[发明专利]基于局部高频次特征和混合度量学习的行人重识别方法

权利要求书

1.基于局部高频次特征和混合度量学习的行人重识别方法，其特征在于，包括以下步骤：

S1、在光照和视角变化条件下提取目标图像的颜色特征，使用基于中心环绕多尺度Retinex算法预处理人物图像，进行图像颜色增强来消除光照不均；

S2、在光照不变条件下使用尺度不变局部三值模式提取图像纹理的特征描述；

S3、使用基于HSV的颜色直方图对于MSR增强以后的图像提取颜色特征，经HSV颜色直方图提取并量化，计算颜色落在每个小区间内的像素数量得到颜色直方图；

S4、采用滑动窗口来描述局部细节特征，设定子窗口步长，沿水平方向和垂直方向在整张图片中重叠滑动描述一个图像的局部，提取每块的SILTP和HSV特征，对同一水平滑窗带上图像块采用叠加的最大化操作捕获图像区域的局部高频次数特征，最后采用三尺度金字塔级联表示上述特征获得局部高频次特征描述符；

S5、寻找子空间对特征进行降维处理，要求样本投影在该空间实现类内距离最小，类间距离最大，选取低维空间W＝(w₁,w₂,…w_r)∈R^d×r，求解度量学习矩阵，得到低维空间；

S6、构造度量学习矩阵M_h(x_i,x_j)，训练得到局部度量矩阵和全局度量矩阵的权重，求解马氏距离获得行人重识别依据，实现行人重识别。

2.根据权利要求1所述的基于局部高频次特征和混合度量学习的行人重识别方法，其特征在于，步骤S1具体为：

S101、预读原图S(x,y)，如原图为灰度图，将各像素的灰度值转换为浮点数，如原图为彩色图，将颜色分RGB三通道处理，每个通道分量的像素值转换为浮点数；

S102、输入尺度参数σ，计算高斯滤波器F；

S103、单尺度SSR算法处理后，输出R(x,y)；

S104、将LogR(x,y)量化到0～255之间的像素值作为输出像素，输出灰度值或者彩色像素值；

S105、如果原图是灰度图，直接输出，如果原图是RGB图，计算每个尺度下累加的LogR(x,y)。

3.根据权利要求2所述的基于局部高频次特征和混合度量学习的行人重识别方法，其特征在于，步骤S105中，LogR(x,y)具体为：

LogR(x,y)＝w_iLog(R_i^MSR(x,y))+w_iLog(R_i^MSR(x,y))+w_iLog(R_i^MSR(x,y))

其中，R_i^MSR(x,y)为原图在某个通道的输出，w_i为第i个尺度的权重系数

4.根据权利要求1所述的基于局部高频次特征和混合度量学习的行人重识别方法，其特征在于，步骤S2具体为：

S201、预读MSR处理后的图像R(x,y)；

S202、逐行逐列扫描图像，获得每个像素点(X_c,Y_c)的灰度值I_c，设置邻域半径R，设置比例系数T；

S203、根据获得对应像素点的二值串联，(X_c,Y_c)是像素点C，I_c是像素C的灰度值；I_k是C点周围以R为半径的圆上N个相邻点的灰度值；T是比较范围的比例系数；符号的作用是将S_T(I_c,I_k)得到的二进制数值串联成一个二进制字符串；

S204、C点周围像素点原始值经过分段函数S_T(I_c,I_k)运算后得到一个两位数的二进制字符串。