[發明專利]一種監控視頻序列圖像車輛再識別的方法

在審

• 申請號: 201611052772.5
• 申請日: 2016-11-25
• 公開（公告）號: CN106778517A
• 公開（公告）日: 2017-05-31
• 發明（設計）人: 徐峰;劉軍;張紀升;冀金科;孫曉亮;張廣浩;賈喜軍;楊潤生;路新燕;王體彬;牛樹云;張利;劉見平;朱麗麗
• 申請（專利權）人: 河南高速公路駐信段改擴建工程有限公司;交通運輸部公路科學研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 北京市中聞律師事務所11388
• 代理人: 王新發,常亞春

1.一種監控視頻序列圖像車輛再識別的方法，其特征在于，包括以下步驟：

（1）圖像特征提?。簩τ谂臄z到的所有視頻數據，首先檢測出所有在攝像頭下出現的車輛圖像，監控視頻車輛圖像根據車輛和攝像頭分成多個等長的車輛圖像序列，然后對于序列圖像中每一幀圖像，計算在YCrCb空間中Cr、Cb兩個通道的灰度直方圖，最后用Gabor濾波器和原圖像卷積得到車輛輪廓圖像，將其與之前兩個直方圖結合，得到每一幀圖像的特征向量；

（2）基于集合到集合的度量學習方法：訓練車輛目標圖像序列間相對距離度量函數學習步驟，即基于類內距離比類間距離小的概率最大化的思想學習度量，求得特征向量間的映射矩陣，具體為：

首先，采取計算平均距離的方法計算車輛特征序列間距離，得到有標記的距離集合其中代表屬于同一類（車輛）間距離，代表屬于不同類（車輛）間的距離；

其次，開始迭代前設定經過次迭代后，總共學習到這個正交向量，那么再學習下一個正交向量時，讓

其中的 p和n如前面部分解釋可知，它們分別表示的是

第次迭代時的同一類和不同類的差分向量，具體定義公式為：

其中，

然后，學習新的向量的優化函數則為：

經過以上兩步后，接著利用梯度下降法尋找一個最優解：

其中代表了梯度下降法的迭代步長，由上式所示的梯度下降方

向來進行求解，的初始值設為：

算法的迭代終止條件為：

最后，當兩次迭代后目標函數的值相差小于這個容忍值時，就默認目標優化函數已經達到了它的最小值，也就是求得了最優解，獲得了特征向量間的映射矩陣；

（3）基于集合間度量學習的車輛再識別:視頻數據的車輛再識別步驟：首先，對于步驟（1）的方法中得到的車輛圖像數據，將除訓練數據外需要進行再識別的車輛序列標記作為樣本數據；其次，將視頻數據的所有車輛序列與樣本數據中所有車輛序列利用步驟（2）學習到的度量映射矩陣W計算距離，將距離由小到大排序；最后，距離最小的兩輛車輛序列就被判斷歸屬于同一輛車輛，即匹配到了車輛序列，完成了車輛再識別。

2.根據權利要求 1 所述的監控視頻序列圖像車輛再識別的方法，其特征在于，所述步驟（2）的序列間距離計算中，所述集合間平均距離的計算公式為：

其中，為需要計算距離的兩個集合，

代表 x 和 y 這兩個樣本間的距離，由于在本車輛再識別方法中，監控系統下的不同攝像頭拍攝到的車輛序列都擁有同一長度，定義為k。

3.根據權利要求 2 所述的監控視頻序列圖像車輛再識別的方法，其特征在于，平均距離中的測度為馬氏距離，馬氏距離的具體計算方法為：假設有 M 個樣本向量計算得到協方差矩陣為 S，均值為向量，那么樣本向量 X 到均值的馬氏距離為

其中樣本向量之間的馬氏距離為：

如果各個樣本向量互相獨立同分布，也就是可以如歐氏距離一樣，將

樣本向量間的不同屬性同等看待，那么協方差矩陣就相對應的是單位

矩陣，上述（1-6）公式則可以寫成：

即可。