[发明专利]一种基于压缩的增量核零空间变换行人再识别方法

权利要求书

1.一种基于压缩的增量核零空间变换的行人再识别方法，其特征在于，具体按照以下步骤实施：

步骤1、从标准数据集中获取初始行人图像集Imgs_ini＝{I_ini|ini＝1,2,...,N},初始行人标签集Labels_ini＝{L_ini|ini＝1,2,...,N}，N表示初始行人图像个数；

步骤2、对Imgs_ini提取CNN特征，得到特征集Feas_ini＝{F_ini|ini＝1,2,...,N}；

步骤3、把特征集Feas_ini作为输入，调用核主成分分析函数KPCA()，计算得到初始的基矢量系数和初始的奇异值R表示初始主成分个数；

步骤4、把Feas_ini、A⁰、Labels_ini作为输入，调用零空间变换函数NFST()，得到零空间投影方向集ΨS⁰和零空间的投影点集XS⁰，i＝1,2,...,N，c＝1,2,...,C，j＝1,2,...,C-1，C表示行人类别个数；

步骤5、迭代执行增量学习和压缩过程，输入为Feas_ini，Labels_ini，A⁰，Σ⁰，增量的行人图像集增量的行人图像标签集输出更新的零空间投影方向集ΨS^new，零空间的投影点集XS^new，压缩后的样本特征集压缩后的样本标签集压缩后的基矢量系数A²，压缩后的奇异值Σ²；

步骤6、从标准数据集中获取测试行人图像集Imgs_z＝{I_z|z＝1,2,...,Z}，测试行人标签集Labels_z＝{L_z|z＝1,2,...,Z}，Z表示测试行人图像个数；

步骤7、对测试行人图像集Imgs_z提取CNN特征集Feas_z＝{F_z|z＝1,2,...,Z}；

步骤8、定义无参核函数通过核函数G₀(x,y)计算测试样本特征集Feas_z和压缩样本特征集的核矩阵K_z，其中K_z在零空间投影方向集ΨS^new上投影得到投影点集XS^test，XS^test＝{x_cj^test|c＝1,2,...,C,j＝1,2,...,C-1}；

步骤9、计算XS^test与XS^new或XS⁰之间的欧式距离D＝{d_cc|c＝1,2,...,C}，按升序对D的每一行进行排序，根据每一行最小值对应的行人类别号与测试行人图像的类别号的一致性进行行人类别判断，如果一致则识别正确，否则识别不正确。

2.根据权利要求1所述一种基于压缩的增量核零空间变换的行人再识别方法，其特征在于，步骤2具体过程为：把初始行人图像集Imgs_ini和初始行人标签集Labels_ini送入ResNet50网络结构进行训练得到模型M_ResNet50；把Imgs_ini送入模型M_ResNet50，提取第五个池化层的2048维输出构成Imgs_ini的特征集Feas_ini＝{F_ini|ini＝1,2,...,N}。