[发明专利]一种基于稀疏学习的多摄像机非重叠视域行人匹配方法

权利要求书

1.一种基于稀疏学习的多摄像机非重叠视域行人匹配方法，其特征在于，包括以下步骤：

步骤1，从数据集中提取行人目标特征作为行人的原始特征；

步骤2，根据原始特征，利用稀疏学习通过如下表达式提取行人目标的高层语义特征：

其中，分别是样本X和样本Y的稀疏表示，样本X和样本Y对应的稀疏字典为和t是小于样本数N的稀疏系数；表达式中λ为平衡参数，λ所在项为稀疏项，λ值越大，稀疏约束越大；

步骤3，将高层语义特征映射到公共隐空间；

步骤4，建立稀疏表示模型，并稀疏表示出样本特征；

步骤5，利用步骤4处理好的样本特征进行行人匹配。

2.根据权利要求1所述的一种基于稀疏学习的多摄像机非重叠视域行人匹配方法，其特征在于，所述步骤1中，行人目标特征包括行人的直方图特征和纹理特征。

3.根据权利要求1所述的一种基于稀疏学习的多摄像机非重叠视域行人匹配方法，其特征在于，λ值为0.04或者0.05。

4.根据权利要求1所述的一种基于稀疏学习的多摄像机非重叠视域行人匹配方法，其特征在于，所述步骤3中，映射的具体过程为：

将一个样本的两个视角分别作为稀疏表示V_X和稀疏表示V_Y，通过以下公式得到矫正矩阵

再利用矫正矩阵R对稀疏表示V_X和V_Y进行矫正。

5.根据权利要求4所述的一种基于稀疏学习的多摄像机非重叠视域行人匹配方法，其特征在于，所述步骤4中，稀疏学习模型的目标函数表达式为：

其中，μ为平衡参数；

对目标函数采用交替迭代方法进行求解，具体步骤如下：

第一步，先随机生成V_X、V_Y、U_X、U_Y和R这五个变量的初始值；

第二步，为了更新公式(1)中的V_X值，先固定V_Y、U_X、U_Y和R这四个参数的值，即公式(3)中有关样本Y的两项均为已知项，得到公式(4)：

第三步，将公式(4)改写成公式(5)，利用稀疏学习SLEP软件包来更新V_X值：

第四步，同理，为了更新V_Y的值，固定V_X、U_X、U_Y和R这四个参数的值，得到公式(6)：

第五步，将公式(6)改写成公式(7)，用SLEP软件包来更新V_Y值：

第六步，利用公式(8)和公式(9)更新U_X和U_Y的值：

第七步：利用公式(2)更新R的值；

第八步：利用每一次迭代计算出的U_X、V_X、U_Y、V_Y和R的值带入公式(3)计算目标函数，重复多次迭代，直到目标函数值趋于稳定收敛，得到最好的字典矩阵，然后用所述字典矩阵将样本特征稀疏表示出来。

6.根据权利要求5所述的一种基于稀疏学习的多摄像机非重叠视域行人匹配方法，其特征在于，平衡参数μ的值为0.04或者0.05。