[发明专利]一种基于空间约束的目标人体识别方法

摘要

本发明公开了一种基于空间约束的目标人体识别方法，其提取待识别图像和图像目标库内的图像的前景区域，将图像目标库内的图像的前景区域分割成等大小且互相重叠的第一图像块，将待识别图像的前景区域分割成等大小且互相重叠的第二图像块，再提取第一图像块和第二图像块的特征向量，并找到第二图像块在图像目标库内的每幅图像中的最相似块，再分别提取第一图像块和第二图像块的最小距离块序列，然后计算得到待识别图像相对于图像目标库内的图像的匹配得分从而进行人体识别，优点在于将丰富的结构信息融入到匹配得分中去，有效地避免了拍摄角度、姿势和光线变化的影响，能有效识别不同人体的相似区域内的微小差别且不需要对待识别图像进行标记。

主权项

1.一种基于空间约束的目标人体识别方法，其特征在于：包括以下步骤：①假定有一个摄像头A，将摄像头A拍摄到的所有图像组合成一个图像目标库，然后提取图像目标库内每幅图像中的前景区域，图像目标库内每幅图像中的前景区域即为图像目标库内每幅图像中的人体，接着将图像目标库内每幅图像中的前景区域分割成大小相同且互相重叠的第一图像块，再提取图像目标库内每幅图像中的前景区域内的每个第一图像块的特征向量；②假定有一个摄像头B，将摄像头B实时拍摄到的图像作为待识别图像，然后提取待识别图像中的前景区域，待识别图像中的前景区域即为待识别图像中的人体，接着将待识别图像中的前景区域分割成大小相同且互相重叠的第二图像块，再提取待识别图像中的前景区域内的每个第二图像块的特征向量；③根据图像目标库内每幅图像中的前景区域内的每个第一图像块的特征向量，获取图像目标库内每幅图像中的前景区域内的每个第一图像块的最小距离块序列，将图像目标库中的第q幅图像中的前景区域内中心像素点在第q幅图像中坐标位置为(i,j)的第一图像块的最小距离块序列记为di,jB,q={di,j,1B,q,di,j,2B,q,...,di,j,kB,q,...,di,j,MB,q},]]>其中，1≤q≤Q，Q表示图像目标库中的图像的数量，(i,j)表示第一图像块的中心像素点在第q幅图像中的坐标位置，为属于符号，F表示第q幅图像中的前景区域内的所有像素点的坐标位置的集合，1≤k≤M，M表示第q幅图像中的前景区域内包含的第一图像块的总行数，di,j,kB,q=min{d(xi,jB,q,xk,1B,q),...,d(xi,jB,q,xk,j′B,q),...,d(xi,jB,q,xk,N′B,q)},]]>min{}表示取最小值函数，1≤j'≤N'，N'表示第q幅图像中的前景区域内第k行第一图像块中包含的第一图像块的总个数，|| ||₂表示二范式符号，表示第q幅图像中的前景区域内中心像素点在第q幅图像中坐标位置为(i,j)的第一图像块的特征向量，表示第q幅图像中的前景区域内中心像素点在第q幅图像中坐标位置为(k,j')的第一图像块的特征向量，然后根据待识别图像中的前景区域内的每个第二图像块的特征向量，获取待识别图像中的前景区域内的每个第二图像块的最小距离块序列，将待识别图像中的前景区域内中心像素点在待识别图像中坐标位置为(m,n)的第二图像块的最小距离块序列记为dm,nA={dm,n,1A,dm,n,2A,...,dm,n,k′A,...,dm,n,KA},]]>其中，(m,n)表示第二图像块的中心像素点在待识别图像中的坐标位置，F'表示待识别图像中的前景区域内的所有像素点的坐标位置的集合，1≤k'≤K，K表示待识别图像中的前景区域内包含的第二图像块的总行数，dm,n,k′A=min{d(xm,nA,xk′,1A),...,d(xm,nA,xk′,n′A),...,d(xm,nA,xk′,L′A)},1≤n′≤L′,]]>L'表示待识别图像中的前景区域内第k'行第二图像块中包含的第二图像块的总个数，表示待识别图像中的前景区域内中心像素点在待识别图像中坐标位置为(m,n)的第二图像块的特征向量，表示待识别图像中的前景区域内中心像素点在待识别图像中坐标位置为(k',n')的第二图像块的特征向量，(k′,n′)⊆F′;]]>④采用最邻近结点算法，找出待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的前景区域内的最相似块，对于在图像目标库内的每幅图像中的前景区域内的第m-l行至第m+l行的所有第一图像块中，找出在图像目标库内的每幅图像中的前景区域内的最相似块，假设在图像目标库内的第q幅图像中的前景区域内的第m-l行至第m+l行的所有第一图像块中找出的最相似块为图像目标库内的第q幅图像中的前景区域内中心像素点在图像目标库内的第q幅图像中坐标位置为(m₁,n₁)的第一图像块，则将在图像目标库内的第q幅图像中的前景区域内的第m-l行至第m+l行的所有第一图像块中的最相似块记为其中，m-l≤m₁≤m+l，1≤l≤m，(m1,n1)⊆F;]]>然后根据待识别图像中的前景区域内的每个第二图像块的特征向量以及待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的前景区域内的最相似块的特征向量，得到待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的匹配得分，对于将在图像目标库内的第q幅图像中的匹配得分记为score(xm,nA,xm1,n1B,q)=et1,]]>其中，e表示自然基数，σ为常数，δ₂为一个表示的频带宽度的常数，表示的特征向量，表示的特征向量；⑤根据待识别图像中的前景区域内的所有第二图像块的最小距离块序列和图像目标库内的每幅图像中的前景区域内的所有第一图像块的最小距离块序列，得到待识别图像中的前景区域内的所有第二图像块相对于图像目标库内的每幅图像的空间约束的约束权值，对于将相对于图像目标库内的第q幅图像的空间约束的约束权值记为w(xm,nA,xm1,n1B,q)=ef1,]]>其中，e表示自然基数，f1=-{Σk′=1K(dm,n,k′A-dm1,n1,k′B,q)}22δ32,]]>δ₃为一个表示的频带宽度的常数，表示中的第k'个元素，表示中的第k'个元素，表示在图像目标库中的第q幅图像中的最相似块的最小距离块序列，1≤k'≤K，K表示待识别图像中的前景区域内包含的第二图像块的总行数；⑥根据待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的匹配得分以及待识别图像中的前景区域内的所有第二图像块相对于图像目标库内的每幅图像的空间约束的约束权值，得到待识别图像相对于图像目标库内的每幅图像的匹配得分，将待识别图像相对于图像目标库内第q幅图像的匹配得分记为Score(IA,IqB)=Σm=1,n=1m=K,n=L{score(xm,nA,xm1,n1B,q)·w(xm,nA,xm1,n1B,q)},]]>其中，I^A表示待识别图像，表示图像目标库中的第q幅图像；⑦将图像目标库内的每幅图像按待识别图像相对于图像目标库内每幅图像的匹配得分从大到小排列，得到一个图像序列，将待识别图像中的人体识别为图像序列中的第一副图像中的人体。