[发明专利]一种监控视频中行人重识别方法

摘要

本发明公开了一种基于人体对称性与结构化特征稀疏表示的监控视频中行人重识别方法。该方法利用待识别行人的多帧图像作为训练，先进行行人检测和行人轮廓的提取，后根据人体对称性把行人的轮廓分为头部、左躯干、右躯干、左腿和右腿五个感兴趣区域。通过选取适当的特征对这五个感兴趣区域进行特征提取，并输入线性模型中，可得到待重识别的结果。本发明贴切实际情况，可有效地解决视频监控网络中行人重识别准确率低的问题。

主权项

一种基于人体对称性与结构化特征稀疏表示的监控视频中行人重识别方法，包括步骤：步骤（1）行人轮廓提取：分别提取地点A监控视频中出现的行人轮廓，及其他地点监控视频中的行人轮廓；步骤（2）行人特征提取：基于人体对称性，把行人的轮廓分为头部、左躯干、右躯干、左腿和右腿五个感兴趣区域，并分别提取每个感兴趣区域的特征，选用特征为：颜色、纹理、形状；步骤（3）行人重识别：行人重识别是指：从地点B的监控视频中找出地点A监控视频中出现的某些行人；假设地点A待识别行人有个，每个行人有多帧图像，为个行人中的一个，，每个人的每一帧作为一个样本，是该样本的特征向量，为其中一个样本，且该行人对应的标签为；同时，也得到地点B重识别候选行人的样本特征；构建基于结构化特征稀疏表示的线性回归模型学习的代价函数，建立行人重识别线性回归模型；将一起输入到模型中，即可得到相应的预测值，再通过自适应阈值最终得到人重识别的结果；所述步骤（1）中行人轮廓提取具体为：把地点A和地点B的视频采用基于HOG+SVM的行人检测方法对每张图片中的行人进行检测，检测出来的行人用大小的方框框起来；对检测出来的行人区域利用高斯混合模型的方法提取每一帧图片的行人轮廓；所述步骤（2）中对行人特征提取具体为：把提取出来的行人轮廓通过人体对称性分成五个局部，分别为头部、左躯干、右躯干、左腿和右腿；头部分割公式：，其中是使达到最小值时的值，，是在图像前景区域，以纵坐标为轴的对称区域的归一化面积差，上下体分割公式：,其中，是在图像前景区域,以纵坐标为轴的对称区域的颜色特征距离，左右躯干分割：；左右腿分割：，、是使图像前景区域颜色和面积差值最小的值；是欧氏距离，是纵坐标，是横坐标，是区域，；采用颜色相关图特征提取行人的颜色信息、灰度共生矩阵特征提取感兴趣区域的纹理和边界特征来获取图像的形状参数, 其中为对应感兴趣区域，这三种特征分别对行人的五个感兴趣区域进行特征提取；每提取一个行人轮廓设定为一个独立样本，是该样本的特征向量，为其中一个样本，即，所以总体样本的特征矩阵为，为特征向量的维数，为样本总数；所述步骤（3）中行人重识别具体为：把所选取的行人做好相应的标签标记，即每一个样本对应一个标签，每个人有多个样本；标签矩阵定义为，中包含了所有样本的身份信息，是行人的人数，每个人会被收集到多个样本，若是第人，则，否则为零；构建线性回归函数为，是训练样本，是行人身份信息，是投影矩阵；定义为有n个全为1的列向量；是偏置量，是为了特征选择从到的映射矩阵；模型的代价函数可定义为：，是一个逻辑损失函数，是正则化参数；定义一个预测矩阵为：，此是待重识别行人的预测矩阵，满足；采用拉普拉斯特征映射的流形学习方法，损失函数最小化定义为：，定义了一个拉普拉斯矩阵为：，其中是一个对角矩阵，定义式为：，是权值函数，与和的关系是：，其中中的元素是由和之间的相似度决定的；为了提高重识别符合度，即在测试过程中，使预测的结果更匹配原始信息：优化项为：，定义了一个对角矩阵，其中若有标签，则，若没有标签，则；由于训练数据量较大，所以，为有效的表示行人信息就要用较少的数据来捕获感兴趣目标，所采用稀疏表示来优化代价函数，的定义如下：；综上所述，优化后的基于结构化特征稀疏表示的线性回归模型学习的代价函数表达式为：，Fij第j人的第i个样本的预测输出，第个人预测值的均值为，是第j行人的帧数,是行人总数，最后一项是约束被测行人的帧图像有相同的标签；代价函数表达式中所用参数有、、，其中参数和可从中通过实验测试选取，可通过实验测得最优解得到；通过迭代法求解上述的最优化问题，得到矩阵、、b；选择自适应阈值，定义,对进行阈值处理，即得检测图像的标签；通过阈值后所得的标签为：其中，，为检测的样本数。