[0014] 结合说明书附图进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
[0015] 如图1所示，本发明的实施主要包含四个步骤：(1)行人图像预处理，提取图像特征，组成训练数据库；(2)构建学习距离度量的目标函数；(3)利用遗传算法求得最优解矩阵M；(4)利用得到的矩阵确定度量函数，对测试的行人图像进行识别，并输出识别结果。
[0016] 步骤一：通过摄像头采集图像，构建行人数据库；
[0017] 使用高清摄像头对用户进行行人图像采集，构成N个用户的行人数据库。每个用户有ni张样本： 其中i＝1,2,3...N；
[0018] 步骤二：图像的颜色矩特征提取；
[0019] 针对RGB图像每个通道提取图像的特征向量：
[0020] 图像均值特征：
[0021] 图像的二阶矩：
[0022] 图像的三阶矩：
[0023] i表示第i类，k表示i类的第k张，H表示该图像的像素点个数。
[0024] 由于图片是三维的，特征向量指第i类图片的第k个样本的特征向量
[0025] 步骤三：构建基于马氏距离的目标函数，并将同类图像间距离分布嵌入目标函数中；
[0026] i,j表示样本类，k,r表示该类的样本序号
[0027] 构建目标函数：
[0028] 首先引入同类样本对距离间的距离：
[0029] 对于同类样本对距离分布，引入均值Dε和标准差De，两者应该趋于0，此时学习到的距离度量更具有鲁棒性。
[0030]
[0031] ||M||是对矩阵M的约束，α，β为正则化系数，并且规定同类样本的上界Rs，以及不同类样本的下界Sr。
[0032] 步骤四：利用遗传算法学习最优距离度量函数；
[0033] 确定所求矩阵M的编码方式：
[0034] M是一9*9的方阵，本方法仅取对角线上有有效值，有效值为[0,1]的实数，故每个解方阵可化为一个9维的实数向量，向量每个值在0到1之间。
[0035] 随机生成一组初始解Mi，i＝1,2,3...100，即初始种群大小为100。
[0036] 选择算子：
[0037] 使用比例选择的方法，各个个体被选中的概率与其适应度大小成正比。评价一个矩阵用它的适应度Fi(Mi)＝1/(||M||+α*Dε+β*Dν)，认为适应度越高选中的概率越大，故一个矩阵Mi被选中的概率为Pi＝Fi(Mi)/∑Fi(Mi)，求每个矩阵的累计概率 随机生成0到1的数在那个累计区间决定选择哪个矩阵Mi。
[0038] 交叉算子：
[0039] 认为每组解有0.75的概率进行交叉变换，生成随机数当其值大于0.75时选择进行交叉变换，将选择的解组进行交叉，生成随机数α决定交叉算子，两个解M1,M2，求得交叉后矩阵M1′＝α*M1+(1‑α)*M2，M2′＝α*M2+(1‑α)*M1，如此得到交叉后的解集合Mi。
[0040] 变异算子：
[0041] 认为每个解Mi值都有0.01的概率变异，生成一个0到1的随机数决定是否变异，然后生成一到九的随机数决定变异的位置，最后生成一个随机数决定变异值。
[0042] 然后重复遗传算法的三个算子，其中当同类样本间距离均值高于下界Sr，不同类样本间距离均值低于上界Rs时，认为解无效重新生成一组随机有效的解替代。当达到100次循环终止迭代，取适应度最高的解为最优解，得到最优解矩阵M。
[0043] 步骤五：利用学习到的最优距离度量函数计算测试样本和训练样本间的距离；
[0044] 对于待测样本，提取特征向量，然后通过得到的最优解矩阵，求其与训练数据库的样本距离D。
[0045] 步骤六：依据距离最小原则进行识别，得到识别结果。
[0046] 寻找与测试样本距离最小的训练样本，其对应的类别即为测试样本的类别。
