[发明专利]面向行人再识别的基于多投影变换的特征度量学习方法

摘要

本发明公开了一种面向行人再识别的基于多投影变换的特征度量学习方法，包括以下步骤：S1提取不同摄像头对应的特征向量；S2利用标定数据学习不同摄像头的投影矩阵；S3利用投影矩阵将不同摄像头对应的特征向量转换到公共特征空间；当没有新的摄像头添加到非重叠的摄像头网络中时，执行步骤S7；当新的摄像头添加到非重叠的摄像头网络中时，执行步骤S4；S4找到与新的摄像头的最相似的摄像头类；S5将新的摄像头下行人图像的特征向量转换到最相似的摄像头类的特征空间内；S6将转换后的特征向量再转换到公共特征空间；S7计算各个特征向量的之间的距离；S8根据特征向量间的距离来进行排序，得到排序列表，从而提高行人再识别的准确率。

主权项

1.一种面向行人再识别的基于多投影变换的特征度量学习方法，其特征在于，包括以下步骤：S1：分别提取不同摄像头采集到的行人图像的特征，得到不同摄像头对应的特征向量；S2：利用标定数据学习不同摄像头的投影矩阵；S3：利用投影矩阵将不同摄像头对应的特征向量转换到公共特征空间；当没有新的摄像头添加到非重叠的摄像头网络中时，则执行步骤S7；当有新的摄像头添加到非重叠的摄像头网络中时，则执行步骤S4；S4：找到与新的摄像头的最相似的摄像头类；其中，对摄像头的特征空间聚类，利用类间方差来寻找与新的摄像头最相似的摄像头类；S5：将新的摄像头下行人图像的特征向量转换到最相似的摄像头类的特征空间内；其中，假设与新摄像头的特征空间最相似的摄像头类包含M个摄像头；新摄像头n的特征空间的中心与其中一个摄像头m的特征空间的中心之间的距离为dmn；摄像头M的投影矩阵为Lm；投影变换Lk通过如下公式得到：Lk＝Σ(m∈M)(1/dmn)×Lm；与新摄像头的特征空间最相似的摄像头类中，不同子摄像头的特征空间与新摄像头的特征空间的相似性不同，且新摄像头的加入，对最相似的摄像头类的特征空间的分布有影响，为了更加准确和全面的表达新摄像头的投影矩阵，新摄像头的投影矩阵通过对M个摄像头的投影矩阵加权得到；S6：将转换后的特征向量再转换到公共特征空间；S7：计算处于公共特征空间内各个特征向量的之间的距离；S8：根据计算得到的特征向量间的距离来进行排序，得到排序列表。