[发明专利]视频监控中跨盲区行人目标的识别匹配方法

摘要

本发明涉及一种视频监控中跨盲区行人目标的识别匹配方法，其特征在于包括步骤1、对单摄像机拍摄的行人目标进行检测；步骤2、对检测出的行人目标进行图像处理；步骤3、将处理后的图像转换为HSV图像，将该HSV图像的H通道分量图像分割成互相重叠的正方形图像分块；步骤4、提取每个正方形图像分块的多种特征；步骤5、计算单一特征的最佳匹配相似度；步骤6、对单一特征的最佳匹配相似度的权重进行设置；步骤7、确定最佳融合特征；步骤8、提取两个不同区域内的两幅图像中的行人目标的最佳融合特征，对两幅图像中的行人目标进行匹配。本方法对人体姿态变化以及具有相似颜色背景的目标匹配具有较强的鲁棒性。

主权项

一种视频监控中跨盲区行人目标的识别匹配方法，其特征在于：包括如下步骤步骤1、对单摄像机拍摄的行人目标进行检测，得到行人目标的RGB图像；步骤2、对步骤1检测出的行人目标进行图像处理：步骤2a、将步骤1检测检测到的RGB图像转化为HSV图像；步骤2b、将步骤2a得到的HSV图像中的V通道分量图像进行颜色归一化处理得到平均亮度及对比度增强的新V通道分量图像；步骤2c、将步骤2b得到的新V通道图像和步骤2a得到的HSV图像中H通道分量图像和S通道分量图像组合到一起得到新的HSV图像；步骤2d、将步骤2c得到的新的HSV图像转化为RGB图像；步骤2e、将步骤2d得到的RGB图像缩放为宽度w＝32，高度h＝64的64×32个像素大小的图像；步骤3、对步骤2e得到的图像转换为HSV图像，然后将该HSV图像的H通道分量图像的密集采样网格上分割成互相重叠的正方形图像分块：每个正方形图像分块的边长m为10个像素单位，其中网格步长n＝4；该HSV图像的H通道分量图像在x方向上的重叠方式为：相邻正方形图像分块y方向相同，前一正方形图像分块x方向后半部分为后一正方形图像分块x方向前半部分；该HSV图像的H通道分量图像在y方向上的重叠方式为：相邻正方形图像分块x方向相同，前一正方形图像分块y方向后半部分为后一正方形图像分块y方向前半部分；按照这种重叠方式，该HSV图像的H通道分量图像在x方向上的正方形图像分块个数为：该HSV图像的H通道分量图像在y方向上的正方形图像分块个数为因此得到共14*6＝84个正方形图像分块；步骤4、提取每个正方形图像分块的多种特征：步骤4a、提取步骤3得到的84个正方形图像分块的颜色特征；步骤4b、提取步骤3得到的84个正方形图像分块的SIFT特征；步骤4c、提取步骤3得到的84个正方形图像分块的LBP特征；步骤5、计算单一特征的最佳匹配相似度：运用步骤1对单摄像机拍摄的两幅图像进行行人目标检测，设a和b为检测结果；分别对a中的行人目标和b中的行人目标进行步骤2的处理，从而使得每个行人目标均形成大小为64×32个像素大小的图像，然后运用步骤3分别每个行人目标的图像进行分割处理，得到每个行人目标图像的84个正方形图像分块；再然后运用步骤4的方法分别提取每个行人目标图像分割后的84个正方形图像分块的颜色特征、SIFT特征和LBP特征；设a中行人i的第p个正方形图像分块的颜色特征为cxi,p，设b中行人j的第q个正方形图像分块的颜色特征为cyj,q，p和q的取值范围均为1～84；计算cxi,p与cyj,q之间的欧氏距离d(cxi,p,cyj,q)＝||cxi,p‑cyj,q||2，然后通过高斯分布函数把距离值转换为颜色相似度得分其中σ是高斯分布函数的带宽，定义行人i和行人j的颜色特征相似度Sim(i,j)＝∑s(cxi,p,cyj,q)/n2为所有正方形图像分块颜色特征相似度得分平均值，n2为正方形图像分块的总数，即n2＝84；以a中的行人i为参考模型，计算它与b中所有的行人j的相似度，则a和b中颜色特征最佳匹配对象通过公式S＝arg max{Sim(i,j)}获取，即此时的j即为此时i的颜色特征最佳匹配对象；设a中行人i的第p个正方形图像分块的SIFT特征为Sxi,p，设b中行人j的第q个正方形图像分块的SIFT特征为Syj,q，p和q的取值范围均为1～84；计算Sxi,p与Syj,q之间的欧氏距离d(Sxi,p,Syj,q)＝||Sxi,p‑Syj,q||2，然后通过高斯分布函数把距离值转换为SIFT特征相似度得分其中σ是高斯分布函数的带宽，定义行人i和行人j的SIFT特征相似度Sim(i,j)'＝∑s'(Sxi,p,Syj,q)/n2为所有正方形图像分块SIFT特征相似度得分平均值，n2为正方形图像分块的总数，即n2＝84；以a中的行人i为参考模型，计算它与b中所有的行人j的相似度，则a和b中SIFT特征最佳匹配对象通过公式S'＝arg max{Sim(i,j)'}获得，即此时的j即为此时i的SIFT特征最佳匹配对象；设a中行人i的第p个正方形图像分块的LBP特征为Lxi,p，设b中行人j的第q个正方形图像分块的LBP特征为Lyj,q，p和q的取值范围均为1～84；计算Lxi,p与Lyj,q之间的欧氏距离d(Lxi,p,Lyj,q)＝||Lxi,p‑Lyj,q||2，然后通过高斯分布函数把距离值转换为LBP特征相似度得分其中σ是高斯分布函数的带宽，定义行人i和行人j的LBP特征相似度Sim(i,j)”＝∑s”(Lxi,p,Lyj,q)/n2为所有正方形图像分块LBP特征相似度得分平均值，n2为正方形图像分块的总数，即n2＝84；以a中的行人i为参考模型，计算它与b中所有的行人j的相似度，则a和b中LBP特征最佳匹配对象通过公式S”＝arg max{Sim(i,j)”}，即此时的j即为此时i的LBP特征最佳匹配对象；步骤6、对单一特征的最佳匹配相似度的权重进行设置：设颜色特征最佳匹配相似度对行人目标识别匹配贡献最大，设SIFT特征最佳匹配相似度对行人目标识别匹配贡献其次，设LBP特征最佳匹配相似度对行人目标识别匹配贡献最小；步骤7、对行人目标各特征的最佳融合特征进行确定：行人目标各特征进行融合后的最佳融合特征为：颜色特征*α、SIFT特征*β、LBP特征*γ的线性组合，其中，α，β，γ为最佳融合特征中各特征的权值，其中α>β>γ；步骤8、按照步骤7得到的最佳融合特征，分别对位于子区域a内的单摄像机拍摄的一幅图像中的行人目标和位于子区域b内的单摄像机拍摄的一幅图像中的行人目标提取最佳融合特征，然后利用步骤5中描述的匹配方法对两幅图像中的行人目标分别进行匹配。