1.一种基于典型相关分析融合特征的行人再识别方法，其特征在于，包括三个阶段：特征提取阶段、求解映射矩阵阶段和融合特征进行行人再识别阶段；在特征提取阶段，对行人图像提取两种不同的特征X与Y；在求解映射矩阵阶段，对这两种特征X与Y分别进行典型相T T T关分析，得到一对映射矩阵α和β，新的特征表示为X'＝αX，Y'＝βY，α为映射矩阵α的转置，Tβ为映射矩阵β的转置；在融合特征进行行人再识别阶段，融合特征表示为 或者Z2＝X'+Y'，把融合的特征Z1或Z2分为训练集和测试集，用训练集来训练行人再识别的模型，并用测试集对训练的模型进行测试。

2.根据权利要求1所述的一种基于典型相关分析融合特征的行人再识别方法，其特征在于，具体步骤如下：步骤1、对行人再识别数据集提取两种特征：用不同的特征提取算法对行人图像的数据集提取特征，分别记作：p*N q*N

X∈R ，Y∈R

p和q分别表示两种特征的维度，N表示数据集包含的图片数量；

步骤2、对步骤1提取的两种特征X与Y分别进行典型相关分析，用奇异值分解方法求解T T T T得到一对映射矩阵α和β，新的特征表示为X'＝αX，Y'＝βY，α为映射矩阵α的转置，β为映射矩阵β的转置；

步骤3、用融合特征进行行人再识别：步骤3.1、通过步骤2中得到的映射矩阵α和β，通过以下融合策略得到典型相关特征的T T融合表示为 或者Z2＝X'+Y'＝αX+βY，把融合的特征Z1或Z2按照行人再识别中对不同数据集的划分规则，分成视角一的训练集一和测试集一，视角二的训练集二和测试集二，用训练集一和训练集二来训练行人再识别的模型，并用测试集一和测试集二对训练的模型做测试；

步骤3.2、用累积匹配曲线CMC评价步骤3.1中测试的结果，并把rank1的识别率作为最重要的评价指标，rank1的值越大说明识别效果越好。

3.根据权利要求2所述的一种基于典型相关分析融合特征的行人再识别方法，其特征在于，所述步骤2中用奇异值分解方法求解投影矩阵，求解的过程如下：

1)、把两个特征标准化，得到均值为0方差为1的标准数据；

2)、计算X的方差SXX，Y的方差SYY，X和Y的协方差SXY；

3)、计算矩阵

4)、对矩阵M进行奇异值分解，得到最大的奇异值σ，和最大奇异值对应的左右奇异向量u，v；

5)、计算X和Y的映射矩阵α和β，T T

6)、两个特征在相关子空间的表示为X'＝αX，Y'＝βY。

4.根据权利要求3所述的一种基于典型相关分析融合特征的行人再识别方法，其特征在于，所述步骤2中用奇异值分解方法求解投影矩阵的具体过程如下：T T

(1)设X和Y的映射矩阵分别为α和β，它们在子空间的表示为：X'＝αX和Y'＝βY，它们的相关系数可以表示为：目标函数为：

即求解令相关系数最大时对应的映射矩阵α与β；

(2)在投影前，首先把原始数据标准化，得到均值为0方差为1的数据，T T T T

Cov(αX,βY)＝E(＜αX,βY＞)T T T T T

＝E((αX)(βY))＝αE(XY)βT T T

同理，Var(βY)＝βE(YY)β，μx是X的均值；

(3)由于X，Y的均值均为0，则T

Var(X)＝Cov(X,X)＝E(XX)T

Var(Y)＝Cov(Y,Y)＝E(YY)T

Cov(X,Y)＝E(XY)

T

Cov(Y,X)＝E(YX)；

(4)令SXX＝Var(X,X)，SYY＝Var(Y,Y)，SXY＝Cov(X,Y)，则目标函数转化为(5)由于分子分母增大相同的倍数，优化目标结果不变，固定分母，优化分子，即：T T

s.t.αSXXα＝1,βSYYβ＝1；

(6)在求解(5)中的目标函数时，采用奇异值分解的方法，u、v是两个单位向量，令T T

则αSXXα＝1，βSYYβ＝1，T

同时，由αSXXα＝1，可得：T

由βSYYβ＝1，可得：

此时，目标函数为：

T T

s.t.uu＝1,vv＝1；

(7)对于(6)中的目标函数，令矩阵 此时u、v表示矩阵M的某一个奇异T

值对应的左右奇异向量，利用奇异值分解得到M＝U∑V ，其中U，V分别为M的左奇异向量和右奇异向量组成的矩阵，∑是M的奇异值组成的对角矩阵；由于U，V所有的列都是标准正交T T基，则uU和Vv得到一个只有一个标量为1，其余标量为0的向量；此时，最大化 对应的最大值就是某一组左右奇异向量所对应的奇异值的最大值，也就是说将M做奇异值分解后，最大的奇异值就是优化目标的最大值，也就是X和Y之间的最大相关系数；

(8)利用对应的左右奇异向量u，v，求出原始的X和Y的映射矩阵

5.根据权利要求2所述的一种基于典型相关分析融合特征的行人再识别方法，其特征在于，所述步骤3.1中训练行人再识别模型的过程中使用的是XQDA算法，将训练集和训练样本标签作为输入，输出为子空间映射矩阵W和 其中∑'I为类内协方差矩阵，∑'E为类间协方差矩阵；

测试时，使用马氏距离来度量两个行人图像之间的相似性，输入M以及训练特征在子空间W上的映射，得到原始特征在子空间的马氏距离。