[发明专利]行人再识别方法

权利要求书

1.一种行人再识别方法，其特征在于，包括：

获取原始监控视频中的所有初始单个行人图像，所述所有初始单个行人图像的集合构成数据集；

将所述数据集中初始单个行人图像缩放至预设的统一尺寸，得到缩放后的行人图像；

提取每一个缩放后的行人图像的特征表达向量；

将数据集中所有行人的特征表达向量及对应的行人身份标签信息划分为训练集和测试集；

根据训练集的特征表达向量构建训练集特征矩阵X，训练集特征矩阵X的每一列作为一个训练样本，所述训练样本对应于训练集中的一张行人图片；

利用核函数计算训练集的核矩阵，并对所述核矩阵进行去中心化，得到去中心化的核矩阵；

计算训练集中各个训练样本在所述去中心化的核矩阵的核空间中的类内KNN图邻接矩阵和类间KNN惩罚图邻接矩阵；

根据所述类内KNN图邻接矩阵和类间KNN惩罚图邻接矩阵计算训练集在所述核空间中的类内散布矩阵S_w、类间散布矩阵S_b以及完全散布矩阵S_t；

从完全散布矩阵S_t的零空间的补空间、类内散布矩阵S_w的零空间、类间散布矩阵S_b的零空间中的补空间，这三个空间的交集中获得训练集的最优子空间投影矩阵，该最优子空间即为核零空间；其中，对训练集的散布矩阵S_t作特征值分解其中Λ为具有N-1个非零元的对角阵，且Λ的对角线元素即为S_t的所有特征值；对所述特征值按降序排序后，将非零特征值所对应的特征向量U中对应的列重新拼为新的矩阵后，再执行来保证得到的投影矩阵是单位正交矩阵；

对训练集的类内散布矩阵S_w左乘以及右乘得到新的矩阵即

对作特征值分解后，取零特征值所对应的特征向量组成矩阵V；

对训练集的类间散布矩阵S_b左乘以及右乘得到新的矩阵即

对作特征值分解后，将非零特征值按降序排序，并将降序排序后的特征值所对应的特征向量拼成矩阵H；

则最优投影矩阵为：

其中，Φ(X)＝(Φ(x₁)，Φ(x₂)，...，Φ(x_N))为对所有特征矩阵X的各列使用Φ(·)函数映射后的训练集矩阵，(·)_·，1：m为取矩阵的前m列；

根据摄像头的不同将所述测试集划分为检索图片集和匹配图片集，根据测试集的特征表达向量分别构建检索图片集的特征矩阵X^p和匹配图片集的特征矩阵X^g；

分别计算训练集特征矩阵X与检索图片集的特征矩阵X^p的核矩阵K^p，其中x_i为X的第i列，为X^p的第j列，k(·)为核函数；计算训练集特征矩阵X与匹配图片集的特征矩阵X^g的核矩阵K^g；其中K^p与K^g的各列为所述测试集中各个训练样本在所述核空间中的特征表达；

将K^p与K^g的各列均投影至从训练集学习的所述核零空间中，得到检索图片集与匹配图片集中各样本在核零空间内的低维表达；

对检索图片集的投影矩阵和匹配图片集的核零空间内低维表达进行两两计算欧式距离，对于每一个检索图片均按照欧式距离的大小顺序排列匹配图片集中的图片；

将与所述检索图片之间欧式距离最小的匹配图片作为识别结果。

2.根据权利要求1所述的行人再识别方法，其特征在于，所述提取每一个缩放后的行人图像的特征表达向量，包括：

将所述缩放后的行人图像划分为具有相同大小的密集网格单元，并将所述缩放后的行人图像划分为等高度的多个水平条；

将从所述密集网格单元中提取到的数字化特征与从水平条提取出的数字化特征进行拼接处理，得到所述缩放后的行人图像的特征表达向量。