基于視覺顯著性及多特征的行人再識別方法
【技術領域】
[0001] 本發(fā)明屬于圖像處理技術領域，涉及計算機視覺及模式識別方法，具體是實現行 人再識別的方法。
【背景技術】
[0002] 隨著物聯(lián)網時代的到來，國家大力倡導智慧城市的建設，智能安防、智能交通等基 于視頻分析的課題不斷提出，對獲取的監(jiān)控視頻進行智能分析得到越來越多的重視。對于 大部分的監(jiān)控系統(tǒng)來說，監(jiān)控視頻中出現的人都是其重要關注對象，因此智能監(jiān)控系統(tǒng)需 要擁有對其進行檢測，識別，跟蹤的能力，以便進一步對行人目標的行為進行分析，行人再 識別技術就是其核心步驟之一。所謂行人再識別就是將不同攝像頭中出現的同一個行人再 次識別出來，它主要是在大區(qū)域的多攝像頭視頻監(jiān)控網絡中，實現對行人目標行為的長期 遠距離跟蹤分析。通過對特定人群的行蹤以及其它行為的分析，可以發(fā)現他們之間的行為 方式以及相互關系，這對于特定事件的分析非常有幫助。因此，行人再識別技術是計算機視 覺領域內的一個研究熱點，同時在現實中具有十分重要的應用價值。
[0003] 視覺注意模型是由視覺心理學發(fā)展而來的一個研究領域，能夠快速搜索到人類感 興趣的目標，該目標被稱為顯著性目標，該模型則被稱為顯著性模型。近年來，顯著性模型 在計算機視覺領域得到了越來越普及的應用，常常用在預處理階段來降低計算復雜度?；?于視覺顯著性的圖像分割方法利用人類的視覺注意機制，對生成的顯著圖直接進行簡單的 閾值分割，即可準確地分離出圖像中的前景目標。
[0004] 顏色特征是在圖像檢索中應用最為廣泛的視覺特征，往往和圖像中所包含的物體 或場景相關。與其他的視覺特征相比，顏色特征對圖像本身的尺寸、方向、視角的依賴性較 小，從而具有較高的魯棒性。但同時忽略了更多的有用信息（如空間、位置、形狀以及紋理 特征等），因此需要結合其他特征才能對目標進行描述。
[0005] 相似度計算用于衡量對象之間的相似程度，在數據挖掘、自然語言處理中是一個 基礎性計算。針對不同的應用場景，受限于數據規(guī)模、時空開銷等的限制，相似度計算方法 的選擇會有所區(qū)別和不同。Jensen-ShannonDivergence(JSD)距離是一種基于KL距離（KL divergence，KLD)的距離度量，解決了KL距離的不對稱性問題，比KL距離更平滑，也更有 效。理論和實驗證明了基于JSD度量的方法更穩(wěn)定、更精確。基于高斯函數的相似度度量 準則計算任意兩個區(qū)域之間各特征的相似程度，通過調整各特征的方差可以方便地歸一化 具有不同量綱的特征變量，并且相似度總在[0, 1]之間。
[0006] 基于視覺顯著性及多特征的行人再識別研究，采用視覺顯著性對圖像進行預處 理，分割出準確的行人目標，減少后期計算量。提取多種特征，分別進行相似度計算，實現對 視頻網絡中彳丁人的再識別。專利檢索及對國內外各種科技文獻的最新檢索表明，尚未有基 于視覺顯著性及多特征的行人再識別研究方法見諸文獻。

【發(fā)明內容】

[0007] 本發(fā)明所要解決的技術問題是：監(jiān)控網絡中行人目標易受光照、視角、姿勢變換影 響，導致了行人再識別準確性低。
[0008] 為解決上述技術問題，本發(fā)明提供了一種基于視覺顯著性及多特征的行人再識別 方法，其工作原理是：利用視覺顯著性算法及SCA算法實現前景目標的提取與區(qū)域分割，有 效地提取圖像的多種特征；利用不同的相似性度量準則實現實時高準確性的行人再識別。 利用視覺顯著性算法對行人目標進行準確分割，有效地提取目標的空間直方圖；使用Stel componentanalysis(SCA)算法對前景進行區(qū)域分割，提取兩個主要部件的顏色、位置、形 狀以及紋理特征；利用JSD度量準則計算空間直方圖相似度對目標進行初識別；利用高斯 函數計算區(qū)域特征的相似度實現目標的最終識別。
[0009] -種基于視覺顯著性及多特征的行人再識別方法，其特征在于，包括以下步驟：
[0010] (1)利用視覺顯著性模型對檢測到的行人結果框進行預處理，分割出完整的行人 目標；
[0011] (2)提取前景目標的空間直方圖特征；
[0012] (3)利用SCA(Stelcomponentanalysis,SCA)方法對前景目標進行區(qū)域分割，將 人體分割成頭、軀干、腿三個部分；
[0013] (4)在軀干和腿部提取顏色、位置、形狀以及紋理特征對圖像塊進行描述；
[0014] (5)利用JSD度量準則計算空間直方圖相似性，對目標進行初識別，根據相似性得 分排序，篩選出粗識別目標；
[0015] (6)對篩選出的目標，利用高斯函數計算區(qū)域特征的相似性，得到最終識別結果。
[0016] 本發(fā)明所達到的有益效果：本發(fā)明利用視覺顯著性分割算法進行預處理，分割出 準確的前景目標，結合SCA分割方法對目標進行區(qū)域分割；對前景目標及各區(qū)域部分分別 進行多種特征提取，對目標進行充分描述；利用不同的相似性度量準則分別對特征進行比 較，進行目標的初識別及精識別得到最后的識別結果，提高了行人再識別的準確度。
【附圖說明】
[0017] 圖1為本發(fā)明的實施示意圖；
[0018] 圖2為基于視覺顯著性圖像分割流程示意圖。
【具體實施方式】
[0019] 有關本發(fā)明的詳細內容和技術，茲配合圖式說明如下：
[0020] 本發(fā)明的實施示意圖如圖1所示，其具體步驟依次為：
[0021] (1)對視頻中行人進行檢測，利用視覺顯著性模型對檢測到的行人結果框進行預 處理，分割出完整的行人目標；
[0022] 在步驟（1)中，獲取行人區(qū)域的顯著圖M并進行目標分割，具體過程包括：
[0023] 計算感興趣區(qū)域的原始灰度圖M。和二值圖Mi，將二者結合生成一個連續(xù)且平滑 的弱顯著圖Mw，計算公式如下：
[0024]
[0025] 根據弱顯著圖Mw選擇包含正負樣本的訓練集，利用多核增強學習（Multiple KernelBoosting)方法訓練樣本得到強顯著圖Ms，將強顯著圖、弱顯著圖加權結合，得到 最優(yōu)的顯著圖結果，記M為最終輸出顯著圖，計算公式如下：
[0026] M =〇Ms+(l-o ) Mw(式2)
[0027] 其中，〇表示平衡因子，用來調節(jié)強顯著圖、弱顯著圖的權重，為了加大強顯著模 型的權重，設置〇 = 〇.7 ;
[0028] 根據輸出顯著圖M進行閾值分割得到二值圖像，與原始圖像相減即得到分割結 果。
[0029] (2)提取前景目標空間直方圖。
[0030] 在步驟⑵中，由于RGB顏色空間與人眼的感知差異很大，因此使用較好符合人眼 感知特性的HSV顏色模型。
[0031]RGB圖像是通過對紅（R)、綠（G)、藍⑶三個顏色通道的變化以及它們相互之間的 疊加來得到各式各樣的顏色的，r，g，b值對應的是每個通道上的取值；
[0032]HSV顏色模型是倒錐形模型，h對應的是色彩值，s對應的是深淺（例如：深藍、淺 藍），v對應的是明暗，即色彩的明亮程度。
[0033] 首先將圖像中每一像素的r，g，b值轉換為HSV顏色模型的h，s，v值 hG[0,2 JT]，sG[0,1]，vG[0,1];然后根據HSV顏色模型的特性作如下處理：
[0034] 21)黑色區(qū)域：所有v〈15%的顏色均歸入黑色，令h=0, s=0, v=0 ;
[0035] 22)白色區(qū)域：所有s〈10%且v>80%的顏色歸入白色，令h=0, s=0, v=1 ;
[0036] 23)彩色區(qū)域：位于黑色區(qū)域和白色區(qū)域以外的顏色，其h，s，v值保持不變；
[0037] 目標空間直方圖分布記為H:H= {nb，yb，Eb}b= 1,...,B，其中nb，yb，E別是 每個區(qū)間的概率、每個區(qū)間中所有像素坐標的均值向量和協(xié)方差矩陣，B是空間直方圖區(qū)間 個數。
[0038] (3)利用Stel成分分析方法（SCA)對目標進行區(qū)域分割，將人體分割成頭、軀干和 腿三部分。
[0