[发明专利]行人再识别方法

摘要

本发明提供了一种行人再识别方法，包括：在获得行人图像的特征表达向量后，对训练集中的样本使用核零空间边界Fisher判别分析方法学习投影矩阵，将样本投影到类内散布矩阵的零空间中，在所述类内散布矩阵零空间中同一行人的所有图片的特征表达向量将塌陷为一个点，同时使不同行人的特征表达向量间尽可能分开，从而实现最优的行人身份匹配。本发明能够有效地避免当前在行人再识别中所遇到的小样本问题，提升行人重识别的准确率。

主权项

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Sw、类间散布矩阵Sb以及完全散布矩阵St；从完全散布矩阵St的零空间的补空间、类内散布矩阵Sw的零空间、类间散布矩阵Sb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，该最优子空间即为所述核零空间；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Xp和匹配图片集的特征矩阵Xg；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Kp与Kg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。