标题

Transcription

1 第 29 卷 摇 第 6 期 模 式 识 别 与 人 工 智 能 Vol. 29 摇 No 年 6 月 PR & AI Jun. 摇 2016 摇 摇 摇 摇 摇 正 则 化 独 立 测 度 摇 矩 摇 摇 阵 摇 摇 的 行 人 再 识 别 摇 齐 美 彬 摇 摇 王 运 侠 摇 摇 檀 胜 顺 摇 摇 刘 摇 皓 摇 摇 蒋 建 国 * ( 合 肥 工 业 大 学 计 算 机 与 信 息 学 院 摇 合 肥 ) 摘 摇 要 摇 针 对 当 前 基 于 距 离 测 度 学 习 的 行 人 再 识 别 算 法 中 因 训 练 样 本 少 而 出 现 的 过 拟 合 问 题, 提 出 正 则 化 独 立 测 度 矩 阵 的 行 人 再 识 别 算 法. 该 算 法 首 先 在 4 个 不 同 的 颜 色 空 间 单 独 学 习 测 度 矩 阵, 然 后 分 别 对 相 应 的 测 度 矩 阵 进 行 正 则 化, 测 试 样 本 通 过 正 则 化 后 的 测 度 矩 阵 进 行 相 似 性 度 量, 最 后 结 合 相 似 性 度 量 结 果 得 到 最 终 相 似 度. 实 验 表 明, 相 比 原 有 算 法, 文 中 算 法 在 性 能 上 有 进 一 步 提 升, 并 可 改 善 训 练 样 本 少 时 出 现 的 过 拟 合 问 题. 关 键 词 摇 行 人 再 识 别, 距 离 测 度 学 习, 过 拟 合, 正 则 化, 独 立 测 度 矩 阵 中 图 法 分 类 号 摇 TP 391 OI 摇 / j. cnki. issn1003 鄄 引 用 格 式 摇 齐 美 彬, 王 运 侠, 檀 胜 顺, 刘 皓, 蒋 建 国. 正 则 化 独 立 测 度 矩 阵 的 行 人 再 识 别. 模 式 识 别 与 人 工 智 能, 2016, 29(6): Person Re 鄄 identification Based on Regularization of Independent Measure Matrix QI Meibin, WANG Yunxia, TAN hengshun, LIU Hao, JIANG Jianguo ( chool of Computer and Information, Hefei University of Technology, Hefei ) ABTRACT To solve the over 鄄 fitting problem caused by less training samples in the current person re 鄄 identification method based on distance metric learning, a person re 鄄 identification algorithm based on regularization of independent measure matrix is proposed. Firstly, the features extracted from four different color spaces are used to learn four different measure matrices. Then, the corresponding matrixes are regularized respectively, and the similarity of testing examples is measured by the regularized matrices. Finally, the final similarity is obtained by fusing results of the similarity measure. Experimental results show the improvement of the proposed method in performance for the over 鄄 fitting problem caused by less training samples. Key Words 摇 Person Re 鄄 identification, istance Metric Learning, Over 鄄 Fitting, Regularization, Independent Measure Matrix Citation 摇 QI M B, WANG Y X, TAN, LIU H, JIANG J G. Person Re 鄄 identification Based on Regularization of Independent Measure Matrix. Pattern Recognition and Artificial Intelligence, 2016, 29(6): * 国 家 自 然 科 学 基 金 项 目 (No ) 安 徽 省 科 技 攻 关 项 目 (No. 1301b042023) 资 助 upported by National Natural cience Foundation of China ( No ), Program for cience and Technology evelopment of Anhui Province ( No. 1301b042023) 收 稿 日 期 : ; 修 回 日 期 : ; 录 用 日 期 : Manuscript received August 27, 2015; revised November 9, 2015; accepted ecember 2, 2015

2 512 模 式 识 别 与 人 工 智 能 摇 摇 摇 第 29 卷 摇 摇 行 人 再 识 别 主 要 研 究 在 无 重 叠 视 域 监 控 系 统 中, 不 同 摄 像 机 下 出 现 的 行 人 目 标 是 否 关 联. 由 于 监 控 视 频 图 像 分 辨 率 较 低, 不 同 摄 像 机 下 的 行 人 受 光 照 视 角 行 人 姿 态 变 化 及 摄 像 机 参 数 等 因 素 影 响, 同 一 个 人 在 不 同 摄 像 机 下 的 外 观 差 异 很 大, 因 此 行 人 再 识 别 问 题 面 临 极 大 挑 战. 近 年 来, 随 着 多 媒 体 技 术 的 发 展 和 监 控 视 频 的 大 量 应 用, 广 大 研 究 者 提 出 很 多 解 决 行 人 再 识 别 问 题 的 方 法 [1-2], 从 而 促 进 该 领 域 发 展. 行 人 再 识 别 的 研 究 方 法 主 要 分 为 : 特 征 表 [3-9] [10 达 和 度 量 学 习 -21]. 有 效 的 特 征 表 达 应 该 对 光 照 视 角 及 行 人 姿 态 变 化 具 有 鲁 棒 性. 鉴 于 目 前 的 监 控 视 频 分 辨 率 较 低, 一 般 只 能 借 助 衣 服 颜 色 区 分 不 同 行 人. 基 于 颜 色 的 特 征 表 达 都 是 提 取 图 像 的 颜 色 直 方 图 [3], 再 通 过 欧 氏 距 离 或 巴 氏 距 离 计 算 2 个 图 像 的 相 似 度. 虽 然 匹 配 过 程 简 单, 但 效 果 并 不 理 想. 研 究 者 们 又 提 出 多 特 [4] 征 融 合 的 行 人 再 识 别, 提 高 识 别 正 确 率, 但 特 征 冗 余 度 较 高 且 融 合 时 很 难 准 确 分 配 权 重. 文 献 [5] 和 文 献 [6] 提 出 将 协 方 差 矩 阵 作 为 区 域 描 述 子 描 述 行 人, 但 求 取 区 域 的 协 方 差 矩 阵 时 计 算 量 较 大, 很 难 实 现 实 时 识 别. 突 出 的 局 部 特 征 可 较 好 区 分 不 同 行 人, 从 而 文 献 [7] 和 文 献 [8] 提 出 通 过 图 像 的 显 著 性 区 域 区 分 图 像, 但 显 著 性 区 域 受 行 人 姿 态 变 化 影 响 较 大. 为 了 消 除 低 层 特 征 和 高 级 语 义 之 间 的 语 义 鸿 沟, 研 究 者 试 图 寻 找 更 接 近 人 体 视 觉 的 特 征. 文 献 [9] 提 出 中 层 特 征 表 达, 提 取 具 有 代 表 性 的 图 像 块 的 特 征 表 达 目 标, 分 块 遍 历 图 像 后 排 序 所 有 的 块, 这 使 其 计 算 效 率 较 低. 特 征 表 达 方 法 是 从 图 像 像 素 点 获 取 信 息, 经 过 一 系 列 变 换 得 到 图 像 特 征, 该 方 法 提 取 过 程 复 杂, 计 算 量 较 大, 很 难 找 到 较 好 的 特 征 区 分 图 像. 距 离 测 度 学 习 是 现 阶 段 兴 起 的 行 人 再 识 别 算 法, 广 泛 应 用 于 计 算 机 视 觉 领 域. 与 相 似 度 匹 配 不 同, 它 增 加 对 已 标 识 样 本 的 训 练 过 程, 通 过 学 习 到 的 测 度 矩 阵, 把 特 征 向 量 映 射 到 一 个 更 容 易 区 分 的 空 [10] 间. K 侪 stinger 等 提 出 保 持 简 单 有 效 原 则 下 的 距 离 测 度 学 习 算 法 (Keep It imple and traightforward [11] Metric Learning, KIME), 依 据 马 氏 距 离 的 思 想 通 过 训 练 得 到 测 度 矩 阵, 降 低 计 算 复 杂 度, 并 且 取 得 较 好 的 识 别 效 果. 具 有 代 表 性 的 距 离 测 度 学 习 算 法 包 括 信 息 理 论 的 距 离 测 度 学 习 (Information 鄄 Theo 鄄 retic Metric Learning, ITML) [12] 最 大 边 界 最 近 邻 学 习 (Large Margin Nearest Neighbor, LMNN) [13-14] 逻 辑 判 别 距 离 测 度 学 习 (Logistic iscriminant Metric Learning, LML) [15] 等. 这 些 算 法 的 主 要 目 的 是 学 习 一 个 测 度 矩 阵 M, 使 同 类 样 本 间 的 距 离 尽 可 能 小, 异 类 样 本 间 的 距 离 尽 可 能 大. 文 献 [16] 提 出 基 于 统 计 推 断 的 行 人 再 识 别 方 法, 使 用 统 计 推 断 [17] 的 方 法 学 习 2 幅 行 人 图 像 的 相 似 度 函 数. Ma 等 把 测 度 学 习 用 于 多 摄 像 机 网 络 中, 实 现 多 个 摄 像 机 之 [18] 间 的 行 人 关 联. Liu 等 提 出 多 视 觉 下 的 Hessian 判 别 稀 疏 编 码, 对 图 像 进 行 标 注, 通 过 图 像 标 注 解 决 图 像 的 分 类 问 题. 现 有 的 测 度 学 习 方 法 大 都 需 要 对 测 度 矩 阵 增 加 很 多 约 束 或 采 用 多 次 迭 代 算 法, 从 而 导 致 计 算 的 复 杂 性. 针 对 大 规 模 数 据 集 分 类 问 题 提 出 的 KIME, 计 算 过 程 简 单 且 无 过 多 的 条 件 约 束, 但 训 练 样 本 少 [19] 时, 测 度 矩 阵 会 出 现 过 拟 合 的 情 况. Liu 等 提 出 多 视 觉 正 则 化 Hessian 逻 辑 回 归 方 法 识 别 行 为, 通 过 一 部 分 标 记 好 的 训 练 数 据 学 习 一 个 具 有 泛 化 能 力 的 [20] 模 型, 预 测 未 标 记 数 据. Tao 等 提 出 基 于 平 滑 - 正 则 化 KI 测 度 矩 阵 的 行 人 再 识 别 (Person Re 鄄 identification by Regularized moothing KI Metric Learning, R_KI), 解 决 过 拟 合 问 题. 本 文 提 出 正 则 化 独 立 测 度 矩 阵 的 行 人 再 识 别 算 法. 在 保 持 简 单 计 算 的 情 况 下, 对 学 习 到 的 测 度 矩 阵 加 入 正 则 项, 缓 解 训 练 样 本 少 时 出 现 的 过 拟 合 问 题. 与 平 滑 正 则 化 不 同, 直 接 正 则 化 独 立 测 度 矩 阵, 不 需 要 在 求 解 协 方 差 矩 阵 的 特 征 值 后 再 对 其 分 别 处 理. 在 4 个 颜 色 空 间 中 分 别 学 习 得 到 4 个 测 度 矩 阵, 测 试 样 本 通 过 正 则 化 后 的 测 度 矩 阵 计 算 4 个 颜 色 空 间 下 的 相 似 度, 再 将 4 个 相 似 度 进 行 加 权 求 和 得 到 最 终 的 相 似 度. 该 算 法 简 单 有 效 且 提 高 识 别 正 确 率. 1 摇 测 度 矩 阵 的 正 则 化 1. 1 摇 马 氏 距 离 度 量 标 准 马 氏 距 离 是 一 种 有 效 计 算 2 个 未 知 样 本 集 相 似 度 的 方 法, 其 表 示 数 据 的 协 方 差 距 离. 它 考 虑 各 种 特 征 之 间 的 联 系, 且 与 尺 度 无 关, 也 不 受 量 纲 的 影 响, 还 可 排 除 变 量 之 间 相 关 性 的 干 扰. 两 个 样 本 点 x i 和 x j 的 马 氏 距 离 平 方 定 义 为 d 2 M(x i,x j ) = (x i ) T M(x i ), (1) 其 中 :M 逸 0 为 一 个 对 称 的 半 正 定 矩 阵, 称 为 距 离 矩 阵, 当 M = I 时, 式 (1) 为 熟 知 的 2 个 样 本 的 欧 氏 距 离 平 方 ;x i 沂 R d,x j 沂 R d,d 为 特 征 空 间 的 维 度. 设 (i, j) 表 示 一 个 样 本 对, 为 了 进 一 步 讨 论, 定 义 相 似 度 标 签 y ij. 对 于 相 关 的 样 本 对 y ij = 1, 表 明 i j 有 相 同 的 类 标 签 (y i = y j ); 对 于 不 相 关 的 样 本 对 y ij =

3 第 6 期 摇 摇 摇 摇 齐 美 彬 摇 等 : 正 则 化 独 立 测 度 矩 阵 的 行 人 再 识 别 513 0, 表 明 i j 有 不 同 的 类 标 签 摇 保 持 简 单 有 效 原 则 下 的 距 离 测 量 学 习 算 法 对 于 公 共 数 据 集 上 相 关 图 像 对 和 不 相 关 图 像 对, 从 统 计 推 断 角 度 看 待 最 佳 的 统 计. 可 通 过 合 适 的 测 试 比 确 定 一 个 样 本 对 (i,j) 是 否 相 关. 定 义 2 个 假 设 H 1 和 H 0,H 1 代 表 样 本 对 (i,j) 相 关 (y ij = 1);H 0 代 表 样 本 对 (i,j) 不 相 关. 定 义 测 试 比 如 下 : 啄 (x i ) = log æ p(x i ) H 0 ö 2 ç p(x i ). (2) H1 ø 啄 (x i ) 的 值 大 意 味 着 H 0 被 接 受, 说 明 这 个 图 像 对 不 相 关 ; 相 反, 值 小 意 味 着 H 0 被 拒 绝. 定 义 特 征 差 分 空 间 x ij = x i, 式 (2) 可 写 为 啄 (x i ) = log æ p(x ij H 0 ) ö 2 ç p(x = log æ f(x ij 兹 0) ö 2 ç ij H 1 ) ø f(x ij 兹 1), ø 其 中 f(x ij 兹 1) 是 假 设 为 H 1 参 数 为 兹 1 的 一 个 概 率 密 度 函 数. 假 设 特 征 差 分 空 间 服 从 高 斯 分 布, 可 放 松 对 该 问 题 的 约 束, 上 式 重 写 为 啄 (x ij )= 摇 其 中 摇 æ ç ç log 2 ç ç y ij = 1 y ij = 仔 y ij = 仔 y ij = 1 æ exp ç æ exp ç xt -1 ij xt -1 ij = 移 (x i )(x i ) T, y ij = 1 = 移 (x i )(x i ) T. y ij = 0 y ij = 0 x ö ö ij ø y ij = 1 x ö, ij ø ø 由 于 特 征 的 差 分 空 间 x ij = x i 对 称, 因 此 可 假 设 相 关 图 像 对 和 不 相 关 图 像 对 在 特 征 差 分 空 间 的 投 影 分 别 服 从 均 值 为 0 且 的 高 斯 分 布, 其 中 兹 1 = (0, ), 兹 0 = (0, ) = y j = 1, = y j = 0. 对 高 斯 分 布 最 大 相 似 进 行 估 计, 构 造 如 下 : 啄 (x ij ) = x T -1 ij x ij + log 2 ( ) - x T -1 ij x ij - 摇 log 2 ( ). 化 如 下 : 不 考 虑 等 式 中 仅 提 供 偏 移 的 常 量 部 分, 上 式 简 啄 (x ij ) = x T -1-1 ij( - )x ij. 对 比 上 式 和 马 氏 距 离 计 算 式 (1), 可 把 上 式 看 -1-1 成 M = - 的 马 氏 距 离 度 量 标 准 摇 正 则 化 独 立 测 度 矩 阵 可 通 过 结 合 -1 M = -1 - 和 d ij = (x i ) T M(x i ) 计 算 一 组 行 人 图 像 对 的 相 似 度. 但 由 于 KIME 计 算 过 程 简 单, 且 计 算 测 度 矩 阵 时, 无 过 多 的 条 件 约 束, 因 此 当 训 练 样 本 的 数 量 较 少 时 容 易 出 现 过 拟 合 问 题. 过 拟 合 是 当 提 高 训 练 数 据 上 的 表 现 时, 在 测 试 数 据 上 反 而 下 降 的 一 种 现 象. 发 生 的 本 质 原 因 是 由 于 监 督 学 习 问 题 的 不 适 定 性, 因 为 N 个 线 性 无 关 的 方 程 组 可 以 求 解 N 个 变 量, 若 要 求 解 N + 1 个 变 量 就 会 无 解. 监 督 学 习 中, 一 般 数 据 ( 对 应 方 程 ) 远 小 于 模 型 ( 对 应 变 量 ). 拟 合 现 象 的 发 生 原 因 如 下. 1) 有 限 的 训 练 数 据 不 能 完 全 反 映 一 个 模 型 的 好 坏, 但 不 得 不 在 这 有 限 的 数 据 上 挑 选 模 型. 因 为 无 法 知 道 模 型 在 测 试 数 据 上 的 表 现, 完 全 可 能 挑 选 到 在 训 练 数 据 上 表 现 良 好 而 在 测 试 数 据 上 表 现 较 差 的 模 型. 2) 如 果 模 型 空 间 很 大, 即 可 挑 选 到 很 多 模 型, 那 么 挑 到 对 的 模 型 的 机 会 很 小. 3) 如 果 希 望 一 个 模 型 在 训 练 数 据 上 表 现 良 好, 需 要 在 足 够 大 的 模 型 空 间 中 挑 选 该 模 型, 否 则 若 模 型 空 间 很 小, 就 不 存 在 能 较 好 拟 合 数 据 的 模 型. 综 上 所 述, 要 拟 合 训 练 数 据 需 足 够 大 的 模 型 空 间, 但 模 型 空 间 较 大 时, 能 挑 选 到 测 试 性 能 好 的 模 型 的 概 率 又 会 下 降, 这 就 出 现 训 练 数 据 拟 合 越 好 测 试 性 能 越 差 的 过 拟 合 现 象. 由 于 过 拟 合 表 现 在 训 练 样 本 上 的 误 差 较 小, 但 是 在 测 试 数 据 上 误 差 较 大, 这 样 会 对 行 人 再 识 别 的 准 确 性 造 成 很 大 影 响. 为 了 防 止 学 习 到 的 测 度 矩 阵 过 分 拟 合 复 杂 模 型 ( 复 杂 模 型 是 候 选 模 型 的 数 量 多 而 不 是 指 模 型 本 身 的 复 杂 度 ) 下 的 噪 声 和 异 常 值, 应 正 则 化 学 习 得 到 测 度 矩 阵. 正 则 化 是 控 制 模 型 空 间 ( 减 小 模 型 空 间 的 复 杂 度 ) 的 一 种 方 法, 它 能 避 免 过 拟 合. 正 则 化 就 是 对 最 小 化 经 验 误 差 函 数 施 加 约 束. 由 于 测 度 学 习 是 通 过 学 习 得 到 的 测 度 矩 阵 度 量 样 本 相 似 性 的 方 法, 因 此 本 文 正 则 化 测 度 矩 阵, 使 最 终 的 解 倾 向 于 符 合 先 验 知 识. 正 则 化 的 具 体 方 法 是 在 学 习 到 的 测 度 矩 阵 M 上 加 入 正 则 项, 得 到 正 则 化 后 的 测 度 矩 阵 ~ M: ~M = (1 - 琢 )M + 琢 tr(m)i, (3) N 其 中, 琢 为 正 则 项 系 数,N 为 训 练 样 本 的 个 数,I 为 单 位 矩 阵. 从 数 学 角 度 分 析 上 述 公 式,tr(M) 学 习 得 到 的 测 度 矩 阵 的 迹, 由 于 矩 阵 的 迹 等 于 矩 阵 特 征 值 的 和, 而 矩 阵 的 特 征 值 的 模 代 表 矩 阵 在 每 个 基 上 的 投 影 长 度. 特 征 值 越 大, 说 明 矩 阵 在 对 应 的 特 征 向 量 上 的 方 差 越 大, 功 率 越 大, 信 息 量 越 多. 应 用 到 最 优 化

4 514 模 式 识 别 与 人 工 智 能 摇 摇 摇 第 29 卷 中, 即 自 变 量 在 这 个 方 向 上 变 化 时, 对 函 数 值 的 影 响 最 大, 也 就 是 该 方 向 上 的 方 向 导 数 最 大. 式 (3) 可 看 成 使 用 N 个 训 练 样 本 对 矩 阵 的 迹 求 均 值, 再 通 过 与 单 位 矩 阵 相 乘 后 和 原 来 的 测 度 矩 阵 M 进 行 加 权 求 和. 琢 也 为 权 重 系 数. 当 琢 取 值 较 小 时, 对 于 测 度 矩 阵, 这 个 正 则 项 对 原 始 数 据 分 布 的 影 响 不 大, 并 未 对 数 据 的 方 差 和 偏 差 起 到 权 衡 作 用, 正 则 化 效 果 不 明 显 ; 如 果 琢 取 值 较 大, 对 原 来 数 据 的 分 布 影 响 变 大, 改 变 数 据 的 原 始 分 布, 学 习 到 的 模 型 不 能 准 确 拟 合 原 来 的 数 据, 导 致 实 验 效 果 较 差. 通 过 实 验 对 比 可 看 出, 琢 在 ~ 之 间 效 果 较 好, 实 验 中 一 般 取 琢 为 这 样 可 对 学 习 到 的 测 度 矩 阵 每 个 对 角 线 上 的 元 素 都 进 行 一 定 程 度 的 微 调. 因 为 测 度 矩 阵 实 际 上 也 是 样 本 数 据 之 间 的 协 方 差 矩 阵, 协 方 差 矩 阵 的 主 对 角 线 上 的 元 素 代 表 数 据 之 间 的 方 差. 正 则 化 测 度 矩 阵 M 后, 可 防 止 训 练 出 的 测 度 矩 阵 过 分 依 赖 某 一 维 或 某 几 维 的 特 征, 能 在 方 差 和 偏 差 间 进 行 权 衡, 使 最 后 得 到 的 测 度 矩 阵 具 有 较 强 的 泛 化 能 力. 因 此, 可 更 好 地 区 分 测 试 集 中 相 关 样 本 对 和 不 相 关 样 本 对. 本 文 考 虑 到 不 同 颜 色 空 间 提 取 的 颜 色 特 征 对 特 征 表 达 具 有 不 同 的 表 征 能 力, 为 了 更 好 区 分 不 同 颜 色 空 间 的 差 别, 提 出 正 则 化 独 立 测 度 矩 阵 的 方 法. 分 别 在 4 个 颜 色 空 间 提 取 颜 色 特 征 向 量, 对 4 个 颜 色 空 间 单 独 提 取 学 习 测 度 矩 阵, 这 样 就 得 到 基 于 不 同 颜 色 空 间 的 度 量 标 准, 再 把 测 试 样 本 分 别 在 4 个 测 度 空 间 得 到 的 相 似 度 进 行 融 合, 得 到 最 终 相 似 性 摇 步 骤 step 1 摇 选 择 训 练 数 据 集, 对 于 输 入 的 N 个 相 关 行 人 图 像 对, 分 别 在 4 个 颜 色 空 间 提 取 每 个 行 人 对 的 颜 色 特 征 (a 1i,a 2i ), (b 1i,b 2i ), (c 1i,c 2i ), (d 1i, d 2i ), 其 中,a b c d 为 4 个 颜 色 空 间 的 颜 色 特 征, i = 1,2,,N. step 2 摇 在 4 个 颜 色 空 间 分 别 计 算 训 练 集 中 样 本 的 相 关 行 人 对 和 所 有 不 相 关 的 行 人 对 的 协 方 差 矩 阵 T T = T y, j = 1 = T y j = 0, 其 中,T 分 别 为 a b c d, 表 示 在 4 个 颜 色 空 间 学 习 到 的 测 度 矩 阵 的 协 方 差 矩 阵. step 3 摇 对 于 4 个 颜 色 空 间 得 到 的 协 方 差 矩 阵, -1-1 通 过 M = - 分 别 计 算 每 个 颜 色 空 间 的 测 度 矩 阵 M a M b M c M d, 并 通 过 加 入 正 则 项 对 M 进 行 微 调 ~M = (1 - 琢 )M + 琢 N tr(m)i, 防 止 测 度 矩 阵 学 习 过 程 中 出 现 过 拟 合 问 题. step 4 摇 利 用 step 3 中 得 到 的 4 个 测 度 矩 阵 M a M b M c M d, 分 别 在 4 个 颜 色 空 间 计 算 测 试 集 样 本 之 间 的 相 似 度, 再 把 4 个 相 似 度 结 果 进 行 融 合 得 到 最 终 相 似 度, 然 后 通 过 相 似 度 排 序 的 结 果 确 定 2 个 样 本 对 是 否 相 关. 2 摇 实 验 及 结 果 分 析 实 验 基 于 vs opencv 实 现, 实 验 平 台 为 4 GB 内 存 Intel(R) Core(TM)2 Quad CPU Q9400@ GHz 的 PC 台 式 机 摇 实 验 说 明 为 了 验 证 距 离 测 度 矩 阵 的 优 越 性, 实 验 中 仅 使 用 颜 色 特 征 作 为 样 本 的 特 征 表 达. 对 于 给 定 的 数 据 集 样 本, 首 先 把 行 人 图 像 在 水 平 方 向 平 均 分 成 6 块, 如 图 1 所 示. 因 为 摄 像 机 拍 摄 的 行 人 图 像 在 水 平 方 向 差 异 不 大, 考 虑 到 行 人 竖 直 方 向 的 空 间 信 息, 则 在 水 平 方 向 分 块. Fig. 1 摇 图 1 摇 把 行 人 图 像 分 成 6 个 水 平 条 块 Pedestrian image divided into 6 horizontal bands 实 验 中 分 别 在 HV NRGB LAB YUV 这 4 个 颜 色 空 间 提 取 图 像 的 颜 色 直 方 图. 颜 色 空 间 包 含 基 色 颜 色 空 间 (RGB) 和 色 亮 分 离 的 颜 色 空 间 (HV YUV 和 LAB). HV 空 间 能 直 观 表 达 色 彩 的 明 暗 色 调 及 鲜 艳 程 度, 方 便 颜 色 间 的 对 比, 且 对 光 照 变 化 不 [21] 敏 感. NRGB 为 归 一 化 的 RGB,Gevers 等 提 出 归 一 化 后 的 RGB 与 物 体 表 面 的 反 射 系 数 及 传 感 器 参 数 等 无 关. LAB 包 括 人 眼 可 看 见 的 所 有 色 彩 的 色 彩 模 式, 色 彩 表 示 范 围 比 RGB 更 广 泛 且 与 光 线 及 设 备 无 关. YUV 为 亮 度 和 色 度 分 离 的 颜 色 空 间, 这 样 分 离 不 仅 可 避 免 两 者 的 相 互 干 扰, 还 可 降 低 图 像 的 采

5 第 6 期 摇 摇 摇 摇 齐 美 彬 摇 等 : 正 则 化 独 立 测 度 矩 阵 的 行 人 再 识 别 515 样 率, 且 不 对 图 像 质 量 产 生 较 大 影 响. 由 于 上 述 4 个 颜 色 空 间 是 从 不 同 角 度 衡 量 同 一 对 象, 体 现 样 本 间 的 差 异 性, 因 此 可 增 加 行 人 再 识 别 的 准 确 率. 在 特 征 提 取 过 程 中, 每 个 图 像 都 按 照 图 1 形 式 划 分 成 水 平 的 6 个 区 域, 对 于 每 个 区 域, 都 在 每 个 颜 色 空 间 的 3 个 通 道 下 分 别 提 取 16 个 区 间 的 直 方 图. 这 样 在 每 个 颜 色 空 间 下 可 使 用 一 个 288(16 伊 3 伊 6) 维 的 特 征 向 量 描 述 一 个 图 像. 为 了 减 少 特 征 空 间 的 冗 余, 降 维 使 用 PCA 特 征, 保 证 特 征 90 以 上 的 能 量, 把 特 征 向 量 维 度 降 到 个 颜 色 空 间 特 征 提 取 完 成 后, 在 每 个 颜 色 空 间 分 别 学 习 一 个 测 度 矩 阵, 得 到 4 个 测 度 矩 阵. 对 测 试 样 本 提 取 特 征 后, 通 过 学 习 得 到 的 4 个 测 度 矩 阵 分 别 计 算 一 个 相 似 度, 然 后 加 权 求 和 得 到 的 4 个 相 似 度 ( 每 一 项 的 权 重 都 是 1 / 4) 作 为 最 终 的 相 似 度. 最 后 从 小 到 大 排 序 所 有 测 试 样 本 对 的 相 似 度, 排 在 最 前 面 的 样 本 对 被 认 为 是 最 相 似 的 样 本 对 摇 实 验 数 据 和 算 法 性 能 评 价 准 则 在 行 人 再 识 别 广 泛 使 用 的 公 共 数 据 集 VIPeR [22] ili [23] 和 CUHK01 [9] 上 评 测 性 能. VIPeR 数 据 集 包 含 632 位 行 人 的 幅 图 像. 每 位 行 人 有 2 幅 图 像, 分 别 来 自 2 个 不 同 的 摄 像 机 拍 摄 的 图 像, 每 个 图 像 的 尺 寸 都 是 128 伊 48. 每 对 行 人 图 像 来 源 于 不 同 的 摄 像 头 场 景. 同 一 个 人 的 外 观 由 于 姿 态 视 角 光 照 和 背 景 的 变 化 而 有 很 大 差 异. ili 数 据 集 包 含 119 位 行 人 的 476 幅 图 像, 每 位 行 人 的 图 像 从 2 幅 到 8 幅 不 等. 从 中 随 机 选 择 每 人 的 2 幅 图 像, 分 别 当 作 摄 像 机 A 和 摄 像 机 B 下 的 1 组 行 人 图 像 对. ili 数 据 集 是 从 机 场 收 集 的, 数 据 集 有 严 重 遮 挡 和 光 照 变 化, 而 且 数 据 集 中 的 图 像 尺 寸 不 尽 相 同, 实 验 中 统 一 把 图 像 尺 寸 大 小 设 置 为 128 伊 48. CUHK01 数 据 集 是 由 2 个 摄 像 机 在 校 园 环 境 中 拍 摄 得 到, 包 含 971 行 人 的 幅 图 像. 每 位 行 人 包 含 4 幅 图 像, 前 2 幅 图 像 是 摄 像 机 A 拍 摄 的 行 人 正 面 和 背 面 的 图 像, 后 两 幅 图 像 是 摄 像 机 B 拍 摄 的 行 人 侧 面 的 图 像. 实 验 中 从 每 个 行 人 正 背 面 图 像 中 随 机 选 择 1 幅, 侧 面 图 像 随 机 选 择 1 幅, 得 到 的 实 验 集 具 有 显 著 的 视 角 变 化 姿 态 变 化 和 光 照 变 化. CUHK01 数 据 集 中 的 图 像 尺 寸 也 不 尽 相 同, 实 验 中 也 把 图 像 尺 寸 大 小 统 一 设 置 为 128 伊 48. 为 了 与 已 有 算 法 公 正 对 比, 在 实 验 中, 采 用 先 前 工 作 普 遍 采 用 的 评 价 框 架. 随 机 选 择 p 对 行 人 图 像 对 作 为 测 试 集, 剩 下 的 行 人 图 像 对 作 为 训 练 集. 测 试 集 由 查 询 集 和 行 人 图 像 集 2 部 分 组 成. 每 对 行 人 图 像 随 机 选 择 一 幅 图 像 并 入 查 询 集, 另 一 幅 并 入 行 人 图 像 集. 当 给 定 一 个 行 人 再 识 别 算 法, 衡 量 该 算 法 在 行 人 图 像 集 中 搜 索 待 查 询 行 人 的 能 力 以 评 测 此 算 法 性 能. 为 了 测 试 算 法 在 只 有 少 量 的 训 练 数 据 时 的 性 能, 实 验 中 p 分 别 取 316,432,532. p 取 值 越 大, 测 试 样 本 越 多 ( 匹 配 越 困 难 ), 训 练 样 本 越 少 ( 训 练 越 困 难 ). 对 于 每 组 实 验, 上 述 产 生 测 试 集 和 训 练 集 的 过 程 重 复 20 次, 实 验 结 果 的 平 均 值 作 为 本 组 实 验 的 结 果. 现 有 的 行 人 再 识 别 算 法 大 都 采 用 累 积 匹 配 特 性 (Cumulative Match Characteristic, CMC) 曲 线 评 价 算 法 性 能. 给 定 一 个 查 询 集 和 行 人 图 像 库,CMC 曲 线 描 述 的 是 在 行 人 图 像 集 中 搜 索 待 查 询 的 行 人, 前 r 个 搜 索 结 果 中 找 到 待 查 询 人 的 比 率. 第 1 匹 配 率 (r = 1) 很 重 要, 因 为 它 表 示 完 全 正 确 的 识 别 结 果. 当 r 取 值 较 小 时, 前 r 个 匹 配 率 也 较 有 现 实 意 义. 在 实 际 应 用 中, 对 于 反 馈 的 前 r 个 搜 索 结 果, 可 通 过 人 眼 判 断 是 否 找 到 查 询 目 标 摇 公 共 数 据 集 实 验 结 果 摇 VIPeR 数 据 集 实 验 结 果 测 试 集 和 训 练 集 选 自 VIPeR 数 据 集 中 cam_a 和 cam_b 两 个 摄 像 机 中 的 图 像, 每 个 摄 像 机 都 包 含 632 幅 行 人 图 像, 训 练 集 分 别 选 择 316(p = 316) 200(p = 432) 和 100(p = 532) 进 行 实 验. 为 了 验 证 优 于 R_KI [20], 对 协 方 差 矩 阵 中 特 征 值 较 小 的 部 分 进 行 平 滑, 特 征 值 较 大 的 部 分 采 用 正 则 化 方 法, 在 VIPeR 数 据 集 上 的 结 果 如 表 1 所 示, 其 中 Rank1 代 表 排 在 第 1 位 ( 正 确 的 识 别 结 果 ) 所 占 的 比 例. Rank10 Rank25 Rank50 依 次 对 应 正 确 匹 配 排 在 前 位 所 占 的 比 例. 对 比 表 1 可 发 现, 在 不 进 行 复 杂 的 特 征 值 求 解 时, 效 果 依 然 优 于 R_KI. 表 1 摇 2 种 算 法 在 VIPeR 数 据 集 上 的 实 验 结 果 对 比 Table 1 摇 Result comparison of 2 algorithms on VIPeR dataset 算 法 Rank1 Rank10 Rank25 Rank50 R_KI 为 了 验 证 基 于 独 立 测 度 矩 阵 的 有 效 性, 分 别 基 于 4 个 空 间 单 独 学 习 的 测 度 矩 阵 ( 独 立 ) 和 把 不 同 颜 色 空 间 特 征 连 接 到 一 起 ( 非 独 立 ) 学 习 一 个 测 度 矩 阵 的 情 况 进 行 实 验. 独 立 测 度 矩 阵 和 非 独 立 测 度 矩 阵 在 VIPeR 数 据 集 上 的 实 验 结 果 如 表 2 所 示.

6 516 模 式 识 别 与 人 工 智 能 摇 摇 摇 第 29 卷 表 2 摇 Table 2 摇 独 立 测 度 矩 阵 和 非 独 立 测 度 矩 阵 在 VIPeR 数 据 集 上 的 识 别 率 对 比 Matching rates comparison of independent measure matrix and dependent measure matrix on VIPeR dataset Rank1 Rank5 Rank10 Rank20 非 独 立 测 度 矩 阵 独 立 测 度 矩 阵 从 表 2 可 看 出, 在 4 个 颜 色 空 间 单 独 学 习 测 度 矩 阵 的 效 果 优 于 把 4 个 颜 色 空 间 的 特 征 串 联 到 一 起 学 习 测 度 矩 阵 的 效 果, 独 立 的 学 习 测 度 矩 阵 考 虑 到 不 同 颜 色 空 间 的 区 别, 能 更 有 效 描 述 样 本 间 的 差 异. 由 于 过 拟 合 主 要 是 由 训 练 样 本 数 量 较 少 导 致, 因 此 在 p 取 不 同 值 时, 在 VIPeR 数 据 集 上 分 别 对 比 与 KIME 的 实 验 效 果, 分 析 正 则 化 测 度 矩 阵 对 过 拟 合 问 题 的 改 善. 表 3 为 不 同 规 模 训 练 样 本 集 下 与 KIME 的 识 别 率 对 比. 表 3 摇 Table 3 摇 p 不 同 时 2 种 算 法 在 VIPeR 数 据 集 上 的 识 别 率 对 比 Matching rates comparison of 2 algorithms on VIPeR dataset with different p p 算 法 Rank1 Rank5 Rank10 Rank KIME KIME KIME 由 表 3 可 知, 的 实 验 效 果 优 于 KIME 的 实 验 效 果. 相 比 p = 316,432,p = 532 时 的 效 果 有 更 大 改 善. 这 是 因 为 在 训 练 样 本 数 量 较 少 时 过 拟 合 情 况 较 严 重, 通 过 正 则 化 测 度 矩 阵 后 算 法 效 果 提 升 明 显, 这 也 证 明 的 有 效 性. 由 此 可 见 在 小 样 本 集 下 有 必 要 加 入 正 则 项 缓 解 训 练 模 型 的 过 拟 合. 由 于 VIPeR 是 行 人 再 识 别 的 主 要 实 验 数 据 集, 因 此 在 VIPeR 数 据 集 上 对 比 与 当 前 主 要 距 离 测 度 学 习 算 法. 对 比 算 法 包 括 : 欧 氏 距 离 PRC(Probabilistic Relative istance Comparison) PCCA(Pairwise Constrained Component Analysis) rpcca(regularized Pairwise Constrained Component Analysis) ITML LMNN LFA KIME. 测 试 样 本 集 和 训 练 样 本 集 都 为 316, 各 种 算 法 在 VIPeR 数 据 集 上 的 实 验 结 果 对 比 如 表 4 所 示. 从 表 4 可 看 出, 优 于 ITML LMNN 等 主 流 算 法. 与 KIME 相 比, 性 能 也 有 进 一 步 提 升, 尤 其 是 在 Rank1 时 比 KIME 提 高 约 7, 说 明 的 有 效 性. 虽 然 在 Rank10 和 Rank20 上 与 KIME 相 比 未 改 善, 但 在 Rank1 上 有 所 提 高, 在 实 际 监 控 应 用 中 对 行 人 的 检 索 跟 踪 也 有 较 大 帮 助 和 现 实 意 义, 因 为 Rank1 表 示 真 正 的 识 别 能 力. 另 外, 在 Rank5 上 也 有 相 应 提 高. 表 4 摇 Table 4 摇 当 p =316 时 不 同 算 法 在 VIPeR 数 据 集 上 的 识 别 率 对 比 Matching rates comparison of different methods with p = 316 on VIPeR dataset 算 法 Rank1 Rank5 Rank10 Rank20 欧 氏 距 离 PRC PCCA rpcca ITML LMNN LFA KIME 当 测 试 集 规 模 p = 432,532 时, 与 已 有 行 人 再 识 别 算 法 的 性 能 对 比 见 表 5. 通 过 表 5 可 得, 在 只 有 少 量 的 训 练 样 本 时, 性 能 优 于 已 有 算 法, 且 每 个 Rank 等 级 的 正 确 率 都 比 其 它 算 法 有 较 大 的 提 升, 可 见 算 法 能 够 缓 解 学 习 相 似 性 测 度 矩 阵 的 过 拟 合 问 题. 在 训 练 样 本 较 少 时, 算 法 优 势 更 明 显,Rank1 到 Rank20 的 正 确 率 都 比 其 它 算 法 有 所 提 高. 表 5 摇 Table 5 摇 p 不 同 时 6 种 算 法 在 VIPeR 数 据 集 上 的 识 别 率 对 比 Matching rates comparison of 6 algorithms with different p on VIPeR dataset p 算 法 Rank1 Rank5 Rank10 Rank 欧 氏 距 离 KIME PRC ITML LMNN 欧 氏 距 离 KIME PRC ITML LMNN

7 第 6 期 摇 摇 摇 摇 齐 美 彬 摇 等 : 正 则 化 独 立 测 度 矩 阵 的 行 人 再 识 别 摇 ili 数 据 集 实 验 结 果 测 试 集 和 训 练 集 选 自 于 ili 数 据 集 中 摄 像 机 A 和 摄 像 机 B 中 的 图 像, 其 中 训 练 集 为 59 对 行 人 图 像, 测 试 集 为 60 对 行 人 图 像. 在 ili 数 据 集 上 与 KIME 的 对 比 结 果 如 表 6 所 示. 从 表 6 可 看 出, 性 能 优 于 KIME, 在 Rank1 上 提 高 约 8, 在 Rank5 上 提 高 10. 表 6 摇 2 种 算 法 在 ili 数 据 集 上 的 实 验 结 果 对 比 Table 6 摇 Experimental results comparison of 2 algorithms on ili dataset 算 法 Rank1 Rank5 Rank10 Rank20 KIME 摇 CUHK01 数 据 集 实 验 结 果 在 CUHK01 数 据 集 上 提 取 的 训 练 集 为 486 对 行 人 图 像, 测 试 集 为 485 对 行 人 图 像. 与 KIME 对 比 结 果 如 表 7 所 示. 从 表 7 可 看 出, 本 文 算 法 性 能 优 于 KIME, 行 人 再 识 别 的 准 确 率 有 一 定 提 升. 表 7 摇 2 种 算 法 在 CUHK01 数 据 集 上 的 实 验 结 果 对 比 Table 7 摇 Experimental results comparison of 2 algorithms on CUHK01 dataset 算 法 Rank1 Rank5 Rank10 Rank20 KIME 摇 结 束 语 通 过 单 独 学 习 测 度 矩 阵, 并 对 独 立 测 度 矩 阵 加 入 正 则 项, 进 一 步 改 善 KIME 的 效 果, 并 且 可 有 效 缓 解 训 练 样 本 数 量 少 时 出 现 的 过 拟 合 问 题, 提 高 行 人 再 识 别 的 准 确 率. 但 是 该 算 法 简 单 使 用 颜 色 特 征, 忽 略 行 人 衣 着 颜 色 相 似 时 出 现 的 难 以 区 分 的 问 题. 未 来 将 通 过 加 入 不 同 类 型 的 特 征 ( 如 纹 理 特 征 和 形 状 特 征 等 ) 进 行 测 试. 使 用 多 种 不 同 的 特 征 可 增 加 图 像 表 达 时 含 有 的 信 息 量, 但 同 时 也 导 致 计 算 量 增 加 的 问 题. 因 此 在 实 际 应 用 中, 同 时 也 应 该 考 虑 如 何 把 这 些 信 息 使 用 较 少 维 度 的 特 征 向 量 表 示, 减 小 特 征 的 冗 余 度. 从 特 征 映 射 方 向 入 手, 通 过 不 同 的 投 影 方 法 把 特 征 向 量 映 射 到 更 容 易 区 分 的 特 征 空 间, 在 投 影 后 的 特 征 空 间 内 学 习 测 度 矩 阵, 然 后 进 行 图 像 的 相 似 度 计 算, 或 许 能 更 有 效 区 分 不 同 类 别 的 行 人 图 像. 参 考 文 献 [1] GONG G, CRITANI M, YAN C, et al. Person Re 鄄 identifica 鄄 tion. London, UK: pringer, [2] BALTIERI, VEZZANI R, CUCCHIARA R. 3Pe: 3 People ataset for urveillance and Forensics / / Proc of the Joint ACM Workshop on Human Gesture and Behavior Understanding. New York, UA: ACM, 2011: [3] WAIN M J, BALLAR H. Indexing via Color Histograms / / Proc of the 3rd International Conference on Computer Vision. Osa 鄄 ka, Japan: IEEE, 1990: [4] 范 彩 霞, 朱 虹, 蔺 广 逢, 等. 多 特 征 融 合 的 人 体 目 标 再 识 别. 中 国 图 象 图 形 学 报, 2013, 18(6): (FAN C X, ZHU H, LIN G F, et al. Person Re 鄄 identification Based on Multi 鄄 features. Journal of Image and Graphics, 2013, 18(6): ) [5] TUZEL O, PORIKLI F, MEER P. Region Covariance: A Fast e 鄄 scriptor for etection and Classification / / Proc of the 9th European Conference on Computer Vision. Berlin, Germany: pringer 鄄 Ver 鄄 lag, 2006: [6] HIRZER M, BELEZNAI C, ROTH P M, et al. Person Re 鄄 identifi 鄄 cation by escriptive and iscriminative Classification / / Proc of the 17th candinavian Conference on Image Analysis. Berlin, Germa 鄄 ny: pringer 鄄 Verlag, 2011: [7] YANG Y, YANG J M, YAN J J, et al. alient Color Names for Per 鄄 son Re 鄄 identification / / Proc of the 13th European Conference on Computer Vision. Zurich, witzerland: pringer International Pub 鄄 lishing, 2014: [8] MARTINEL N, MICHELONI C, FORETI G L. aliency Weighted Features for Person Re 鄄 identification / / Proc of the 13th European Conference on Computer Vision. Zurich, witzerland: pringer In 鄄 ternational Publishing, 2014, I: [9] ZHAO R, OUYANG W L, WANG X G. Learning Mid 鄄 level Filters for Person Re 鄄 identification / / Proc of the IEEE Conference on Com 鄄 puter Vision and Pattern Recognition. Columbus, UA: IEEE, 2014: [10] K 魶 TINGER M, HIRZER M, WOHLHART P, et al. Large cale Metric Learning from Equivalence Constraints / / Proc of the IEEE Conference on Computer Vision and Pattern Recognition. Provi 鄄 dence, UA: IEEE, 2012: [11] WEINBERGER K Q, AUL L K. Fast olvers and Efficient Imple 鄄 mentations for istance Metric Learning / / Proc of the 25th Inter 鄄 national Conference on Machine Learning. New York, UA: ACM, 2008: [12] AVI J V, KULI B, JAIN P. Information 鄄 Theoretic Metric Learn 鄄 ing / / Proc of the 24th International Conference on Machine Learn 鄄 ing. Corvallis, UA: IEEE, 2007: [13] IKMEN M, AKBA E, HUANG T, et al. Pedestrian Recogni 鄄 tion with a Learned Metric / / Proc of the 10th Asian Conference on

8 518 模 式 识 别 与 人 工 智 能 摇 摇 摇 第 29 卷 Computer Vision. Berlin, Germany: pringer 鄄 Verlag, 2010, IV: [14] WEINBERGER K Q, AUL L K. istance Metric Learning for Large Margin Nearest Neighbor Classification. Journal of Machine Learning Research, 2009, 10: [15] GUILLAUMIN M, VERBEEK J, CHMI C. Is That You? Metric Learning Approaches for Face Identification / / Proc of the 12th IEEE International Conference on Computer Vision. Kyoto, Japan: IEEE, 2009: [16] 杜 宇 宁, 艾 海 舟. 基 于 统 计 推 断 的 行 人 再 识 别 算 法. 电 子 与 信 息 学 报, 2014, 36(7): (U Y N, AI H Z. A tatistical Inference Approach for Person Re 鄄 identification. Journal of Electronics & Information Technology, 2014, 36(7): ) [17] MA L Y, YANG X K, TAO C. Person Re 鄄 identification over Camera Networks Using Multi 鄄 task istance Metric Learning. IEEE Trans on Image Processing, 2014, 23(8): [18] LIU W F, TAO C, CHENG J, et al. Multiview Hessian is 鄄 criminative parse Coding for Image Annotation. Computer Vision and Image Understanding, 2014, 118: [19] LIU W F, LIU H L, TAO P, et al. Multiview Hessian Regula 鄄 rized Logistic Regression for Action Recognition. ignal Process 鄄 ing, 2015, 110: [20] TAO P, JIN L W, WANG Y F, et al. Person Re 鄄 identification by Regularized moothing KI Metric Learning. IEEE Trans on Circuits and ystems for Video Technology, 2013, 23(10): [21] GEVER T, MEULER A W M. Color 鄄 Based Object Recogni 鄄 tion. Pattern Recognition, 1999, 32: [22] GRAY, BRENNAN, TAO H. Evaluating Appearance Models for Recognition, Reacquisition, and Tracking [ EB / OL]. [ ]. http: / / citeseerx. ist. psu. edu / viewdoc / download? doi = &rep = rep1&type = pdf. [23] ZHENG W, GONG G, XIANG T. Associating Groups of Peo 鄄 ple / / Proc of the British Machine Vision Conference. London, UK: BMVA Press, OI: / C 作 者 简 介 齐 美 彬, 男,1969 年 生, 博 士, 教 授, 主 要 研 究 方 向 为 智 能 视 频 监 控 P 技 术 及 其 应 用. E 鄄 mail:qimeibin@ 163. com. ( QI Minbin, born in 1969, Ph.., professor. His research interests include intelligent video surveillance and P technolo 鄄 gy and its application. ) 王 运 侠 ( 通 讯 作 者 ), 女,1991 年 生, 硕 士 研 究 生, 主 要 研 究 方 向 为 行 人 再 识 别. E 鄄 mail:wangyunxia@ mail. hfut. edu. cn. (WANG Yunxia( Corresponding author), born in 1991, mas 鄄 ter student. Her research interests include person re 鄄 identifica 鄄 tion. ) 檀 胜 顺, 男,1990 年 生, 硕 士 研 究 生, 主 要 研 究 方 向 为 目 标 检 索. ( TAN hengshun, born in 1990, master student. His research interests include object retrieval. ) 刘 皓, 男,1988 年 生, 博 士 研 究 生, 主 要 研 究 方 向 为 机 器 学 习. (LIU Hao, born in 1988, Ph.. candidate. His research in 鄄 terests include machine learning. ) 蒋 建 国, 男,1955 年 生, 博 士, 教 授, 主 要 研 究 方 向 为 智 能 视 频 监 控 图 像 处 理 P 技 术 及 其 应 用. (JIANG Jiangguo, born in 1955, Ph.., professor. His re 鄄 search interests include intelligent video surveillance, image processing, P technology and its application. )