[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

说明书

本发明公开基于压缩的增量核零空间变换的行人再识别方法，首先对初始行人特征集进行KPCA变换得到初始基矢量系数和奇异值，进行零空间变换得初始投影方向集和投影点集；接着对增量后行人特征集进行IKPCA变换得更新的基矢量系数和奇异值，对增量后的样本特征集进行RS压缩和零空间变换得压缩后的投影方向集和点集；最后把测试图像特征集的核矩阵投影到压缩后的投影方向集上得测试图像的投影点集，根据测试图像投影点集和压缩后投影点集的欧式距离进行行人识别。本发明考虑了增量核零空间变换对压缩的限制、增量核主成分分析IKPCA和IKNFST的内在联系，实现基矢量系数规模在线增量学习时的不变性，提高增量时行人识别效率。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于压缩的增量核零空间 变换的行人再识别方法。

背景技术

随着公共安全领域视频监控应用需求的快速增长，对行人再识别技术的 研究越来越深入。行人再识别是指给定某一个摄像头下的行人，然后通过算 法在其余摄像头下对该行人进行重识别。行人重识别技术目前存在的主要挑 战是：①由于视频光照、角度、尺度等变化导致行人的外貌特征发生变化； ②由于摄像机视角和行人姿态的变化导致行人外貌特征存在遮挡；③不同摄 像头或不同行人的外貌特征可能比同一个人的外貌特征更相似。

利用增量方法进行行人再识别的研究中，增量核零空间变换 (IKNFST，Incremental Kernel Null Foley-Sammon Transform)的行人再识别 方法取得了很好的性能，但随着同类别行人样本个数的急剧增加，基矢量 系数的维度也会随着增加，导致计算负载会越来越大。为了避免随样本增 加不断增长的计算复杂度和存储空间，需要把基矢量系数的维度保持在一 定规模。

发明内容

本发明的目的是提供一种基于压缩的增量核零空间变换的行人再识别 方法，把IKPCA(Incremental Kernel Principal Component Analysis，即增量 核主成分分析)及RS(Reduced Set，即增减集)压缩相结合以替换传统 IKNFST(Incremental Kernel NullFoley-Sammon Transform，即增量核零空间 变换)方法中的增量部分，实现基矢量系数在线学习时的规模不变性。

本发明采用的技术方案是，一种基于压缩的增量核零空间变换的行人再 识别方法，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；