專利名稱：一種監(jiān)控視頻行人檢測(cè)匹配方法
技術(shù)領(lǐng)域：
本發(fā)明屬于視頻圖像數(shù)據(jù)處理領(lǐng)域，更具體地，涉及一種監(jiān)控視頻行人檢測(cè)匹配方法。
背景技術(shù)：
監(jiān)控系統(tǒng)中的攝像機(jī)視域大多是非重疊、以行人為目標(biāo)的，研究在多視域監(jiān)控系統(tǒng)中行人目標(biāo)的跟蹤與匹配問(wèn)題的目的是解決某區(qū)域監(jiān)控系統(tǒng)中不同的監(jiān)控視頻里中目標(biāo)的計(jì)算機(jī)自動(dòng) 搜索問(wèn)題。解決目標(biāo)匹配問(wèn)題的基本框架一般包括目標(biāo)特征提取，建立目標(biāo)特征數(shù)據(jù)庫(kù)，特征相似度測(cè)度等步驟。目前國(guó)內(nèi)外的監(jiān)控視頻中單幀目標(biāo)特征提取的主要類型有:(I)基于顏色特征的外觀模型匹配方法，例如顏色直方圖外觀模型匹配，UV色度空間模型匹配等；(2)基于非顏色特征的方法，例如SIFT特征匹配。但單一的特征描述往往不能對(duì)所有視頻不確定因素都魯棒，因此有很多嘗試通過(guò)多特征融合的方法來(lái)提高匹配方法的準(zhǔn)確性。不管單一特征匹配還是多特征融合的匹配方法都是基于單幀目標(biāo)信息的，沒(méi)有充分利用視頻序列中連續(xù)多幀的行人目標(biāo)信息，容易產(chǎn)生匹配結(jié)果的不穩(wěn)定。

發(fā)明內(nèi)容
針對(duì)現(xiàn)有技術(shù)的缺陷，本發(fā)明的目的在于提供一種監(jiān)控視頻行人檢測(cè)匹配方法，旨在解決現(xiàn)有的匹配方法都是基于單幀目標(biāo)信息容易產(chǎn)生匹配結(jié)果不穩(wěn)定的問(wèn)題。本發(fā)明提供了一種監(jiān)控視頻行人檢測(cè)匹配方法，包括下述步驟:S1:在單幀圖像中框選出待匹配目標(biāo)圖像并在視頻圖像序列中通過(guò)提取圖像的全局變換直方圖特征獲得行人目標(biāo)的方形區(qū)域坐標(biāo)；S2:根據(jù)每個(gè)視頻圖像序列的第a幀的行人目標(biāo)的個(gè)數(shù)ba建立ba個(gè)目標(biāo)序列，從第a+Ι幀開(kāi)始依次計(jì)算當(dāng)前幀(a+p)行人目標(biāo)Tj的方形區(qū)域中心與前一幀(a+ρ-Ι)的bu+ρ-υ個(gè)目標(biāo)序列的序列末目標(biāo)中心之間的距離h。，a、ba、j、P均為大于等于I的正整數(shù)；S3:判斷所述距離h。是否小于設(shè)定的閾值；若是，則進(jìn)入步驟S4 ;若否，則進(jìn)入步驟S5 ；S4:將所述第(a+p)幀行人目標(biāo)Tj添加至第c個(gè)目標(biāo)序列的序列末；c=l……ba ；S5:以第(a+p)幀行人目標(biāo)Tj為第一個(gè)元素重新建立一個(gè)新的目標(biāo)序列；S6:提取目標(biāo)序列每一幀的灰度直方圖特征和主成分分析模板特征，并提取待匹配目標(biāo)圖像的灰度直方圖特征和主成分分析模板特征；S7:計(jì)算目標(biāo)序列各幀的灰度直方圖特征與待匹配目標(biāo)圖像的灰度直方圖特征之間的巴氏距離，并將巴氏距離均值作為灰度直方圖特征相似度Hi ;計(jì)算目標(biāo)序列各幀的主成分分析模板特征與待匹配目標(biāo)圖像的主成分分析模板特征之間的歐式距離，并將所述歐式距離作為主成分分析模板特征相似度Pi ；
S8:根據(jù)設(shè)置的迭代寬度、相似度差異閾值以及排序后的灰度直方圖特征相似度和主成分分析模板特征相似度獲得初步匹配目標(biāo)序列，并根據(jù)初步匹配目標(biāo)序列輸出匹配目標(biāo)序列。更進(jìn)一步地，在步驟S6中提取目標(biāo)序列每一幀的灰度直方圖特征具體為:S61:將目標(biāo)序列每一幀圖像RGB三個(gè)通道分別做直方圖規(guī)定化處理并獲得消除光照差異的圖像；S62:計(jì)算所述消除光照差異的圖像的灰度直方圖，并將所述灰度直方圖作為所述目標(biāo)序列每一幀的灰度直方圖特征。更進(jìn)一步地，所述直方圖規(guī)定化處理是采用模型數(shù)為2的混合高斯模型。更進(jìn)一步地，在步驟S6中提取目標(biāo)序列的主成分分析模板特征具體為:利用目標(biāo)序列前m幀做主成分分析，將每一幀展開(kāi)成一行η列的向量Ai,計(jì)算協(xié)方
I
差矩陣C =勺特征值和特征向量，將η個(gè)特征值按照從大到小排列并取前k個(gè)特
m i=l
征值對(duì)應(yīng)的特征向量構(gòu)成特征空間Fnxk ；分別將目標(biāo)序列前m幀數(shù)據(jù)向量組成的矩陣Amxn與待匹配目標(biāo)向量Iixn均投影到所述特征空間Fnxk并得到目標(biāo)序列的主成分分析模板特征Amxk和待匹配目標(biāo)的主成分分析模板特征Ilxk。 更進(jìn)一步地，在步驟S8中將灰度直方圖特征相似度與主成分分析模板特征相似度分別按照從小到大的順序進(jìn)行排序。更進(jìn)一步地,步驟S8具體為:S81:初始化迭代寬度和相似度差異閾值；S82:將在排序后的前w個(gè)灰度直方圖特征相似度和前w個(gè)主成分分析模板特征相似度中同時(shí)出現(xiàn)的目標(biāo)序列作為初步匹配目標(biāo)序列；S83:當(dāng)所述初步匹配目標(biāo)序列的數(shù)目為I時(shí)，輸出匹配目標(biāo)序列；當(dāng)所述初步匹配目標(biāo)序列的數(shù)目大于I時(shí)，計(jì)算初步匹配目標(biāo)序列的相似度差異值，并判斷相似度差異值是否小于所述相似度差異閾值，若是，則輸出匹配目標(biāo)序列；若否，則為非匹配目標(biāo)序列；當(dāng)所述初步匹配目標(biāo)序列的數(shù)目為O時(shí)，更新迭代寬度和相似度差異閾值，返回至步驟S82 ;當(dāng)初步匹配目標(biāo)序列的數(shù)目再次為O時(shí)，則為非匹配目標(biāo)序列。更進(jìn)一步地,所述迭代寬度w的范圍為0〈w〈N, N為目標(biāo)序列個(gè)數(shù)。更進(jìn)一步地,所述初始化相似度差異值閾值R=3X (σ J σ2)，O1, σ2分別為當(dāng)待匹配目標(biāo)和目標(biāo)序列為同一目標(biāo)時(shí)的兩個(gè)特征相似度在歸一化后的標(biāo)準(zhǔn)差。更進(jìn)一步地，根據(jù)公式h=10X P1-P0KlH1-H0計(jì)算初步匹配目標(biāo)序列的相似度差異值，P0>H0分別為兩個(gè)特征相似度排序中的最小項(xiàng)。本發(fā)明從目標(biāo)序列角度出發(fā)，通過(guò)目標(biāo)序列特征來(lái)表示目標(biāo)序列的信息，很好的克服了單幀行人目標(biāo)匹配的不穩(wěn)定性。本發(fā)明的特征融合方法經(jīng)過(guò)兩次迭代判別，能有效的消除由于單一特征無(wú)法對(duì)所有視頻不確定因素都魯棒特性產(chǎn)生的干擾，相對(duì)于傳統(tǒng)的基于貝葉斯結(jié)構(gòu)的融合算法有更好的魯棒性和匹配精度。


圖1是本發(fā)明實(shí)施例提供的監(jiān)控視頻行人檢測(cè)匹配方法的實(shí)現(xiàn)流程圖；圖2是本發(fā)明實(shí)施例提供的監(jiān)控視頻行人檢測(cè)匹配方法中步驟S8的子流程圖；圖3是采用本發(fā)明實(shí)施例提供的監(jiān)控視頻行人檢測(cè)匹配方法實(shí)現(xiàn)行人檢測(cè)匹配的匹配結(jié)果示意圖。
具體實(shí)施例方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。如圖1所示，本發(fā)明實(shí)施例提供的監(jiān)控視頻行人檢測(cè)匹配方法，具體包括下述步驟:S1:在單幀圖像中框選出待匹配目標(biāo)圖像并在視頻圖像序列中通過(guò)提取圖像的全局變換直方圖(Census Transform Histogram, CENTRIST)特征獲得行人目標(biāo)的方形區(qū)域坐標(biāo)；S2:根據(jù)每個(gè)視頻圖像序列的第a幀的行人目標(biāo)的個(gè)數(shù)ba建立ba個(gè)目標(biāo)序列，從第a+Ι幀開(kāi)始依次計(jì)算當(dāng)前幀(a+p)行人目標(biāo)Tj的方形區(qū)域中心與前一幀(a+ρ-Ι)的bu+ρ-υ個(gè)目標(biāo)序列的序列末目標(biāo)中心之間的距離h。，a、ba、j、P均為大于等于I的正整數(shù)；S3:判斷所述距離h。是否小于設(shè)定的閾值；若是，則進(jìn)入步驟S4 ;若否，則進(jìn)入步驟S5 ;其中閾值為經(jīng)驗(yàn)值，本發(fā)明通過(guò)統(tǒng)計(jì)10組行人目標(biāo)序列相鄰幀目標(biāo)之間的位移來(lái)確定該閾值為60 ；S4:將所述第(a+p)幀行人目標(biāo)Tj添加至第c個(gè)目標(biāo)序列的序列末；c=l……ba ；S5:以第(a+p)幀行人目標(biāo)Tj為第一個(gè)元素重新建立一個(gè)新的目標(biāo)序列；S6:提取目標(biāo)序列每一幀的灰度直方圖特征和主成分分析模板特征，并提取待匹配目標(biāo)圖像的灰度直方圖特征和主成分分析模板特征；S7:計(jì)算目標(biāo)序列各幀的灰度直方圖特征與待匹配目標(biāo)圖像的灰度直方圖特征之間的巴氏距離，并將巴氏距離均值作為灰度直方圖特征相似度Hi ;計(jì)算目標(biāo)序列各幀的主成分分析模板特征與待匹配目標(biāo)圖像的主成分分析模板特征之間的歐式距離，并將所述歐式距離作為主成分分析模板特征相似度Pi ；S8:根據(jù)設(shè)置的迭代寬度、相似度差異閾值以及排序后的灰度直方圖特征相似度和主成分分析模板特征相似度獲得初步匹配目標(biāo)序列，并根據(jù)初步匹配目標(biāo)序列輸出匹配目標(biāo)序列。本發(fā)明實(shí)施例提供的算法在對(duì)于不同光照環(huán)境、不同角度、不同姿態(tài)的同一行人目標(biāo)都有著較好的匹配精度，同單一特征下的匹配結(jié)果相比準(zhǔn)確度更高。在發(fā)明實(shí)施例中，在步驟S6中提取目標(biāo)序列每一幀的灰度直方圖特征具體為:S61:將目標(biāo)序列每一幀圖像RGB三個(gè)通道分別做直方圖規(guī)定化處理并獲得消除光照差異的圖像；S62:計(jì)算所述消除光照差異的圖像的灰度直方圖，并將所述灰度直方圖作為所述目標(biāo)序列每一幀的灰度直方圖特征。在發(fā)明實(shí)施例中， 所述直方圖規(guī)定化處理是采用模型數(shù)為2的混合高斯模型。
權(quán)利要求
1.一種監(jiān)控視頻行人檢測(cè)匹配方法，其特征在于，包括下述步驟: S1:在單幀圖像中框選出待匹配目標(biāo)圖像并在視頻圖像序列中通過(guò)提取圖像的全局變換直方圖特征獲得行人目標(biāo)的方形區(qū)域坐標(biāo)； 52:根據(jù)每個(gè)視頻圖像序列的第a幀的行人目標(biāo)的個(gè)數(shù)ba建立ba個(gè)目標(biāo)序列，從第a+1幀開(kāi)始依次計(jì)算當(dāng)前幀(a+p)行人目標(biāo)Tj的方形區(qū)域中心與前一幀(a+ρ-Ι)的b (a+p_l5個(gè)目標(biāo)序列的序列末目標(biāo)中心之間的距離h。，a、ba、j、p均為大于等于I的正整數(shù)； 53:判斷所述距離h。是否小于設(shè)定的閾值；若是，則進(jìn)入步驟S4 ;若否，則進(jìn)入步驟S5 ； 54:將所述第(a+p)幀行人目標(biāo)Tj添加至第c個(gè)目標(biāo)序列的序列末；c=l……ba ； 55:以第(a+p)幀行人目標(biāo)L為第一個(gè)元素重新建立一個(gè)新的目標(biāo)序列； 56:提取目標(biāo)序列每一幀的灰度直方圖特征和主成分分析模板特征，并提取待匹配目標(biāo)圖像的灰度直方圖特征和主成分分析模板特征； 57:計(jì)算目標(biāo)序列各幀的灰度直方圖特征與待匹配目標(biāo)圖像的灰度直方圖特征之間的巴氏距離，并將巴氏距離均值作為灰度直方圖特征相似度Hi ;計(jì)算目標(biāo)序列各幀的主成分分析模板特征與待匹配目標(biāo)圖像的主成分分析模板特征之間的歐式距離，并將所述歐式距離作為主成分分析模板特征相似度Pi ； 58:根據(jù)設(shè)置的迭代寬度、相似度差異閾值以及排序后的灰度直方圖特征相似度和主成分分析模板特征相似度獲得初步匹配目標(biāo)序列，并根據(jù)初步匹配目標(biāo)序列輸出匹配目標(biāo)序列。
2.如權(quán)利要求1所述的方法，其特征在于，在步驟S6中提取目標(biāo)序列每一幀的灰度直方圖特征具體為: 561:將目標(biāo)序列每一幀圖像RGB三個(gè)通道分別做直方圖規(guī)定化處理并獲得消除光照差異的圖像； 562:計(jì)算所述消除光照差異的圖像的灰度直方圖，并將所述灰度直方圖作為所述目標(biāo)序列每一幀的灰度直方圖特征。
3.如權(quán)利要求2所述的方法，其特征在于，所述直方圖規(guī)定化處理是采用模型數(shù)為2的混合高斯模型。
4.如權(quán)利要求1所述的方法，其特征在于，在步驟S6中提取目標(biāo)序列的主成分分析模板特征具體為: 利用目標(biāo)序列前m幀做主成分分析，將每一幀展開(kāi)成一行η列的向量Ai,計(jì)算協(xié)方差矩陣C = 444勺特征值和特征向量，將η個(gè)特征值按照從大到小排列并取前k個(gè)特征值 m 1=1對(duì)應(yīng)的特征向量構(gòu)成特征空間Fnxk ； 分別將目標(biāo)序列前m幀數(shù)據(jù)向量組成的矩陣Amxn與待匹配目標(biāo)向量Iixn均投影到所述特征空間Fnxk并得到目標(biāo)序列的主成分分析模板特征Amxk和待匹配目標(biāo)的主成分分析模板特征Iixk ;k的范圍為1，2……η。
5.如權(quán)利要求1所述的方法，其特征在于，在步驟S8中，將灰度直方圖特征相似度與主成分分析模板特征相似度分別按照從小到大的順序進(jìn)行排序。
6.如權(quán)利要求5所述的方法，其特征在于，步驟S8具體為:581:初始化迭代寬度和相似度差異閾值； 582:將在排序后的前w個(gè)灰度直方圖特征相似度和前w個(gè)主成分分析模板特征相似度中同時(shí)出現(xiàn)的目標(biāo)序列作為初步匹配目標(biāo)序列； 583:當(dāng)所述初步匹配目標(biāo)序列的數(shù)目為I時(shí)，輸出匹配目標(biāo)序列； 當(dāng)所述初步匹配目標(biāo)序列的數(shù)目大于I時(shí)，計(jì)算初步匹配目標(biāo)序列的相似度差異值，并判斷相似度差異值是否小于所述相似度差異閾值，若是，則輸出匹配目標(biāo)序列；若否，則為非匹配目標(biāo)序列； 當(dāng)所述初步匹配目標(biāo)序列的數(shù)目為O時(shí)，更新迭代寬度和相似度差異閾值，返回至步驟S82 ;當(dāng)初步匹配目標(biāo)序列的數(shù)目再次為O時(shí)，則為非匹配目標(biāo)序列。
7.如權(quán)利要求6所述的方法，其特征在于，所述迭代寬度w的范圍為0〈w〈N，N為目標(biāo)序列個(gè)數(shù)。
8.如權(quán)利要求6所述的方法，其特征在于，所述初始化相似度差異值閾值R=3X(σ1+σ2), σ1, σ2分別為當(dāng)待匹配目標(biāo)和目標(biāo)序列為同一目標(biāo)時(shí)的兩個(gè)特征相似度在歸一化后的標(biāo)準(zhǔn)差。
9.如權(quán)利要求6所述的方法，其特征在于，根據(jù)公式h=10X│P1-P0│+│H1-H0│計(jì)算初步匹配目標(biāo)序列的相似度差異值，P0，H0分別為兩個(gè)特征相似度排序中的最小項(xiàng)。
全文摘要
本發(fā)明屬于視頻圖像數(shù)據(jù)處理領(lǐng)域，公開(kāi)了一種監(jiān)控視頻行人檢測(cè)匹配方法，包括視頻行人目標(biāo)檢測(cè)步驟；幀間同目標(biāo)關(guān)聯(lián)步驟；目標(biāo)序列及待匹配目標(biāo)特征提取步驟；特征相似度計(jì)算步驟和目標(biāo)匹配判別步驟。由于相鄰幀間行人目標(biāo)不會(huì)有太大的位移，本發(fā)明使用被檢測(cè)出的行人的位置信息對(duì)序列連續(xù)幀中的同一目標(biāo)進(jìn)行關(guān)聯(lián)得到目標(biāo)序列；目標(biāo)序列特征提取的方法一是提取目標(biāo)序列多幀的灰度直方圖特征，一是目標(biāo)序列的PCA模板，由于都采用了多幀的信息，相對(duì)于單幀目標(biāo)匹配有更好的穩(wěn)定性和匹配精度；匹配判別方法利用迭代特征融合這兩個(gè)特征的相似度來(lái)做出判斷，得出匹配結(jié)果。
文檔編號(hào)G06K9/00GK103164693SQ20131004392
公開(kāi)日2013年6月19日 申請(qǐng)日期2013年2月4日 優(yōu)先權(quán)日2013年2月4日
發(fā)明者譚毅華, 黃石泉, 李彥勝, 田金文 申請(qǐng)人:華中科技大學(xué)