[发明专利]基于显著度融合的自适应分块行人再识别方法

权利要求书

1.基于显著度融合的自适应分块行人再识别方法，其特征在于，包括以下步骤：

(1)利用启发式聚类算法对图像进行自适应分块；

(2)基于显著度的块权重学习；以及

(3)基于显著度权重的相似性计算，计算行人图像P和Q之间的相似度；

其中所述步骤(1)包括以下步骤：

(11)根据图像内各像素能量值的分布确定初始聚类中心；和

(12)利用启发式思想确定初始聚类中心；

(13)根据聚类中心进行自适应分割，行人图像P被分为m个块，图像Q被分为w个块，图像P的块Pi在图像Q中最匹配块为Q_i^p。

2.如权利要求1所述之基于显著度融合的自适应分块行人再识别方法，其特征在于，其中所述步骤(11)包括以下步骤：

(111)对图像f，利用像素的梯度计算像素的能量值，像素点(x,y)的梯度能量值表示为e(x,y)；

其中

和

(112)利用欧氏距离计算像素间距离，对像素点p(x_a,y_a),q(x_b,y_b)，用能量值计算其间距离D(p,q)；

其中D(p,q)的计算公式为：D(p,q)＝∣e(x_a,y_a)-e(x_b,y_b)∣。

3.如权利要求2所述之基于显著度融合的自适应分块行人再识别方法，其特征在于，其中所述步骤(12)包括以下步骤：

(121)确定初始聚类中心Z₁；

(122)计算其他像素到聚类中心的距离；以及

(123)对像素进行归类，更新聚类中心，开始新的聚类，如此循环迭代直至满足中止条件；

其中具体过程如下：已确定s个聚类中心Z₁,Z₂,…,Z_s，其他像素(x_i,y_i)到这s类中心的距离分别为d_ij,j＝1,2,…,s，像素(x_i,y_i)到聚类中心的最小值为d_J，d_J＝min(d_i1,d_i2,…,d_is),i＝1,2,…,v-s

其中，v为图像像素点数目，若d_J>d(Z₁,Z₂)，新建第s+1个聚类中心Z_s+1；反之，将该像素归入相应聚类中心，其中d(Z₁,Z₂)是第1个和第2个聚类中心的距离；

其中，所述终止条件为：

其中，Z_i是第i个聚类中心，e(x_α,y_α)是属于聚类中心Z_i的像素点(x_α,y_α)的能量值，M_i为聚类中心Z_i所属像素点能量值的平均值，ω^t为惩罚系数，它可以根据不同的聚类调整SSE值，ω取值为聚类Z_i中像素点数目的倒数，聚类生成的子类密度和大小相似时，t为0；否则t为较大值。

4.如权利要求3所述之基于显著度融合的自适应分块行人再识别方法，其特征在于，其中所述步骤(2)包括以下步骤：

(21)根据块在图像间出现的频率对块进行分类。

5.如权利要求4所述之基于显著度融合的自适应分块行人再识别方法，其特征在于，其中所述步骤(21)包括以下步骤：

(211)利用归一化部分曲线下面积计算块出现的频率。