[發明專利]一種基于投影變換與字典學習的行人再識別的方法

有效

• 申請號: 201811425215.2
• 申請日: 2018-11-27
• 公開（公告）號: CN109766748B
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 周維燕;唐劍;于曉雨
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/75
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于投影變換與字典學習的行人再識別的方法，其特征在于：包括如下步驟：

Step1、構建特征數據在兩個視角下的訓練樣本、測試樣本；

Step2、構建一種投影變換與字典學習的行人再識別方法的學習模型；

Step2.1、將原始的特征投影到低維的判別性空間，使同一行人之間特征的歧義性達到最小，不同行人特征的發散性達到最大；

Step2.2、引入不連貫性正則項

其中，P_a：a視角下的映射矩陣，p_ai表示P_a中的第i列，P_b：b視角下的映射矩陣，p_bi表示P_b中的第i列，C_a：a視角下的行人編碼系數，C_ai:C_a的第i列，C_b：b視角下的行人編碼系數，C_bi：C_b的第i列，D:字典，d_i表示D中的第i列，α，λ均為大于0的實數，||·||_F表示Frobenius范數，||·||₂表示l₂范數，||·||₁表示l₁范數，||·||²表示范數的平方運算符，T為矩陣的轉置；

Step3、迭代求解學習模型中映射矩陣P_a和P_b以及字典D，從而進行相似性度量；

Step4、將step1中提取的訓練樣本特征數據以及Step3求得的投影矩陣和字典求得a，b視角下的編碼系數再進行相似性度量，從而進行行人再識別。

2.根據權利要求1所述的一種基于投影變換與字典學習的行人再識別的方法，其特征在于：所述步驟Step1的具體步驟如下：

Step1.1、從公開數據集上PRID2011的圖片提取GOG特征；

Step1.2、然后對特征數據進行降維，降維后的每張圖片的數據為一個列向量(n×1)，作為一個行人在一個視角下的樣本；所有行人在一個視角下的樣本數據為特征矩陣(n×m)，n為特征的維數，m為行人的個數；

Step1.3、再以同樣的方法得到行人在另一個視角下的樣本數據特征矩陣，分別得到在兩個視角下的特征矩陣，隨機選取一半行人特征為訓練樣本，剩下的一半行人特征和干擾圖片特征為測試樣本。

3.根據權利要求1所述的一種基于投影變換與字典學習的行人再識別的方法，其特征在于：所述步驟Step3的具體步驟如下：

Step3.1、已知公式1，求解映射矩陣P_a和P_b；

其中，Λ_a為P_a的拉格朗日對偶變量構成的對角矩陣；

其中，Λ_b為P_b的拉格朗日對偶變量構成的對角矩陣；

Step3.2、已知公式1，使用ADMM算法迭代求解D，同時引入輔助變量B，T，且D＝B，當第t+1次更新后的字典與第t次更新后的字典相差為0.0000001時，即|D^(t+1)-D^t|≤0.0000001時，迭代終止；

其中，η為實數，取值為0.999。

4.根據權利要求3所述的一種基于投影變換與字典學習的行人再識別的方法，其特征在于：所述步驟Step4的具體步驟如下：

將step1中提取的訓練樣本特征數據以及Step3求得的投影矩陣和字典求得a，b視角下的編碼系數見公式5和6，再利用公式7進行相似性度量，從而進行行人再識別；

其中，為兩個不同視角編碼系數列向量之間的距離，此距離最小時即再識別成功，不同視角編碼系數列向量距離最小時編碼系數所對應的行人為同一行人，表示編碼系數中的第i列，表示編碼系數中的第j列。

5.根據權利要求1所述的一種基于投影變換與字典學習的行人再識別的方法，其特征在于：所述的α，λ的值分別為0.4和0.0005。