行人重识别-XQDA度量

本次学习的是来自cvpr2015的《Person Re-identification by Local Maximal Occurrence Representation and Metric Learning》。
项目主页：http://www.cbsr.ia.ac.cn/users/scliao/projects/lomo_xqda/

XQDA度量方法

QDA分类器也是假设每一类观测都服从一个高斯分布，把参数估计带入贝叶斯定理进行预测；
不同的是：每一类观测的协方差可以不同。
根据贝叶斯理论：
主要思想是将一副人脸看做两部分构成，一部分是人与人之间的差异，另一部分是个体自身的差异，比如表情变动。
然后我们假设这两部分分别服从高斯分布。人脸识别之联合贝叶斯注意到分布是零均值，所以在你所获得的人脸特征，一定要做零均值处理。

交叉视角的二次判别分析法 (XQDA)是在保持直接简单原则的度量 (KISSME)和贝叶斯人脸方法基础上提出的。该方法用高斯模型分别拟合类内和类间样本特征的差值分布。根据两个高斯分布的对数似然比推导出马氏距离。

上述两式取根号相除，得到对数似然比为：

则两个样本之间的距离为：

定义子空间w，则投影到子空间后的样本距离变为：

因此为了将样本分开，类间方差小，类外方差大，因此得到下面的优化公式：

等价于：

和LDA方法中的广义特征值分解相似，解为：

实际计算

代码

function [W, M, inCov, exCov] = XQDA(galX, probX, galLabels, probLabels, options)<