[发明专利]一种联合局部和全局相似性度量学习的行人再识别方法

摘要

一种联合局部和全局相似性度量学习的行人再识别方法，首先将行人再识别数据库中的所有行人图像做预处理，提取每幅行人图的局部特征和全局特征；其次，在训练模块，联合行人样本的局部相似性和全局相似性，度量两行人样本的整体相似性，学习度量矩阵；最后，在测试模块，导入训练模块学习的度量矩阵，度量每一个待测行人样本和库行人样本的相似性，按照相似性大小排序，识别待测行人样本。

主权项

1.一种联合局部和全局相似性度量学习的行人再识别方法，其特征在于，包括以下步骤：步骤1：将行人再识别数据库中的所有行人图做预处理，预处理使每幅行人图分割为互相重叠的矩形块；步骤2：每个矩形块提取出3种颜色直方图特征RGB、HSV和LAB，还提取出2种纹理直方图特征HOG和SILTP；步骤3：将3种颜色直方图特征RGB、HSV、LAB和2种纹理直方图特征HOG、SILTP进行结合，获得U＝6种不同的全局特征；步骤4：根据人体的结构，将行人图分为由矩形块构成的R＝4个局部区域，每个局部区域提取U＝6种不同的局部特征；步骤5：建立训练模块和测试模块，将所有行人样本分为训练集和测试集；步骤6：在训练模块，根据全局特征和局部特征，表示出行人样本的局部相似性和全局相似性，再联合局部相似性和全局相似性，度量行人样本的整体相似性；步骤7：将整体相似性代入最小化目标函数，学习度量矩阵；步骤8：在测试模块，导入步骤7学习到的度量矩阵,识别出待测行人样本中的行人；其步骤6中联合行人样本的局部相似性和全局相似性，度量两行人样本的整体相似性,详细步骤如下：步骤6.1：相似度度量函数的确定，用x₁,x₂分别表示行人样本1和样本2，分别表示行人样本1和样本2的第u种特征，相似性度量函数由两部分组成，第一部分是马氏距离度量第二部分是双线性相似性度量其中vec(A)表示将矩阵A拉成列向量,分别表示基于特征u的马氏度量矩阵，双线性度量矩阵，马氏特征映射和双线性特征映射，并且为半负定矩阵，相似性函数如下：重写(1)如下：步骤6.2：全局相似性度量，用U种全局特征表示的行人样本x₁和x₂的全局相似性如下：其中分别表示基于第u种全局特征的马氏度量矩阵,双线性度量矩阵，马氏特征映射和双线性特征映射；步骤6.3：局部相似性度量，所有R个局部区域用U种局部特征表示的局部相似性如下：其中分别表示局部区域r基于第u种局部特征的马氏度量矩阵,双线性度量矩阵，马氏特征映射和双线性特征映射；步骤6.4：联合局部相似性和全局相似性，度量两行人样本的整体相似性如下：S(x₁,x₂)＝S^local(x₁,x₂)+αS^global(x₁,x₂)        (5)其中α是权衡局部和全局相似性重要性的参数，将(5)写成线性的形式：S(x₁,x₂)＝W^TP             (6)其中为整体度量矩阵，为整体特征映射，而分别表示局部区r基于U种局部特征的马氏度量矩阵，双线性度量矩阵，马氏特征映射和双线性特征映射，同理分别表示基于U种全局特征的马氏度量矩阵，双线性度量矩阵，马氏特征映射和双线性特征映射；其步骤7中最小化的目标函数如下：其中[z]₊ ＝ max(z,0) ， 表示与x_n是同类别的样本，表示与x_n是不同类别的样本，利用迭代法学习度量矩阵，包括以下步骤:步骤7.1：每次迭代，随机选取三元组求解如下的问题：约束条件:并且ξ≥0其中C是平衡参数为常数；步骤7.2：当max(0,1+S(x_i,x_l)‑S(x_i,x_j))＝0时，Wⁱ＝W^i‑1；若不然，用拉格朗日乘子法求解得每次迭代步骤7.3：求解参数τ，步骤7.4：求出把Wⁱ中的马氏度量矩阵半负定化，转到步骤7.2进行下一次迭代，直至达到收敛条件，其中，的含义为和之间的整体特征映射。