一种基于压缩的增量核零空间变换行人再识别方法技术

本发明专利技术公开基于压缩的增量核零空间变换的行人再识别方法，首先对初始行人特征集进行KPCA变换得到初始基矢量系数和奇异值，进行零空间变换得初始投影方向集和投影点集；接着对增量后行人特征集进行IKPCA变换得更新的基矢量系数和奇异值，对增量后的样本特征集进行RS压缩和零空间变换得压缩后的投影方向集和点集；最后把测试图像特征集的核矩阵投影到压缩后的投影方向集上得测试图像的投影点集，根据测试图像投影点集和压缩后投影点集的欧式距离进行行人识别。本发明专利技术考虑了增量核零空间变换对压缩的限制、增量核主成分分析IKPCA和IKNFST的内在联系，实现基矢量系数规模在线增量学习时的不变性，提高增量时行人识别效率。

A pedestrian recognition method based on incremental kernel zero space transformation

【技术实现步骤摘要】
一种基于压缩的增量核零空间变换行人再识别方法
本专利技术属于图像处理
，具体涉及一种基于压缩的增量核零空间变换的行人再识别方法。
技术介绍
随着公共安全领域视频监控应用需求的快速增长，对行人再识别技术的研究越来越深入。行人再识别是指给定某一个摄像头下的行人，然后通过算法在其余摄像头下对该行人进行重识别。行人重识别技术目前存在的主要挑战是：①由于视频光照、角度、尺度等变化导致行人的外貌特征发生变化；②由于摄像机视角和行人姿态的变化导致行人外貌特征存在遮挡；③不同摄像头或不同行人的外貌特征可能比同一个人的外貌特征更相似。利用增量方法进行行人再识别的研究中，增量核零空间变换(IKNFST，IncrementalKernelNullFoley-SammonTransform)的行人再识别方法取得了很好的性能，但随着同类别行人样本个数的急剧增加，基矢量系数的维度也会随着增加，导致计算负载会越来越大。为了避免随样本增加不断增长的计算复杂度和存储空间，需要把基矢量系数的维度保持在一定规模。
技术实现思路
本专利技术的目的是提本文档来自技高网...

【技术保护点】
1.一种基于压缩的增量核零空间变换的行人再识别方法，其特征在于，具体按照以下步骤实施：/n步骤1、从标准数据集中获取初始行人图像集Imgs

【技术特征摘要】
1.一种基于压缩的增量核零空间变换的行人再识别方法，其特征在于，具体按照以下步骤实施：
步骤1、从标准数据集中获取初始行人图像集Imgsini＝{Iini|ini＝1,2,...,N},初始行人标签集Labelsini＝{Lini|ini＝1,2,...,N}，N表示初始行人图像个数；
步骤2、对Imgsini提取CNN特征，得到特征集Feasini＝{Fini|ini＝1,2,...,N}；
步骤3、把特征集Feasini作为输入，调用核主成分分析函数KPCA()，计算得到初始的基矢量系数和初始的奇异值R表示初始主成分个数；
步骤4、把Feasini、A0、Labelsini作为输入，调用零空间变换函数NFST()，得到零空间投影方向集ΨS0和零空间的投影点集XS0，i＝1,2,...,N，c＝1,2,...,C，j＝1,2,...,C-1，C表示行人类别个数；
步骤5、迭代执行增量学习和压缩过程，输入为Feasini，Labelsini，A0，Σ0，增量的行人图像集增量的行人图像标签集输出更新的零空间投影方向集ΨSnew，零空间的投影点集XSnew，压缩后的样本特征集压缩后的样本标签集压缩后的基矢量系数A2，压缩后的奇异值Σ2；
步骤6、从标准数据集中获取测试行人图像集Imgsz＝{Iz|z＝1,2,...,Z}，测试行人标签集Labelsz＝{Lz|z＝1,2,...,Z}，Z表示测试行人图像个数；
步骤7、对测试行人图像集Imgsz提取CNN特征集Feasz＝{Fz|z＝1,2,...,Z}；
步骤8、定义无参核函数通过核函数G0(x,y)计算测试样本特征集Feasz和压缩样本特征集的核矩阵Kz，其中Kz在零空间投影方向集ΨSnew上投影得到投影点集XStest，XStest＝{xcjtest|c＝1,2,...,C,j＝1,2,...,C-1}；
步骤9、计算XStest与XSnew或XS0之间的欧式距离D＝{dcc|c＝1,2,...,C}，按升序对D的每一行进行排序，根据每一行最小值对应的行人类别号与测试行人图像的类别号的一致性进行行人类别判断，如果一致则识别正确，否则识别不正确。


2.根据权利要求1所述一种基于压缩的增量核零空间变换的行人再识别方法，其特征在于，步骤2具体过程为：把初始行人图像集Imgsini和初始行人标签集Labelsini送入ResNet50网络结构进行训练得到模型M_ResNet50；把Imgsini送入模型M_ResNet50，提取第五个池化层的2048维输出构成Imgsini的特征集Feasini＝{Fini|ini＝1,2,...,N}。


3.根据权利要求1所述一种基于压缩的增量核零空间变换的行人再识别方法，其特征在于，步骤3具体过程为：
步骤3.1、输入：CNN特征集Feasini＝{Fini|ini＝1,2,...,N}；
步骤3.2、定义核函数通过核函数G(x,y,σ)计算Feasini和Feasini的核矩阵K′，其中x∈Feasini,y∈Feasini,σ＝100；
步骤3.3、对核矩阵K′去中心化得到K＝(v′)T×K′×v′，其中v'为中心化矩阵，v为N×1维的均值矩阵，v'＝IN-v11,N，IN为N×N维的单位阵，11,N为1×N维的全1矩阵，1N,1为N×1维的全1矩阵；
步骤3.4、对K进行特征值分解:K＝QΔQT，得到特征值Δ和特征向量Q；
步骤3.5、按降序对Δ进行排序，取前R个特征值Δr对应的特征向量Qr作为Feasini的核主成分，1≤R≤rank(Q)，rank(Q)函数求取Q的秩；
步骤3.6、计算Feasini的初始基矢量系数A0和初始奇异值Σ0：A0＝v'×Qr×(Δr)-1/2，Σ0＝(Δr)1/2，并输出：


4.根据权利要求1所述一种基于压缩的增量核零空间变换的行人再识别方法，其特征在于，步骤4具体过程为：
步骤4.1、输入：初始行人特征集Feasini＝{Fini|ini＝1,2,...,N}、初始行人标签集Labelsini＝{Lini|ini＝1,2,...,N}、初始的基矢量系数
步骤4.2、定义无参核函数通过核函数G0(x,y)计算Feasini和Feasini的核矩阵K″，其中x∈Feasini,y∈Feasini；
步骤4.3、计算初始的基矢量系数A0和去中心化的核矩阵K″的内积矩阵H0：
H0＝(A0)T×K″×(I-L)
其中(A0)T是A0的转置矩阵，I为N×N的单位阵，L为块对角阵，



其中Nc为第c个行人的图像个数，c∈{1,2,...,C}，C为行人类别数；
步骤4.4、计算H0的协方差矩阵T0＝H0×H0T，把T0作为输入，调用零空间求解数学函数null()，得到零空间的解向量集
步骤4.5、计算零空间的投影方向集ΨS0，ΨS0＝A0×ΒS0，ΨS0的值表示为：
步骤4.6、计算K在零空间的投影点集XS0，XS0＝K×ΨS0，XS0的值表示为：
步骤4.7、输出：ΨS0和XS0。


5.根据权利要求1所述一种基于压缩的改进增量核零空间变换的行人再识别方法，其特征在于，步骤5具体过程为：
步骤5.1、初始化：增量学习计数器t＝1，增量学习总次数Tm；
步骤5.2、从标准数据集中获取新增行人图像集新增行人标签集Nt表示新增行人图像个数；
步骤5.3、对提取CNN特征集
步骤5.4、把Feasini、A0、Σ0作为输入，通过增量核主成分计算函数IKPCA()，计算得到压缩前的基矢量系数和压缩前的奇异值为
步骤5.5、把Feasini、Labelsini、A1、Σ1作为输入，调用RS压缩函数Compress()，计算得到压缩后的样本特征集压缩后的基矢量系数压缩后的奇异值压缩后样本的标签集Pt表示压缩后样本的图像个数；
步骤5.6、把A2、作为输入，调用步骤4的零空间变换函数NFST()，计算得到零空间的投影方向集ΨSnew和零空间的投影点集XSnew，
步骤5.7、对Feasini，Labelsini，A0，Σ0，ΨS0，XS0进行更新，A0＝A2，Σ0＝Σ2，ΨS0＝ΨSnew，XS0＝XSnew；
步骤5.8、增量学习计数器t＝t+1，当t≤Tm时，进入步骤5.2，否则进入步骤6。


6.根据权利要求5所述一种基于压缩的增量核零空间变换的行人再识别方法，其特征在于，步骤5.4具体过程为：
步骤5.4.1、输入：初始行人特征集Feasini＝{Fini|ini＝1,2,...,N}，新增行人特征集压缩前的基矢量系数A0和压缩前的奇异值Σ0，N表示初始行人图像个数，Nt表示新增行人图像个数；
步骤5.4.2、计算去中心化矩阵γ：



其中是N×Nt维的全零矩阵，w′表示新增样本中心化矩阵，w表示新增样本均值矩阵，v表示初始样本均值矩阵，表示Nt×Nt维的单位阵，表示1×Nt维的全1矩阵，表示Nt×1维的全1矩阵，1N,1是N×1维的全1矩阵；
步骤5.4.3、合并Feasini和得到合并的样本特征集通过核函数G(x,y,σ)计算Feasini和Feas的核矩阵K1，其中x∈Feasini,y∈Feas,σ＝100，计算Feas和F...

【专利技术属性】
技术研发人员：赵凡，姬亚男，吴玉，张二虎，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61