一种基于聚类算法的行人重识别方法和装置制造方法及图纸

技术编号:19823743 阅读:25 留言:0更新日期:2018-12-19 15:24
本发明专利技术公开了一种基于聚类算法的行人重识别方法和装置,该行人重识别方法包括:S1:对不同场景下的每一个行人的行人特征进行提取;S2:根据场景的数量以及每一个场景中行人的数量建立一个二维矩阵;S3:根据建立的二维矩阵,获得不同场景下行人特征的二维距离矩阵;S4:对二维距离矩阵进行密度聚类,输出距离小于预设阈值的特征集合;输出的每一个特征集合为一个行人在不同场景下的行人特征;S5:将输出的特征集合标注在对应的场景中,获得同一行人在不同场景中的位置。本发明专利技术能够在多个场景下对同一行人进行特征重识别,能够在不指定行人特征数目的情况下通过聚类的方法,识别出重复出现的行人特征。

【技术实现步骤摘要】
一种基于聚类算法的行人重识别方法和装置
本专利技术涉及计算机
,特别涉及一种基于聚类算法的行人重识别方法和装置。
技术介绍
随着人工智能技术和深度学习框架的普及,行人重识别越来越成为计算机视觉领域中的极富有挑战性的话题。在现有的技术中,大致可分为两种方法,一种是基于颜色区域特征的行人重识别的方法,从视频图案中裁取出目标矩形作为输入图像,经前景提取和在线聚类提取到颜色区域,再将颜色区域的统计特征作为局部特征应用于人物重识别;另一种是时空约束的监控视频行人重识别结果的二次优化方法,采用基于人体外貌视觉特征的行人重识别算法,得到初始识别的结果,在通过视频帧中提起的时间序列参数,计算机视觉匹配概率,路径匹配概率及二者联合概率,选择联合概率最大的路径下的行人图像输出。但是,基于颜色区域特征的行人重识别的方法,是以行人本身衣服颜色作为主要对比对象,这也就产生了对于多场景下颜色相近的行人重识别不够明显的问题,对于行人的性别、年龄、发型、是否佩戴眼镜、是否携带包等等这些特征都会欠缺考虑,另外对于同一行人在行进途中服装颜色的更换问题也不能解决;而时空约束的监控视频行人重识别结果的二次优化方法,要求图像输入过程首先要标注上时间,对于时间节点分散的图片会识别不出,其次对于空间也提出了要求,需要预先知道行人路径,再按照时间顺序进行排序。
技术实现思路
本专利技术实施例提供了一种基于聚类算法的行人重识别方法和装置,能够在多个场景下对同一行人进行特征重识别,能够在不指定行人特征数目的情况下通过聚类的方法,识别出重复出现的行人特征。第一方面,本专利技术实施例提供了一种基于聚类算法的行人重识别方法,该行人重识别方法包括:S1:对不同场景下的每一个行人的行人特征进行提取;S2:根据场景的数量以及每一个场景中行人的数量建立一个二维矩阵;S3:根据建立的二维矩阵,获得不同场景下行人特征的二维距离矩阵;S4:对二维距离矩阵进行密度聚类,输出距离小于预设阈值的特征集合;输出的每一个特征集合为一个行人在不同场景下的行人特征。优选地,在步骤S4之后还包括:将输出的特征集合标注在对应的场景中,获得同一行人在不同场景中的位置。优选地,步骤S1中提取的行人特征包括行人的坐标、性别、肤色、年龄、发型、是否佩戴首饰、手否佩戴包及其种类、是否佩戴帽子及其种类、是否佩戴眼镜、是否携带雨伞、是否佩戴面具中的一种或多种。优选地,步骤S3的具体过程包括:根据建立的二维矩阵,将行人特征放入矩阵中成为二维矩阵的元素;计算每个元素中两个行人特征的距离,并将计算结果存入该二维矩阵获得二维距离矩阵;其中,将两个同一场景中的行人特征之间的距离默认为无限大。优选地,步骤S4中对二维距离矩阵进行密度聚类的方法是:采用DBSCAN(Density-BasedSpatialClusteringofApplicationswithNoise,具有噪声的基于密度的聚类方法)密度聚类进行聚类。第二方面,本专利技术实施例提供了一种基于聚类算法的行人重识别装置,该行人重识别装置包括:特征提取模块、矩阵建立模块、距离计算模块和聚类输出模块;特征提取模块:用于对不同场景下的每一个行人的行人特征进行提取;距离计算模块:用于根据场景的数量以及每一个场景中行人的数量建立一个二维矩阵;距离计算模块:用于根据建立的二维矩阵,获得不同场景下行人特征的二维距离矩阵;聚类输出模块:用于对二维距离矩阵进行密度聚类,输出距离小于预设阈值的特征集合;输出的每一个特征集合为一个行人在不同场景下的行人特征。优选地,该行人重识别装置还包括:位置标注模块:用于将输出的特征集合标注在对应的场景中,获得同一行人在不同场景中的位置。优选地,特征提取模块提取的行人特征包括行人的坐标、性别、肤色、年龄、发型、是否佩戴首饰、手否佩戴包及其种类、是否佩戴帽子及其种类、是否佩戴眼镜、是否携带雨伞、是否佩戴面具中的一种或多种。优选地,距离计算模块包括构建元素单元和元素计算单元;构建元素单元,用于根据建立的二维矩阵,将行人特征放入矩阵中成为二维矩阵的元素;元素计算单元,用于计算每个元素中两个行人特征的距离,并将计算结果存入该二维矩阵获得二维距离矩阵;其中,将两个同一场景中的行人特征之间的距离默认为无限大。优选地,聚类输出模块对二维距离矩阵进行密度聚类的方法是:采用DBSCAN(Density-BasedSpatialClusteringofApplicationswithNoise,具有噪声的基于密度的聚类方法)密度聚类进行聚类。与现有技术相比,本专利技术至少具有以下有益效果:首先不需要对输入的图片源进行时间空间的标注,对于任意多张图片都能进行行人特征提取,其次对于行人的特征提取,不仅仅只参考颜色,还加入了行人的其他特征,如:性别、年龄、发型等等,完善了行人特征的提取;其次对于多个场景下行人重识别,通过计算不同场景下两两特征之间的欧式距离,再对距离进行聚类,从而得到不同的簇,即同一行人在不同场景下特征集合,能够在多个场景下对同一行人进行特征重识别的系统和装置,能够在不指定行人特征数目的情况下通过聚类的方法,识别出重复出现的行人特征。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本专利技术的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。图1是本专利技术一个实施例提供的一种基于聚类算法的行人重识别方法的方法流程图;图2是本专利技术一个实施例提供的一种基于聚类算法的行人重识别装置的结构框图;图3是本专利技术一个实施例提供的另一种基于聚类算法的行人重识别装置的结构框图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚,下面将结合本专利技术实施例中的附图,对本专利技术实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本专利技术一部分实施例,而不是全部的实施例,基于本专利技术中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本专利技术保护的范围。如图1所示,本专利技术实施例提供了一种基于聚类算法的行人重识别方法,该行人重识别方法可以包括以下步骤:S1:对不同场景下的每一个行人的行人特征进行提取;S2:根据场景的数量以及每一个场景中行人的数量建立一个二维矩阵;S3:根据建立的二维矩阵,获得不同场景下行人特征的二维距离矩阵;S4:对二维距离矩阵进行密度聚类,输出距离小于预设阈值的特征集合;其中,输出的每一个特征集合为一个行人在不同场景下的行人特征;S5:将输出的特征集合标注在对应的场景中,获得同一行人在不同场景中的位置。在该实施例中,步骤S1中提取的行人特征包括行人的坐标、性别、肤色、年龄、发型、是否佩戴首饰、手否佩戴包及其种类、是否佩戴帽子及其种类、是否佩戴眼镜、是否携带雨伞、是否佩戴面具。除此之外,还可以提取行人的其他特征,如高度等。对于特征的提取可以采用HOG(HistogramofOrientedGradient,方向梯度直方分布图)算法、LBP(LocalBinaryPatterns,局部二值模式)算法、Haar算法、SIFT(Scale-invariantfeaturestran本文档来自技高网...

【技术保护点】
1.一种基于聚类算法的行人重识别方法,其特征在于,该行人重识别方法包括:S1:对不同场景下的每一个行人的行人特征进行提取;S2:根据场景的数量以及每一个场景中行人的数量建立一个二维矩阵;S3:根据建立的二维矩阵,获得不同场景下行人特征的二维距离矩阵;S4:对二维距离矩阵进行密度聚类,输出距离小于预设阈值的特征集合;其中输出的每一个特征集合为一个行人在不同场景下的行人特征。

【技术特征摘要】
1.一种基于聚类算法的行人重识别方法,其特征在于,该行人重识别方法包括:S1:对不同场景下的每一个行人的行人特征进行提取;S2:根据场景的数量以及每一个场景中行人的数量建立一个二维矩阵;S3:根据建立的二维矩阵,获得不同场景下行人特征的二维距离矩阵;S4:对二维距离矩阵进行密度聚类,输出距离小于预设阈值的特征集合;其中输出的每一个特征集合为一个行人在不同场景下的行人特征。2.根据权利要求1所述的基于聚类算法的行人重识别方法,其特征在于,在步骤S4之后还包括:将输出的特征集合标注在对应的场景中,获得同一行人在不同场景中的位置。3.根据权利要求1所述的基于聚类算法的行人重识别方法,其特征在于,步骤S1中提取的行人特征包括行人的坐标、性别、肤色、年龄、发型、是否佩戴首饰、手否佩戴包及其种类、是否佩戴帽子及其种类、是否佩戴眼镜、是否携带雨伞、是否佩戴面具中的一种或多种。4.根据权利要求1所述的基于聚类算法的行人重识别方法,其特征在于,步骤S3的具体过程包括:根据建立的二维矩阵,将行人特征放入矩阵中成为二维矩阵的元素;计算每个元素中两个行人特征的距离,并将计算结果存入该二维矩阵获得二维距离矩阵;其中,将两个同一场景中的行人特征之间的距离默认为无限大。5.根据权利要求1所述的基于聚类算法的行人重识别方法,其特征在于,步骤S4中对二维距离矩阵进行密度聚类的方法是:采用具有噪声的基于密度的聚类方法DBSCAN密度聚类进行聚类。6.一种基于聚类算法的行人重识别装置,其特征在于,该行人重识别装置包括:特征提取模块、矩阵...

【专利技术属性】
技术研发人员:祁翰林
申请(专利权)人:新智数字科技有限公司
类型:发明
国别省市:河北,13

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1