值的SLBP特征,并在常用的VIPeR和i-LIDS圖庫(kù)上對(duì)文中算法與現(xiàn)有幾種算法進(jìn)行了對(duì)比實(shí)驗(yàn),結(jié)果表明:人體頭部也存在豐富的信息用于目標(biāo)再識(shí)別;文中算法的再識(shí)別精度均優(yōu)于其他算法.

參考文獻(xiàn):

[1]Bedagkar-Gala A,Shah S K.A survey of approaches and trends in person re-identification [J].Image and Vision Computing,2014,32(4):270-286.

[2]Wang X.Intelligent multi-camera video surveillance:a review [J].Pattern Recognition Letters,2013,34(1):3-19.

[3]黃凱奇,陳曉棠,康運(yùn)峰,等.智能視頻監(jiān)控技術(shù)綜述 [J].計(jì)算機(jī)學(xué)報(bào),2015,38(6):1093-1118.

Huang Kai-qi,Chen Xiao-tang,Kang Yun-feng,et.al.Intelligent visual surveillance:a review [J].Chinese Journal of Computers,2015,38(6):1093-1118.

[4]Zhao R,Ouyang W,Wang X.Unsupervised salience lear-ning for person re-identification [C]∥Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition.Portland:IEEE,2013:3586-3593.

[5]Layne R,Hospedales T M,Gong S.Towards person identification and re-identification with attributes [C]∥Proceedings of Computer Vision-ECCV 2012 Workshops and Demonstrations.Berlin/Heidelberg:Springer,2012:402- 412.

[6]Liu C,Gong S,Loy C C.On-the-fly feature importance mining for person re-identification [J].Pattern Recognition,2014,47(4):1602-1615.

[7]曾明勇,吳澤民,田暢,等.基于外觀統(tǒng)計(jì)特征融合的人體目標(biāo)再識(shí)別 [J].電子與信息學(xué)報(bào),2014,36(8): 1844-1851.

Zeng Ming-yong,Wu Ze-min,Tian Chang,et al.Fusing appearance statistical features for person re-identification [J].Journal of Electronics & Information Technology, 2014,36(8):1844-1851.

[8]Prosser B,Zheng W S,Gong S,et al.Person re-identification by support vector ranking [C]∥Proceedings of the British Machine Vision Conference.Aberystwyth:BMVC,2010:1-11.

[9]Satta R,Fumera G,Roli F.Fast person re-identification based on dissimilarity representations [J].Pattern Recognition Letters,2012,33(14):1838-1848.

[10]Dikmen M,Akbas E,Huang T S,et al.Pedestrian recognition with a learned metric [M]∥Proceedings of 2010 Asian Conference on Computer Vision.Berlin/Heidelberg:Springer,2011:501-512.

[11]Zheng W S,Gong S,Xiang T.Person re-identification by probabilistic relative distance comparison [C]∥Proceedings of 2011 IEEE Conference on Computer Vision and Pattern Recognition.Colorado Springs:IEEE,2011:649- 656.

[12]Pedagadi S,Orwell J,Velastin S,et al.Local fisher discriminant analysis for pedestrian re-identification [C]∥Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition.Portland:IEEE,2013:3318-3325.

[13]Hirzer M,Roth P M,K?stinger M,et al.Relaxed pairwise learned metric for person re-identification[C]∥Proceedings of European Conference on Computer Vision 2012.Berlin/Heidelberg:Springer,2012:780-793.

[14]黃凱奇,任偉強(qiáng),譚鐵牛.圖像物體分類與檢測(cè)算法綜述 [J].計(jì)算機(jī)學(xué)報(bào),2014,37(6):1225-1240.

Huang Kai-qi,Ren Wei-qiang,Tan Tie-niu.A review on image object classification detection [J].Chinese Journal of Computers,2014,37(6):1225-1240.

[15]Farenzena M,Bazzani L,Perina A,et al.Person re-identification by symmetry-driven accumulation of local features [C]∥Proceedings of 2010 IEEE Conference on Computer Vision and Pattern Recognition.San Francisco:IEEE,2010:2360-2367.

[16]范彩霞,朱虹,藺廣逢,等.多特征融合的人體目標(biāo)再識(shí)別 [J].中國(guó)圖象圖形學(xué)報(bào),2013,18(6):711-717.

Fan Cai-xia,Zhu Hong,Lin Guang-feng,et al.Person re-identification based on multi-features [J].Journal of Image and Graphics,2013,18(6):711-717.

[17]Mazzon R,Tahir S F,Cavallaro A.Person re-identification in crowd [J].Pattern Recognition Letters,2012,33(14):1828-1837.

[18]Chen J,Shan S,He C,et al.WLD:a robust local image descriptor [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2010,32(9):1705-1720.

[19]Cao Y,Pranata S,Nishimura H.Local binary pattern features for pedestrian detection at night/ dark environment [C]∥Proceedings of the 18th IEEE International Conference on Image Processing.Brussels:IEEE,2011:2053-2056.

[20]Wang X,Doretto G,Sebastian T,et al.Shape and appearance context modeling [C]∥Proceedings of the 11th International Conference on Computer Vision.Rio de Janeiro:IEEE,2007:1-8.

Object Re-Identification Algorithm Based on Weighted Euclidean Distance Metricc

TanFei-gangLiuWei-mingHuangLingZhaiCong

(School of Civil Engineering and Transportation, South China University of Technology, Guangzhou 510640, Guangdong, China)

Abstract:As the traditional Euclidean distance has a weak distinctive ability in the feature similarity measure, an object re-identification algorithm based on the weighted Euclidean distance metric is proposed. First, aiming at the problems of the existing object re-identification algorithm, which are that the object segmentation is sensitive to clothing and background color and the human head information is ignored, a simple segmentation method is proposed, which divides a person into three parts according to the statistics of the proportion of each part in VIPeR and i-LIDS data-sets. Then, various complementary features of each part are extracted to improve the robustness of the proposed algorithm to illumination changes and other factors. A significant local binary pattern (SLBP) with a significant factor as the weight is proposed to increase the description ability of the local binary pattern (LBP) to the significance of the object in the part feature description process. Finally, the comprehensive result of the similarity measure of each part is used to determine whether the object is matched. The results of comparative experiments on VIPeR and i-LIDS datasets show that the proposed algorithm is superior to other algorithms in terms of accuracy.

Key words:weighted Euclidean distance; object re-identification; similarity measure; person re-identification; significant local binary pattern

中圖分類號(hào)：TP391

doi：10.3969/j.issn.1000-565X.2015.09.014

作者簡(jiǎn)介：譚飛剛(1987-),男,博士生,主要從事智能交通系統(tǒng)、機(jī)器視覺(jué)研究.E-mail: tanfeigang@qq.com? 通信作者： 黃玲(1979-),女,博士,講師,主要從事智能交通、機(jī)器學(xué)習(xí)研究.E-mail: hling@scut.edu.cn

*基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(51408237)

收稿日期：2015-03-02

文章編號(hào)：1000-565X(2015)09-0088-07

Foundation item： Supported by the National Natural Science Foundation of China(51408237)