[发明专利]一种基于自适应共享小生境进化算法的行人再识别方法

摘要

本发明公开了基于自适应共享小生境进化算法的行人再识别方法，包括以下步骤：(1)设计自适应共享小生境：(2)设计基于自适应共享小生境的进化算法，该算法根据自适应共享小生境技术设计进化算子和适应值函数，并通过合理设置参数，人为控制搜索方向，以及维持种群多样性等手段改善传统进化算法；(3)将基于自适应共享小生境进化算法应用于行人再识别问题，优化特征选择与提取过程，指导相似性度量方法的设计，提升行人再识别的准确度。本发明解决了传统进化算法存在的收敛速度慢和易早熟两大缺陷，并在很大程度上提升了行人再识别的准确度。

主权项

1.一种基于自适应共享小生境进化算法的行人再识别方法，其特征在于，包括以下步骤：(1)设计自适应共享小生境：(1‑1)随机生成初始种群，计算每个个体的适应值F_a，其中，a＝1,2,…,M，M是初始种群个体的数量；(1‑2)将种群分成p个聚类，采用比例选择方法从当前种群中选取N个个体，其中，N<M，p值随机产生；(1‑3)使用单点交叉和基本位变异的方法，从每个聚类中随机选取个体进行交叉和变异，产生新个体，直到种群规模达到N为止；(1‑4)重复上述步骤直到达到设定的收敛条件；当前种群的聚类中心即为极值点的集合；(2)设计基于自适应共享小生境的进化算法，所述进化算法包括：(2‑1)采用以下映射函数初始化种群：τ_n表示当前已经生成的个体的值，τ_n+1表示接下来要生成计算的个体的值，n为正整数；(3)首先应用步骤(2)得到的基于自适应共享小生境的进化算法对行人图像进行颜色不变性处理，再对行人图像进行自适应图像分割，分割成不同的区域；然后学习距离函数；对行人图像对进行匹配，得到行人再识别结果；所述自适应图像分割包括以下步骤：(3‑2‑1)计算行人图像的每个像素点的能量值，根据能量值分布情况，将所有像素点分成m个区间，抛掉像素点个数过少的区间，从剩余的k个区间中各选择一个像素点，作为初始聚类中心：k≤m；f是待处理的图像，e(x,y)是待处理的图像中的像素点(x,y)的能量值，grad()为梯度计算函数；(3‑2‑2)使用欧氏距离计算行人图像的每个像素点到k个聚类中心点的距离，将其分配给距离最近的中心点，从而将所有点归属成k个聚类：对于待处理的图像中的任意像素点p和q，其欧氏距离为：D(p,q)＝|e_p‑e_q|D(p,q)表示像素点p和q之间的距离，通过两个像素点能量差的方式计算得到，e_p和e_q分别表示像素点p和q的能量值；(3‑2‑3)使用下述公式作为步骤(2)的进化算法的适应度函数，重新计算每个聚类的中心点：C_v表示第v个聚类,e_p是聚类C_v中的像素点p的能量值，M_v是聚类C_v.中所有像素点能量值的平均数；w^t为惩罚因子；(3‑2‑4)重复步骤(3‑2‑2)～(3‑2‑3)，直至收敛；所述学习距离函数包括以下步骤：(3‑3‑1)学习距离函数，采用进化算法进行迭代优化得到A，B，W以及z的具体值：F(X,Y)＝X^TAX+Y^TAY+X^TBX+Y^TBY+W^TX+W^TY+zX，Y为行人图像的特征向量，A，B，W为调节矩阵，z为偏移量；(3‑3‑2)使用学习得到的距离函数，计算经步骤(3‑2)的自适应图像分割后得到的各个区域的距离以得到最终的距离，采用步骤(2)得到的进化算法来进行目标优化，得到最优权值向量。