一種在監(jiān)控視頻下實(shí)現(xiàn)行人再識(shí)別的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及視頻識(shí)別技術(shù)。
【背景技術(shù)】
[0002] 對(duì)于視頻監(jiān)控系統(tǒng)，在行人檢測(cè)技術(shù)的基礎(chǔ)上，分析某個(gè)特定的人是否在監(jiān)控視 頻中出現(xiàn)過(guò)，利用已經(jīng)存在的人體目標(biāo)圖像庫(kù)，當(dāng)場(chǎng)景或者時(shí)間變化的時(shí)候，首先檢測(cè)出監(jiān) 控視頻中的行人，搜索圖庫(kù)，將檢測(cè)到的行人與目標(biāo)圖像庫(kù)進(jìn)行匹配，再次識(shí)別和確認(rèn)當(dāng)前 查找的行人的身份。我們將這種技術(shù)成為智能視頻監(jiān)控系統(tǒng)中行人再識(shí)別技術(shù)。
[0003] 行人再識(shí)別技術(shù)是在行人檢測(cè)技術(shù)的基礎(chǔ)上發(fā)展而來(lái)，在行人檢測(cè)的基礎(chǔ)上，對(duì) 特定人群進(jìn)行跟蹤和再次識(shí)別，適用于大區(qū)域的多攝像頭視頻監(jiān)控，對(duì)不同攝像頭下的行 人進(jìn)行長(zhǎng)期遠(yuǎn)距離的監(jiān)控，不同于傳統(tǒng)的單個(gè)攝像頭的行人檢測(cè)算法，行人再識(shí)別技術(shù)可 以對(duì)不同環(huán)境和不同攝像頭參數(shù)下的行人進(jìn)行長(zhǎng)期的跟蹤，亦可分析特定的人群在多個(gè)攝 像頭下的不同的行為，分析其間存在的關(guān)系，這對(duì)特定事件的分析具有重大的幫助意義。
[0004] 目前有很多針對(duì)行人再識(shí)別技術(shù)的算法，主要分為三大類：基于外觀特征、結(jié)合生 物特征和結(jié)合圖像序列的空間關(guān)系。由于監(jiān)控視頻的清晰度的問(wèn)題，研究人員大多放棄對(duì) 行人人臉和行人姿態(tài)的提取，轉(zhuǎn)而分析行人的外貌如衣服、褲子、包，或者將行人分解為頭 部、軀干和腿部，但是這種研究方式是基于短時(shí)間內(nèi)行人自身的外貌穿著不發(fā)生變化的情 況下，這種方法稱為基于外貌的行人再識(shí)別檢測(cè)技術(shù)。
[0005] 基于外貌的行人再識(shí)別檢測(cè)技術(shù)主要分為三類：基本類特征法、中層特征法、測(cè)度 類方法。基本特征類方法過(guò)度依賴于特征選取的優(yōu)劣；測(cè)度類算法對(duì)于訓(xùn)練的時(shí)間和空間 的復(fù)雜度都較高；中層特征法對(duì)特征的設(shè)計(jì)要求較高。算法越復(fù)雜的方法一般情況下所需 要花費(fèi)的時(shí)間都較長(zhǎng)，不能達(dá)到實(shí)時(shí)。
[0006] 現(xiàn)有的行人再識(shí)別算法是在公共圖像庫(kù)中進(jìn)行驗(yàn)證，目標(biāo)圖像庫(kù)是固定的，通過(guò) 匹配兩個(gè)攝像頭下采集到的行人圖像來(lái)計(jì)算再識(shí)別的精度。傳統(tǒng)的行人再識(shí)別算法不能 直接應(yīng)用于監(jiān)控視頻下，不僅因?yàn)楸O(jiān)控視頻下的目標(biāo)圖像庫(kù)是隨著時(shí)間的增加而慢慢建立 的，而且傳統(tǒng)的算法不能達(dá)到實(shí)時(shí)性，也沒(méi)有考慮到監(jiān)控視頻系統(tǒng)下行人檢測(cè)和行人跟蹤 對(duì)行人再識(shí)別精度的影響。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明所要解決的技術(shù)問(wèn)題是，提供一種在監(jiān)控視頻下實(shí)現(xiàn)實(shí)時(shí)檢測(cè)的行人再識(shí) 別方法。
[0008] 本發(fā)明為解決上述技術(shù)問(wèn)題鎖采用的技術(shù)方案是，一種在監(jiān)控視頻下實(shí)現(xiàn)行人再 識(shí)別的方法：
[0009] 1)訓(xùn)練步驟：
[0010] 搜集訓(xùn)練行人圖像對(duì)，每一訓(xùn)練行人圖像對(duì)由兩張訓(xùn)練行人圖像組成，標(biāo)記圖像 對(duì)中兩圖像中的行人是否屬于同一個(gè)人，當(dāng)屬于同一個(gè)人標(biāo)記為1，否則標(biāo)記為〇 ;
[0011] 提取每張行人圖像的行人特征；
[0012] 圖像對(duì)中兩幅圖像的特征相減得到的絕對(duì)值作為該圖像對(duì)的特征；
[0013] 利用圖像對(duì)的特征與標(biāo)記訓(xùn)練支持向量機(jī)SVM分類器得到圖像對(duì)分類器；
[0014] 2)識(shí)別步驟：
[0015] 針對(duì)每個(gè)監(jiān)控視頻系統(tǒng)，建立背景模型與一個(gè)本地行人圖像庫(kù)，間隔N幀進(jìn)行一 次行人檢測(cè)，提取當(dāng)前狀態(tài)下的前景區(qū)域進(jìn)行行人檢測(cè)，在N幀之間對(duì)檢測(cè)到的行人進(jìn)行 跟蹤；
[0016] 對(duì)每次檢測(cè)到的行人，提取當(dāng)前行人特征，對(duì)當(dāng)前行人特征進(jìn)行行人匹配；
[0017] 行人匹配包括本地匹配與異地匹配：
[0018] 本地匹配步驟：將當(dāng)前行人特征與該攝像頭下本地行人圖像庫(kù)中的每個(gè)行人特 征進(jìn)行匹配，判斷是否存在相同的行人，若存在，則放棄當(dāng)前行人身份編號(hào)，保留之前的行 人身份編號(hào)，同時(shí)保留當(dāng)前行人特征作為該行人的一個(gè)狀態(tài)特征，若不存在，則進(jìn)行異地匹 配；
[0019] 異地匹配步驟：將當(dāng)前行人特征與其它攝像頭下行人圖像庫(kù)中的每個(gè)行人進(jìn)行匹 配，判斷是否存在相同的行人，若存在，則放棄當(dāng)前行人身份編號(hào)，保留該行人另一個(gè)攝像 頭下的行人身份編號(hào)，并且保存當(dāng)前行人特征作為該行人的一個(gè)狀態(tài)特征到另一個(gè)攝像頭 的行人圖像庫(kù)中，若不存在，則該行人即為新出現(xiàn)的行人，保存當(dāng)前行人特征作為一個(gè)新的 行人的狀態(tài)特征和當(dāng)前行人身份編號(hào)到本地行人圖像庫(kù)中；
[0020] 所述行人匹配的具體方法為：將當(dāng)前行人特征與待比較的行人下的狀態(tài)特征相減 得到的絕對(duì)值輸入圖像對(duì)分類器，若當(dāng)前行人與行人圖像庫(kù)中某個(gè)行人每個(gè)狀態(tài)特征對(duì)應(yīng) 的圖像對(duì)分類器輸出結(jié)果中1的個(gè)數(shù)與〇的個(gè)數(shù)的比值大于閾值時(shí)，即當(dāng)前行人與該行人 圖像庫(kù)中的該行人匹配，屬于同一人。
[0021] 本發(fā)明只針對(duì)用去除背景的前景區(qū)域進(jìn)行行人檢測(cè)，可以有效地去除非行人區(qū) 域，減少誤差，行人匹配標(biāo)準(zhǔn)可以有效地對(duì)判斷兩個(gè)行人是否屬于同一個(gè)行人進(jìn)行反復(fù)驗(yàn) 證，減少使用單一判斷帶來(lái)的誤差。本發(fā)明的創(chuàng)新點(diǎn)在于，在匹配行人上，本文不只是行人 特征訓(xùn)練分類器來(lái)判斷行人對(duì)，還結(jié)合檢測(cè)到的行人與行人圖像庫(kù)中每個(gè)行人每個(gè)狀態(tài)下 的所有結(jié)果，相比于傳統(tǒng)的行人再識(shí)別方法的發(fā)明，對(duì)在監(jiān)控視頻下的應(yīng)用具有更高的實(shí) 時(shí)性和魯棒性。
[0022] 進(jìn)一步的，采用的顏色和紋理特征可以在復(fù)雜環(huán)境下對(duì)行人的匹配具有魯棒性。
[0023] 本發(fā)明的有益效果是，可以快速有效地對(duì)監(jiān)控視頻下的行人進(jìn)行跟蹤和多次匹 配，能應(yīng)用于同時(shí)監(jiān)控多個(gè)攝像頭的情況，識(shí)別出在多個(gè)攝像頭中都出現(xiàn)過(guò)的行人。
【附圖說(shuō)明】
[0024] 圖1 :本發(fā)明學(xué)習(xí)行人對(duì)分類器的流程圖
[0025] 圖2 :實(shí)施例行人再識(shí)別算法的流程圖
【具體實(shí)施方式】
[0026] 實(shí)施例以同時(shí)監(jiān)控兩個(gè)攝像頭為例，依照該實(shí)施例也完成能實(shí)現(xiàn)同時(shí)監(jiān)控更多攝 像頭的情況。
[0027] 本發(fā)明主要可以分為學(xué)習(xí)行人圖像對(duì)的分類器和行人再識(shí)別：
[0028] 學(xué)習(xí)行人對(duì)的分類器可以分為6個(gè)步驟，如圖1所示：
[0029] 步驟一、首先構(gòu)建一個(gè)數(shù)據(jù)庫(kù)，從兩個(gè)不同攝像頭下搜集大量的行人訓(xùn)練圖像，每 幅圖像的選取都是行人所在的矩形區(qū)域，其中一部分包含了比較復(fù)雜的場(chǎng)景，如行人重疊、 房屋。
[0030] 步驟二、針對(duì)每一張訓(xùn)練圖像，對(duì)圖像大小進(jìn)行歸一化處理，將圖像的高度設(shè)為 128像素，寬度設(shè)為48像素，采用手工標(biāo)定的方式將圖像中不屬于行人部分的區(qū)域刪去，只 保留行人本身的部分，若兩幅圖像中的行人屬于同一人，則將此行人對(duì)標(biāo)記為正樣本，若兩 幅圖像中的行人不屬于同一人，則將此行人對(duì)標(biāo)記為負(fù)樣本。
[0031] 步驟三、訓(xùn)練紋理特征的聚類中心。在訓(xùn)練分類器的過(guò)程中，首先得到紋理特征的 聚類中心，具體的方法是，針對(duì)每幅訓(xùn)練圖像，提取圖像的紋理特征，先將圖像分為很多個(gè) 規(guī)則大小的小區(qū)域，本實(shí)施例將圖像分為4*4的小區(qū)域，每個(gè)區(qū)域之間的采樣間距為4個(gè)像 素，針對(duì)每個(gè)區(qū)域，提取其LBP特征；從訓(xùn)練圖像所有小區(qū)域?qū)?yīng)的LBP特征匯中選出多個(gè) 特征，本實(shí)施例從訓(xùn)練圖像所有區(qū)域的LBP特征中選取20萬(wàn)個(gè)特征，再用Kmeans聚類算法 對(duì)選取出來(lái)的特征進(jìn)行聚類，聚類個(gè)數(shù)為200,最終得到LBP特征的聚類中心。
[0032]