本發(fā)明涉及圖像數(shù)據(jù)處理
技術(shù)領(lǐng)域：
，具體而言，涉及一種行人相似度計算方法及裝置。
背景技術(shù)：
：行人重識別問題是在非重疊區(qū)域的攝像頭中，對出現(xiàn)的目標進行判斷是否為同一目標的過程。其中，對行人相似度的計算是在進行行人重識別的過程中的重要環(huán)節(jié)。在實際情況中，采用測度矩陣計算行人相似度時，由于采集到的行人圖像存在遮擋，視角變化，樣本不足等情況，在計算中存在過擬合現(xiàn)象，需要在測度矩陣學(xué)習(xí)的過程中加入各種約束，導(dǎo)致計算復(fù)雜度極大的增加。技術(shù)實現(xiàn)要素：為了克服現(xiàn)有技術(shù)中的上述不足，本發(fā)明的目的在于提供一種行人相似度計算方法，應(yīng)用于數(shù)據(jù)處理設(shè)備，所述方法包括：獲取相關(guān)行人對集合及非相關(guān)行人對集合中行人對的圖像特征，其中，所述相關(guān)行人對集合中包括多個具有相關(guān)關(guān)系的行人對，所述非相關(guān)行人對集合中包括多個不具有相關(guān)關(guān)系的行人對；分別根據(jù)所述相關(guān)行人對集合及非相關(guān)行人對集合中行人對的圖像特征，計算獲得第一相關(guān)集合協(xié)方差矩陣及第一非相關(guān)集合協(xié)方差矩陣；分別對所述第一相關(guān)集合協(xié)方差矩陣及第一非相關(guān)集合協(xié)方差矩陣進行正則化處理，獲得第二相關(guān)集合協(xié)方差矩陣及第二非相關(guān)集合協(xié)方差矩陣；根據(jù)所述第二相關(guān)集合協(xié)方差矩陣及第二非相關(guān)集合協(xié)方差矩陣計算獲得測度矩陣；根據(jù)所述測度矩陣及待分析行人對的圖像特征，計算得到該待分析行人對的相似度。進一步地，在上述方法中，分別對所述第一相關(guān)集合協(xié)方差矩陣及第一非相關(guān)集合協(xié)方差矩陣進行正則化處理，獲得第二相關(guān)集合協(xié)方差矩陣及第二非相關(guān)集合協(xié)方差矩陣的步驟，包括：對所述第一相關(guān)集合協(xié)方差矩陣進行分解，得到第一相關(guān)集合特征值矩陣及對應(yīng)的相關(guān)集合特征向量矩陣，對所述第一非相關(guān)集合協(xié)方差矩陣進行分解，得到第一非相關(guān)集合特征值矩陣及對應(yīng)的非相關(guān)集合特征向量矩陣；分別對所述第一相關(guān)集合特征值矩陣及第一非相關(guān)集合特征值矩陣進行正則化處理，得到第二相關(guān)集合特征值矩陣及第二非相關(guān)集合特征值矩陣；根據(jù)所述第二相關(guān)集合特征值矩陣及相關(guān)集合特征向量矩陣計算獲得第二相關(guān)集合協(xié)方差矩陣，根據(jù)所述第二非相關(guān)集合特征值矩陣及非相關(guān)集合特征向量矩陣計算獲得第二非相關(guān)集合協(xié)方差矩陣。進一步地，在上述方法中，分別對所述第一相關(guān)集合特征值矩陣及第一非相關(guān)集合特征值矩陣進行正則化處理，得到第二相關(guān)集合特征值矩陣及第二非相關(guān)集合特征值矩陣的步驟，包括：分別將所述第一相關(guān)集合特征值矩陣中的特征值及所述第一非相關(guān)集合特征值矩陣中的特征值劃分為多個區(qū)間；針對每個區(qū)間分別對所述第一相關(guān)集合特征值矩陣中的特征值及所述第一非相關(guān)集合特征值矩陣中的特征值進行相應(yīng)的正則化處理，得到第二相關(guān)集合特征值矩陣及第二非相關(guān)集合特征值矩陣。進一步地，在上述方法中，分別將所述第一相關(guān)集合特征值矩陣中的特征值及所述第一非相關(guān)集合特征值矩陣中的特征值劃分為多個區(qū)間的步驟，包括：分別根據(jù)所述第一相關(guān)集合特征值矩陣中特征值的大小及所述第一非相關(guān)集合特征值矩陣中特征值的大小計算獲得特征值分界點；根據(jù)所述特征值分界點分別將分別所述第一相關(guān)集合特征值矩陣中特征值及所述第一非相關(guān)集合特征值矩陣的特征值劃分為大特征值區(qū)間、小特征值區(qū)間及噪聲區(qū)間。進一步地，在上述方法中，對特征值進行相應(yīng)的正則化處理的步驟，包括：對所述大特征值區(qū)間中的特征值采用抑制特征值的正則化處理；對所述小特征值區(qū)間中的特征值采用提高特征值的正則化處理；對所述噪聲區(qū)間中的特征值采用平滑處理。本發(fā)明的另一目的在于提供一種行人相似度計算裝置，應(yīng)用于數(shù)據(jù)處理設(shè)備，所述裝置包括：獲取模塊，用于獲取相關(guān)行人對集合及非相關(guān)行人對集合中行人對的圖像特征，其中，所述相關(guān)行人對集合中包括多個具有相關(guān)關(guān)系的行人對，所述非相關(guān)行人對集合中包括多個不具有相關(guān)關(guān)系的行人對；協(xié)方差矩陣計算模塊，用于分別根據(jù)所述相關(guān)行人對集合及非相關(guān)行人對集合中行人對的圖像特征，計算獲得第一相關(guān)集合協(xié)方差矩陣及第一非相關(guān)集合協(xié)方差矩陣；正則化模塊，用于分別對所述第一相關(guān)集合協(xié)方差矩陣及第一非相關(guān)集合協(xié)方差矩陣進行正則化處理，獲得第二相關(guān)集合協(xié)方差矩陣及第二非相關(guān)集合協(xié)方差矩陣；測度矩陣計算模塊，用于根據(jù)所述第二相關(guān)集合協(xié)方差矩陣及第二非相關(guān)集合協(xié)方差矩陣計算獲得測度矩陣；相似度計算模塊，用于根據(jù)所述測度矩陣及待分析行人對的圖像特征，計算得到該待分析行人對的相似度。進一步地，在上述裝置中，所述正則化模塊包括：分解子模塊，用于對所述第一相關(guān)集合協(xié)方差矩陣進行分解，得到第一相關(guān)集合特征值矩陣及對應(yīng)的相關(guān)集合特征向量矩陣，對所述第一非相關(guān)集合協(xié)方差矩陣進行分解，得到第一非相關(guān)集合特征值矩陣及對應(yīng)的非相關(guān)集合特征向量矩陣；正則化處理子模塊，用于分別對所述第一相關(guān)集合特征值矩陣及第一非相關(guān)集合特征值矩陣進行正則化處理，得到第二相關(guān)集合特征值矩陣及第二非相關(guān)集合特征值矩陣；合成子模塊，用于根據(jù)所述第二相關(guān)集合特征值矩陣及相關(guān)集合特征向量矩陣計算獲得第二相關(guān)集合協(xié)方差矩陣，根據(jù)所述第二非相關(guān)集合特征值矩陣及非相關(guān)集合特征向量矩陣計算獲得第二非相關(guān)集合協(xié)方差矩陣。進一步地，在上述裝置中，正則化處理子模塊進行正則化處理的方式，包括：分別將所述第一相關(guān)集合特征值矩陣中的特征值及所述第一非相關(guān)集合特征值矩陣中的特征值劃分為多個區(qū)間；針對每個區(qū)間分別對所述第一相關(guān)集合特征值矩陣中的特征值及所述第一非相關(guān)集合特征值矩陣中的特征值進行相應(yīng)的正則化處理，得到第二相關(guān)集合特征值矩陣及第二非相關(guān)集合特征值矩陣。進一步地，在上述裝置中，所述正則化處理子模塊分割特征值區(qū)間的方式，包括：分別根據(jù)所述第一相關(guān)集合特征值矩陣中特征值的大小及所述第一非相關(guān)集合特征值矩陣中特征值的大小計算獲得特征值分界點；根據(jù)所述特征值分界點分別將分別所述第一相關(guān)集合特征值矩陣中特征值及所述第一非相關(guān)集合特征值矩陣的特征值劃分為大特征值區(qū)間、小特征值區(qū)間及噪聲區(qū)間。進一步地，在上述裝置中，所述正則化處理子模塊進行相應(yīng)的正則化處理的方式，包括：對所述大特征值區(qū)間中的特征值采用抑制特征值的正則化處理；對所述小特征值區(qū)間中的特征值采用提高特征值的正則化處理；對所述噪聲區(qū)間中的特征值采用平滑處理。相對于現(xiàn)有技術(shù)而言，本發(fā)明具有以下有益效果：本發(fā)明提供的行人相似度計算方法及裝置，對相關(guān)行人和非相關(guān)行人的兩個協(xié)方差矩陣特征值分解后，對其特征值進行平滑和優(yōu)化，得到正則化后的測度矩陣，根據(jù)得出的測度矩陣進行行人相似度的計算。少量的訓(xùn)練樣本時可以有效抑制識別計算過程中的過度擬合。附圖說明為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對實施例中所需要使用的附圖作簡單地介紹，應(yīng)當理解，以下附圖僅示出了本發(fā)明的某些實施例，因此不應(yīng)被看作是對范圍的限定，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他相關(guān)的附圖。圖1為本發(fā)明實施例提供的數(shù)據(jù)處理設(shè)備的示意圖；圖2為本發(fā)明實施例提供的行人相似度計算方法的步驟流程示意圖；圖3為本發(fā)明圖2所示步驟s130的子步驟流程示意圖；圖4為本發(fā)明實施例提供的行人相似度計算裝置的示意圖；圖5為本發(fā)明圖4所示正則化模塊的子模塊示意圖。圖標：100-數(shù)據(jù)處理設(shè)備；110-行人相似度計算裝置；111-獲取模塊；112-協(xié)方差矩陣計算模塊；113-正則化模塊；1131-分解子模塊；1132-正則化處理子模塊；1133-合成子模塊；114-測度矩陣計算模塊；115-相似度計算模塊；120-存儲器；130-處理器。具體實施方式為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。通常在此處附圖中描述和示出的本發(fā)明實施例的組件可以以各種不同的配置來布置和設(shè)計。因此，以下對在附圖中提供的本發(fā)明的實施例的詳細描述并非旨在限制要求保護的本發(fā)明的范圍，而是僅僅表示本發(fā)明的選定實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。應(yīng)注意到：相似的標號和字母在下面的附圖中表示類似項，因此，一旦某一項在一個附圖中被定義，則在隨后的附圖中不需要對其進行進一步定義和解釋。在本發(fā)明的描述中，需要說明的是，術(shù)語“第一”、“第二”、“第三”等僅用于區(qū)分描述，而不能理解為指示或暗示相對重要性。在本發(fā)明的描述中，還需要說明的是，除非另有明確的規(guī)定和限定，術(shù)語“設(shè)置”、“安裝”、“相連”、“連接”應(yīng)做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或一體地連接；可以是機械連接，也可以是電連接；可以是直接相連，也可以通過中間媒介間接相連，可以是兩個元件內(nèi)部的連通。對于本領(lǐng)域的普通技術(shù)人員而言，可以具體情況理解上述術(shù)語在本發(fā)明中的具體含義。請參照圖1，圖1為本實施例提供的一種數(shù)據(jù)處理設(shè)備100的示意圖。所述數(shù)據(jù)處理設(shè)備100包括行人相似度計算裝置110、存儲器120及處理器130。所述存儲器120及處理器130各元件相互之間直接或間接地電性連接，以實現(xiàn)數(shù)據(jù)的傳輸或交互。例如，這些元件相互之間可通過一條或多條通訊總線或信號線實現(xiàn)電性連接。所述行人相似度計算裝置110包括至少一個可以軟件或固件(firmware)的形式存儲于所述存儲器120中或固化在所述數(shù)據(jù)處理設(shè)備100的操作系統(tǒng)(operatingsystem，os)中的軟件功能模塊。所述處理器130用于執(zhí)行所述存儲器120中存儲的可執(zhí)行模塊，例如所述行人相似度計算裝置110所包括的軟件功能模塊及計算機程序等。其中，所述存儲器120可以是，但不限于，隨機存取存儲器(randomaccessmemory，ram)，只讀存儲器(readonlymemory，rom)，可編程只讀存儲器(programmableread-onlymemory，prom)，可擦除只讀存儲器(erasableprogrammableread-onlymemory，eprom)，電可擦除只讀存儲器(electricerasableprogrammableread-onlymemory，eeprom)等。其中，存儲器120用于存儲程序，所述處理器130在接收到執(zhí)行指令后，執(zhí)行所述程序。所述處理器130可能是一種集成電路芯片，具有信號的處理能力。上述的處理器可以是通用處理器，包括中央處理器(centralprocessingunit，cpu)、網(wǎng)絡(luò)處理器(networkprocessor，np)等；還可以是數(shù)字信號處理器(dsp))、專用集成電路(asic)、現(xiàn)場可編程門陣列(fpga)或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件。可以實現(xiàn)或者執(zhí)行本發(fā)明實施例中的公開的各方法、步驟及邏輯框圖。通用處理器可以是微處理器或者該處理器也可以是任何常規(guī)的處理器等。請參照圖2，圖2為應(yīng)用于圖1所示的數(shù)據(jù)處理設(shè)備100的一種行人相似度計算方法的流程圖，以下將對所述方法包括各個步驟進行詳細闡述。步驟s110，獲取相關(guān)行人對集合及非相關(guān)行人對集合中行人對的圖像特征，其中，所述相關(guān)行人對集合中包括多個具有相關(guān)關(guān)系的行人對，所述非相關(guān)行人對集合中包括多個不具有相關(guān)關(guān)系的行人對。在本實施例中，所述數(shù)據(jù)處理設(shè)備100記所述相關(guān)行人對集合為s，集合s中包括多個具有相關(guān)關(guān)系的行人對(i,j)。記所述非相關(guān)新人對集合為d，集合d中包括多個不具有相關(guān)關(guān)系的行人對(i,j)。獲取集合s及集合d中行人對的圖像特征，其中，行人對(i,j)的圖像特征可以記為(xi,xj)。步驟s120，分別根據(jù)所述相關(guān)行人對集合及非相關(guān)行人對集合中行人對的圖像特征，計算獲得第一相關(guān)集合協(xié)方差矩陣及第一非相關(guān)集合協(xié)方差矩陣。在本實施例中，記所述第一相關(guān)集合協(xié)方差矩陣為σs，記所述第一非相關(guān)集合協(xié)方差矩陣為σd，所述數(shù)據(jù)處理設(shè)備100計算σs及σd的步驟如下：步驟s130，分別對所述第一相關(guān)集合協(xié)方差矩陣及第一非相關(guān)集合協(xié)方差矩陣進行正則化處理，獲得第二相關(guān)集合協(xié)方差矩陣及第二非相關(guān)集合協(xié)方差矩陣。請參照圖3，在本實施例中，步驟s130可以包括子步驟s131、子步驟s132及子步驟s133，下面對這些子步驟進行詳細闡述。子步驟s131，對所述第一相關(guān)集合協(xié)方差矩陣進行分解，得到第一相關(guān)集合特征值矩陣及對應(yīng)的相關(guān)集合特征向量矩陣，對所述第一非相關(guān)集合協(xié)方差矩陣進行分解，得到第一非相關(guān)集合特征值矩陣及對應(yīng)的非相關(guān)集合特征向量矩陣。在步驟中，以σs為例解釋正則化處理的步驟，對σd的處理請參照對σs，在本實施例中不在贅述。對σs進行分解可得:σs＝ψλψt其中，其中λ＝diag(λ1,λ2,λ3,…,λd)為σs的第一相關(guān)集合特征值矩陣，其中，特征值從大到小排列。ψ為與λ對應(yīng)的相關(guān)集合特征向量矩陣。子步驟s132，分別對所述第一相關(guān)集合特征值矩陣及第一非相關(guān)集合特征值矩陣進行正則化處理，得到第二相關(guān)集合特征值矩陣及第二非相關(guān)集合特征值矩陣。在本實施例中，所述數(shù)據(jù)處理設(shè)備100先分別將所述第一相關(guān)集合特征值矩陣中的特征值及所述第一非相關(guān)集合特征值矩陣中的特征值劃分為多個區(qū)間。所述多個取件包括劃分為大特征值區(qū)間p、小特征值區(qū)間l及噪聲區(qū)間n。即，其中，p及q為預(yù)先確定的特征值分界點。具體地，所述數(shù)據(jù)處理設(shè)備100分別根據(jù)所述第一相關(guān)集合特征值矩陣中特征值的大小及所述第一非相關(guān)集合特征值矩陣中特征值的大小計算獲得特征值分界點。在本實施例中，所述分界點包括p和q，p和q的計算步驟如下：q＝max{q|λq<(λmed-(λp-λmed))}其中，其中η為一能量比例參數(shù)，在本實施例中，η的值可以設(shè)置為0.8。為p區(qū)間特征值和所占所有特征值和的比例。λmed為所有特征值的中位數(shù)。計算得到所述特征值分界點后，所述數(shù)據(jù)處理設(shè)備100根據(jù)所述特征值分界點分別將所述第一相關(guān)集合特征值矩陣中特征值及所述第一非相關(guān)集合特征值矩陣的特征值劃分為大特征值區(qū)間p、小特征值區(qū)間l及噪聲區(qū)間n。劃分出特征值區(qū)間后，所述數(shù)據(jù)處理設(shè)備100針對每個區(qū)間分別對所述第一相關(guān)集合特征值矩陣中的特征值及所述第一非相關(guān)集合特征值矩陣中的特征值進行相應(yīng)的正則化處理，得到第二相關(guān)集合特征值矩陣及第二非相關(guān)集合特征值矩陣。具體地，由于倒數(shù)函數(shù)能夠較好得擬合協(xié)方差特征值的分布曲線，在本實施例中，采用三個參數(shù)的倒數(shù)函數(shù)模型來進行特征值的處理，記處理后的特征值為λt，其計算公式如下：其中，α，β，γ均為常數(shù)。為了確定這三個常數(shù)，在本實施例中入了λ1＝λ1，λp＝λp和λq＝λq。其中，通過三個方程可以解得三個未知數(shù)α，β和γ，計算步驟如下：由于在缺乏足夠可靠的訓(xùn)練樣本時，獲得的協(xié)方差矩陣中的大特征值相對于真實特征值會偏大，而較小的特征值相對于真實特征值會偏小。故在本實施例中，對于不同的子區(qū)間的特征值采用不同的方法進行如下正則化處理：對所述大特征值區(qū)間中的特征值采用抑制特征值的正則化處理；對所述小特征值區(qū)間中的特征值采用提高特征值的正則化處理；對所述噪聲區(qū)間中的特征值采用平滑處理。即，適當抑制p區(qū)間中大特征值，同時提高l區(qū)間中較小特征值的影響，對于n區(qū)間，由于其對于噪聲十分敏感，所以只進行了平滑處理。對三個區(qū)間進行處理的方式如下:其中，a和b為正則化的參數(shù)。正則化處理后得到第二相關(guān)集合特征值矩陣λ。根據(jù)發(fā)明人大量的實踐研究發(fā)現(xiàn)，在a的取值為0.05，b的取值為0.05時，正則化處理的效果最佳。子步驟s133，根據(jù)所述第二相關(guān)集合特征值矩陣及相關(guān)集合特征向量矩陣計算獲得第二相關(guān)集合協(xié)方差矩陣，根據(jù)所述第二非相關(guān)集合特征值矩陣及非相關(guān)集合特征向量矩陣計算獲得第二非相關(guān)集合協(xié)方差矩陣。根據(jù)所述相關(guān)集合特征向量矩陣ψ及第二相關(guān)集合特征值矩陣λ計算的到第二相關(guān)集合協(xié)方差矩陣，記所述第二相關(guān)集合協(xié)方差矩陣為σs，其計算公式為：σs＝ψλψt同理，在本步驟對所述第一非相關(guān)集合協(xié)方差矩陣為σd進行正則化處理得到所述第二非相關(guān)集合協(xié)方差矩陣為σd。步驟s140，根據(jù)所述第二相關(guān)集合協(xié)方差矩陣及第二非相關(guān)集合協(xié)方差矩陣計算獲得測度矩陣。根據(jù)上述步驟，所述數(shù)據(jù)處理設(shè)備100計算得到所述測距舉證步驟s150，根據(jù)所述測度矩陣及待分析行人對的圖像特征，計算得到該待分析行人對的相似度。根據(jù)kissme的算法,行人對(i,j)之間的相似關(guān)系可以表示為：其中，p0(i,j)為一行人對(i,j)屬于相關(guān)行人對的概率，p1(i,j)表示行人對(i,j)不屬于相關(guān)行人的概率。δ(i,j)越小則對應(yīng)行人對屬于相關(guān)行人對的概率越小。帶入行人對(i,j)的圖像特征后可得：由于相關(guān)和不相關(guān)在行人對在特征差空間服從于均值0，協(xié)方差分別為第一相關(guān)集合協(xié)方差矩陣為σs和第一非相關(guān)集合協(xié)方差矩陣為σd的多維正態(tài)分布，于是可以得到：將p0(i,j)及p1(i,j)帶入δ(xi,xj)可得：由于常數(shù)項對于最后的結(jié)果沒有影響，(7)式可以化簡為：上述公式可以看成是馬氏距離的度量，由此可以得到測度矩陣m：將步驟s130中經(jīng)正則化處理后的測度矩陣帶入，可得行人的相關(guān)度為：dij＝(xi-xj)tm(xi-xj)請參照圖4，本實施例還提供一種應(yīng)用于圖1所示數(shù)據(jù)處理設(shè)備100的行人相似度計算裝置110，所述裝置包括獲取模塊111、協(xié)方差矩陣計算模塊112、正則化模塊113、測度矩陣計算模塊114及相似度計算模塊115。獲取模塊111，用于獲取相關(guān)行人對集合及非相關(guān)行人對集合中行人對的圖像特征，其中，所述相關(guān)行人對集合中包括多個具有相關(guān)關(guān)系的行人對，所述非相關(guān)行人對集合中包括多個不具有相關(guān)關(guān)系的行人對。本實施例中，所述獲取模塊111可用于執(zhí)行圖2所示的步驟s110，關(guān)于所述獲取模塊111的具體描述可參對所述步驟s110的描述。協(xié)方差矩陣計算模塊112，用于分別根據(jù)所述相關(guān)行人對集合及非相關(guān)行人對集合中行人對的圖像特征，計算獲得第一相關(guān)集合協(xié)方差矩陣及第一非相關(guān)集合協(xié)方差矩陣。本實施例中，所述協(xié)方差矩陣計算模塊112可用于執(zhí)行圖2所示的步驟s120，關(guān)于所述協(xié)方差矩陣計算模塊112的具體描述可參對所述步驟s120的描述。所述正則化模塊113，用于分別對所述第一相關(guān)集合協(xié)方差矩陣及第一非相關(guān)集合協(xié)方差矩陣進行正則化處理，獲得第二相關(guān)集合協(xié)方差矩陣及第二非相關(guān)集合協(xié)方差矩陣。本實施例中，所述正則化模塊113可用于執(zhí)行圖2所示的步驟s130，關(guān)于所述正則化模塊113的具體描述可參對所述步驟s130的描述。請參照圖5，進一步地，在本實施例中，所述正則化模塊113包括分解子模塊1131、正則化處理子模塊1132及合成子模塊1133。所述分解子模塊1131，用于對所述第一相關(guān)集合協(xié)方差矩陣進行分解，得到第一相關(guān)集合特征值矩陣及對應(yīng)的相關(guān)集合特征向量矩陣，對所述第一非相關(guān)集合協(xié)方差矩陣進行分解，得到第一非相關(guān)集合特征值矩陣及對應(yīng)的非相關(guān)集合特征向量矩陣。本實施例中，所述分解子模塊1131可用于執(zhí)行圖3所示的子步驟s131，關(guān)于所述分解子模塊1131的具體描述可參對所述子步驟s131的描述。所述正則化處理子模塊1132，用于分別對所述第一相關(guān)集合特征值矩陣及第一非相關(guān)集合特征值矩陣進行正則化處理，得到第二相關(guān)集合特征值矩陣及第二非相關(guān)集合特征值矩陣。本實施例中，所述正則化處理子模塊1132可用于執(zhí)行圖3所示的子步驟s132，關(guān)于所述正則化處理子模塊1132的具體描述可參對所述子步驟s132的描述。進一步地，在本實施例中，正則化處理子模塊1132進行正則化處理的方式，包括：分別將所述第一相關(guān)集合特征值矩陣中的特征值及所述第一非相關(guān)集合特征值矩陣中的特征值劃分為多個區(qū)間；針對每個區(qū)間分別對所述第一相關(guān)集合特征值矩陣中的特征值及所述第一非相關(guān)集合特征值矩陣中的特征值進行相應(yīng)的正則化處理，得到第二相關(guān)集合特征值矩陣及第二非相關(guān)集合特征值矩陣。進一步地，在本實施例中，所述正則化處理子模塊1132分割特征值區(qū)間的方式，包括：分別根據(jù)所述第一相關(guān)集合特征值矩陣中特征值的大小及所述第一非相關(guān)集合特征值矩陣中特征值的大小計算獲得特征值分界點；根據(jù)所述特征值分界點分別將分別所述第一相關(guān)集合特征值矩陣中特征值及所述第一非相關(guān)集合特征值矩陣的特征值劃分為大特征值區(qū)間、小特征值區(qū)間及噪聲區(qū)間。進一步地，在本實施例中，所述正則化處理子模塊1132進行相應(yīng)的正則化處理的方式，包括：對所述大特征值區(qū)間中的特征值采用抑制特征值的正則化處理；對所述小特征值區(qū)間中的特征值采用提高特征值的正則化處理；對所述噪聲區(qū)間中的特征值采用平滑處理。所述合成子模塊1133，用于根據(jù)所述第二相關(guān)集合特征值矩陣及相關(guān)集合特征向量矩陣計算獲得第二相關(guān)集合協(xié)方差矩陣，根據(jù)所述第二非相關(guān)集合特征值矩陣及非相關(guān)集合特征向量矩陣計算獲得第二非相關(guān)集合協(xié)方差矩陣。本實施例中，所述合成子模塊1133可用于執(zhí)行圖3所示的子步驟s133，關(guān)于所述合成子模塊1133的具體描述可參對所述子步驟s133的描述。所述測度矩陣計算模塊114，用于根據(jù)所述第二相關(guān)集合協(xié)方差矩陣及第二非相關(guān)集合協(xié)方差矩陣計算獲得測度矩陣。本實施例中，所述測度矩陣計算模塊114可用于執(zhí)行圖2所示的步驟s140，關(guān)于所述測度矩陣計算模塊114的具體描述可參對所述步驟s140的描述。所述相似度計算模塊115，用于根據(jù)所述測度矩陣及待分析行人對的圖像特征，計算得到該待分析行人對的相似度。本實施例中，所述相似度計算模塊115可用于執(zhí)行圖2所示的步驟s150，關(guān)于所述相似度計算模塊115的具體描述可參對所述步驟s150的描述?；谏鲜鲈O(shè)計，本實施例提供的方法及裝置在計算效果上性能更加優(yōu)秀。下面以viper數(shù)據(jù)集進行實驗的結(jié)果為例說明本實施例提供的方法。viper是行人重識別問題最主要的數(shù)據(jù)集，大多數(shù)行人重識別算法都在該數(shù)據(jù)集下進行比較，所以在該數(shù)據(jù)集下進行了多種實驗來證明算法的有效性和先進性。在viper中有1264幅圖像，總共632位行人。每一張圖像都已經(jīng)被人為剪裁為128×48像素大小的圖片。為了驗證提出的算法優(yōu)于原算法以及其他正則化方法，本文算法與kissme及re_kiss進行了比較，re_kiss算法是對kissme算法進行正則化的算法。與本實施例不同的是re_kiss算法思想是對于協(xié)方差矩陣進行特征值分解，在特征值較小的區(qū)域取平均值代替其原有特征值，并將得到的特征值與單位陣做加權(quán)平均。由于不同數(shù)量的訓(xùn)練樣本的會存在不同程度的過擬合現(xiàn)象，所以l值選取316和532來分別進行比較。3種算法在viper的結(jié)果如表1所示：表1從表1中可以看出，本實施例提供的方法可以有效得提高行人重識別的精度。在rank1，提出的算法與原算法比較，不同數(shù)量訓(xùn)練樣本l＝316和l＝532性能上分別提高了4％和11％，且在rank10，rank25和rank50的匹配率中，均有明顯的改善。當l＝532時候，即只有少量的訓(xùn)練樣本，過擬合現(xiàn)象十分嚴重，這就導(dǎo)致了其識別效果明顯低于l＝316時的情況，在實際情況中通過正則化方法提高識別精度就變得尤為重要。而在樣本較少的情況下，本文提出的算法對于kissme算法性能的提升效果更為明顯。和re_kiss算法相比，特別是l＝532,對于過擬合的抑制效果顯著優(yōu)于re_kiss算法。為了驗證本實施例提供的方法的優(yōu)越性，將本實施例提供的方法與當前主流的行人重識別算法進行了比較，包括歐式距離，kissme，lmnn，prdc，itml，cvdwa和rpcca。同樣對于l的取值為316和532。各個算法的結(jié)果如表2所示：表2從表2中可以看出，在兩個測試集規(guī)模下，每一個rank等級的正確率均優(yōu)于目前主流的算法，說明了算法在實際應(yīng)用中具有良好的識別精度。注意到當l＝532，即訓(xùn)練樣本數(shù)量過少時，目前主流的算法識別精度都收了很大影響，而此時本實施例提供的方法不同rank等級的正確率優(yōu)勢體現(xiàn)的更為明顯。充分說明了本實施例提供的方法對于訓(xùn)練樣本不足產(chǎn)生的過擬合起到了很好的效果。下面以cuhk01數(shù)據(jù)集進行實驗的結(jié)果為例說明本實施例提供的方法。cuhk01中由3884幅圖像共971個行人組成。每個行人包含了四幅圖像，前兩幅圖像是攝像頭a拍攝一行人前后的圖像，后兩幅圖像是攝像頭b拍攝同一行人側(cè)面的圖像，從前兩幅中隨機選取一張，同時從后兩幅圖像中選取一張，從而構(gòu)成相關(guān)行人對。同時將圖像的大小調(diào)整為128×48像素。在本實施例中測試集為485對行人圖像，訓(xùn)練集為486對行人圖像。從表4中可以看出，本實施例提供的算法，性能在cuhk01數(shù)據(jù)集上均優(yōu)于kissme算法，在rank1中匹配率提高了5％。表4算法151020kissme16.5935.7346.4956.19proposed21.1541.5648.2763.07綜上所述，本發(fā)明提供的行人相似度計算方法及裝置，對相關(guān)行人和非相關(guān)行人的兩個協(xié)方差矩陣特征值分解后，對其特征值進行平滑和優(yōu)化，得到正則化后的測度矩陣，根據(jù)得出的測度矩陣進行行人相似度的計算。少量的訓(xùn)練樣本時可以有效抑制識別計算過程中的過度擬合。在本申請所提供的實施例中，應(yīng)該理解到，所揭露的裝置和方法，也可以通過其它的方式實現(xiàn)。以上所描述的裝置實施例僅僅是示意性的，例如，附圖中的流程圖和框圖顯示了根據(jù)本發(fā)明的多個實施例的裝置、方法和計算機程序產(chǎn)品的可能實現(xiàn)的體系架構(gòu)、功能和操作。在這點上，流程圖或框圖中的每個方框可以代表一個模塊、程序段或代碼的一部分，所述模塊、程序段或代碼的一部分包含一個或多個用于實現(xiàn)規(guī)定的邏輯功能的可執(zhí)行指令。也應(yīng)當注意，在有些作為替換的實現(xiàn)方式中，方框中所標注的功能也可以以不同于附圖中所標注的順序發(fā)生。例如，兩個連續(xù)的方框?qū)嶋H上可以基本并行地執(zhí)行，它們有時也可以按相反的順序執(zhí)行，這依所涉及的功能而定。也要注意的是，框圖和/或流程圖中的每個方框、以及框圖和/或流程圖中的方框的組合，可以用執(zhí)行規(guī)定的功能或動作的專用的基于硬件的系統(tǒng)來實現(xiàn)，或者可以用專用硬件與計算機指令的組合來實現(xiàn)。另外，在本發(fā)明各個實施例中的各功能模塊可以集成在一起形成一個獨立的部分，也可以是各個模塊單獨存在，也可以兩個或兩個以上模塊集成形成一個獨立的部分。所述功能如果以軟件功能模塊的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設(shè)備(可以是個人計算機，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：u盤、移動硬盤、只讀存儲器(rom，read-onlymemory)、隨機存取存儲器(ram，randomaccessmemory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本
技術(shù)領(lǐng)域：
的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)所述以權(quán)利要求的保護范圍為準。當前第1頁12