[发明专利]一种基于判别结构测度学习的行人再识别方法

权利要求书

1.一种基于判别结构测度学习的行人再识别方法，其特征在于，所述方法包括：

步骤S1，将每幅行人再识别训练图像划分为K个子区域并为每个子区域提取特征；

步骤S2，基于每个子区域的特征，对行人再识别训练图像中相似行人图像对的对应子区域进行学习，得到类内子区域度量M_I，其中，所述相似行人图像对表示同一个行人不同角度的两幅图像；

步骤S3，基于每个子区域的特征，对行人再识别训练图像中相似行人图像对的非对应子区域进行学习，得到弱类外子区域度量∑_W；

步骤S4，对行人再识别训练图像中非相似行人图像对的对应和非对应子区域进行学习，得到类外子区域度量∑_E，其中，所述非相似行人图像对表示不同行人在不同视角下的两幅图像；

步骤S5，基于类内子区域度量M_I、弱类外子区域度量∑_W和类外子区域度量∑_E，学习得到映射矩阵H；

步骤S6，利用映射矩阵H，计算行人再识别训练图像中两幅行人图像对应子区域的马氏距离；

步骤S7，训练得到每幅行人再识别训练图像中K个子区域的权重，并据此得到判别性子区域，结合不同权重的判别性子区域的相似度得分得到两幅行人再识别训练图像的相似度得分；

步骤S8，根据步骤S1-S7求得测试图像与每幅训练图像对应子区域间的马氏距离，进而得到该测试图像与所有训练图像的相似度得分，据此得到测试图像的行人再识别结果；

其中，所述步骤S5包括以下步骤：

步骤S51，利用类内子区域度量M_I、弱类外子区域度量∑_W及类外子区域度量∑_E对于瑞利熵公式进行变换，变换后的瑞利熵公式表示为：

其中，H为映射矩阵，λ为控制弱类外子区域度量影响程度的系数；

步骤S52，利用广义特征值分解的方法最优化瑞利熵公式中的映射矩阵H得到映射矩阵H；

所述步骤S6中两幅行人图像对应子区域的马氏距离d_k表示为：

d_k＝(p′_ik-q′_jk)^TA(p′_ik-q′_jk)，

其中，p′_ik＝H^Tp_ik，q′_jk＝H^Tq_jk，p_ik表示第i个行人图像的第k个子区域的特征向量，q_jk表示第j个行人图像的第k个子区域的特征向量，为在低维空间学习得到的半正定矩阵，其中，M′_I＝H^TM_IH，Σ′_E＝H^TΣ_EH，Σ′_W＝H^TΣ_WH。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，为每个子区域提取局部最大共生特征。

3.根据权利要求1所述的方法，其特征在于，所述类内子区域度量M_I表示为：

其中，p_ik表示第i个行人图像的第k个子区域的特征向量，q_jk表示第j个行人图像的第k个子区域的特征向量，v_ij＝1表示约束第i幅和第j幅行人图像应属于相似行人图像对。

4.根据权利要求1所述的方法，其特征在于，所述弱类外子区域度量∑_W表示为：

其中，k和g表示行人图像的第k个和第g个子区域，p_ik表示第i个行人图像的第k个子区域的特征向量，q_jg表示第j个行人图像的第g个子区域的特征向量，v_ij＝1表示约束第i幅和第j幅行人图像应属于相似行人图像对，k≠g表示两幅图像的非对应子区域。