[发明专利]一种基于深度抽象特征的热红外人体目标识别方法

说明书

本发明涉及红外识别技术领域，尤其涉及一种基于深度抽象特征的热红外人体目标识别方法。包括：使用热红外成像装置采集静态图像或者序列图像；通过图像分割获得高亮区域，利用人体形态先验知识把不满足人体目标基本特征的高亮区域过滤掉，获得候选人体目标；计算候选人体目标的多尺度单调波表示；计算候选人体目标的深度抽象特征；基于深度抽象特征和浅层分类器对候选目标进行分类判决。本发明实现了热红外图像区域复杂特征的按类分离，增强了特征表征清晰度；实现了数据本质特征提取的自动化；较大程度上排除特征成分分量中的噪声；保证了深度抽象特征的数据质量；降低了训练分类器时的训练样本数量要求，即降低过拟合风险，改善分类识别精度。

技术领域

本发明涉及红外识别技术领域，尤其涉及一种基于深度抽象特征的热红外人体目标识别方法。

背景技术

红外视觉传统上主要应用于军事领域，但近年来随着热红外成像技术发展以及红外热像设备性能提升价格下降，加上人工智能技术的伴生推动，基于热红外热像的人体识别技术正日益扩展到智能交通、安全监控、智能机器人等诸多领域。

热红外成像的突出优势是对环境物体的成像不依赖于物体对可见光的反射，而是依赖于环境物体的热辐射量。由于任何高于绝对零度的物理都无时无刻向环境进行热辐射，使得热红外成像具有全天候工作的优势，且对于阴影、遮挡等因素更鲁棒。

人体目标是各类事件的主导者和参与者，人体识别旨在利用计算机自动化地将人体与其他环境对象相区分。在此基础上，再实现对人体目标的跟踪、计数、行为分析、预警等。因此，良好的人体目标识别方法是许多智能应用系统所必须的。但是，人体目标识别存在多方面困难，例如人体对象外观的复杂性、运动的随意性、所在场景的干扰，在基于热红外成像的人体识别中，还要叠加上热红外图像本身质量的弱质性。

当前，基于热红外成像的各类人体识别方法中，统计分类法占据主导地位。传统统计分类法的工作步骤可以简单描述为“人工特征提取+分类器判决”。这类方法依赖于开发人员的设计技巧，从待识别对象中提取反映特定对象本质特征的信息，再利用机器学习手段训练具有明确数理理论支撑的浅层分类模型对识别对象分类识别。随着深度学习的广泛兴趣，基于深度神经网络的统计识别方法的工作步骤可以简单描述为“自动特征提取+分类器判决”，以可以实现自动特征提取和端到端识别的优势得到迅速发展，但这类方法非常依赖于海量的训练数据，另外自动获取特征的可解释性不强，而且网络结构设计缺乏比较明确的指导理论。

为此，面向红外人体目标识别面临的困难，本发明提出基于深度抽象特征的热红外人体目标识别方法。

发明内容

本发明的目的是提供一种基于深度抽象特征的热红外人体目标识别方法，用于解决现有技术中非常依赖于海量的训练数据，另外自动获取特征的可解释性不强，而且网络结构设计缺乏比较明确的指导理论的技术问题。

为了实现上述目的，本发明采用了如下技术方案：

一种基于深度抽象特征的热红外人体目标识别方法，包括以下步骤：

步骤1.使用热红外成像装置采集静态图像或者序列图像；

步骤2.通过图像分割获得高亮区域，利用人体形态先验知识把不满足人体目标基本特征的高亮区域过滤掉，获得候选人体目标；

步骤3.计算候选人体目标的多尺度单调波表示；

步骤4.计算候选人体目标的深度抽象特征；

步骤5.基于深度抽象特征和浅层分类器对候选目标进行分类判决。

进一步优选的，步骤4中，计算候选人体目标的深度抽象特征，主要包括：

步骤41.抽取一定数量的多尺度单调波表达样本构建局部能量样本训练集、局部相位样本训练集、局部方向样本训练集；