現(xiàn)有的基于投影的行人重識別方法具有訓練時間長、投影矩陣維數(shù)高、識別率低等問題.此外在建立訓練集時,還會出現(xiàn)類內(nèi)樣本數(shù)目遠少于類間樣本數(shù)目的情況.針對這些問題,提出了基于距離中心化的相似性度量算法.在構(gòu)建訓練集時,將同一組目標群體特征值中心化,利用中心特征值來構(gòu)建類間距離,而類內(nèi)距離保持不變.這樣使得類內(nèi)類間樣本數(shù)目接近,可以很好地緩解類別不平衡所帶來的過擬合風險.另外在學習投影矩陣時,利用訓練集更新策略,學習若干組投影向量,使得到的投影向量近似正交,這樣既可以有效減少運算復雜度和存儲復雜度,又可以使得學習到的投影向量能夠通過簡單的相乘近似得到原來的投影矩陣.最后,在學習投影向量時采用共軛梯度法,該方法具有二次收斂性,能夠快速收斂到目標精度.實驗結(jié)果表明:提出的算法具有較高的效率,在不同數(shù)據(jù)集上的識別率都有明顯的提升,訓練時間也比其他常用的行人重識別算法要短. 

【文章來源】：計算機研究與發(fā)展. 2017,54(08)北大核心

【文章頁數(shù)】：10 頁

【文章目錄】：
1 目標函數(shù)的建立
2 樣本距離中心化與迭代策略
    2.1 樣本距離中心化
    2.2 投影向量學習算法
    2.3 特征空間的迭代更新策略
    2.4 具體操作步驟
3 實驗與分析
    3.1 數(shù)據(jù)集與評價指標
    3.2 特征表示
    3.3 對比分析
4 結(jié)論


【參考文獻】：
期刊論文
[1]基于多特征子空間與核學習的行人再識別[J]. 齊美彬,檀勝順,王運俠,劉皓,蔣建國.  自動化學報. 2016(02)
[2]基于全局空間約束塊匹配的目標人體識別[J]. 陳普強,郭立君,張榮,趙杰煜.  計算機研究與發(fā)展. 2015(03)
[3]基于外觀統(tǒng)計特征融合的人體目標再識別[J]. 曾明勇,吳澤民,田暢,付毅,揭斐然.  電子與信息學報. 2014(08)
[4]基于統(tǒng)計推斷的行人再識別算法[J]. 杜宇寧,艾海舟.  電子與信息學報. 2014(07)
[5]多特征融合的人體目標再識別[J]. 范彩霞,朱虹,藺廣逢,羅磊.  中國圖象圖形學報. 2013(06)



本文編號：3026167