一种多摄像机监控网络中目标再识别的方法技术

本发明专利技术公开了一种多摄像机监控网络中目标再识别的方法，包括步骤为：选取摄像机i、j间N对目标的图像序列，记为测试图像序列和参考图像序列；求取摄像机i和摄像机j间亮度转移函数；采用亮度转移函数将待识别测试图像颜色校正至与参考图像序列同一级别；分别提取待识别测试图像和参考图像序列中每幅图像ColorSIFT特征并进行特征搜索匹配，再根据KNN准则得到显著度图；根据显著图和ColorSIFT特征进行双向相似度计算，将最大相似度所对应的参考图像作为待识别测试图像的匹配目标，则将目标识别出来。本发明专利技术的多摄像机监控网络中目标再识别的方法，解决了现有技术中存在的由于未充分利用图像数据集内各个图像的关联关系使得目标识别率低的问题。

【技术实现步骤摘要】
一种多摄像机监控网络中目标再识别的方法
本专利技术属于机器视觉
，涉及一种多摄像机监控网络中目标再识别的方法。
技术介绍
在多摄像机监控跟踪网络中，由于被跟踪目标的不确定性因素过多，如监控视角、环境光照、目标姿态变化等，如何对目标进行再识别是一个难点。近年来，针对跨视野目标跟踪问题，提出了众多方法，在进行跨视野目标跟踪时，摄像机间的非重叠区域导致了跟踪的不连续性，在被跟踪目标跨越摄像机间的“盲区”后对其进行准确的再识别，即如何建立一种鲁棒性的外观特征模型，是具有挑战性的问题。而提取一种稳健的外观统计特征是目标再识别问题的核心。因此，有人提出一种基于边缘特征点的外观模型用于目标跨视野跟踪，但因其需要选择特征点耗时，无法保证对目标的实时跟踪，有人又提出利用摄像机间的拓扑结构关系，即摄像机间的连接关系来对目标进行识别，基于目标运动路径结合外观特征的匹配算法，可以提高目标识别的准确性，但其要求摄像机间的视野要有少量重合或不可见区域较小，适用性有一定局限，当摄像机间的“盲区”较小时，可以根据上一摄像机中目标的运动状态，来预测下一摄像机中的目标状态。有人使用Kalman滤波器来进行目标预测，首先使用亮度转移函数将摄像机间的成像校正，然后使用摄像机间的时空(spatio-temporal)关系，利用最大后验概率进行目标的匹配。此类方法对摄像机间的拓扑结构变化较为敏感，一旦摄像机分布发生变化，便要重新学习。不同于依靠摄像机间的结构信息辅助的识别方法，有人提出一种鲁棒性较高统计性的目标描述。利用行人目标图像的对称，获得了良好不变性的视图，提出将目标分为头部、躯干、腿部三个部分，结合每个部分的彩色直方图(HSV)、最大稳定颜色区域(MSCR)、高复发型结构块(RHSP)对目标进行识别。也有人提出一种结合了Gabor滤波器和协方差的描述算子，可以在一定程度上抑制场景光照变化和背景的差异对目标识别造成的影响。于是，有人提出通过训练使目标以区分度最高的特征进行表示。例如使用Adaboost方法，结合目标的颜色与空间特征信息进行识别。使用单一的特征进行训练不能适应目标变化的多样性，提取了包括颜色、梯度、纹理等目标信息，并通过局部最小二乘法(PLS)进行降维。或将目标图像按照场景信息、目标姿态分成不同的种类，对每一类使用Adaboost方法选择不同特征、度量方法进行识别。但是，上述方法都是通过选择一种或多种特征来对待识别目标进行描述，没有充分利用图像数据集内各个图像的关联关系，因此，对于目标的识别率均比较低。
技术实现思路
本专利技术的目的是提供一种多摄像机监控网络中目标再识别的方法，解决了现有技术中存在的由于未充分利用图像数据集内各个图像的关联关系使得目标识别率低的问题。本专利技术所采用的技术方案是，一种多摄像机监控网络中目标再识别的方法，具体按照以下步骤实施：步骤1，选取多摄像机监控网络中一对摄像机i、j间N对目标的图像序列，分别记为测试图像序列和参考图像序列，N>0；步骤2，求取摄像机i和摄像机j之间N对目标的BTF曲线，并计算N对BTF曲线的均值，即得到摄像机i和摄像机j之间的亮度转移函数；步骤3，采用步骤2中得到的亮度转移函数将待识别测试图像的颜色校正至与参考图像序列颜色为同一级别；步骤4，分别提取待识别测试图像和参考图像序列中每一幅图像的ColorSIFT特征；步骤5，将步骤4中待识别测试图像中提取到的包含有ColorSIFT特征的图像块和参考图像序列中每一幅图像进行特征搜索匹配，计算待识别测试图像中包含有ColorSIFT特征的图像块和参考图像序列中每一幅图像中相同位置上下间距为l的范围内的图像块之间的相似度，待识别测试图像中每一个图像块均得到N个最优匹配结果，根据KNN准则对N个最优匹配结果排列计算得到待识别测试图像中图像块的显著程度，结合所有图像块的显著程度得到待识别测试图像的注意力显著图；步骤6，根据步骤5中得到的注意力显著图和步骤4中提取的ColorSIFT特征对待识别测试图像与参考图像序列中每一幅图像逐一进行双向的相似度计算，将得到的最大相似度所对应的参考图像作为待识别测试图像的匹配目标，则将摄像机i中待识别测试图像中的目标在摄像机j中识别出来。本专利技术的特点还在于，步骤2具体按照以下方法实施：步骤2.1，分别写出摄像机i和摄像机j中的亮度转移函数；摄像机i中的亮度转移函数表达式为：Bi(p,ti)＝gi(Gi(ti)M(p)Yi(ti)Xi(ti))(1)式中，Bi(p,ti)为目标表面一点p，ti时刻在摄像机i上的成像亮度，Gi(ti)为摄像机i在ti时刻的光照、M(p)为目标表面p点反射属性、Yi(ti)为摄像机i的镜头参数，Xi(ti)为摄像机i的曝光时间，gi(·)为摄像机i的成像函数；摄像机j中的亮度转移函数的表达式为：Bj(p,tj)＝gj(Gj(tj)M(p)Yj(tj)Xj(tj))(2)式中，Bj(p,tj)为目标表面一点p，tj时刻在摄像机j上的成像亮度，Gj(tj)为摄像机j的光照、M(p)为目标表面p点反射属性、Yj(tj)为摄像机j的镜头参数，Xj(tj)为摄像机j的曝光时间，gj(·)为摄像机j的成像函数；步骤2.2，将步骤2.1中得到的摄像机i的亮度转移函数经过转换，得到目标表面像素点P的第一属性表达式为：式中，gi-1(·)为摄像机i成像函数的逆函数；同样，将步骤2.1中得到的摄像机j的亮度转移函数经过转换，得到目标表面像素点P的第二属性表达式为：式中，gj-1(·)为摄像机j成像函数的逆函数；步骤2.3，根据同一目标在不同摄像机上的反射属性M(p)不变，得到同一目标表面同一像素点的反射属性表达式为：并根据反射属性表达式右边推导得到摄像机i和摄像机j之间的目标成像亮度关系为：步骤2.4，通过对图像中运动目标采样分别得到目标表面像素点P在摄像机i上ti时刻的成像亮度Bi(p,ti)，以及目标点P在摄像机j上tj时刻的成像亮度Bj(p,tj)，除去时间因素，将步骤2.3中得到的摄像机i和摄像机j之间目标成像亮度的表达式简化为：Bj＝fij(Bi)，(6)步骤2.5，根据同一目标在摄像机i中的亮度级Bi和在摄像机j中的亮度级Bj的累计概率一样，得到同一目标在摄像机i和摄像机j中亮度级关系的表达式：Hi(Bi)＝Hj(Bj)，(7)式中，Hi(Bi)为摄像机i中目标的颜色累积直方图，Hj(Bj)为摄像机j中目标的颜色累积直方图；步骤2.6，将步骤2.5中得到的表达式代入步骤2.4中得到的简化后的摄像机i与摄像机j之间目标成像亮度的表达式中，得到摄像机i和摄像机j之间的亮度映射转移关系为：Bj＝fij(Bi)＝Hj-1(Hi(Bi))；(8)式中，Hj-1(·)为Hj(·)的逆函数；步骤2.7，根据Hi(·)、Hj(·)做查表映射，得到同一累积概率对应的不同摄像机图像的灰阶；统计同一目标中在两个摄像机中灰阶的对应关系，即得到一个目标在摄像机i和摄像机j之间的BTF曲线；步骤2.8，根据步骤2.7中的方法对N对目标提取BTF曲线并求均值，得到摄像机i和摄像机j之间的亮度转移函数。步骤4具体按照以下方法实施：步骤4.1，将待识别测试图像和参考图像序列中每一幅图像分别用8×本文档来自技高网...

【技术保护点】
一种多摄像机监控网络中目标再识别的方法，其特征在于，具体按照以下步骤实施：步骤1，选取多摄像机监控网络中一对摄像机i、j间N对目标的图像序列，分别记为测试图像序列和参考图像序列，N>0；步骤2，求取摄像机i和摄像机j之间N对目标的BTF曲线，并计算N对BTF曲线的均值，即得到摄像机i和摄像机j之间的亮度转移函数；步骤3，采用步骤2中得到的亮度转移函数将待识别测试图像的颜色校正至与参考图像序列颜色为同一级别；步骤4，分别提取待识别测试图像和参考图像序列中每一幅图像的ColorSIFT特征；步骤5，将步骤4中待识别测试图像中提取到的包含有ColorSIFT特征的图像块和参考图像序列中每一幅图像逐一进行特征搜索匹配，计算待识别测试图像中包含有ColorSIFT特征的图像块和参考图像序列中每一幅图像中相同位置上下间距为l的范围内的图像块之间的相似度，待识别测试图像中每一个图像块均得到N个最优匹配结果，根据KNN准则对N个最优匹配结果排列计算得到待识别测试图像中图像块的显著程度，结合所有图像块的显著程度得到待识别测试图像的注意力显著图；步骤6，根据步骤5中得到的注意力显著图和步骤4中提取的ColorSIFT特征对待识别测试图像与参考图像序列中每一幅图像逐一进行双向的相似度计算，将得到的最大相似度所对应的参考图像作为待识别测试图像的匹配目标，则将摄像机i中待识别测试图像中的目标在摄像机j中识别出来。...

【技术特征摘要】
1.一种多摄像机监控网络中目标再识别的方法，其特征在于，具体按照以下步骤实施：步骤1，选取多摄像机监控网络中一对摄像机i、j间N对目标的图像序列，分别记为测试图像序列和参考图像序列，N>0；步骤2，求取摄像机i和摄像机j之间N对目标的BTF曲线，并计算N对BTF曲线的均值，即得到摄像机i和摄像机j之间的亮度转移函数；步骤3，采用步骤2中得到的亮度转移函数将待识别测试图像的颜色校正至与参考图像序列颜色为同一级别；步骤4，分别提取待识别测试图像和参考图像序列中每一幅图像的ColorSIFT特征；步骤5，将步骤4中待识别测试图像中提取到的包含有ColorSIFT特征的图像块和参考图像序列中每一幅图像逐一进行特征搜索匹配，计算待识别测试图像中包含有ColorSIFT特征的图像块和参考图像序列中每一幅图像中相同位置上下间距为l的范围内的图像块之间的相似度，待识别测试图像中每一个图像块均得到N个最优匹配结果，根据KNN准则对N个最优匹配结果排列计算得到待识别测试图像中图像块的显著程度，结合所有图像块的显著程度得到待识别测试图像的注意力显著图；步骤6，根据步骤5中得到的注意力显著图和步骤4中提取的ColorSIFT特征对待识别测试图像与参考图像序列中每一幅图像逐一进行双向的相似度计算，将得到的最大相似度所对应的参考图像作为待识别测试图像的匹配目标，则将摄像机i中待识别测试图像中的目标在摄像机j中识别出来。2.根据权利要求1所述的一种多摄像机监控网络中目标再识别的方法，其特征在于，步骤2具体按照以下方法实施：步骤2.1，分别写出摄像机i和摄像机j中的亮度转移函数；摄像机i中的亮度转移函数表达式为：Bi(p,ti)＝gi(Gi(ti)M(p)Yi(ti)Xi(ti))(1)式中，Bi(p,ti)为目标表面一点p，ti时刻在摄像机i上的成像亮度，Gi(ti)为摄像机i在ti时刻的光照、M(p)为目标表面p点反射属性、Yi(ti)为摄像机i的镜头参数，Xi(ti)为摄像机i的曝光时间，gi(·)为摄像机i的成像函数；摄像机j中的亮度转移函数的表达式为：Bj(p,tj)＝gj(Gj(tj)M(p)Yj(tj)Xj(tj))(2)式中，Bj(p,tj)为目标表面一点p，tj时刻在摄像机j上的成像亮度，Gj(tj)为摄像机j的光照、M(p)为目标表面p点反射属性、Yj(tj)为摄像机j的镜头参数，Xj(tj)为摄像机j的曝光时间，gj(·)为摄像机j的成像函数；步骤2.2，将步骤2.1中得到的摄像机i的亮度转移函数经过转换，得到目标表面像素点P的第一属性表达式为：式中，gi-1(·)为摄像机i成像函数的逆函数；同样，将步骤2.1中得到的摄像机j的亮度转移函数经过转换，得到目标表面像素点P的第二属性表达式为：式中，gj-1(·)为摄像机j成像函数的逆函数；步骤2.3，根据同一目标在不同摄像机上的反射属性M(p)不变，得到同一目标表面同一像素点的反射属性表达式为：并根据反射属性表达式右边推导得到摄像机i和摄像机j之间的目标成像亮度关系为：步骤2.4，通过对图像中运动目标采样分别得到目标表面像素点P在摄像机i上ti时刻的成像亮度Bi(p,ti)，以及目标点P在摄像机j上tj时刻的成像亮度Bj(p,tj)，除去时间因素，将步骤2.3中得到的摄像机i和摄像机j之间目标成像亮度的表达式简化为：Bj＝fij(Bi)，(6)步骤2.5，根据同一目标在摄像机i中的亮度级Bi和在摄像机j中的亮度级Bj的累计概率一样，得到同一目标在摄像机i和摄像机j中亮度级关系的表达式：Hi(Bi)＝Hj(Bj)，(7)式中，Hi(Bi)为摄像机i中目标的颜色累积直方图，Hj(Bj)为摄像机j中目标的颜色累积直方图；步骤2.6，将步骤2.5中得到的表达式代入步骤2.4中得到的简化后的摄像机i与摄像机j之间目标成像亮度的表达式中，得到摄像机i和摄像机j之间的亮度映射转移关系为：Bj＝fij(Bi)＝Hj-1(Hi(Bi))；(8)式中，Hj-1(·)为Hj(·)的逆函数；步骤2.7，根据Hi(·)、Hj(·)做查表映射，得到同一累积概率对应的不同摄像机图像的灰阶；统计同一目标中在两个摄像机中灰阶的对应关系，即得到一个目标在摄像机i和摄像机j之间的BTF曲线；步骤2.8，根据步骤2.7中的方法对N对目标提取BTF曲线并求均值，得到摄像机i和摄像机j之间的亮度转移函数。3.根据权利要求1所述的一种多摄像机监控网络中目标再识别的方法，其...

【专利技术属性】
技术研发人员：刘龙，王攀，郑丽，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61