[發明專利]一種基于多尺度結構相關性的行人目標識別方法

有效

• 申請號: 201610854913.9
• 申請日: 2016-09-27
• 公開（公告）號: CN107871110B
• 公開（公告）日: 2018-12-14
• 發明（設計）人: 李波;張曉偉;胡海苗;王曉燕;鄭錦
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京金恒聯合知識產權代理事務所 11324
• 代理人: 李強

1.一種基于多尺度結構相關性的行人目標識別方法，其特征在于包括如下步驟：

步驟(1)、對監控視頻進行運動檢測以獲得行人目標的候選區域；對該候選區域進行目標尺度映射，根據該候選區域的尺寸將其映射到若干個模板尺度中最近鄰的兩個尺度上；

步驟(2)、在上述目標候選區域最近鄰的兩個尺度上，分別提取梯度特征向量和紋理特征向量，形成特征向量集合；

步驟(3)、對上述提取到的每個尺度上的特征向量集合，通過無監督K-Means聚類的方式劃分為K個特征向量中心，并將這些特征向量聚類中心作為視覺字典中的單詞，這K個聚類中心就是行人目標在每個尺度上的視覺特征字典；

步驟(4)、對上述生成的每個尺度上的視覺特征字典使用局部約束線性編碼描述目標在不同尺度上的局部結構特征，提高行人目標特征信息描述的魯棒性；

步驟(5)、將上述不同尺度上的局部結構特征通過特征空間變換到同一維數特征子空間中；然后，利用支持向量機SVM分類器，獲得此特征子空間中候選行人目標的識別準確度s_i；

步驟(6)、聯合梯度特征和紋理特征的特征子空間中候選行人目標的識別準確度s_i，通過動態加權融合方式獲取候選區域是否為行人目標的置信度f。

2.如權利要求1所述的基于多尺度結構相關性的行人目標識別方法，其特征在于所述步驟(1)中，具體包括如下步驟：

步驟(11)、依據室外視頻監控中行人目標尺度的差異性，將行人目標映射為64×128、32×64和16×32三種尺度模板；

步驟(12)、根據當前運動檢測獲得到的行人目標候選區域的尺寸，將候選目標映射到三種尺度模板的最近鄰兩個尺度上。

3.如權利要求1所述的基于多尺度結構相關性的行人目標識別方法，其特征在于所述步驟(2)中，具體包括如下步驟：

步驟(21)、根據目標候選區域對應的兩個最近鄰尺度模板，獲取目標圖像在這兩個尺度模板上的HOG梯度特征，在尺度模板上提取到的HOG梯度特征表示為其中i表示步驟(1)中的若干個尺度模板中的第i個尺度模板，表示在第i個尺度模板上第1個HOG梯度特征向量，D^h表示HOG梯度特征的維數，為HOG梯度特征個數；

步驟(22)、根據目標圖像對應的兩個最近鄰尺度模板，獲取目標圖像在這兩個尺度模板上的LBP紋理特征，在尺度模板上提取到的LBP紋理特征表示為其中i表示步驟(1)中的若干個尺度模板中的第i個尺度模板，表示在第i個尺度模板上第1個LBP紋理特征向量，D^l表示LBP紋理特征的維數，為LBP紋理特征的個數。

4.如權利要求1所述的基于多尺度結構相關性的行人目標識別方法，其特征在于所述步驟(3)中，具體包括如下步驟：

步驟(31)、對步驟(2)中獲得的每個尺度模板上的HOG梯度特征，通過無監督K-Means聚類生成HOG梯度特征的K個聚類中心即HOG梯度特征字典其中h表示提取的視覺特征為HOG梯度特征，i表示步驟(1)中的若干個尺度模板中的第i個尺度模板，表示在第i個尺度模板上HOG梯度特征的第1個聚類中心或在第i個尺度模板上HOG梯度特征字典中的第1個詞包，D^h表示HOG梯度特征的維數，表示在第i個尺度模板上梯度特征聚類中心的個數，即HOG梯度特征字典的大小；

步驟(32)、對步驟(2)中獲得的每個尺度模板上的LBP紋理特征，通過無監督K-Means聚類生成LBP紋理特征的K個聚類中心即LBP紋理特征字典其中l表示提取的視覺特征為LBP紋理特征，i表示步驟(1)中的若干個尺度模板中的第i個尺度模板，表示在第i個尺度模板上LBP紋理特征的第1個聚類中心或在第i個尺度模板上LBP紋理特征字典中的第1個詞包，D^l表示LBP紋理特征的維數，表示在第i個尺度模板上紋理特征聚類中心的個數，即LBP紋理特征字典的大小。