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%。