一种基于空间约束的目标人体识别方法技术

本发明专利技术公开了一种基于空间约束的目标人体识别方法，其提取待识别图像和图像目标库内的图像的前景区域，将图像目标库内的图像的前景区域分割成等大小且互相重叠的第一图像块，将待识别图像的前景区域分割成等大小且互相重叠的第二图像块，再提取第一图像块和第二图像块的特征向量，并找到第二图像块在图像目标库内的每幅图像中的最相似块，再分别提取第一图像块和第二图像块的最小距离块序列，然后计算得到待识别图像相对于图像目标库内的图像的匹配得分从而进行人体识别，优点在于将丰富的结构信息融入到匹配得分中去，有效地避免了拍摄角度、姿势和光线变化的影响，能有效识别不同人体的相似区域内的微小差别且不需要对待识别图像进行标记。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了，其提取待识别图像和图像目标库内的图像的前景区域，将图像目标库内的图像的前景区域分割成等大小且互相重叠的第一图像块，将待识别图像的前景区域分割成等大小且互相重叠的第二图像块，再提取第一图像块和第二图像块的特征向量，并找到第二图像块在图像目标库内的每幅图像中的最相似块，再分别提取第一图像块和第二图像块的最小距离块序列，然后计算得到待识别图像相对于图像目标库内的图像的匹配得分从而进行人体识别，优点在于将丰富的结构信息融入到匹配得分中去，有效地避免了拍摄角度、姿势和光线变化的影响，能有效识别不同人体的相似区域内的微小差别且不需要对待识别图像进行标记。【专利说明】
本专利技术涉及一种目标人体识别方法，尤其是涉及。
技术介绍
目标人体识别(以下简称人体识别)是判断一个摄像头下出现的行人是否与另一个摄像头下出现的行人为同一行人，人体识别问题在计算机视觉领域中被称为非重叠的多摄像系统中的人体重现问题(Person Re-1dentification)。人体识别方法在智能视频监控领域具有重要的应用，其用途主要包括目标人体的提取、非重叠摄像系统中目标跟踪。随着智能监控的普及，人体识别方法受到更多的重视，从近几年来研究人员对人体识别方法的研究得知，目前人体识别方法仍然面临着巨大挑战:首先，摄像头所拍摄的图像分辨率较低，人脸识别或其他生物特征识别技术几乎难以应用于人体识别，这就使得人体识别的主要依据被限制在人体表观特征方面；其次，为了简化人体识别方法，通常假设同一行人在不同场景下的服饰不变，但在不同场景下(如图1a所示)，行人受到拍摄的角度、姿势、背景、光线、摄像机参数等因素的影响，依旧给人体识别带来了巨大的挑战。目前解决人体识别的方法主要有两种:有监督学习方法和无监督学习方法。对于有监督学习方法，Prosser等人(B.Prosser, ff.Zheng, S.Gong, T.Xiang, andQ.Mary.Person re-1dentification by support vector ranking.1n BMVC, 2010.基于支持向量机排名的人体识别，英国机器视觉会议)将人体识别问题转化为排名问题，利用改进的SVM算法进行人体识别；Gray等人(D.Gray and H.Ta0.Viewpoint invariantpedestrian recognition with an ensemble of localized features.ECCV, 2008.结合多个局部特征的角度不变性的人体识别，欧洲计算机视觉国际会议)结合空间和颜色等局部特征，利用boosting算法进行人体识别；Schwartz等人(W.Schwartzand L.Davis.Learning discriminative appearance-based models using partialleast squares.1n XXII Brazilian Symposium on Computer Graphics and ImageProcessing(SIBGRAPI), 2009.基于偏最小二乘法识别表现特征的学习模型，二十二巴西研讨会的计算机图形图像处理)使用局部最小二乘法对提取的颜色、梯度、纹理这三个高维特征分别进行降维，并根据各自的识别能力给予不同的权值来进行人体识别；Li等人(ff.Li and X.Wang.Locally aligned feature transforms across views.1n CVPR, 2013.基于视角的局部特征转换，IEEE国际计算机视觉与模式识别会议)将两个不同摄像机下的图像先转化为不同的特征空间，再根据不同的特征空间分别进行度量学习，从而进行人体识别；Zheng 等 A (W.Zheng, S.Gong, and T.Xiang.Person re-1dentification byprobabilistic relative distance comparison.1n CVPR, 2011.基于相对距离的概率的比较的人体识别，IEEE国际计算机视觉与模式识别会议)把人体识别问题当成距离学习问题来进行人体识别；Weinberger 等人(K.Q.Weinberger and L.K.Saul.Fast solvers andefficient implementations for distance metric learning.1n ICML, 2008.快速有效的距离度量学习方法，机器学习国际会议)提出了 LMNN算法，该算法通过对同一类的距离更近，而非同一类的距离更远的惩罚学习来实现人体识别；Kostinger等人(M.Kostinger, M.Hirzer, P.ffohlhart, P.Roth,and H.Bischof.Large scale metric learning fromequivalence constraints.1n CVPR, 2012.基于等价约束的大尺度度量学习，IEEE国际计算机视觉与模式识别会议)利用一个宽松的距离度量学习来处理人体识别问题。这些有监督学习方法均需要先对人体样本进行标记后学习，当摄像头环境改变时，如拍摄角度、姿势和光线变化，需要重新对人体样本进行标记，不能有效地处理大量人体样本以及不同环境下的人体样本识别。对于无监督学习方法，主要是提出更有效的特征向量直接计算图像之间的距离。M.Farenzena 等 A (M.Farenzena, L.Bazzani, A.Perina, V.Murino, and M.Cristan1.Person re-1dentification by symmetry-driven accumulation of local features.1nCVPR, 2010.基于对称性局部特征累加的人体识别，IEEE国际计算机视觉与模式识别会议)结合整体的HSV特征、最大稳定块的特征、重复出现多的块的特征这三个部分，计算两幅图像之间的距离来进行人体识别；R.Zhao 等人(R.Zhao, ff.0uyang, and X.Wang.UnsupervisedSalience Learning for Person Re-1dentification.1n CVPR2013.基于无监督突出特征学习的人体识别，IEEE国际计算机视觉与模式识别会议)根据获得的每个块的突出权值，在局部匹配过程中，根据突出权值来给予各个局部块在识别中的不同贡献从而实现人体识别；Y.Zhang 等人(Y.Zhang and S.L1.Gabor-LBP based region covariance descriptorfor person reidentification.Proc.1nt.Conference on Image and Graphics, 2011.基于局部区域协方差描述的Gabor-LBP的人体识别，图像和图形会议)在进行人体识别过程中，将LBP纹理特征与Gabor特征结合起来求地面距离，较好地避免了光照和姿势变化对人体识别的影响；Malocal 等人本文档来自技高网...

【技术保护点】
一种基于空间约束的目标人体识别方法，其特征在于：包括以下步骤：①假定有一个摄像头A，将摄像头A拍摄到的所有图像组合成一个图像目标库，然后提取图像目标库内每幅图像中的前景区域，图像目标库内每幅图像中的前景区域即为图像目标库内每幅图像中的人体，接着将图像目标库内每幅图像中的前景区域分割成大小相同且互相重叠的第一图像块，再提取图像目标库内每幅图像中的前景区域内的每个第一图像块的特征向量；②假定有一个摄像头B，将摄像头B实时拍摄到的图像作为待识别图像，然后提取待识别图像中的前景区域，待识别图像中的前景区域即为待识别图像中的人体，接着将待识别图像中的前景区域分割成大小相同且互相重叠的第二图像块，再提取待识别图像中的前景区域内的每个第二图像块的特征向量；③根据图像目标库内每幅图像中的前景区域内的每个第一图像块的特征向量，获取图像目标库内每幅图像中的前景区域内的每个第一图像块的最小距离块序列，将图像目标库中的第q幅图像中的前景区域内中心像素点在第q幅图像中坐标位置为(i,j)的第一图像块的最小距离块序列记为 d i , j B , q = { d i , j , 1 B , q , d i , j , 2 B , q , . . . , d i , j , k B , q , . . . , d i , j , M B , q } , 其中，1≤q≤Q，Q表示图像目标库中的图像的数量，(i,j)表示第一图像块的中心像素点在第q幅图像中的坐标位置，为属于符号，F表示第q幅图像中的前景区域内的所有像素点的坐标位置的集合，1≤k≤M，M表示第q幅图像中的前景区域内包含的第一图像块的总行数， d i , j , k B , q = min { d ( x i , j B , q , x k , 1 B , q ) , . . . , d ( x i , j B , q , x k , j ′ B , q ) , . . . , d ( x ...

【技术特征摘要】

【专利技术属性】
技术研发人员：陈普强，郭立君，柯伟扬，张荣，赵杰煜，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江;33