The invention discloses a dynamic low resolution pedestrian recognition method based on the interface function of the scale distance gradient function. First of all, obtained from the same individual image of the positive samples, and images from different to that of negative samples; and then introduce the distance scale gradient function, by the positive samples of feasible scale distance gradient function, from negative samples to generate infeasible scale distance gradient function, the two scale distance the gradient function scale distance gradient function space, and the parameter vector is that feasible scale distance gradient function, parameter vectors represent a negative infeasible scale distance gradient function; random forest classifier finally trained in the function space according to a scale of distance function is in the positive gradient domain or negative field, the classified as whether from the same object.
【技术实现步骤摘要】
本专利技术属于监控视频检索
,涉及一种行人重识别方法,尤其涉及一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法。
技术介绍
近些年来,监控网络越来越广泛地应用和普及到公共安全、移动侦测、客流统计等领域,视频监控在打击犯罪、维护社会安全方面发挥着越来越重要的作用,视频侦查成为公安机关侦查破案的有效手段。但在实际视频侦查中,侦查员需要根据指定行人对象在多摄像头下的活动画面和轨迹来快速排查、追踪和锁定嫌疑目标,需要耗费大量的人力、物力和时间,不仅影响破案效率,而且极易错过最佳的破案时机。行人重识别是一种针对特定行人对象的跨摄像头监控视频自动检索技术,即在照射区域无重叠的多摄像头下匹配同一行人对象,该技术可以辅助视频侦查员快速、准确地发现嫌疑目标的活动画面和轨迹,对公安部门提高破案率、维护人民群众生命财产安全具有重要意义。在多摄像头的行人重识别过程中,尤其是在行人特征的提取和匹配过程中,不同摄像头下的行人图像往往存在视角变化、尺寸变化、光照变化等,从而造成重识别率的降低。如今犯罪分子的作案手段越来越高明,通过各种方式来隐藏自己,如果他们避开摄像头,这样待重识别目标在摄像头下出现的次数较少,无疑会给重识别工作带来不便。行人重识别是利用图像进行目标查询的,因此对获取的图像在最大程度上挖掘信息,对提升行人重识别性能是具有重要意义的。现有行人重识别方法可以分为两类:第一类主要构造鲁棒的视觉特征,然后使用标准的距离函数(如欧式距离等)进行相似性度量;第二类主要通过学习一个合适的尺度进行更准确的距离度量。基于上述方法的重识别技术所采用的图像对大多是同分辨 ...
【技术保护点】
一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法,其特征在于,包括以下步骤:步骤1:提取图片的可视特征,具体是将训练数据分成正样本对和负样本对,其中每对图像来自不同的摄像头,设一个查询‑‑在库图像对为(Ii,Ij),在不考虑图像分辨率差异的情况下,提取每张图像I在相同维度m下的可视特征x;步骤2:将步骤1提取的图片的可视特征进行尺度距离渐变函数的表示,该函数的表示由若干步组成,具体包括以下子步骤:步骤2.1,得到图像一系列的可视特征;步骤2.2,构成尺度距离渐变函数空间;步骤2.3,用参数向量表示距离尺度渐变函数;步骤3:基于步骤2得到的结果产生测试参数向量,采用线性插值法对在库图像进行上采样,从而获得更多的观测数据,在线重识别阶段得到了和训练阶段相同数量的观测数据,通过观测数据的回归,得到查询‑‑在库图像对的测试参数向量;步骤4:随机森林分类器来对图像对进行分类,具体包括:步骤4.1,训练随机森林分类器;步骤4.2,基于步骤4.1得到的结果进行分类。
【技术特征摘要】
1.一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法,其特征在于,包括以下步骤:步骤1:提取图片的可视特征,具体是将训练数据分成正样本对和负样本对,其中每对图像来自不同的摄像头,设一个查询--在库图像对为(Ii,Ij),在不考虑图像分辨率差异的情况下,提取每张图像I在相同维度m下的可视特征x;步骤2:将步骤1提取的图片的可视特征进行尺度距离渐变函数的表示,该函数的表示由若干步组成,具体包括以下子步骤:步骤2.1,得到图像一系列的可视特征;步骤2.2,构成尺度距离渐变函数空间;步骤2.3,用参数向量表示距离尺度渐变函数;步骤3:基于步骤2得到的结果产生测试参数向量,采用线性插值法对在库图像进行上采样,从而获得更多的观测数据,在线重识别阶段得到了和训练阶段相同数量的观测数据,通过观测数据的回归,得到查询--在库图像对的测试参数向量;步骤4:随机森林分类器来对图像对进行分类,具体包括:步骤4.1,训练随机森林分类器;步骤4.2,基于步骤4.1得到的结果进行分类。2.根据权利要求1所述的一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法,其特征在于,所述步骤2.1的具体方法包括:定义Ii的可视特征为其中,1表示采样图像是分辨率和原始图像的分辨率的尺度比;然后逐步地对Ij下采样,每一次下采样减少0.01个尺度值,通过这种方式得到一系列的可视特征,其中尺度比表示了两张图像的高度和宽度。3.根据权利要求3所述的一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法,其特征在于,所述步骤2.2的具体方法包括:将每张图像分成8行3列的24块,提取出每块的64维HSV特征,这样每张图像由1536维特征表示出来,然后算出下采样的在库图像和原始图片的分辨率尺度比k,以及Ii和Ij之间的欧式距离画出以k为横坐标,d为纵坐标的尺度距离渐变函数,为了便于观察,将图像对之间的欧式距离转换为另一种形式的距离每个图像对(Ii,Ij)的转换距离d'是随着尺度比k的变化而变化;在离...
【专利技术属性】
技术研发人员:胡瑞敏,王正,梁超,兰佳梅,杨洋,陈军,
申请(专利权)人:武汉大学,
类型:发明
国别省市:湖北;42
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。