1.一种基于特征映射空间和样本判定的行人重识别方法，其特征在于：依次包括如下步骤：

步骤一：数据的收集和分离：收集多个来自摄像头a和摄像头b在不同时间不同地点拍摄到的同一行人图像，并组成图像数据集；同时，将数据集随机划分为训练集和测试集；

步骤二：对于一幅长×宽大小为H×W的行人图像进行特征提取，采用m×m的滑动子窗口表示一幅行人图像的局部区域，tn+m＜W,n∈N+，其中N+为正整数集合；在每个子窗口提取8×8×8bin的联合色调、饱和度、明度颜色发生率特征和两个尺度的尺度不变局部三值模式纹理发生率特征；设定同一水平位置所有子窗口的颜色最大发生率特征为 同一水平位置所有子窗口的纹理最大发生率特征为FSILTP；根据得到的颜色特征和纹理特征，通过求最大值的方法，计算颜色特征最大发生率特征 和FSILTP；

步骤三：设定同一水平位置所有子窗口的颜色平均发生率特征为 以参数a(a∈[0,

1])对颜色特征最大发生率特征 和平均发生率特征 加权相加，得到加权融合后的最终颜色特征FHSV；

步骤四：通过对原始的行人图像进行两次2×2池化，下采样原始的行人图像到两个较小的尺度范围后，再次采用步骤二中提取特征的方式提取图像特征；最后，将所有尺度的特征联合在一起形成行人图像的加权局部最大发生特征FwLOMO；

步骤五：对原始的行人图像提取像素级特征f；f中的颜色特征为Frgb，Fhsv，Flab，Frg，其中Frgb的特征值为行人图像红绿蓝颜色空间的通道值，Fhsv的特征值为行人图像色调、饱和度、明度颜色空间的通道值，Flab的特征值为行人图像AB亮度颜色空间的通道值，Frg的特征值为行人图像RG颜色空间的通道值；纹理特征为 Mθ由二维坐标系四个标准方向上的像素强度梯度值组成空间特征为y，y是图像垂直方向上像素的位置；

步骤六：在得到基本像素特征之后，提取块级特征：将每一幅行人图像分成G个部分重叠的水平区域，并在每个区域中划分大小为k×k的局部块s；每一个局部块s中的像素特征用高斯分布来表示，形成高斯块特征矩阵zi；

步骤七：得到块级特征之后，把高斯块zi映射到第一对称正定矩阵中，再通过高斯分布将映射到第一对称正定矩阵中的高斯块级特征建模成高斯区域特征；同时，将高斯区域特征矩阵嵌入到第二对称正定矩阵中；最后采用第二对称正定矩阵中的高斯区域特征构成一幅行人图像的高斯‑高斯特征FGOG；

步骤八：按照行人的身份对齐加权局部最大发生特征FwLOMO和高斯‑高斯特征FGOG，通过级联的方法把二者的特征映射过程简化到一个特征映射空间F；

步骤九：使用样本判定的方法来选择使用不同的度量学习方法，来计算两幅行人图像特征间的距离，以此来表示两幅行人图像间的相似度：若当前训练集样本量小于判定的训练集样本量时，采用XQDA方法；若当前训练集样本量大于判定的训练集样本量时，采用k‑XQDA方法。

2.根据权利要求1所述的基于特征映射空间和样本判定的行人重识别方法，其特征在于，步骤二中，所述同一水平位置的所有子窗口的像素特征最大发生率特征为 和FSILTP，即：

其中，HSV和SILTP分别是图像像素的颜色和纹理特征，ρhsv是所有子窗口HSV颜色值发生率，ρSILTP是所有子窗口SILTP纹理值发生率。

3.根据权利要求1所述的基于特征映射空间和样本判定的行人重识别方法，其特征在于，步骤三中，所述引入的像素特征分布的均值信息为 即：对所述以参数a(a∈[0,1])对像素分布的最大值和均值进行加权相加，得到最终的颜色特征FHSV，即：

4.根据权利要求1所述的基于特征映射空间和样本判定的行人重识别方法，其特征在于，步骤四中，所述形成的行人图像的特征为FwLOMO，即：FwLOMO＝[FHSV,FSILTP]其中，FwLOMO是加权融合的wLOMO颜色特征，FSILTP是纹理特征。

5.根据权利要求1所述的基于特征映射空间和样本判定的行人重识别方法，其特征在于，步骤五中，所述像素级特征为f，即：T

f＝[y,FMθ,Frgb,Fhsv,Flab,Frg]T

其中，[·]代表矩阵的转置；f中的颜色特征为Frgb，Fhsv，Flab，Frg，其中Frgb的特征值为行人图像红绿蓝颜色空间的通道值，Fhsv的特征值为行人图像色调、饱和度、明度颜色空间的通道值，Flab的特征值为行人图像AB亮度颜色空间的通道值，Frg的特征值为行人图像RG颜色空间的通道值；纹理特征为FMθ，Mθ由二维坐标系四个标准方向上的像素强度梯度值组成；

空间特征为y，y是图像垂直方向上像素的位置。

6.根据权利要求1所述的基于特征映射空间和样本判定的行人重识别方法，其特征在于，步骤六中，所述形成的高斯块为zi，即：其中，μs是块s的均值向量，∑s是块s的协方差矩阵， 是块s协方差矩阵的逆。

7.根据权利要求1所述的基于特征映射空间和样本判定的行人重识别方法，其特征在于，步骤七中，所述行人图像的GOG特征为FGOG，即：

8.根据权利要求1所述的基于特征映射空间和样本判定的行人重识别方法，其特征在于，步骤八中，所述特征映射空间为F，即：F＝[FwLOMO,FGOG]。

9.根据权利要求1所述的基于特征映射空间和样本判定的行人重识别方法，其特征在于，步骤九中，XQDA的方法如下：求得摄像头a中行人xi＝[xi1,xi2,...,xin]与摄像头b中行人zj＝[zj1,zj2,...,zjn]之间的相似度d(xi,zj)，即：T

d(xi,zj)＝(xi‑zj) M(xi‑zj)其中，M的表达式为：

其中，定义同一行人图像之间的关系为类内关系，不同行人图像之间的关系为类间关系； 是类内协方差矩阵的逆， 是类间协方差矩阵的逆；

首先定义一个代表了类内和类间关系的n×r维的映射矩阵其中wr是W中的第r列向量， 代表n×r维的实数域；XQDA将原始的高维度空间映射到一个低维的空间；因此，可以将d(xi,zj)写为：T T

其中，∑'I＝W∑IW，∑'E＝W∑EW，∑I是类内协方差矩阵，∑E是类间协方差矩阵；

先求解W，再求解类内和类间协方差矩阵，最后计算行人图像间相似度d；求解W的问题可以转换为求解J(wk)的广义瑞利熵问题，即：其中， 的特征值的特征向量对应着映射空间W中的子空间wk(k∈[1,r])。

10.根据权利要求1所述的基于特征映射空间和样本判定的行人重识别方法，其特征在于，步骤九中，所述k‑XQDA方法在XQDA方法的基础上，使用核函数将原始样本映射到容易区分的非线性空间中，再引入两种分别对应摄像头a和b中行人的膨胀系数α(α∈[0,1])和β(β∈[0,1])；因此，核化后的映射矩阵wk(k∈[1,b])的表达式为：其中，Φx＝[φ(x1),...,φ(xn)]，φ(xn)代表摄像头a中行人特征xn通过核函数计算后的行人特征，Φx代表摄像头a中核化后的行人特征集；Φz＝[φ(z1),...,φ(zm)]，φ(zm)代表摄像头b中行人特征zm通过核函数计算后的行人特征，Φz代表摄像头b中核化后的行人特征集；wk可以写为wk＝Φxαk+Φzβk＝Φθk， 是第n个行人图像特征在第k个子空间中的膨胀系数， 是第m个行人图像特征在第k个子空T

间中的膨胀系数，θk＝[αk,βk]，Φ＝[Φx,Φz]；J(wk)经过核变换的表达式为：其中， 核化的函数J(θk)是广义瑞丽熵的形式，因此θk的优化解对应 是ΛI的逆的前b个最大特征值的特征向量，代表(n+m)×(n+m)维的实数域；

对于距离度量函数d(xi,zj)来说，核化后的形式为：其中，