基于聚类集中化和投影矢量学习的相对距离度量学习用于人员重新识别

现有的基于投影的人员重新识别方法通常受到长时间训练,投影矩阵的维数高和匹配率低的困扰。 另外,建立训练数据集时,类内实例可能比类间实例少得多。 为了解决这些问题,提出了一种基于聚类集中化和投影矢量学习的新型相对距离度量学习方法。 在构建训练数据集时,同一目标人的图像通过模糊c均值集中聚类。 这些集群构建了训练数据集,以减轻训练数据集的数据不平衡问题。 另外,在学习投影矩阵期间,通过使用迭代策略和共轭梯度投影矢量学习方法来更新训练数据集,可以将所得的投影矢量近似正交。 实验结果表明,该算法具有较高的效率。 匹配率可以显着提高,并且训练时间比大多数现有的人员重新识别算法要短得多。