利用瑞士轮排序进行步态识别的行人再标识方法和装置制造方法及图纸

本发明专利技术实施例提供了一种利用瑞士轮排序进行步态识别的行人再标识方法和装置。该方法包括：检测待检测视频中的行人的目标对象，提取所述目标对象的前景、步态周期和步态特征；将目标对象的步态特征和候选数据的步态特征进行相似性分析得到待排序数据；使用训练好的瑞士轮排序系统，将待排序数据进行多层次的分组排序，组合多层次的分组排序的结果得到待排序数据的最终排序结果，将目标对象识别为最终排序结果中排名最靠前的候选数据。本发明专利技术实施例能有效适应步态在多种情况下差异较大的问题，提高了监控视频场景中对象再标识的准确性，降低误检，实现了有效的行人检测和再标识任务。

【技术实现步骤摘要】

本专利技术设及图像处理
，尤其设及一种利用瑞±轮排序进行步态识别的行 人再标识方法和装置。
技术介绍
随着计算机硬件水平的提高和信息处理技术的不断发展，图像处理和模式识别技 术广泛应用于对象检测、对象特征和对象再标识等安全监控领域。行人再标识是监控场景 中最常见的任务之一，具体地，是指将一个已出现的对象再次出现的图像或视频标记出来。 步态识别技术是一种有效的行人再标识手段，相对于人脸识别，外观识别等手段，步态识别 具有远距离可识别，不依赖于外貌变换等特点。传统的步态识别技术主要是使用距离度量 模型和多类标识模型。在最近的计算机视觉领域，出现利用排序模型进行行人再标识的方 法，该方法具有很好的再标识准确率。 目前，现有技术中的一种利用排序模型进行步态识别的方法为：利用步态能量图 和RankSVM(Suppod Vector Machine化r Ranking,排序支持向量机）对行人步态进行排 序，根据排序模型进行行人再标识。 上述现有技术中的一种利用排序模型进行步态识别的方法的缺点为；由于行人的 步态特征在不同的背包情况下会有较大的差异，即同一对象在背包时采集到的步态特征和 不背包时采集到的步态特征相似度较小；相发地，不同对象在相同的背包情况下采集到的 步态特征反而相似度更大。而该方法中的步态特征单一，且排序模型也较为简单，在情况变 化多，步态特征差异大的情况下行人的再标识效果较差。
技术实现思路
本专利技术的实施例提供了一种利用瑞±轮排序进行步态识别的行人再标识方法和 装置，W实现有效地检测和标识视频图像中的行人。 根据本专利技术的一个方面，提供了一种利用瑞±轮排序进行步态识别的行人再标识 方法，包括： 检测待检测视频中的行人的目标对象，提取所述目标对象的前景，分析所述目标 对象的步态周期，提取所述目标对象的步态特征；[000引将所述目标对象的步态特征和候选数据的步态特征进行相似性分析，根据所述相 似性分析的分析结果得到待排序数据； 使用训练好的瑞±轮排序系统，将所述待排序数据进行多层次的分组排序，组合 多层次的分组排序的结果得到所述待排序数据的最终排序结果，将所述目标对象识别为所 述最终排序结果中排名最靠前的候选数据。 优选地，所述的检测待检测视频中的行人的目标对象，提取目标对象的前景，包 括： 将待检测视频的第一帖图像作为初始的背景图像，用待检测视频的第二帖图像中 的每个像素点的灰度值和所述初始的背景图像中每个像素点的灰度值做帖差运算，得到所 述第二帖图像中每个像素点的像素变化的差分图像. 将所述差分图像进行二值化处理，将像素值大于阔值Tm的像素点标记为运动区 域，该运动区域即为所述第二帖图像中的目标对象的前景； 将二值化的差分图像做腐蚀运算，将腐蚀运算后的差分图像做膨胀运算，将膨胀 运算后的差分图像和所述初始背景图像加权相加得到更新后的背景图像； 用下一帖图像中的每个像素点的灰度值和更新后的背景图像中每个像素点的灰 度值做帖差运算，得到下一帖图像中每个点的像素变化的差分图像，将所述差分图像进行 二值化处理，将像素值大于阔值Tm的像素点标记为运动区域，该运动区域即为所述下一帖 图像中的目标对象的前景； 将二值化的差分图像做腐蚀运算，将腐蚀运算后的差分图像做膨胀运算，将膨胀 运算后的差分图像和所述更新后的背景图像加权相加，再次得到更新后的背景图像； 依次类推，对待检测视频中所有帖图像进行上述处理，得到每一个帖图像中的目 标对象的前景。 优选地，所述的分析目标对象的步态周期，提取目标对象的步态特征，包括： 提取所有帖图像中的目标对象所有行走的前景中的最小外矩形框，提取所述最小 矩形框的高宽比，使用中值滤波、均值滤波对所述最小矩形框的高宽比进行滤波，分析滤波 后的高宽比的自相关性； 提取所述自相关性对应的自相关变换的一阶导数，提取所述一级导数的最高点， 将相邻的两个最高点之间的时间周期作为目标对象的半个步态周期。 优选地，所述的提取目标对象的步态特征，包括： 等比例放缩所有的目标对象的前景到相同的宽高； 加权平均每个步态周期内的前景得到每个步态周期的步态能量图：【主权项】1. 一种利用瑞士轮排序进行步态识别的行人再标识方法，其特征在于，包括： 检测待检测视频中的行人的目标对象，提取所述目标对象的前景，分析所述目标对象 的步态周期，提取所述目标对象的步态特征； 将所述目标对象的步态特征和候选数据的步态特征进行相似性分析，根据所述相似性 分析的分析结果得到待排序数据； 使用训练好的瑞士轮排序系统，将所述待排序数据进行多层次的分组排序，组合多层 次的分组排序的结果得到所述待排序数据的最终排序结果，将所述目标对象识别为所述最 终排序结果中排名最靠前的候选数据。2. 根据权利要求1所述的利用瑞士轮排序进行步态识别的行人再标识方法，其特征在 于，所述的检测待检测视频中的行人的目标对象，提取目标对象的前景，包括： 将待检测视频的第一帧图像作为初始的背景图像，用待检测视频的第二帧图像中的每 个像素点的灰度值和所述初始的背景图像中每个像素点的灰度值做帧差运算，得到所述第 二帧图像中每个像素点的像素变化的差分图像； 将所述差分图像进行二值化处理，将像素值大于阈值Tm的像素点标记为运动区域，该 运动区域即为所述第二帧图像中的目标对象的前景； 将二值化的差分图像做腐蚀运算，将腐蚀运算后的差分图像做膨胀运算，将膨胀运算 后的差分图像和所述初始背景图像加权相加得到更新后的背景图像； 用下一帧图像中的每个像素点的灰度值和更新后的背景图像中每个像素点的灰度值 做帧差运算，得到下一帧图像中每个点的像素变化的差分图像，将所述差分图像进行二值 化处理，将像素值大于阈值Tm的像素点标记为运动区域，该运动区域即为所述下一帧图像 中的目标对象的前景； 将二值化的差分图像做腐蚀运算，将腐蚀运算后的差分图像做膨胀运算，将膨胀运算 后的差分图像和所述更新后的背景图像加权相加，再次得到更新后的背景图像； 依次类推，对待检测视频中所有帧图像进行上述处理，得到每一个帧图像中的目标对 象的前景。3. 根据权利要求2所述的利用瑞士轮排序进行步态识别的行人再标识方法，其特征在 于，所述的分析目标对象的步态周期，提取目标对象的步态特征，包括： 提取所有帧图像中的目标对象所有行走的前景中的最小外矩形框，提取所述最小矩形 框的高宽比，使用中值滤波、均值滤波对所述最小矩形框的高宽比进行滤波，分析滤波后的 尚宽比的自相关性； 提取所述自相关性对应的自相关变换的一阶导数，提取所述一级导数的最高点，将相 邻的两个最高点之间的时间周期作为目标对象的半个步态周期。4. 根据权利要求3所述的利用瑞士轮排序进行步态识别的行人再标识方法，其特征在 于，所述的提取目标对象的步态特征，包括： 等比例放缩所有的目标对象的前景到相同的宽高； 加权平均每个步态周期内的前景得到每个步态周期的步态能量图：其中I (x，y，t)表示步态周期中t时刻的前景图，N表示一个步态周期内的前景图数 量； 通过香浓殇度量每个步态周期的步态能量图的不同位置的不确定性，得到每个步态周 期的步态踢图： EGEni (x. y) = -Egei (x, y) *l〇g2EGE本文档来自技高网...

【技术保护点】
一种利用瑞士轮排序进行步态识别的行人再标识方法，其特征在于，包括：检测待检测视频中的行人的目标对象，提取所述目标对象的前景，分析所述目标对象的步态周期，提取所述目标对象的步态特征；将所述目标对象的步态特征和候选数据的步态特征进行相似性分析，根据所述相似性分析的分析结果得到待排序数据；使用训练好的瑞士轮排序系统，将所述待排序数据进行多层次的分组排序，组合多层次的分组排序的结果得到所述待排序数据的最终排序结果，将所述目标对象识别为所述最终排序结果中排名最靠前的候选数据。

【技术特征摘要】

【专利技术属性】
技术研发人员：田永鸿，魏兰，曾炜，黄铁军，
申请(专利权)人：北京大学，
类型：发明
国别省市：北京;11