智能视频监控中,受监控环境多变、视角变化、光照亮度、盲区等因素影响,无重叠视域多摄像机间的目标匹配问题是一个具有挑战性和重要研究价值课题。本文从机器学习的角度,结合外观模型特征和距离测度优化对这一课题进行了深入研究。主要内容和创新点如下:(1)提出了一种特征与测度学习算法的关联模型。在考虑运用特征描述符和目标分类测度学习中,不仅考虑寻找具有显著区分度的特征描述符,而且在选择测度学习算法中,通过分析图像外观模型特征和距离测度学习算法之间的内在联系,建立了两者的关联模型,给出了多种测度学习算法下最具有区分度的特征类型,为利用多特征的目标匹配提供了参考。(2)提出了结合一种自适应在线学习的目标匹配方法。将目标匹配过程分为初始线下训练、在线目标匹配、和测度更新三个阶段,根据当前累计匹配正确的样本状况进行测度的调整,实现测度矩阵的自适应动态调整,使系统的匹配准确度始终维持在较高水平;还从人的视觉系统对色彩的敏感度角度出发,提出用颜色显著度对颜色直方图进行加权。解决了普通“线下训练学习+线上匹配”模式的目标匹配方法在遇到大量偏离原始训练数据分布的新数据时,因测度矩阵不能及时更新以反映当前情况造成准确度下降的问题。(3)提出了一种利用重排序提高搜索匹配目标效率的方法。受到双向排序算法的启发,提出了一种基于重排序的DML目标匹配方法,通过探针图像的前向查询和原型图像的反向查询,计算样本间的内容相似性,通过共同近邻数目和分布确定上下文相似性,最终对相似性得分排序得到新的排序序列,使正确匹配样本具有更高的可能性出现在排序序列靠前的位置,提高了从序列中搜索匹配目标的效率,解决了一次单向查询得到的排序序列不够可靠的问题。论文对以上提出的算法进行了实验仿真和结果分析,验证了算法的有效性。实验结果表明,相同的测度学习算法在利用不同外观模型特征时,匹配准确率会呈现1%-3%的差异,从而可以得到有效的关联模型;自适应在线学习目标匹配方法在测试样本数增多情况下,匹配准确率只有2%的小幅下降,而普通方法的降幅可达9%;基于重排序的DML目标匹配算法比一次排序算法的匹配准确率提高了6%(Rank20处),相较双向排序算法也有3%的提高。论文最后对全文工作进行了总结,并对课题进一步研究方向进行了展望。