[發明專利]視頻監控中跨盲區行人目標的識別匹配方法

有效

• 申請號: 201410587361.0
• 申請日: 2014-10-28
• 公開（公告）號: CN104318216B
• 公開（公告）日: 2017-09-29
• 發明（設計）人: 陳懇;吳盈;邵楓;吉培培
• 申請（專利權）人: 寧波大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46
• 代理公司: 寧波誠源專利事務所有限公司33102
• 代理人: 鄧青玲

1.一種視頻監控中跨盲區行人目標的識別匹配方法，其特征在于：包括如下步驟

步驟1、對單攝像機拍攝的行人目標進行檢測，得到行人目標的RGB圖像；

步驟2、對步驟1檢測出的行人目標進行圖像處理：

步驟2a、將步驟1檢測檢測到的RGB圖像轉化為HSV圖像；

步驟2b、將步驟2a得到的HSV圖像中的V通道分量圖像進行顏色歸一化處理得到平均亮度及對比度增強的新V通道分量圖像；

步驟2c、將步驟2b得到的新V通道圖像和步驟2a得到的HSV圖像中H通道分量圖像和S通道分量圖像組合到一起得到新的HSV圖像；

步驟2d、將步驟2c得到的新的HSV圖像轉化為RGB圖像；

步驟2e、將步驟2d得到的RGB圖像縮放為寬度w＝32，高度h＝64的64×32個像素大小的圖像；

步驟3、對步驟2e得到的圖像轉換為HSV圖像，然后將該HSV圖像的H通道分量圖像的密集采樣網格上分割成互相重疊的正方形圖像分塊：每個正方形圖像分塊的邊長m為10個像素單位，其中網格步長n＝4；該HSV圖像的H通道分量圖像在x方向上的重疊方式為：相鄰正方形圖像分塊y方向相同，前一正方形圖像分塊x方向后半部分為后一正方形圖像分塊x方向前半部分；該HSV圖像的H通道分量圖像在y方向上的重疊方式為：相鄰正方形圖像分塊x方向相同，前一正方形圖像分塊y方向后半部分為后一正方形圖像分塊y方向前半部分；按照這種重疊方式，該HSV圖像的H通道分量圖像在x方向上的正方形圖像分塊個數為：該HSV圖像的H通道分量圖像在y方向上的正方形圖像分塊個數為因此得到共14*6＝84個正方形圖像分塊；

步驟4、提取每個正方形圖像分塊的多種特征：

步驟4a、提取步驟3得到的84個正方形圖像分塊的顏色特征；

步驟4b、提取步驟3得到的84個正方形圖像分塊的SIFT特征；

步驟4c、提取步驟3得到的84個正方形圖像分塊的LBP特征；

步驟5、計算單一特征的最佳匹配相似度：

運用步驟1對單攝像機拍攝的兩幅圖像進行行人目標檢測，設a和b為檢測結果；分別對a中的行人目標和b中的行人目標進行步驟2的處理，從而使得每個行人目標均形成大小為64×32個像素大小的圖像，然后運用步驟3分別每個行人目標的圖像進行分割處理，得到每個行人目標圖像的84個正方形圖像分塊；再然后運用步驟4的方法分別提取每個行人目標圖像分割后的84個正方形圖像分塊的顏色特征、SIFT特征和LBP特征；

設a中行人i的第p個正方形圖像分塊的顏色特征為cx_i,p，設b中行人j的第q個正方形圖像分塊的顏色特征為cy_j,q，p和q的取值范圍均為1～84；計算cx_i,p與cy_j,q之間的歐氏距離d(cx_i,p,cy_j,q)＝||cx_i,p-cy_j,q||²，然后通過高斯分布函數把距離值轉換為顏色相似度得分其中σ是高斯分布函數的帶寬，定義行人i和行人j的顏色特征相似度Sim(i,j)＝∑s(cx_i,p,cy_j,q)/n2為所有正方形圖像分塊顏色特征相似度得分平均值，n2為正方形圖像分塊的總數，即n2＝84；以a中的行人i為參考模型，計算它與b中所有的行人j的相似度，則a和b中顏色特征最佳匹配對象通過公式S＝arg max{Sim(i,j)}獲取，即此時的j即為此時i的顏色特征最佳匹配對象；

設a中行人i的第p個正方形圖像分塊的SIFT特征為Sx_i,p，設b中行人j的第q個正方形圖像分塊的SIFT特征為Sy_j,q，p和q的取值范圍均為1～84；計算Sx_i,p與Sy_j,q之間的歐氏距離d(Sx_i,p,Sy_j,q)＝||Sx_i,p-Sy_j,q||²，然后通過高斯分布函數把距離值轉換為SIFT特征相似度得分其中σ是高斯分布函數的帶寬，定義行人i和行人j的SIFT特征相似度Sim(i,j)'＝∑s'(Sx_i,p,Sy_j,q)/n2為所有正方形圖像分塊SIFT特征相似度得分平均值，n2為正方形圖像分塊的總數，即n2＝84；以a中的行人i為參考模型，計算它與b中所有的行人j的相似度，則a和b中SIFT特征最佳匹配對象通過公式S'＝arg max{Sim(i,j)'}獲得，即此時的j即為此時i的SIFT特征最佳匹配對象；

設a中行人i的第p個正方形圖像分塊的LBP特征為Lx_i,p，設b中行人j的第q個正方形圖像分塊的LBP特征為Ly_j,q，p和q的取值范圍均為1～84；計算Lx_i,p與Ly_j,q之間的歐氏距離d(Lx_i,p,Ly_j,q)＝||Lx_i,p-Ly_j,q||²，然后通過高斯分布函數把距離值轉換為LBP特征相似度得分其中σ是高斯分布函數的帶寬，定義行人i和行人j的LBP特征相似度Sim(i,j)”＝∑s”(Lx_i,p,Ly_j,q)/n2為所有正方形圖像分塊LBP特征相似度得分平均值，n2為正方形圖像分塊的總數，即n2＝84；以a中的行人i為參考模型，計算它與b中所有的行人j的相似度，則a和b中LBP特征最佳匹配對象通過公式S”＝arg max{Sim(i,j)”}，即此時的j即為此時i的LBP特征最佳匹配對象；

步驟6、對單一特征的最佳匹配相似度的權重進行設置：設顏色特征最佳匹配相似度對行人目標識別匹配貢獻最大，設SIFT特征最佳匹配相似度對行人目標識別匹配貢獻其次，設LBP特征最佳匹配相似度對行人目標識別匹配貢獻最小；

步驟7、對行人目標各特征的最佳融合特征進行確定：

行人目標各特征進行融合后的最佳融合特征為：顏色特征*α、SIFT特征*β、LBP特征*γ的線性組合，其中，α，β，γ為最佳融合特征中各特征的權值，其中α>β>γ；

步驟8、按照步驟7得到的最佳融合特征，分別對位于子區域a內的單攝像機拍攝的一幅圖像中的行人目標和位于子區域b內的單攝像機拍攝的一幅圖像中的行人目標提取最佳融合特征，然后利用步驟5中描述的匹配方法對兩幅圖像中的行人目標分別進行匹配。

2.根據權利要求1所述的視頻監控中跨盲區行人目標的識別匹配方法，其特征在于：α＝0.8，β＝0.2，γ＝0。