基于特征融合及子空间学习的行人再识别

摘要：

改进多核全监督子空间学习(multi-kernel fully-supervised subspace learning,MKFSL)行人再识别算法,以提高带标签样本的有限可用性.在特征提取时,串联融合局部最大概率(local maximal occurrence,LOMO)特征和高斯块的高斯区域(Gaussian region of Gaussian patch,GOG)描述符,以获得具有鲁棒性的特征;在度量学习时,采用全监督子空间学习方法,以获取判别式投影.在VIPeR和PRID450s两种数据集上的实验结果表明,改进算法比原算法的1级匹配率可分别提高1.7％和2.7％.

关键词：行人再识别、特征提取、子空间学习

所属期刊栏目：24

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目61571361,61102095;陕西省国际合作交流计划资助项目2017KW-013;西安邮电大学研究生创新基金资助项目CXJJLY2018040

在线出版日期：2019-07-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：35-39