[發明專利]一種基于稀疏學習的多攝像機非重疊視域行人匹配方法

有效

• 申請號: 201710568659.0
• 申請日: 2017-07-13
• 公開（公告）號: CN107358200B
• 公開（公告）日: 2020-09-18
• 發明（設計）人: 王洪元;張文文;萬建武;孫金玉
• 申請（專利權）人: 常州大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 南京知識律師事務所 32207
• 代理人: 李媛媛

本發明公開了一種基于稀疏學習的多攝像機非重疊視域行人匹配方法，具體包括以下步驟：步驟1，從數據集中提取行人目標特征作為行人的原始特征；步驟2，根據原始特征，利用稀疏學習提取行人目標的高層語義特征；步驟3，將高層語義特征映射到公共隱空間；步驟4，建立稀疏表示模型，并稀疏表示出樣本特征；步驟5，利用步驟4處理好的樣本特征進行行人匹配。本發明突破了傳統的單攝像機視域限制，有效擴大了監控空間，消除了大范圍監控存在的攝像頭盲區，并將時間和空間上分離的目標在不同攝像機中進行匹配。本發明的方法對行人目標姿態變化、光照條件變化具有很強的魯棒性。

技術領域

本發明屬于計算機視覺領域，具體涉及多視圖學習領域，特別涉及一種基于稀疏學習的多攝像機非重疊視域行人匹配方法。

背景技術

隨著人們對社會公共安全的日益關注以及視頻采集技術和大規模數據存儲技術的發展，視頻監控技術日益受到人們的重視，在商場、公園、學校、醫院等人群密集易發生公共安全事件的場所應用了大量的監控攝像頭。這些大量的監控攝像頭形成了一個巨大的監控網絡，盡管提高了監控系統的可靠性，同時也給監控視頻的管理和查看帶來了巨大的困難，于是如何高效地將不同攝像機中相同目標進行匹配是非重疊視域監控的關鍵。

在非重疊視域監控系統中，由于監控視頻中的拍攝場景存在著光照變化、目標圖像分辨率低、拍攝視角變化、行人姿態各異及攝像頭自身屬性問題，導致同一行人在不同視角中拍出的行人圖像差異很大，這為匹配目標行人帶來了很大挑戰。為了解決這些難點問題，學者們提出了基于行人特征表示的方法和基于度量學習的方法。其中，基于行人特征表示的方法，主要關注提取更具有鑒別性的行人圖像特征，僅利用標準距離(如歐式距離和巴氏距離等)進行相似性度量。例如，文獻“Farenzena M,Bazzani L,Perina A,et al.Personre-identification by symmetry-driven accumulation of local features.IEEETransactions on Computer Vision and Pattern Recognition,2010,23(3):2360-2367.”提出基于行人身體對稱性的特征提取方法，將人劃分為頭、軀干、腿部三個部分，然后提取除頭部以外的累積顏色特征和紋理特征對行人進行描述。文獻“Cheng SC,CristaniM,Stoppa M,et al.Custom Pictorial Structures for Re-identification.InProceedings of the British Machine Vision Conference,2014,68:1-11.”將繪畫結構應用于行人重識別，用類似身體外形的結構來表示行人，再提取行人顏色特征精確匹配。然而，在實際生活中，行人在經過非重疊的攝像頭時，受到視角、光照等因素的影響，拍出的行人圖像質量差，如果采用標準的距離度量方法，即等貢獻考慮每一個特征，可能導致不同類樣本間的度量距離小，而同類樣本間度量距離大。為解決該問題，研究者們關注設計有效的距離度量函數，提出了基于度量學習的方法。代表性的工作有，文獻“Weinberger KQ,SaulLK.Distance metric learning for large margin nearest neighborclassification.Journal of Machine Learning Research,2009,10(1):207–244.”提出最大近鄰分類間隔算法(LMNN)，使得投影之后的相同類點向內部緊縮，不同類點向外擴張。文獻“Li W,Wang XG.Locally aligned feature transforms across views.ComputerVision and Pattern Recognition,2013,9(4):3594–3601.”將圖像對投影到共同的特征空間，再對投影之后的圖像特征進行相似性距離度量。