[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

摘要

本发明公开了一种基于数据驱动的自适应尺度行人重识别方法，首先采用稀疏表示的方法获得查询行人和待测行人间的跨域的支撑一致性，然后采用K近邻的方法获得查询行人和待测行人间的跨域的投影一致性，最后综合跨域的支撑一致性因子和跨域的投影一致性因子来计算行人对之间的距离。本发明通过再次利用训练数据在不同视角下的一致性来自适应地调节尺度，可以提高现有算法的性能，获得更准确的行人重识别结果。

主权项

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：fs(xap,xbq)=[11+Sims(xap,xbq)]α=[11+size(wap*wbq*)]α,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Da和Db分别作字典重构和的权重系数；表示字典Da重构的权重，其中Da为集合a中的训练图像Xa,L的特征形成的字典；同理表示字典Db重构的权重，其中Db为集合b中的训练图像Xb,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：fp(xap,xbq)=[11+Simb(xap,xbq)+Sima(xap,xbq)]β=[11+|knn(xap|Xb,L)∩knn(xaq|Xb,L)|+|knn(xap|Xa,L)∩knn(xbq|Xa,L)|]β,β>0;]]>其中表示在Xb,L中最邻近的前K张图像，表示在Xb,L中最邻近的前K张图像，表示和在Xb,L中前K个近邻中相同的个数；表示和在Xa,L中前K个近邻中相同的个数，Xa,L表示集合a中的训练图像集合，Xb,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：MA*=fA(xap,xbq)M*=fs(xap,xbq)fp(xap,xbq)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。