一种基于有限混合模型的行人再识别方法技术

本发明专利技术公开了一种基于有限混合模型的行人再识别方法，属于计算机视觉和模式识别领域，提升行人再识别的准确度，包括以下步骤：(1)构建行人图像库预处理图像并提取图像特征；(2)计算图像库中所有图像的有限混合模型和待再识别行人的图像的有限混合模型参数；(3)将需再识别行人的有限混合模型与图像库中所有图像的有限混合模型之间的距离进行最优化求解，并进行距离排序返回再识别结果。本发明专利技术优化混合模型之间的距离度量，提高行人再识别的准确度。

【技术实现步骤摘要】

本专利技术属于计算机视觉与模式识别领域，更具体地，涉及一种基于有限混合模型 的行人再识别方法。
技术介绍
行人再识别在视频监控网络中中是非常重要的问题，在监控网络中的行人会在不 同的摄像头下出现。行人再识别的任务是在监控网络中行人的身份的鉴定，将曾经在监控 网络中出现过的目标行人在其他摄像机的场景内时再次识别出来的技术，即在给定一些候 选目标的情况下如何将行人进行再识别。 现有的行人再识别方法中主要分为以下几步：从原始视频数据中提取更为可靠、 鲁棒和精确的特征数据；通过提取的特征数据来建立描述子能够有效描述不同个体；将需 再识别图像与监控网络中的行人进行距离度量并返回再识别行人的候选行人图像。 但现有的行人再识别方法也存在着一些相应的问题：（1)提取的特征不能够建立 一个鲁棒性的描述子对行人图像的整体信息进行描述；（2)不同个体的描述子是处在黎曼 流形上，简单得采用一些欧式空间度量距离的方法往往带来很大的偏差。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于有限混合模型的 行人再识别方法，其目的在于，在提取的特征上建立更为鲁棒性的描述子对行人图像进行 描述，并对不同行人图像的描述子建立度量模型以更准确得返回再识别行人的候选行人图 像。 为实现上述目的，按照本专利技术的一个方面，提供了一种基于有限混合模型的行人 再识别方法，包括以下步骤： (1)对监控视频进行预处理，以构建行人图像库，并提取需再识别行人的图像和行 人图像库的多维特征向量； (2)利用步骤（1)中得到的多维特征向量并使用期望最大化算法计算行人图像库 中所有图像的有限混合模型参数和需再识别行人的图像的有限混合模型参数； (3)采用李群运土工距离分别获得需再识别行人的有限混合模型与行人图像库中 所有图像的有限混合模型之间的距离，并对距离按照从小到大的顺序排序后返回排名前列 的多个结果所对应的行人数据库中的多幅图像。 优选地，本方法进一步包括：在步骤（1)之后，利用主成分分析法对提取的多维特 征向量进行维数削减。 优选地，步骤（1)包括以下子步骤： (I. 1)对监控视频进行行人检测，提取所有行人的最小矩形框图像，并根据提取的 最小矩形框图像构建行人图像库； (1. 2)将需再识别行人的图像与行人图像库中所有图像按照统一的图像长度和宽 度进行缩放，并将行人图像库中的所有图像进行颜色直方图均衡化处理，其中以图像左上 方的顶点作为坐标原点，像素点的坐标为（x，y); (1. 3)提取步骤（1. 2)处理后的需再识别行人的图像与处理后的行人图像库中所 有图像的每个像素点（x，y)处的多维特征向量z (x，y)。 优选地，步骤（1. 3)具体为，提取像素点（X，y)处多维特征向量，其中R、G、B分别为像素点 (X，y)处的颜色信息，I# I ￥分别为图像经过（-1，〇, I) τ、（-1，〇, 1)滤波后在像素点（X，y) 处的一阶梯度值，Ixx与Iyy则分别为图像经过（-1，2, I) T、（-1，2, 1)滤波后像素在像素点 (X，y)处的二阶梯度值，（·）T表示对矩阵进行转置操作。 优选地，步骤⑵包括以下子步骤： (2. 1)采用有限混合模型对需再识别行人的图像及行人图像库中的每幅图像的多 维特征向量ζ (X，y)进行建模，以生成有限混合模型中的模型参数T和S ;具体而言，有限混 合模型的基函数采用高斯函数，基函数的个数根据经验设置一个值N，使用EM算法获取有 限混合模型中需再识别行人的图像的模型参数了={(?^以^2 1^)，（￥2^，以2,1，22一，· ..(w K，T，μκ，τ，Σκ，τ)}，以及有限混合模型中行人图像库中图像的模型参数S= {(Wl,s，μ。 ，\s)，（W2, s，μ2』，Σ2』)，...（W;s，Σ;』)}，其中K和J分别为有限混合模型中需再识 别行人的图像、行人图像库中的图像经过EM算法迭代融合后的基函数个数，且1彡K彡Ν， 1彡J彡N ;这里（wk，T，yk，T，Xk， T)分别表示需再识别行人图像的有限混合模型中高斯基函 数的权值、均值向量和协方差矩分别表示行人图像库图像 k-:i J 的有限混合模型中高斯基函数的权值、均值向量和协方差矩阵，且Σ?ι',.ν =1; (2.2)将需再识别行人的图像与行人图像库中的图像的有限混合模型中高斯 基函数的协方差矩阵Σ ρ进行乔列斯基分解分解，以得到下三角矩阵LtT、L]iS: 2蚊.=Ai ：τΑ：τ、IdsXi s，其中分角军所得到的Lk，T、1^，5是唯一的； (2. 3)枏据得到的下三角矩阵L. T、Lj,s并通过多维标准正态分布生成仿射变换矩 ^多个Tk,T、T k,s形成有限混合模型的模型参数T -I (wI1T) Tii t) , (w2jT, T2j τ),. . . (wK T, Τκ τ)} ν S - {(wliS, S1!s), (w2，s, S2，s), · · · (Wj，s, Sj，s)}。 优选地，步骤（3)包括以下子步骤： (3. 1)度量需再识别行人的有限混合模型与行人图像库中每幅图像的有限混合模 型之间的距离； (3. 2)遍历整个行人图像库计算图像库中所有行人与需再识别行人之间的李群运 土工距离，将距离LGEMD(S，T)进行排序，并返回排名前列的多个结果所对应的行人数据库 中的多幅候选图像。 优选地，步骤（3. 1)包括以下子步骤： (3. I. 1)将行人图像库中每个行人的第j个高斯成分S]iS映射到需再识别行人的 第k个仿射变换矩阵TkiT的切空间上，并计算第j个高斯成分S jiS到切空间的测地线距离? I IfS矩阵的弗罗贝尼乌斯范数； L，b」 H i. Z;米用LGEMD计算方法来优化由模型参数S = {(wliS, SliS)，（w2,s，S2,s)，· · ·（ wj,s，SiS)}到模型参数 T= {(WpU，（w2,t，T2,t)，···（w k,t，Tk,t)}之间的距离，其通过以下 线性目标函数表示： 上述优化问题可通过单纯形方法求出，上式中的d]k由（3.2.1)运算得 到，然后根据所得的优化参数计算出两混合模型之间的李群运土工距离 按照本专利技术的另一方面，提供了一种基于有限混合模型的行人再识别系统，包 括： 第一模块，用于对监控视频进行预处理，以构建行人图像库，并提取需再识别行人 的图像和行人图像库的多维特征向量； 第二模块，用于利用第一模块中得到的多维特征向量并使用期望最大化算法计 算行人图像库中所有图像的有限混合模型参数和需再识别行人的图像的有限混合模型参 数； 第三模块，用于采用李群运土工距离分别获得需再识别行人的有限混合模型与行 人图像库中所有图像的有限混合模型之间的距离，并对距离按照从小到大的顺序排序后返 回排名前列的多个结果所对应的行人数据库中的多幅图像。 总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有 益效果： 1、本专利技术采用了步骤（1)和步骤（2)，能够使提取的行人图像描述子更为鲁棒，并 很好得反映行人的整体信息； 2、在不同行人图像描述子距离度量上本专利技术采用步骤（3)，依据李群李代数的相 关理论和线性优化方法进行度量不同行本文档来自技高网...

【技术保护点】
一种基于有限混合模型的行人再识别方法，其特征在于，包括以下步骤：(1)对监控视频进行预处理，以构建行人图像库，并提取需再识别行人的图像和行人图像库的多维特征向量；(2)利用步骤(1)中得到的多维特征向量并使用期望最大化算法计算行人图像库中所有图像的有限混合模型参数和需再识别行人的图像的有限混合模型参数；(3)采用李群运土工距离分别获得需再识别行人的有限混合模型与行人图像库中所有图像的有限混合模型之间的距离，并对距离按照从小到大的顺序排序后返回排名前列的多个结果所对应的行人数据库中的多幅图像。

【技术特征摘要】

【专利技术属性】
技术研发人员：王天江，吴善农，冯琪，刘芳，王明理，龚立宇，邵光普，冯平，
申请(专利权)人：华中科技大学，中建三局智能技术有限公司，
类型：发明
国别省市：湖北;42