[发明专利]一种基于度量学习和支持向量机相集成的行人再识别方法

权利要求书

1.一种基于度量学习和支持向量机相集成的行人再识别方法，其特征在于：首先生成带有行人标签信息的行人特征矩阵；对度量行人距离的非线性空间M做处理；设置支持向量机内用到的行人标签信息；支持向量机引入约束变量，再把支持向量机作为非线性空间的约束条件；对非线性空间M的约束条件进行缩放处理；找到投影矩阵和分类器的最优解，用度量学习和支持向量机相集成的识别模型进行行人识别，得到识别率；

所述基于度量学习和支持向量机相集成的行人再识别方法的具体步骤如下：

Stpe1、把a，b视角下行人的特征全部投影到同一个非线性空间M∈R^m×n内，利用公式找出在a视角下与b视角下最相似但不是自己的行人来生成带有行人标签信息的行人特征矩阵x_c；

Stpe2、在非线性空间M内，要求每一个a视角下的第i个人与在b视角下与最相似的但不是同一个人的行人之间的度量距离要小于a视角下的第i个人与它自己在b视角下之间的度量距离，即

Stpe3、如果所有的行人特征都按Stpe2处理，投影后的特征本身就满足上述情况就会出现过拟合情况，所以如果投影后的特征本身就满足同一个行人穿着差异巨大则按Stpe2处理，如果不同行人穿着相似则不做任何处理，则取0；即

Stpe4、行人的标签信息的设置方式为：如果与是同一人，则设置它们的标签信息y_ij为1，如果不是则为-1；即

其中，表示在支持向量机中行人特征之间的度量距离；

Stpe5、传统支持向量机引入一个约束变量ξ_ij即为不等式其中，w为支持向量机的分类器；再把非线性空间M的约束条件引入支持向量机中，即：

Stpe6、把非线性空间M的约束条件(y_ij(w(Mx_ai-Mx_bj)+c)＞1-ξ_ij)进行适当的缩放处理，将条件约束松弛优化后将ξ_ij消去，即

Stpe7、找到Stpe6公式的最优解，训练学习得到投影矩阵和分类器w；再用投影矩阵和分类器w在度量学习和支持向量机相集成的识别模型中进行行人识别，得到识别率s，其中得到识别率的度量学习和支持向量机相集成的识别模型如下：

其中，c的作用是限制分类相似值的范围。