1.一种基于半耦合鉴别字典学习的叶遮挡行人重识别方法，其特征在于，基于半耦合鉴别字典学习的叶遮挡行人重识别方法包括：数据集收集，从公共的行人重识别数据集上加入真实的枝叶遮挡，包括有遮挡视频和普通视频；分别对有遮挡视频和普通视频进行特征提取；

对提取的样本特征进行处理，对于特征集学习集合类内投影引入字典学习方法，学习遮挡视频和普通视频的字典对，从遮挡视频和普通视频中学习投影矩阵；

并引入鉴别思想学习字典对，进行基于半耦合鉴别字典学习的叶遮挡行人重识别；

基于半耦合鉴别字典学习的叶遮挡行人重识别方法具体包括：步骤(1)：收集数据建立数据库，由遮挡视频和普通视频组成；

步骤(2)：分别对遮挡视频和普通视频提取特征；

步骤(3)：设计具有半耦合映射的字典对；

步骤(4)：利用鉴别思想学习字典对；

步骤(5)：分别学习遮挡视频的集合投影矩阵W和未遮挡视频的集合投影矩阵V；

步骤(6)：得到总目标函数；

步骤(7)：对目标函数进行算法优化；

步骤(8)：遮挡视频下的行人重识别；

在步骤(2)中，分别对遮挡视频和普通视频提取特征，对于遮挡视频，通过FEP提取出行走周期特征，根据正常视频中行走周期的平均次数，选择20帧作为遮挡视频的一个步行周期；对于普通视频，直接为每个用户提取STFV3D特征；

在步骤(3)中，设计具有半耦合映射的字典对，如下表示：s.t.Ai＝DOXi；Bi＝DNYi

其中Erepresent(·)表示子字典表示保真项，X和Y分别是A和B在DO和DN上的表示系数，Emapping(·)是映射保真度项，目的是寻找A和B的编码系数之间的关系，Φ(·)是遮挡和普通字典对的系数映射函数；A＝[A1,A2...AN]是遮挡训练视频的时空特征，是第i个人的视频特征子集，ni是第一个人的行走周期数，N是被遮挡人的数量，B＝[B1,B2...BN]是没有遮挡训练视频的时空特征集， 是与nj个步行周期相对应的第j个人的时空特征集，N是普通视频中的人数。

2.如权利要求1所述的基于半耦合鉴别字典学习的叶遮挡行人重识别方法，其特征在于，步骤(1)所述的收集数据建立数据库的具体方法包括：重新制作两个公共数据集，用真实的遮挡模板在PRID 2011和iLIDS-VID上进行模拟，形成2个新的数据集LO-PRID 2011和LO-iLIDS-VID；选取20帧以上的178人，从中随机选择

89对进行训练，并使用剩余的对进行测试；使用遮挡模板对PRID 2011添加遮挡生成Lo-PRID 2011数据集；使用遮挡模板覆盖iLIDS-VID数据集，生成LO-iLIDS-VID数据集；最后获得生成的带遮挡的数据集。

3.如权利要求1所述的基于半耦合鉴别字典学习的叶遮挡行人重识别方法，其特征在于，在步骤(4)中，将同一人在不同摄像机中的距离最小化，使不同的人在2个摄像机之间的距离最大化；定义鉴别重构误差项：其中S表示同一个类，D表示不同的类，θ是一个平衡因子；

在步骤(5)中，分别学习遮挡视频的集合投影矩阵W和未遮挡视频的集合投影矩阵V；学习一个子空间投影，使样本具有类内散度小，但类间散度大；该映射矩阵构造出遮挡视频特征与普通视频特征之间的关系，摄像机A中特征集的类内散度表示为：摄像机A中特征集的类间散度表示为：

其中μi是相机A中Ai的平均向量，μ是相机A中其他样本的平均向量，Nall是指同一摄像机中所有样本的数目；在摄像头A中的子空间投影表示为：

其中W是摄像机A中特征集的子空间投影矩阵；摄像头B中的子空间投影表示为：V是摄像机B中特征集的子空间投影矩阵；A和B在嵌入空间的最终投影写为：

4.如权利要求1所述的基于半耦合鉴别字典学习的叶遮挡行人重识别方法，其特征在于，在步骤(6)中，目标是最小化目标函数：γ,α,β,η,λ是正则化参数平衡因子，

是正则化项，防止过拟合；

SCD2L的目标函数表示为：

WTW＝I,VTV＝I。

5.如权利要求1所述的基于半耦合鉴别字典学习的叶遮挡行人重识别方法，其特征在于，在步骤(7)中采用交替优化策略求解未知变量；每次更新一个变量时，其他变量均固定；

为了最小化SCD2L的目标函数，分为训练样本的稀疏编码的更新、字典对的更新、视频内子空间投影矩阵的更新、稀疏表示系数映射函数的更新4个子问题；将映射矩阵P初始化为单位矩阵；用Frobenius范数对每个列向量将字典对初始化为随机矩阵，并通过求解以下公式初始化X和Y的稀疏表示系数:固定其它变量更新W和V；SCD2L的目标函数改写为：通过分别设置W和V的导数，通过如下求解：

固定其它变量更新X和Y；首先更新X，SCD2L的目标函数改写为：其中 表示与Xi相关的正确匹配或者错误匹配的摄像头B中的子集；通过将Xi的导数设置为0来求解，通过以下公式得到：2

更新Y，SCDL的目标函数改写为：

其中 表示与Yi相关的正确匹配或者错误匹配的摄像头A中的子集；通过将Yi的导数设置为0求解，通过以下公式得到：固定其它变量更新DO和DN；SCD2L的目标函数重写为：固定其它变量更新投影矩阵P；SCD2L的目标函数公式重写为：通过将P的导数设置为0来求解，得到：

P＝(XXT+((λ/γ)I)-1(YXT)。

6.如权利要求1所述的基于半耦合鉴别字典学习的叶遮挡行人重识别方法，其特征在于，在步骤(8)中，通过学习字典对DO和DN、映射矩阵P、视频内子空间投影W和V，分别得到测试视频的鲁棒稀疏表示和有效的稀疏表示；将遮挡视频作为探针集F的特征和普通视频特征作为图库集G的特征，执行匹配的过程如下：

1)利用所学到P，W，V，通过求解公式 对遮挡

字典上探针集的表示系数f进行编码，

2)通过求解公式 对图库集上普通字典的表示系

数g进行编码，

3)在图库集中识别出与探针集中一样的人的图像；通过得到的稀疏表示系数，计算出图库集和探针集的特征之间的距离，然后对距离进行排序，距离最小的图库集的图像就是和探针集匹配正确的图像。

7.一种实施权利要求1所述基于半耦合鉴别字典学习的叶遮挡行人重识别方法的基于半耦合鉴别字典学习的叶遮挡行人重识别系统。

8.一种实施权利要求1所述基于半耦合鉴别字典学习的叶遮挡行人重识别方法的交通道路行人图像重识设备。