融合BOW模型的多特征子空间行人重识别算法

doi:10.3778/j.issn.1002-8331.1808-0203

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (18): 146-150.DOI: 10.3778/j.issn.1002-8331.1808-0203

融合BOW模型的多特征子空间行人重识别算法

朱小波，车进

1.宁夏大学物理与电子电气工程学院，银川 750021
2.宁夏沙漠信息智能感知重点实验室（宁夏大学），银川 750021

出版日期:2019-09-15 发布日期:2019-09-11

Multi-Feature Subspace Person Re-Identification Based on BOW Model

ZHU Xiaobo, CHE Jin

1.School of Physics and Electronic-Electrical Engineeing, Ningxia University, Yinchuan 750021, China
2.Ningxia Key Laboratory of Intelligent Sensing for Desert Information（Ningxia University）, Yinchuan 750021, China

Online:2019-09-15 Published:2019-09-11

摘要/Abstract

摘要： 针对目前行人重识别算法在目标外观特征和度量算法方面的问题，提出一种融合BOW模型的多特征子空间行人重识别算法。在行人图像上采用2-D高斯模板将图像背景弱化，然后提取BOW特征描述子和YUV+HSV颜色特征描述子，并将其融合组成最终的特征描述子。在相似性度量方面，采用在原始特征空间学习一个子空间，并在该子空间学习测度矩阵的方法进行相似性度量。在VIPeR和CUHK01两个数据集上的实验结果表明，提出的算法能够明显地提高行人重识别率。

关键词: BOW模型, 子空间, 背景弱化, 行人重识别

Abstract: Aiming at the problems of current person re-identification in the target appearance characteristics and measurement algorithm, a multi-feature subspace person re-identification based on BOW model is proposed. The 2-D Gaussian template is used to weaken the image background on the person image. The BOW feature descriptor and the YUV+HSV color feature descriptor are extracted and fused to form the final feature descriptor. In the similarity measure, the similarity measure is performed by learning a subspace in the original feature space and learning the measure matrix in the subspace. The experimental results on the two datasets of VIPeR and CUHK01 show that the proposed algorithm can significantly improve the person re-identification rate.

Key words: BOW model, subspace, weaken the image background, person re-identification

朱小波，车进. 融合BOW模型的多特征子空间行人重识别算法[J]. 计算机工程与应用, 2019, 55(18): 146-150.

ZHU Xiaobo, CHE Jin. Multi-Feature Subspace Person Re-Identification Based on BOW Model[J]. Computer Engineering and Applications, 2019, 55(18): 146-150.

[1]	桑江徽，姜海燕. 基于联合分布的多标记迁移学习[J]. 计算机工程与应用, 2021, 57(9): 154-161.
[2]	石正宇，陈仁文，黄斌. 基于自归一化神经网络的低分辨率人脸识别[J]. 计算机工程与应用, 2021, 57(3): 137-143.
[3]	肖雅妮，范馨月，陈文峰. 多分支融合局部特征的行人重识别算法[J]. 计算机工程与应用, 2021, 57(18): 213-219.
[4]	马洋，赵旭俊. 基于相关子空间的多源离群检测算法[J]. 计算机工程与应用, 2021, 57(17): 88-95.
[5]	胡月琳，蔡晓东，刘玉柱. 结合域间与域内变化的跨域行人重识别算法[J]. 计算机工程与应用, 2021, 57(13): 212-217.
[6]	胡文涛，陈秀宏. 基于局部保持投影的鲁棒稀疏子空间学习[J]. 计算机工程与应用, 2021, 57(10): 194-199.
[7]	董艳花，张树美，赵俊莉. 有遮挡人脸识别方法综述[J]. 计算机工程与应用, 2020, 56(9): 1-12.
[8]	曹军博，叶霞，许飞翔，尹列东. 改进的CBOW情感信息获取研究[J]. 计算机工程与应用, 2020, 56(9): 142-147.
[9]	王雨思，路德杨，李海洋. 基于分式函数约束的稀疏子空间聚类方法[J]. 计算机工程与应用, 2020, 56(7): 39-47.
[10]	王义武，杨余旺. 空间投影在K-means算法中的研究与应用[J]. 计算机工程与应用, 2020, 56(7): 200-204.
[11]	徐思敏，胡士强. 多属性融合网络的行人重识别方法[J]. 计算机工程与应用, 2020, 56(6): 126-132.
[12]	郑毅，马盈仓，杨小飞，续秋霞. 基于[k]-近邻与局部相似度的稀疏子空间聚类[J]. 计算机工程与应用, 2020, 56(4): 99-108.
[13]	金闳奇，陈新度，吴磊. 结合随机子空间和级联残差网络的缺陷检测[J]. 计算机工程与应用, 2020, 56(23): 265-269.
[14]	朱丹，陈晓红，吴卿源，李舜酩. 自适应图学习诱导的子空间聚类[J]. 计算机工程与应用, 2020, 56(21): 30-37.
[15]	项俊，林染染，黄子源，侯建华. 时域模型对视频行人重识别性能影响的研究[J]. 计算机工程与应用, 2020, 56(20): 152-157.

融合BOW模型的多特征子空间行人重识别算法

Multi-Feature Subspace Person Re-Identification Based on BOW Model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics