[發(fā)明專利]監(jiān)控視頻噪聲環(huán)境下跨攝像頭行人重識別方法

有效

• 申請?zhí)枺?/td>: 202110355022.X
• 申請日: 2021-03-31
• 公開（公告）號: CN113378620B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計）人: 王麗園;胡彥杰;吳游宇;楊晶;肖進勝;羅豐;李正軍;熊文磊;馬天奕
• 申請（專利權(quán)）人: 中交第二公路勘察設(shè)計研究院有限公司
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V20/52;G06V20/40;G06V10/30;G06V10/82;G06V10/774;G06N3/045;G06N3/082
• 代理公司: 武漢開元知識產(chǎn)權(quán)代理有限公司 42104
• 代理人: 黃行軍

本發(fā)明公開了一種監(jiān)控視頻噪聲環(huán)境下跨攝像頭行人重識別方法，包括以下步驟：對監(jiān)控視頻中含有噪聲的行人數(shù)據(jù)集進行雙域濾波去噪處理，獲得行人圖像的高頻圖、噪聲的低頻圖；對圖片構(gòu)建三元組，規(guī)定好損失函數(shù)；對三元組的圖片輸入到特征提取網(wǎng)絡(luò)中，提取特征；利用距離度量方法來計算行人特征的差異性，將特征向量，進行k?倒排最近鄰重排序，優(yōu)化排序結(jié)果作為最終匹配結(jié)果。本發(fā)明的監(jiān)控視屏噪聲環(huán)境行人跨攝像頭重識別方法針對低質(zhì)圖像的行人重識別問題，利用雙域濾波分解構(gòu)建三元組用于訓練三元組度量模型，使簡單的特征提取網(wǎng)絡(luò)能學習圖像的噪聲特性，并且抑制噪聲的特征表達，可提高噪聲環(huán)境下監(jiān)控視頻的行人重識別性能。

技術(shù)領(lǐng)域

本發(fā)明涉及視頻圖像處理技術(shù)領(lǐng)域，具體涉及一種監(jiān)控視頻噪聲環(huán)境下跨攝像頭行人重識別方法。

背景技術(shù)

行人重識別(Person?Re-identification)也稱行人再識別，簡稱為ReID，是利用計算機視覺技術(shù)判斷圖像或者視頻序列中是否存在特定行人的技術(shù)，被認為是一個圖像檢索的子問題，實現(xiàn)跨監(jiān)控設(shè)備間的行人圖像檢索。

由于光照變化、復雜背景變換、低分辨率圖像、遮擋、不同行人的相似著裝等復雜應(yīng)用環(huán)境，使得行人重識別研究仍然非常具有挑戰(zhàn)性。

目前在行人重識別領(lǐng)域中，一項新的挑戰(zhàn)是在一些照明度不足、天氣條件惡劣，如夜晚、雨霧天氣等環(huán)境下，大部分模型都將很難獲得具有足夠表達能力的行人特征。

這些問題主要是由于攝像頭獲取的圖像被噪聲所淹沒，提升了有效信息的提取難度。在圖像的頻率域中，低頻部分往往是圖像中像素值連續(xù)漸變的區(qū)域，即相對變化較小，梯度值較低，主要以圖像的大致輪廓和整體內(nèi)容為主，是圖像大尺度上的風格信息。高頻部分則往往是圖像中像素值變化較快的區(qū)域，即相對變化較大，梯度值較高。例如圖像邊緣會與背景有明顯差別，意味著像素值迅速變化，梯度較大，而圖像的細節(jié)部分也是如此。因此，人眼對圖像的高頻部分更加敏感，它包含了圖像小尺度的紋理和細節(jié)信息。

行人重識別由特征表達和相似性度量兩個步驟組成。特征表達的目的是利用具有良好區(qū)分性和魯棒性的特征向量來代表行人圖像。特征提取的研究追求對特征的精確表達，盡可能保留對行人重識別最為有效的信息，去除無效信息。相似性度量是指建立一個與提取的特征相適應(yīng)的度量標準，用于計算不同行人圖像特征的相似度，作為判定是否為來自同一個人的依據(jù)。計算時應(yīng)使得來自于同一行人樣本的特征相似度高，不同行人樣本的特征相似度低。根據(jù)行人重識別的兩個步驟，行人重識別分為基于特征表達和基于度量學習兩種。

對于度量學習，最初，行人相似度的計算都是使用簡單的距離度量方法，如余弦距離、歐式距離等，沒有考慮各維度之間的主次關(guān)系和重要程度。Kostinger等人在論文中提出了一種簡單直接度量(KISSME)算法，首先通過主成分分析對特征進行降維，然后計算PCA子空間中相同標簽樣本與不同標簽樣本的協(xié)方差逆矩陣的差值，將此作為度量矩陣，簡化了馬氏距離的計算。隨后，Shengcai?Liao和Yang?Hu在KISSME的基礎(chǔ)上繼續(xù)改進，提出了跨視角二次判別分析(XQDA)算法。首先使用高斯分布分別擬合類內(nèi)與類間樣本特征的差值分布，然后根據(jù)兩個高斯分布的對數(shù)似然比推導出度量矩陣，最后，定義了一個新的判別子空間，將度量矩陣映射到新的子空間中，提高了度量函數(shù)的判別能力。