1.一种基于跨视图核协同表示的行人再识别方法，其特征在于，包括如下步骤：步骤一、利用A、B两摄像机拍摄行人图像，记为A、B两视图，从两视图中分别采集行人图像样本作为数据集，对数据集预处理，并划分训练集和测试集；

训练集记为： 和

测试集记为： 和

划分训练集和测试集的方法为：分别从A、B摄像机采集的数据集中选取n张有标签行人图像作为训练集，用 和分别表示由摄像机A和B采集的n个有标签训练

样本，其中Train_datasetA的第i列 表示采集自摄像机A的第个样本，Train_datasetB的第j列 表示采集自摄像机B的第j个样本，f为数据维度；分别选取m1张来自摄像机A的有标签行人图像，记为 m2张来自摄像机B的待测行人图像，记为 作为测试集；

步骤二、对训练集和测试集中的样本进行特征提取，利用分层高斯描述子提取GOG特征，并利用子空间学习算法XQDA对高维GOG特征进行降维，得到分别对应于Train_datasetA，Train_datasetB，Prob_dataset，Gallery_dataset的新的数据矩阵和d为样本的特征维度；

步骤三、利用核方法将所有样本映射到一个高维核特征空间；

设非线性映射为φ(·)，则原始训练样本会被映射到高维空间，即：yi,s＞＞d；映射后的训练样本数据矩阵可以表示为：对于

和 映射后的高维数据矩阵表示为

步骤四、对高维核特征空间中的样本进行降维；

设两个视图的高维核特征空间中的鉴别投影为Py， 目标维度为dim，且dim＜＜s，则它们满足：Py＝φ(Y)Ay,Px＝φ(X)Ax，其中，Ay， 分别表示Py，Px对应的变换矩阵；

Ay通过求解如下广义特征值问题得到：Kyβy＝γyβy则 其中 是通过Kyβy＝γyβy求得的第i个最大特征值γiy对应的特征向量，i＝1，2，…，dim； 是核特征空间中的样本核矩阵；降维后，A视图的训练样本的数据矩阵为：同理，B视图的训练样本数据矩阵为 其中Kx为核矩阵；

测试集的核数据矩阵为 降维后，相应的数据矩阵为其中Kyg，Kxp为相应的核矩阵；

步骤五、利用跨视图核协同表示方法对Ygallery，Xprob中的样本进行协同表示；

Ygallery，Xprob的协同表示编码矩阵为：其中， I是单位矩阵，λ,ζ是正

则化参数，其中 分别是Xprob和

Ygallery对应的编码矩阵；

步骤六、依据余弦相似性度量逐对比较Ygallery，Xprob中样本的协同表示编码，按照相似度大小确定Xprob中样本的身份标签；

按照相似度大小确定Xprob中样本的身份标签的具体方法为：对于Xprob中的待测样本计算它的协同表示编码 与Ygallery中每个样本 的协同表示编码 之间的相似度：对于Xprob中的待测样本，它们的相似度可以构成相似度矩阵Sim(Λp,Λg)，且其第i行j列的元素为 对于Xprob中的第i个待测样本 寻找Sim(Λp,Λg)中第i行Sim(i,:)中的最大的相似度Sim(i,l)，则 的身份标签就与Ygallery中的第l个样本 的身份标签相同，i＝1,2,…,m2；j＝1，2，…，m1。

2.根据权利要求1所述基于跨视图核协同表示的行人再识别方法，其特征在于：所述步骤一中，数据集预处理包括去除不合格样本、整理样本标签、图像去噪，图像增强和图像规范化。

3.根据权利要求2所述基于跨视图核协同表示的行人再识别方法，其特征在于：A、B两视图下同一个人的样本在样本矩阵Train_datasetA，Train_datasetB中具有相同的列索引，即ai与bi，i＝1,2,…,n，且具有相同的身份标签。

4.根据权利要求3所述基于跨视图核协同表示的行人再识别方法，其特征在于：测试集中m1张来自摄像机A的行人图像与训练集中的样本具有不同的身份标签。