一种多摄像机间人体目标再识别的方法及系统技术方案

本发明专利技术适用于无重叠区域的多摄像机间的人体再识别，提供了一种多传感器间人体目标再识别的方法，步骤包括：A，将已知人体图像序列与图库中的待识别的个体图像序列分成若干组，根据原型相似度特征计算各组的个体相似度差异特征；B，根据各组的个体相似度差异特征及其对应的标签来进行分类器训练；C，计算分类器的输出权值平均值，从而确定最匹配人体。本发明专利技术能够用多帧图像数据来实现人体再识别，及度量多帧图像数据中的人体目标的相似度，与现有技术提供的算法相比，本发明专利技术提供提出的显著性差异距离在数据集上识别率较高，可以有效的改善不同摄像机间样本图像中人体产生较大的外形、尺度和遮挡等影响因素的鲁棒性，从而提高算法的识别率。

【技术实现步骤摘要】

本专利技术属于图像识别领域，尤其涉及一种无重叠区域的多摄像机间人体目标再识 别的方法及系统。
技术介绍
目前，现有技术的人体再识别方法几乎都是使用一幅查询图像与图库中所有图形 进行相似度匹配，然而，这些方法存在固有缺陷，即人体外观特征在摄像机间可能会发生显 著性变化。视觉识别原理指出目标识别是一个动态的过程，即需要注视两个目标一段时间 后才能识别出它们是否为同一目标。现有技术中有利用行人在每个摄像机内跟踪产生的图 像序列，提出了基于图像序列的人体再识别算法。该算法计算两个摄像机中人体序列对应 样本间相似度作为特征，从而将人体再识别转化为一个二分类问题，并利用adaboost分类 器来判断是否为同一人。在该方法中每个样本仅与另一样本序列中一个样本进行相似度对 比，得到的特征不仅缺乏多样性，而且缺乏考虑样本自身形变、拍摄视角变化等影响。如图1 所示，a与d的腿部形状变化较大而与e的较为相似;b与e腿部形状变化较大而与f比较相似； c与f腿部形状变化较大而与d比较相似。如果采用上述的再识别方法，即a与d、b与e、c与f分 别进行相似度比较，则会忽略a与e、b与f、c与d之间相似度的贡献。 现有技术无法实现用多帧图像数据进行人体再识别，及度量多帧图像数据中的人 体目标的相似度。
技术实现思路
本专利技术所要解决的技术问题在于提供一种多传感器间人体目标再识别的方法及 系统，旨在解决现有技术无法实现用多帧图像数据进行人体再识别，及度量多帧图像数据 中的人体目标的相似度的问题。 本专利技术是这样实现的，一种多摄像机间人体目标再识别的方法，包括以下步骤： 步骤A，将已知人体图像序列与图库中的待识别的个体图像序列分成若干组，根据 原型相似度特征计算各组的个体相似度差异特征； 步骤B，根据各组的个体相似度差异特征及其对应的标签来进行分类器训练； 步骤C，计算分类器的输出权值平均值，根据所述输出权值平均值确定最匹配人 体。 进一步地，所述步骤A包括以下步骤： 步骤A1，将已知人体图像序列与图库中待识别的个体图像序列分为若干组； 步骤A2,计算组内每幅图像中人体的原型相似度特征； 步骤A3,分别计算查询个体各组内每幅已知人体图像的原型相似度特征一一与待 识别图库中具有相同组编号的组内所有人体图像的原型相似度特征的相似度； 步骤A4,以每一组内所有的相似度作为一个新的描述子，即个体相似度差异特征； 以n，m分别表示样本图像序列和待识别图像序列的大小，if表示第i个人的第η幅 图像的原型相似度特征，以flsdf表示个体相似度差异特征，则：进一步地，所述步骤A1具体包括：采用系统抽样的方式将已知人体图像序列与图库中的待识别的个体图像序列分 配到各个组内；以seq表示某个体图像序列，则： seq={spi，sp2, · · ·，spn}， 其中：spideGroup_(s+l)if id%gn = s，s.t. l<id<N，l<s< gn，N 为个体图像序 列里样本总数，id为样本编号，s为分组编号，e表示属于关系，％表示取余操作，gn为总分 组数，其中gn = N/sc，sc表示组内样本个数。进一步地，所述步骤A2具体包括：步骤A21，将每一图像序列中的人体按照1:3:4的分割比例分成三部件； 步骤A22,构建各部件的部件特征集和对应的原型集； 假如图库中有T个样本，即G={ Γ1; . . .，ΓΤ}，每个样本按照分割比例分割成三部 件，即ri={ ri,head，ri,bQdy，ri,leg}，以nl种特征向量'描述每个部件，即： i 其中，pe {head，body，leg}，1 < k<nl，图库中所有样本的部件p的第k种特征融合 在一起形成部件P的第k种特征集Χ?，即：，其中，U表示包含关系； 接着，利用k-means算法将部件p的部件特征集聚类得到c个簇，. 1 < j < c，同 时形成该部件的一个原型集#(65，即： = 丨，其中，每个簇作为该部件在该特征下的一个原型； 步骤A23,根据所述部件特征集和所述原型集计算所述原型相似度特征； 以表示样本部件p的第k种特征与其对应的原型集#(?之间的相似度，d (·，·）表示为显著性差异距离，则：以?[)表示部件p的部件原型相似度特征，则：以F表示人体原型相似度特征，则： F={Fhead,Fbody,Fleg}〇 进一步地，所述分类器为adaboost分类器，在步骤B中，以相同人样本计算所得到 的个体相似度差异特征作为正样本，而不同人样本计算所得到的个体相似度差异特征作为 负样本来训练所述adaboost分类器。 进一步地，所述步骤C包括具体包括：步骤C1，计算样本图像序列中的样本序列与待识别图像序列中所有图像经过 adaboost分类器分类后的权值平均值；以scoreq表示样本图像序列中的样本序列seq与待识别图像序列中所有图像中人 体q的图像序列经过adaboost分类后权值平均值，outputg表示为第g组经过adaboost分类 器后输出的权值，贝 1J:步骤C2,选择adaboost分类器输出权值平均值的最大值对应的图像序列为最终的 在识别结果，确认最匹配人体；以cf表示权值平均值的最大值，Q表示图库，则： 本专利技术还提供了一种多摄像机间人体目标再识别的系统，包括： 计算单元，用于将已知人体图像序列与图库中的待识别的个体图像序列分成若干 组，根据原型相似度特征计算各组的个体相似度差异特征； 训练单元，用于根据各组的个体相似度差异特征及其对应的标签来进行分类器训 练； 确定单元，用于计算分类器的输出权值平均值，根据所述输出权值平均值确定最 匹配人体。 进一步地，所述计算单元包括： 分组模块，用于将已知人体图像序列与图库中待识别的个体图像序列分为若干 组； 原型相似度计算模块，用于计算组内每幅图像中人体的原型相似度特征； 相似度计算模块，用于分别计算查询个体各组内每幅已知人体图像的原型相似度 特征一一与待识别图库中具有相同组编号的组内所有人体图像的原型相似度特征的相似 度； 计算模块，用于以每一组内所有的相似度作为一个新的描述子，即个体相似度差 异特征，其中； 以n，m分别表示样本图像序列和待识别图像序列的大小，if表示第i个人的第η幅 图像的原型相似度特征，以flsdf表示个体相似度差异特征，则：进一步地，所述分组模块具体用于： 采用系统抽样的方式将已知人体图像序列与图库中的待识别的个体图像序列分 配到各个组内；以seq表示某个体图像序列： 则：seq={spi，sp2, · · ·，spn}， 其中：spideGroup_(s+l)if id%gn = s，s.t. l<id<N，l<s< gn，N 为个体图像序 列里样本总数，id为样本编号，s为分组编号，e表示属于关系，％表示取余操作，gn为总分 组数，其中gn = N/sc，sc表示组内样本个数。 进一步地，所述原型相似度计算模块包括： 分割子模块，用于将每一图像序列中的人体按照1:3:4的分割比例分成三部件；构建子模块，用于构建各部件的部件特征集和对应的原型集；[0当前第1页1 2 3 4&本文档来自技高网...

【技术保护点】
一种多摄像机间人体目标再识别的方法，其特征在于，所述方法包括以下步骤：步骤A，将已知人体图像序列与图库中的待识别的个体图像序列分成若干组，根据原型相似度特征计算各组的个体相似度差异特征；步骤B，根据各组的个体相似度差异特征及其对应的标签来进行分类器训练；步骤C，计算分类器的输出权值平均值，根据所述输出权值平均值确定最匹配人体。

【技术特征摘要】

【专利技术属性】
技术研发人员：李岩山，谭飞刚，谢维信，张勇，石伟，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44