[发明专利]一种基于迁移学习的行人重识别方法

权利要求书

1.一种基于迁移学习的行人重识别方法，其特征在于：包括如下步骤：

步骤1，对数据集中原始图片运用多尺度Retinex彩色图像增强算法预处理，去除光照带来的影响；

步骤2，对预处理后的数据集提取行人的相关特征作为行人的原始特征；

步骤3，初始模型建立——非对称多任务判别模型；

步骤4，运用目标领域部分无标签数据的流形结构对初始模型进行精化；

步骤5，运用共轭梯度法对目标函数进行优化，得到最终分类器；

步骤6，在行人重识别标准数据库中对分类器进行行人重识别，并用CMC曲线来表示重识别测试的效果。

2.根据权利要求1所述的一种基于迁移学习的行人重识别方法，其特征在于：所述原始图像经多尺度Retinex彩色图像增强算法预处理：

I(x,y)＝L(x,y)*R(x,y)(1)

式中，I(x,y)代表原始图像，L(x,y)代表在环境光的照射分量；R(x,y)表示携带图像细节信息的目标物体的反射分量；针对一幅原始图像I(x,y)，通过Retinex算法计算出对应的R(x,y)，则R(x,y)是增强后的图像；处理后的图像大大缓解光照的影响，使图像更接近原色。

3.根据权利要求1所述的一种基于迁移学习的行人重识别方法，其特征在于：所述步骤2包括如下步骤：

2.1：每一幅行人图片的像素被统一成128×48的大小，对图像分别取像素大小为16×16的重叠区域；

2.2：在垂直和水平方向每次移动间隔8个像素，重叠率为50％；

2.3：对于每一个16x16大小的区域块，颜色特征是通过连接的8个颜色通道，包括：RGB，YCbCr，HS，创建16个bin的直方图；

2.4：分别提取HOG特征和LBP特征，并建立直方图统计特征；

2.5：通过计算，每一个16x16大小的区域块提取color、HOG、LBP三种共484维的特征向量，对于一张行人图片，总共有75块，合计36300维。

4.根据权利要求1所述的一种基于迁移学习的行人重识别方法，其特征在于：所述步骤3包括如下步骤：

3.1：取为源数据集的局部类间散度矩阵和局部类内散度矩阵，是目标数据集的局部类间散度矩阵和局部类内散度矩阵；对散射矩阵计算如下：

Sbq=12Σi,j=1nA‾i,jb(xiq-xjq)(xiq-xjq)′---(2)]]>

Swq=12Σi,j=1nA‾i,jw(xiq-xjq)(xiq-xjq)′---(3)]]>

其中q∈{s,t}，代表来自源数据集或目标数据集中的样本，每一个样本对x_i和x_j之间的联系用亲和矩阵A_i,j权衡，亲和矩阵A_i,j是通过局部缩放来计算；当q＝s时，即在源数据集中计算S_w和S_b，若x_i和x_j表示同一类即同一个行人的不同图片，取n_c代表c类的样本数量，n代表所有类别的全部数量；反之，若x_i和x_j表示不同的行人，则

3.2：采用联合最大化源数据集和目标数据集的局部类内和类间距离的方式，提出如下近似的目标函数：

maxW1,W2tr((1-γ)W1′SbsW1+γW2′SbtW2)tr((1-γ)W′1SwsW1+γW2′SwtW2)---(4)]]>

其中，W₁＝(1-β)W₀+βW_S，W₂＝(1-β)W₀+βW_t，0≤β≤1，W_S是源数据集映射矩阵，W_t是目标数据集映射矩阵，W₀是共享隐空间的映射矩阵；通过Fisher准则获得，W₁＝(1-β)W₀+βW_S是度量源数据集的可分性，W₂＝(1-β)W₀+βW_t是度量目标数据集的可分性；γ为控制目标任务的学习强度；

3.3：取W＝[W₀；W_s；W_t]，Θ_s＝[(1-β)I_d,βI_d,O_d*d]，Θ_t＝[(1-β)I_d,O_d*d,βI_d]替换公式(4)中相关变量，其中，I_d是d×d维的单位矩阵，O_d×d是d×d维的零矩阵；将公式(4)进行优化，得到如下形式：

W*=argmaxWtr(W′AW)tr(W′BW)---(5)]]>

其中，A用来度量局部类间距离，B是度量局部类内距离；本文中A和B都是半正定矩阵；

公式(5)通过常用的广义特征值分解来求解，如公式(6)：

AW＝λBW (6)

W的闭式解则由B^-1A的N-1个最大广义特征值所对应的特征向量组成的矩阵；λ表示广义特征值，λ的个数等于N-1。