[发明专利]一种基于空间约束的目标人体识别方法

说明书

技术领域

本发明涉及一种目标人体识别方法，尤其是涉及一种基于空间约束的目标人体识别方法。

背景技术

目标人体识别（以下简称人体识别）是判断一个摄像头下出现的行人是否与另一个摄像头下出现的行人为同一行人，人体识别问题在计算机视觉领域中被称为非重叠的多摄像系统中的人体重现问题（Person Re-identification）。人体识别方法在智能视频监控领域具有重要的应用，其用途主要包括目标人体的提取、非重叠摄像系统中目标跟踪。随着智能监控的普及，人体识别方法受到更多的重视，从近几年来研究人员对人体识别方法的研究得知，目前人体识别方法仍然面临着巨大挑战：首先，摄像头所拍摄的图像分辨率较低，人脸识别或其他生物特征识别技术几乎难以应用于人体识别，这就使得人体识别的主要依据被限制在人体表观特征方面；其次，为了简化人体识别方法，通常假设同一行人在不同场景下的服饰不变，但在不同场景下（如图1a所示），行人受到拍摄的角度、姿势、背景、光线、摄像机参数等因素的影响，依旧给人体识别带来了巨大的挑战。目前解决人体识别的方法主要有两种：有监督学习方法和无监督学习方法。

对于有监督学习方法，Prosser等人（B.Prosser,W.Zheng,S.Gong,T.Xiang,and Q.Mary.Person re-identification by support vector ranking.In BMVC,2010.基于支持向量机排名的人体识别，英国机器视觉会议）将人体识别问题转化为排名问题，利用改进的SVM算法进行人体识别；Gray等人（D.Gray and H.Tao.Viewpoint invariant pedestrian recognition with an ensemble of localized features.ECCV,2008.结合多个局部特征的角度不变性的人体识别，欧洲计算机视觉国际会议）结合空间和颜色等局部特征，利用boosting算法进行人体识别；Schwartz等人（W.Schwartz and L.Davis.Learning discriminative appearance-based models using partial least squares.In XXII Brazilian Symposium on Computer Graphics and Image Processing(SIBGRAPI),2009.基于偏最小二乘法识别表现特征的学习模型，二十二巴西研讨会的计算机图形图像处理）使用局部最小二乘法对提取的颜色、梯度、纹理这三个高维特征分别进行降维，并根据各自的识别能力给予不同的权值来进行人体识别；Li等人（W.Li and X.Wang.Locally aligned feature transforms across views.In CVPR,2013.基于视角的局部特征转换，IEEE国际计算机视觉与模式识别会议）将两个不同摄像机下的图像先转化为不同的特征空间，再根据不同的特征空间分别进行度量学习，从而进行人体识别；Zheng等人（W.Zheng,S.Gong,and T.Xiang.Person re-identification by probabilistic relative distance comparison.In CVPR,2011.基于相对距离的概率的比较的人体识别，IEEE国际计算机视觉与模式识别会议）把人体识别问题当成距离学习问题来进行人体识别；Weinberger等人（K.Q.Weinberger and L.K.Saul.Fast solvers and efficient implementations for distance metric learning.In ICML,2008.快速有效的距离度量学习方法，机器学习国际会议）提出了LMNN算法，该算法通过对同一类的距离更近，而非同一类的距离更远的惩罚学习来实现人体识别；Kostinger等人（M.Kostinger,M.Hirzer,P.Wohlhart,P.Roth,and H.Bischof.Large scale metric learning from equivalence constraints.In CVPR,2012.基于等价约束的大尺度度量学习，IEEE国际计算机视觉与模式识别会议）利用一个宽松的距离度量学习来处理人体识别问题。这些有监督学习方法均需要先对人体样本进行标记后学习，当摄像头环境改变时，如拍摄角度、姿势和光线变化，需要重新对人体样本进行标记，不能有效地处理大量人体样本以及不同环境下的人体样本识别。