[發明專利]一種基于多特征融合與多核遷移學習的紅外人體目標圖像識別方法

有效

• 申請號: 201811345537.6
• 申請日: 2018-11-13
• 公開（公告）號: CN109583482B
• 公開（公告）日: 2022-08-16
• 發明（設計）人: 王鑫;張鑫;寧晨;黃鳳辰
• 申請（專利權）人: 河海大學
• 主分類號: G06V10/80
• 分類號: G06V10/80;G06V10/774;G06V40/10;G06K9/62
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 許方

本發明公開了一種基于多特征融合與多核遷移學習的紅外人體目標識別方法。首先，基于紅外圖像特殊的成像機理，對紅外場景中的目標提取一種改進的CLBP特征??MSF?CLBP來表達紋理信息，以及一種改進的局部HOG特征??HOG?FV來表達形狀信息，以發掘目標中的有效特征；其次，針對上述提取到的兩種異構特征，采用串聯融合的方法進行特征融合，使得對目標特征信息的描述更為客觀全面。最后，設計了一種融合多核分類與TrAdaBoost遷移學習框架的分類器，有效地解決了帶標簽的紅外樣本圖像匱乏的問題，同時增強了待分類數據的區分性，以獲取更優的識別效果。該方法從特征提取的改進和分類器的設計兩方面著手，改善了特征信息的表達，提升了復雜背景下紅外人體目標識別的性能。

技術領域

本發明屬于紅外圖像處理和模式識別技術領域，尤其涉及一種基于多特征融合與多核遷移學習的紅外人體目標圖像識別方法。

背景技術

紅外場景下的人體目標識別是紅外圖像處理和模式識別領域中一個重要的研究分支，其已廣泛應用于視頻監控，目標跟蹤和汽車輔助駕駛系統等實際應用中。為了實現紅外圖像中人體目標的有效識別，關鍵在于對人體目標進行準確且全面的特征提取，以及設計合理的分類器來進行分類識別。

首先，在紅外圖像目標特征提取方面，一直以來，眾多學者們提出并改進了很多優秀的特征提取算法，如改進的方向梯度直方圖(Histogram of Oriented Gradient，HOG)特征，改進的局部二值模式特征(Local Binary Pattern,LBP)，局部強度差異直方圖(Histograms of Local Intensity Differences,HLID)特征以及強度自相似(IntensitySelf Similarity,ISS)特征等等。上述的方法通過對紅外人體目標提取某單一方面的特征如形狀特征或者紋理特征來進行特征表示，這種特征提取的不全面性在一定程度上影響著后續的識別性能。為此，研究者們又提出對紅外人體目標圖像進行多特征的提取和融合，以提高特征表示的全面性，比如采用HOG與LBP特征來分別表達形狀信息和紋理信息，將CSLBP(Center-Symmetric Local Binary Pattern)特征與FPGT特征(Fused Phase,Ggradientand Texture features)進行融合，使用HOG特征與Edgelet特征來分別表達圖像中目標的形狀特性等等，最終獲取的識別性能均優于使用單一特征時的性能。基于以上的分析，可以得出一些結論：首先，采用多特征提取和融合來挖掘圖像的特征信息相較于單特征提取方法而言，確實可以提高紅外人體目標特征表示的準確性；其次，針對紅外人體目標而言，通過HOG特征來表達形狀信息以及LBP特征來表達紋理信息已被證明是一種有效的特征表達方式；最后，雖然目前有很多方法提出提取紅外人體目標的多種特征，但是這些特征仍然可能屬于同一種類型，如Edgelet和HOG特征都屬于形狀特征，仍然沒有從不同的角度對目標進行描述。此外，提取出的特征多為圖像的底層特征，缺少了必要的語義信息，限制了識別性能的進一步提升。

其次，在分類器設計環節，針對紅外人體目標的識別，常用的分類器有支持向量機(Support Vector Machine,SVM)、基于Adaboost的分類器、基于KNN(K-Nearest Neighbor)的分類器等等。這些分類算法屬于傳統的機器學習算法，雖然性能可以得到保證，但是它們的訓練樣本需要滿足嚴格的條件限制：(1)訓練樣本與測試樣本需要滿足獨立同分布的條件；(2)需要有足夠多可利用的訓練樣本才可能學習得到一個較好的分類模型。然而，在紅外圖像目標識別分類的實際應用中可以發現，這兩個條件一般都很難滿足。首先，由于紅外圖像特殊的成像原理，不同的周圍環境對目標圖像的分布及語義都極易引起較大的偏差。其次，相比于可見光圖像，可利用的帶標簽的紅外樣本圖像數量少得多，而獲取大量新的有效樣本則需要付出很大的代價。因此，如何利用少量的帶標簽訓練樣本，最終建立一個可靠的模型對目標進行預測和分類顯得尤為重要。