基于外貌特征紧凑表示的视频行人再识别方法及系统技术方案

本发明专利技术公开了一种基于外貌特征紧凑表示的视频行人再识别方法及系统，其中该方法包括提取行人视频中的光流曲线，进而得到行人步态的周期曲线，再根据步态周期进行随机选取行人步态的周期曲线中若干关键帧；将选取的每个关键帧输入卷积神经网络来对行人外貌特征进行提取；将提取的所有关键帧相对应的行人外貌特征融合为一个特征向量，进而构建出特征池；提取特征池内的特征向量进行距离尺度算法学习，使得同一行人特征之间的距离减小，而不同行人特征之间的距离增加，然后将距离尺度算法学习后的特征向量进行匹配与排序，从而实现行人的再次识别。

【技术实现步骤摘要】
基于外貌特征紧凑表示的视频行人再识别方法及系统
本专利技术属于视频行人识别领域，尤其涉及一种基于外貌特征紧凑表示的视频行人再识别方法及系统。
技术介绍
由于视频监控、行人跟踪与检索近年来的普遍应用，行人再识别技术得到广泛的关注。针对某个视频监控摄像头下出现的目标行人，需要从视频监控网络的其他摄像头下对目标行人进行再次识别，即为行人再识别技术。然而，由于不同摄像头下的光照变化、行人姿态变化以及背景对行人的遮挡和干扰，这给行人再识别技术带来极大困难。常见的行人再识别系统按照输入格式一般分为两类：图像下的行人再识别与视频下的行人再识别。图像下的行人再识别技术由于只能从单一的图像中获取行人信息，信息量十分有限，因此很难解决遮挡、视角变化、行人姿态变化等问题。另一方面，跟单幅图像输入相比较，视频输入不仅包含更多的步态时序信息，还提供了各个时间点下更为丰富的外貌特征信息。此外，在绝大多数的实际应用，都是把视频作为原始输入，比图像更直接，也更方便。因此，视频下的行人再识别技术比图像下的行人再识别具有更大的研究意义。尽管视频提供了更为丰富的时序以及外貌信息，但是处理难度也大大增加。目前为止，只有少数的行人再识别技术是针对视频输入提出的。这些技术针对行人视频中的时序信息，比如步态以及身体的运动模式等，提出了不同的算法进行提取与比较。尽管运动信息作为一种生物行为可以用来进行行人判别，但是由于很多人都有相似的行走方式，因此很难作为有效的行人标识来进行再识别任务。此外，行人的步态被认为是不受外貌信息干扰的生物特征，因此很多研究者试图通过侧面投影来对行人步态进行提取，但是由于背景的复杂和干扰物体对行人的遮挡，行人的步态信息很难被提取到。
技术实现思路
为了解决现有技术的缺点，本专利技术的第一目的是提供一种基于外貌特征紧凑表示的视频行人再识别方法。本专利技术的一种基于外貌特征紧凑表示的视频行人再识别方法，包括：提取行人视频中的光流曲线，进而得到行人步态的周期曲线，再根据步态周期进行随机选取行人步态的周期曲线中若干关键帧；将选取的每个关键帧输入卷积神经网络来对行人外貌特征进行提取；将提取的所有关键帧相对应的行人外貌特征融合为一个特征向量，进而构建出特征池；提取特征池内的特征向量进行距离尺度算法学习，使得同一行人特征之间的距离减小，而不同行人特征之间的距离增加，然后将距离尺度算法学习后的特征向量进行匹配与排序，从而实现行人的再次识别。进一步的，选取行人步态的周期曲线中4个关键帧。当每个行人步态的周期曲线上选取4个具有代表性的若干关键帧时，行人识别率最高；增加再多的关键帧，并不会对结果有明显的提高，反而会增加数据处理时间，降低数据处理效率。进一步的，将提取的所有关键帧相对应的行人外貌特征融合为一个特征向量的过程中，通过提取每个关键帧中的最大值来将每帧中的显著特征提取并融合。本专利技术将多帧的特征融合为一个向量特征，因此是“单一”的，融合过程中通过取每帧中的最大值来将每帧中的显著特征提取并整合，因此是“信息紧凑”的，这样能够避免信息干扰，提高行人识别的准确性及速度。进一步的，在提取特征池内的特征向量进行距离尺度算法学习的过程中，通过计算一个行人的一组中每个特征向量到另一个行人的一组特征向量的最小距离，并取这些距离的平均值作为两个行人特征之间的距离。本专利技术通过求取特征向量之间的距离，使得同一行人特征之间的距离减小，而不同行人特征之间的距离增加，实现了行人的再次识别，提高了行人识别的准确性。本专利技术的第二目的是提供一种基于外貌特征紧凑表示的视频行人再识别系统。本专利技术的一种基于外貌特征紧凑表示的视频行人再识别系统，包括：关键帧选取模块，其用于提取行人视频中的光流曲线，进而得到行人步态的周期曲线，再根据步态周期进行随机选取行人步态的周期曲线中若干关键帧；行人外貌特征提取模块，其用于将选取的每个关键帧输入卷积神经网络来对行人外貌特征进行提取；特征池构建模块，其用于将提取的所有关键帧相对应的行人外貌特征融合为一个特征向量，进而构建出特征池；距离尺度算法学习模块，其用于提取特征池内的特征向量进行距离尺度算法学习，使得同一行人特征之间的距离减小，而不同行人特征之间的距离增加，然后将距离尺度算法学习后的特征向量进行匹配与排序，从而实现行人的再次识别。进一步的，在所述关键帧选取模块中，选取行人步态的周期曲线中4个关键帧。当每个行人步态的周期曲线上选取4个具有代表性的若干关键帧时，行人识别率最高；增加再多的关键帧，并不会对结果有明显的提高，反而会增加数据处理时间，降低数据处理效率。进一步的，在所述特征池构建模块中，通过提取每个关键帧中的最大值来将每帧中的显著特征提取并融合。本专利技术将多帧的特征融合为一个向量特征，因此是“单一”的，融合过程中通过取每帧中的最大值来将每帧中的显著特征提取并整合，因此是“信息紧凑”的，这样能够避免信息干扰，提高行人识别的准确性及速度。进一步的，在所述距离尺度算法学习模块中，通过计算一个行人的一组中每个特征向量到另一个行人的一组特征向量的最小距离，并取这些距离的平均值作为两个行人特征之间的距离。本专利技术通过求取特征向量之间的距离，使得同一行人特征之间的距离减小，而不同行人特征之间的距离增加，实现了行人的再次识别，提高了行人识别的准确性。本专利技术还提供了另一种基于外貌特征紧凑表示的视频行人再识别系统。该基于外貌特征紧凑表示的视频行人再识别系统，包括：行人视频采集装置，其被配置为采集行人视频信息，并传送至服务器；所述服务器，其被配置为：提取行人视频中的光流曲线，进而得到行人步态的周期曲线，再根据步态周期进行随机选取行人步态的周期曲线中若干关键帧；将选取的每个关键帧输入卷积神经网络来对行人外貌特征进行提取；将提取的所有关键帧相对应的行人外貌特征融合为一个特征向量，进而构建出特征池；提取特征池内的特征向量进行距离尺度算法学习，使得同一行人特征之间的距离减小，而不同行人特征之间的距离增加，然后将距离尺度算法学习后的特征向量进行匹配与排序，从而实现行人的再次识别。本专利技术的有益效果为：本专利技术从行人视频的关键帧中提取并整合出紧凑的行人外貌特征进而实现视频下的行人再识别，与之前基于时序信息的视频行人再识别方法相比，该方法更接近人眼的视觉系统，而且提取特征池内的特征向量进行距离尺度算法学习，使得同一行人特征之间的距离减小，而不同行人特征之间的距离增加，然后将距离尺度算法学习后的特征向量进行匹配与排序，更容易地实现行人再识别任务。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1是本专利技术的一种基于外貌特征紧凑表示的视频行人再识别方法流程图；图2是行人步态的周期曲线；图3是训练网络示意图；图4是特征池化示意图；图5是本专利技术的实施例一的基于外貌特征紧凑表示的视频行人再识别系统结构图；图6是本专利技术的实施例二的基于外貌特征紧凑表示的视频行人再识别系统结构图。具体实施方式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，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。根据视觉感知的相关研究表明，人脑对于颜色、纹理等外貌信息的检测阈值要远低本文档来自技高网...

【技术保护点】
一种基于外貌特征紧凑表示的视频行人再识别方法，其特征在于，包括：提取行人视频中的光流曲线，进而得到行人步态的周期曲线，再根据步态周期进行随机选取行人步态的周期曲线中若干关键帧；将选取的每个关键帧输入卷积神经网络来对行人外貌特征进行提取；将提取的所有关键帧相对应的行人外貌特征融合为一个特征向量，进而构建出特征池；提取特征池内的特征向量进行距离尺度算法学习，使得同一行人特征之间的距离减小，而不同行人特征之间的距离增加，然后将距离尺度算法学习后的特征向量进行匹配与排序，从而实现行人的再次识别。

【技术特征摘要】
1.一种基于外貌特征紧凑表示的视频行人再识别方法，其特征在于，包括：提取行人视频中的光流曲线，进而得到行人步态的周期曲线，再根据步态周期进行随机选取行人步态的周期曲线中若干关键帧；将选取的每个关键帧输入卷积神经网络来对行人外貌特征进行提取；将提取的所有关键帧相对应的行人外貌特征融合为一个特征向量，进而构建出特征池；提取特征池内的特征向量进行距离尺度算法学习，使得同一行人特征之间的距离减小，而不同行人特征之间的距离增加，然后将距离尺度算法学习后的特征向量进行匹配与排序，从而实现行人的再次识别。2.如权利要求1所述的一种基于外貌特征紧凑表示的视频行人再识别方法，其特征在于，选取行人步态的周期曲线中4个关键帧。3.如权利要求1所述的一种基于外貌特征紧凑表示的视频行人再识别方法，其特征在于，其特征在于，将提取的所有关键帧相对应的行人外貌特征融合为一个特征向量的过程中，通过提取每个关键帧中的最大值来将每帧中的显著特征提取并融合。4.如权利要求1所述的一种基于外貌特征紧凑表示的视频行人再识别方法，其特征在于，在提取特征池内的特征向量进行距离尺度算法学习的过程中，通过计算一个行人的一组中每个特征向量到另一个行人的一组特征向量的最小距离，并取这些距离的平均值作为两个行人特征之间的距离。5.一种基于外貌特征紧凑表示的视频行人再识别系统，其特征在于，包括：关键帧选取模块，其用于提取行人视频中的光流曲线，进而得到行人步态的周期曲线，再根据步态周期进行随机选取行人步态的周期曲线中若干关键帧；行人外貌特征提取模块，其用于将选取的每个关键帧输入卷积神经网络来对行人外貌特征进行提取；特征池构建模块，其用于将提取的所有关键帧相对应的行人外貌特征融合为一个特征向量，进而构建出特征池；距离尺度算法学习模块，其用于提取特征池内的特征向量进行距离尺度算法学习，使得同一行人特征之间的距离减小，而不同行人特...

【专利技术属性】
技术研发人员：张伟，胡胜男，马静，李雪奥，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37