[发明专利]一种基于数据驱动的自适应尺度行人重识别方法

权利要求书

1.一种基于数据驱动的自适应尺度行人重识别方法，其特征在于，包括以下步骤：

步骤1：将查询行人图像和待测行人图像都分割为m行n列的小图像块，每幅图像表示为图像块的集合；

步骤2：提取查询行人图像和待测行人图像的每个图像块的特征，将每幅图像用基于块的特征表示；

步骤3：采用稀疏表示的方法，计算查询行人图像相对于待测行人图像的跨域的支撑一致性因子；

其中，查询行人图像相对于待测行人图像的跨域的支撑一致性因子定义为：

$f_s(x_a^p,x_b^q)={\[\frac{1}{1+{\mathrm{Sim}}_s(x_a^p,x_b^q)}\]}^{\mathrm{\α}}={\[\frac{1}{1+size\left(w_a^{p*}{w}_b^{q*}\right)}\]}^{\mathrm{\α}},\mathrm{\α}\>0$

其中size()表示向量中非零元素的个数，和分别由和计算得到，表示用D_a和D_b分别作字典重构和的权重系数；表示字典D_a重构的权重，其中D_a为集合a中的训练图像X_a,L的特征形成的字典；同理表示字典D_b重构的权重，其中D_b为集合b中的训练图像X_b,L的特征形成的字典；

步骤4：采用K近邻的方法，计算查询行人图像相对于待测行人图像的跨域的投影一致性因子；

其中，查询行人图像相对于待测行人图像的跨域的投影一致性因子定义为：

$\begin{array}{c}{f}_p(x_a^p,x_b^q)={\[\frac{1}{1+{\mathrm{Sim}}_b(x_a^p,x_b^q)+{\mathrm{Sim}}_a(x_a^p,x_b^q)}\]}^{\mathrm{\β}}\\ ={\[\frac{1}{1+|knn\left(x_a^p\right|X_{b,L})\∩knn\left(x_a^q\right|X_{b,L})|+|knn\left(x_a^p\right|X_{a,L})\∩knn\left(x_b^q\right|X_{a,L})|}\]}^{\mathrm{\β}},\mathrm{\β}\>0\end{array};$

其中表示在X_b,L中最邻近的前K张图像，表示在X_b,L中最邻近的前K张图像，表示和在X_b,L中前K个近邻中相同的个数；表示和在X_a,L中前K个近邻中相同的个数，X_a,L表示集合a中的训练图像集合，X_b,L表示集合b中的训练图像集合；

步骤5：根据跨域的支撑一致性因子和跨域的投影一致性因子，来学习得到尺度适应的矩阵，从而计算得到查询行人图像和待测行人图像之间的距离；

所述的得到尺度适应的矩阵为：

$M_A^{*}=f_A(x_a^p,x_b^q)M^{*}=f_s(x_a^p,x_b^q)f_p(x_a^p,x_b^q)M^{*};$

其中，M^*表示采用基本的距离学习方式得到的初始投影矩阵，表示采用稀疏表示的方法计算得到的查询行人图像相对于待测行人图像的跨域的支撑一致性因子，表示采用K近邻的方法计算得到的查询行人图像相对于待测行人图像的跨域的投影一致性因子。