[发明专利]一种基于一致迭代多视角迁移学习的行人再辨识方法

权利要求书

1.一种基于一致迭代多视角迁移学习的行人再辨识方法，其特征在于，所述的方法包括以下步骤：

S1、对行人图像进行特征提取，获得局部和全局多视角图像视觉词，即低层次图像特征描述符的提取，步骤S1具体为：

S11、将行人图像在垂直方向上平均划分成n个水平条纹，并从不同条纹中分别提取n组局部图像视觉词，同时从整体的行人图像中提取1组全局图像视觉词；

S12、利用一种聚类方法K-means方法来融合多视角信息，获得n+1组多视角图像视觉词，定义为：MvVW＝{D_i}，i＝1，2，3，…n，n+1；其中，D表示不同行人图像结构区域下的多视角图像视觉词；

{D_i}，i＝1，2，3，…n表示局部多视角图像视觉词，{D_i}，i＝n+1表示全局多视角图像视觉词；

S2、根据S1得到的低层次图像特征描述符，采用迁移学习和鉴别分析方法构建一致迭代多视角迁移学习优化模型，步骤S2具体为：

利用局部和全局多视角图像视觉词，对原始样本进行重构，对MvVW的每一组多视角图像视觉词，分别利用迁移学习找到一个使原始样本和多视角视觉词具有一致数据分布的投影子空间，原始样本在该投影子空间下利用MvVM来进行重构；引入鉴别分析，将鉴别优化问题同迁移优化问题相结合，定义为一致迭代多视角迁移学习优化模型：

约束条件为：s.t.P^TX＝P^TDZ+E，P^TP＝I_P，Z_h∈Z

其中，α，β为惩罚因子，||*||₁为1范数约束，P为迁移矩阵，E为噪声矩阵，Z为重构系数矩阵，φ(Z_h)为基于Fisher准则的鉴别度量学习函数，||Z||_*矩阵的核范数，Z_h∈Z是有标签样本的重构系数矩阵，D表示不同行人图像结构区域下的多视角图像视觉词；

S3、利用扩展的增广拉格朗日乘子法求解S2中的一致迭代多视角迁移学习优化模型，并获取中层次图像特征描述符；

S4、对S1得到的低层次特征描述符和S3得到的中层次特征描述符进行计算，获得最终的多层次图像特征描述符；

S5、针对S4中的多层次图像特征描述符，利用基于交叉视角二次鉴别分析方法来度量行人的相似性，进而获得行人图像相似度排序结果，即行人再辨识结果。

2.根据权利要求1所述的一种基于一致迭代多视角迁移学习的行人再辨识方法，其特征在于，步骤S3具体为：

采用扩展的增广拉格朗日乘子法方法求解一致迭代的多视角迁移学习模型中的参数的闭形式解，得到中层次图像特征描述符。

3.根据权利要求1或2所述的一种基于一致迭代多视角迁移学习的行人再辨识方法，其特征在于，步骤S3具体为：

引进变量Z₁和新约束Z＝Z₁，并引进拉格朗日乘子L₁∈R^m×n、L₂∈R^m×p和L₃∈R^m×n，将S1中得到的优化模型转换为：

其中，α，β，γ，μ表示惩罚因子，P表示迁移矩阵，P^T表示矩阵P的转置，φ(Z_h)为基于Fisher准则的鉴别度量学习函数，|| ||_*为矩阵的核范数，||*||₁为1范数约束，D表示不同行人图像结构区域下的多视角图像视觉词，表示矩阵的2范式，E为噪声矩阵，Z为重构系数矩阵，Z_h为有标签样本的重构系数矩阵，Z₁为Z的近似解；

S32，分步求解迁移矩阵P，并计算其闭形式解；

S33，分步求解重构系数矩阵Z，并计算其闭形式解；

S34，分步求解对于有标签样本的重构系数矩阵Z_h，并计算其闭形式解；

S35，分步求解Z₁，并计算其闭形式解；

S36，分步求解噪声矩阵E，并计算其闭形式解；

S37，对于拉格朗日乘子和和迭代步长μ，进行更新；

所述的中层次图像特征描述符即为重构系数矩阵Z，Z_*、Z_h和Z₁均为Z的近似解。