[發明專利]基于顏色區域特征的行人重識別方法及系統

有效

• 申請號: 201410472544.8
• 申請日: 2014-09-16
• 公開（公告）號: CN104268583B
• 公開（公告）日: 2017-04-19
• 發明（設計）人: 周芹;鄭世寶;蘇航;王玉
• 申請（專利權）人: 上海交通大學
• 主分類號: G06K9/64
• 分類號: G06K9/64;G06K9/46
• 代理公司: 上海交達專利事務所31201
• 代理人: 王毓理,王錫麟

技術領域

本發明涉及的是一種數字圖像處理技術領域的方法及系統，具體是一種基于在線聚類提取的顏色區域特征的行人重識別方法及系統。

背景技術

在智能視頻處理日益發達的現代社會，攝像頭已經遍布大街小巷，對于海量的視頻數據，如何智能地進行視頻分析為十分重要的課題。行人檢測、目標跟蹤等研究領域都取得了長足的發展，而作為銜接這兩個課題的人物重識別技術也在最近十年取得了飛速的發展，涌現了一大批的行人外貌特征提取和表示方法。在視頻監控中，往往有成千上萬個攝像頭，而這些攝像頭彼此之間沒有交疊，那么如何將兩個互不交疊的攝像頭中檢測出的目標聯系起來，實現跨攝像頭的接力跟蹤就是行人重識別要解決的問題。行人重識別在安防、居家養老等方面都有巨大的應用前景。但是由于不同的攝像頭安放的位置、場景不同，導致不同攝像頭下的人物圖像存在不同程度的顏色變化和幾何變化，再加上復雜的監控場景下，行人之間存在不同程度的遮擋，使得不同攝像頭下的行人重識別問題變得更加棘手。行人重識別面臨的主要問題是光照、視角、姿勢、遮擋等的變化，為了解決上述問題，目前針對行人重識別的研究主要分為以下兩類。一類是基于底層特征提取的行人外貌特征匹配方法，它的側重點是提取出對不同攝像頭間的光照、視角、姿勢、遮擋等變化具有不變性的特征，以提高行人外貌的匹配準確率。另一類方法則是對簡單的歐式空間的距離比較方法進行改進，設計能夠反映不同攝像頭間的光照、視角、姿勢、遮擋等變化的度量方法，使得即使不是很有區分度的特征，也能達到很高的匹配率。第一類方法一般是非監督的，不需要進行數據的標定，但是特征提取的方法往往比第二類方法復雜，第二類方法一般是基于學習的方法，需要進行數據的標定，但是因為它能夠有監督的學習到攝像頭間的變換關系，因此行人重識別的準確率一般高于第一類方法，但是這種變換關系只是針對特定的攝像機間，對于每一對攝像機都要學習它們的變換關系，使得這類方法的泛化能力不夠好。

通過大量的文獻檢索，我們發現現有的運用底層特征匹配進行行人重識別的方法，提取的特征主要包括顏色特征(如HSV直方圖，MSCR)、紋理特征(如局部二值模式LBP，Garbor filters等)，形狀特征(如HOG特征)以及關鍵點(SIFT，SURF等)，大部分的方法是將上述幾種特征進行組合，以彌補單個特征區分度和代表性不足的缺點。但是它們大多數是基于像素點的特征(MSCR除外)，而基于像素點的特征不夠魯棒且很容易受到噪聲影響。此外，由于以上特征提取方法在特征提取過程中沒有考慮位置信息，所以研究者們設計了一些位置對準的策略，但是仍然很難解決由行人姿勢變化帶來的特征位置不對準情況。經過文獻檢索，我們還發現，顏色特征在多數情況下，是最好的行人外貌描述特征，目前已經有研究者開始關注利用顏色的分布特征來表征行人外貌，進行行人重識別。Igor Kviatkovsky等人在2013年的《IEEE Transactions on Pattern Analysis and Machine Intelligence》中的“Color Invariants for Person Reidentification”一文中，利用行人外貌顏色的多模態分布特性(multimodal distribution)，將行人的上下身顏色信息分布進行建模，再通過模型匹配進行人物重識別。這種方法雖然僅僅利用了顏色信息，卻取得了很好的行人重識別效果。但是這種方法將上下身顏色的結構信息限制為橢圓形分布，而實際情況下，行人外貌的顏色分布顯然不一定是上下身顏色信息簡單地服從橢圓分布，因此這種方法還是沒有能夠充分利用顏色的局部分布信息。

中國專利文獻號CN103810476A，公開(公告)日2014.05.21，公開了一種基于小群體信息關聯的視頻監控網絡中行人重識別方法，該技術監控網絡中多攝像頭的行人重識別過程中，尤其是在行人特征的提取和匹配的過程中，行人的特征極易受到場景變化、光照變化的影響而造成重識別率的降低，同時大范圍的監控網絡中也會存在一些穿著相似的行人造成行人錯誤的重識別，為了提高行人的重識別率，降低外界因素對行人重識別的影響，該技術根據小群體信息的關聯性，將行人小群體特征作為行人重識別的一個重要特征，主要解決視頻監控網絡中行人重識別準確率低、精度不高的問題。但該技術首先要對人體進行分割，并且利用了視頻跟蹤過程中的軌跡信息，其使用過程復雜度較高。