面向行人重识别的跨视图最小分类误差二次判别分析方法

行人重识别技术旨在匹配不同的摄像机拍摄场景中属于同一个人的所有图片.近年来,核化跨视图二次判别法已在相关任务中取得优良的效果.然而,在处理高维小样本数据时,对于协方差矩阵逆的估计通常由于数据集较小的原因容易产生较大的偏差;在不同视图之间,人的外观经历复杂的非线性转换,因此导致识别精度较低.为解决此问题,本文提出一种将最小误差分类、平滑技术与核化跨视图二次判别法相结合的度量学习方法 MCE-kXQDA(minimum classification error-based kernel cross-view quadratic discriminant analysis),在非线性映射与跨视图二次判别法相结合的基础上将最小误差分类、平滑技术引入非线性维的核化空间中,实现非线性度量学习的同时有效提升协方差逆矩阵的估计精度.为验证MCE-kXQDA的有效性,我们在多个数据集上与其他相关方法进行了详细比较.实验结果表明MCE-kXQDA具有更优的识别精度和鲁棒性.