1.一种基于投影变换与字典学习的行人再识别的方法,其特征在于:包括如下步骤:Step1、构建特征数据在两个视角下的训练样本、测试样本;
Step2、构建一种投影变换与字典学习的行人再识别方法的学习模型;
Step2.1、将原始的特征投影到低维的判别性空间,使同一行人之间特征的歧义性达到最小,不同行人特征的发散性达到最大;
Step2.2、引入不连贯性正则项
其中,Pa:a视角下的映射矩阵,pai表示Pa中的第i列,Pb:b视角下的映射矩阵,pbi表示Pb中的第i列,Ca:a视角下的行人编码系数,Cai:Ca的第i列,Cb:b视角下的行人编码系数,Cbi:Cb的第i列,D:字典,di表示D中的第i列,α,λ均为大于0的实数,||·||F表示Frobenius范数,|2
|·||2表示l2范数,||·||1表示l1范数,||·||表示范数的平方运算符,T为矩阵的转置;
Step3、迭代求解学习模型中映射矩阵Pa和Pb以及字典D,从而进行相似性度量;
Step4、将step1中提取的训练样本特征数据以及Step3求得的投影矩阵和字典求得a,b视角下的编码系数 再进行相似性度量,从而进行行人再识别。
2.根据权利要求1所述的一种基于投影变换与字典学习的行人再识别的方法,其特征在于:所述步骤Step1的具体步骤如下:Step1.1、从公开数据集上PRID2011的图片提取GOG特征;
Step1.2、然后对特征数据进行降维,降维后的每张图片的数据为一个列向量(n×1),作为一个行人在一个视角下的样本;所有行人在一个视角下的样本数据为特征矩阵(n×m),n为特征的维数,m为行人的个数;
Step1.3、再以同样的方法得到行人在另一个视角下的样本数据特征矩阵,分别得到在两个视角下的特征矩阵,随机选取一半行人特征为训练样本,剩下的一半行人特征和干扰图片特征为测试样本。
3.根据权利要求1所述的一种基于投影变换与字典学习的行人再识别的方法,其特征在于:所述步骤Step3的具体步骤如下:Step3.1、已知公式1,求解映射矩阵Pa和Pb;
其中,Λa为Pa的拉格朗日对偶变量构成的对角矩阵;
其中,Λb为Pb的拉格朗日对偶变量构成的对角矩阵;
Step3.2、已知公式1,使用ADMM算法迭代求解D,同时引入辅助变量B,T,且D=B,当第t+(t+1) t
1次更新后的字典与第t次更新后的字典相差为0.0000001时,即|D ‑D|≤0.0000001时,迭代终止;
其中,η为实数,取值为0.999。
4.根据权利要求3所述的一种基于投影变换与字典学习的行人再识别的方法,其特征在于:所述步骤Step4的具体步骤如下:将step1中提取的训练样本特征数据以及Step3求得的投影矩阵和字典求得a,b视角下的编码系数 见公式5和6,再利用公式7进行相似性度量,从而进行行人再识别;
其中, 为两个不同视角编码系数列向量之间的距离,此距离最小时即再识别成功,不同视角编码系数列向量距离最小时编码系数所对应的行人为同一行人, 表示编码系数 中的第i列, 表示编码系数 中的第j列。
5.根据权利要求1所述的一种基于投影变换与字典学习的行人再识别的方法,其特征在于:所述的α,λ的值分别为0.4和0.0005。