专利名称：一种基于多摄像机无重叠视域行人匹配方法
技术领域：
本发明属于计算机视觉领域，具体涉及智能监控领域，特别涉及一种基于多摄像机无重叠视域行人匹配方法。
背景技术：
随着计算机技术的发展以及人们安全意识的不断提高，视频监控技术越来越受到人们的重视。由于传统的单摄像机视域有限，监控范围较小，多数场合往往采用多个摄像机进行大范围监控，譬如社区和重要建筑物内部的安全监控，城市路网交通状况的监控，地铁站和飞机场的监控，以及停车场和超市的监控等等。但是，大范围监控必然存在摄像头盲区，目标在时间和空间上都是分离的，如何将不同摄像机中相同目标进行匹配是无重叠视域监控的关键。目前常用的目标匹配方法主要包括基于特征的方法和基于模型的方法两大类。 基于特征的方法又称为基于知识的方法，它是目标匹配中最常用的方法，通过对目标局部或整体某些特征的确认来匹配不同摄像机视域中的目标。常用于匹配的特征包括颜色、纹理、形状等特征，其中颜色特征的使用最为频繁，颜色特征主要包括RGB直方图特征，如文献“Huang, T. , Russell, S. . Object identification in a Bayesian context [C]. International Joint Conferences on Artificial Intelligence, 1997: 1276-1283·，， 提出的使用RGB直方图特征匹配高速公路上的车辆，RGB直方图描述了图像的整体颜色信息，提取简单，但是容易受光照变化的影响，而且不同的图像内容其RGB直方图可能很接近，因此匹配准确率不高，不适用于多摄像机无重叠视域跟踪；HSV特征，将彩色图像首先由RGB空间转化到HSV空间，然后提取HSV直方图，由于HSV空间将光照分量V独立了出来，因此可以在一定程度上抑制光照变化带来的影响，如文献“Jingang Huang, Bin Kong, “A New Method of Unstructured Road Detection Based on HSV Color Space and Road Features,” Information Acquisition, 2007. ICIA 07. Pages: 596-601 ” 使用 HSV 特征检测道路以去除阴影的影响，但是HSV容易产生畸变，往往会影响匹配的精度；本发明所提出的主颜色特征，提取出目标的主颜色，使用主颜色来表征整个目标的特征，可以在一定程度上提高匹配的鲁棒性，同时，主颜色中包含的标准化RGB值对光照变化具有较好的鲁棒性。除了颜色特征外，常用于匹配的特征还包括纹理特征，例如文献“陈远，陈锻生.一种融合LBP纹理特征的多姿态人脸跟踪方法[J].华侨大学学报，2010，Vol. 31, No. 3. ”提出的用于人脸跟踪匹配的LBP纹理特征。外形特征，例如目标面积、宽高比等。但是要在多摄像机无重叠视域下对目标进行匹配，光照的改变和目标姿态的变化会对匹配精度造成较大影响，因此往往需要将多个特征结合起来使用，以实现准确的匹配。基于模型的方法就是为目标建立二维或三维模型，通过在图像中进行模型匹配来实现运动运动目标的匹配。但由于监控场景中可能出现的目标是多种多样的，目标的姿态在运动过程中也会发生改变，从而使目标表现出各种不同的形状，很难建立统一的模型来对其进行描述。同时，基于模型的匹配方法对目标模型的依赖性过大，一旦模型匹配失败则无法正确识别出运动目标，而建立精细的目标模型虽可以提高匹配的精度，但势必造成匹配过程中计算量的成倍增加，难以满足实时性的要求。因此，研究一种实时性好、鲁棒性高的多摄像机无重叠视域目标匹配方法，对准确匹配不同视域中的目标以及对感兴趣目标进行有效跟踪有着积极的影响。
发明内容
本发明的目的在于克服现有技术存在的以上问题，提供一种基于多摄像机无重叠视域行人匹配方法。此方法对行人目标姿态变化，环境光照变化具有很强的鲁棒性。为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现
一种基于多摄像机无重叠视域行人匹配方法，包括以下步骤
步骤I、建立混合高斯背景模型；
步骤2、使用背景减除法获得行人目标；
步骤3、提取行人目标的主颜色特征；
步骤4、进行主颜色判别分析；
步骤5、对于疑似匹配目标提取空间纹理特征；
步骤6、使用空间纹理特征进行进一步判别。进一步的，所述步骤2中提取目标的主颜色特征以及空间纹理特征，并接收邻近摄像机中在某时段内消失的目标的特征信息，与当前检测到的目标进行匹配以确认目标身份。进一步的，所述步骤3中对于通过背景减除法获得的行人目标，根据人的自然比例将其分为躯干与下肢部分，并对每个部分分别使用本发明所提出的SNNC (序列最近邻聚类)算法进行颜色聚类，最终获得各个部分的主颜色特征。进一步的，所述步骤5中对于疑似匹配目标，需要使用空间纹理特征进行进一步判断，首先根据经验值确定行人的纹理密集区，对纹理密集区的每一像素点求该点彩色梯度极值，然后将纹理密集区九等分，统计每一子块中彩色梯度极值大于给定阈值的像素点数目，统计出九个子块各自包含的满足条件的像素点数目后，就能反映出目标大致的纹理强度与纹理分布情况。本发明的有益效果是
突破传统的单摄像机视域限制，有效扩大了监控范围。消除大范围监控存在的摄像头盲区，并将时间和空间上分离的目标在不同摄像机中进行匹配。本发明对行人目标姿态变化，环境光照变化具有很强的鲁棒性。上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段， 并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。 本发明的具体实施方式
由以下实施例及其附图详细给出。
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中
图I是本发明基于主颜色和空间纹理特征的多摄像机无重叠视域行人匹配方法的系统流程图2是本发明采用的主颜色特征直方图3是本发明中主颜色特征匹配示意图4是本发明中空间纹理特征直方图5是本发明中采用的棋盘距离示意图。
具体实施例方式下面将参考附图并结合实施例，来详细说明本发明。图I给出了基于主颜色和空间纹理特征的多摄像机无重叠视域行人匹配方法的系统流程图从原始视频中使用背景差法提取出行人目标，分别提取行人的躯干和下肢部分的主颜色特征，与邻近摄像机发送来的某段时间内消失的行人的特征做匹配，得到两目标躯干与下肢部分的主颜色匹配率。然后通过双阈值法判断两目标之间的匹配性，如果两部分的主颜色匹配率都大于等于给定大阈值，认为目标匹配；若有任一部分主颜色匹配率小于等于小阈值，认为目标不匹配；其余情况为疑似匹配目标。对于疑似匹配目标，提取它们的空间纹理特征进行进一步判别。提取出疑似匹配目标的空间纹理特征之后，使用棋盘距离定性地计算空间纹理匹配率，然后与给定的阈值进行比较，如果大于等于给定阈值，认为疑似匹配目标实际上是匹配的，否则目标不匹配。一种基于多摄像机无重叠视域行人匹配方法，包括以下步骤
步骤I、建立混合高斯背景模型；
建立一个好的背景，是提取运动目标并进行匹配的基础。鉴于监控场景往往比较复杂， 光照变化等干扰因素较多，本发明采用混合高斯背景建模技术建立背景模型，可以有效地抑制扰动，提高所建立背景的准确度。如文献“王永忠，梁彦，潘泉等.基于自适应混合高斯模型的时空背景建模[J].自动化学报，2009，Vol. 35, No. 4. ”提出了使用混合高斯技术与时空信息结合建立背景模型，能够比较鲁棒的克服背景建模中可能遇到的干扰，建立较好的背景模型。步骤2、使用背景减除法获得行人目标；
准确建立了监控场景的背景模型之后，就可以用背景减除法快速提取出视频流中的运动目标。所谓的背景减除法就是将原始帧减去背景帧，将绝对差值大于一定阈值的像素当做前景目标，其他的仍然作为背景目标。对于得到的前景目标，再通过连通域分析以及形态学滤波，去除一些小面积的扰动因素，填充前景的空洞，得到质量较好的前景目标。步骤3、提取行人目标的主颜色特征；
得到视频流中的行人目标之后，就可以提取出目标的主颜色特征。首相将目标依据经验值分成躯干和下肢两块，假设一个人的身高为H，那么根据经验值，其下肢的高度范围是 O到O. 54H，其躯干部分的高度为O. 54H到O. 84H。对于任意部分，使用本发明所提出的SNNC (序列最近邻聚类)算法进行颜色聚类，最终获得各个部分的主颜色特征。SNNC是一种无监督颜色聚类算法，它将相似的颜色聚在一起，并不断根据每种颜色的像素数目调整聚类的次序以实现无监督聚类的目的，最后得到每种主颜色的RGB值及其所占前景总像素数目的比例。在SNNC聚类过程开始之前，先将目标的彩色空间由 256*256*256标准化到64*64*64，然后将目标中包含有相同RGB值的像素点聚在一起，作为初始簇。所有的初始簇构成一个序列，将这个序列中所有簇按照其所含像素点数目的多少从大到小排列，为聚类做准备，开始阶段所有簇都是未标记状态。SNNC的具体步骤如下
选择序列中第一个未标记的簇Ai，将Ai的RGB值设为这个簇的中心并标记这个簇Ai; 选择序列中在Ai之后的第一个未标记的簇Bj，根据颜色距离公式计算Ai与Bj的颜色距离，其中颜色距离公式如下所述；
权利要求
1.一种基于多摄像机无重叠视域行人匹配方法，其特征在于，包括以下步骤步骤I、建立混合高斯背景模型；步骤2、使用背景减除法获得行人目标；步骤3、提取行人目标的主颜色特征；步骤4、进行主颜色判别分析；步骤5、对于疑似匹配目标提取空间纹理特征；步骤6、使用空间纹理特征进行进一步判别。
2.根据权利要求I所述的基于多摄像机无重叠视域行人匹配方法，其特征在于所述步骤2中提取目标的主颜色特征以及空间纹理特征，并接收邻近摄像机中在某时段内消失的目标的特征信息，与当前检测到的目标进行匹配以确认目标身份。
3.根据权利要求I所述的基于多摄像机无重叠视域行人匹配方法，其特征在于所述步骤3中对于通过背景减除法获得的行人目标，根据人的自然比例将其分为躯干与下肢部分，并对每个部分分别使用本发明所提出的SNNC (序列最近邻聚类)算法进行颜色聚类，最终获得各个部分的主颜色特征。
4.根据权利要求I所述的基于多摄像机无重叠视域行人匹配方法，其特征在于所述步骤5中对于疑似匹配目标，需要使用空间纹理特征进行进一步判断，首先根据经验值确定行人的纹理密集区，对纹理密集区的每一像素点求该点彩色梯度极值，然后将纹理密集区九等分，统计每一子块中彩色梯度极值大于给定阈值的像素点数目，统计出九个子块各自包含的满足条件的像素点数目后，就能反映出目标大致的纹理强度与纹理分布情况。
全文摘要
本发明公开了一种基于多摄像机无重叠视域行人匹配方法包括以下步骤建立混合高斯背景模型；使用背景减除法获得行人目标；提取行人目标的主颜色特征；进行主颜色判别分析；对于疑似匹配目标提取空间纹理特征；使用空间纹理特征进行进一步判别。本发明突破传统的单摄像机视域限制，有效扩大了监控范围。消除大范围监控存在的摄像头盲区，并将时间和空间上分离的目标在不同摄像机中进行匹配。本发明对行人目标姿态变化，环境光照变化具有很强的鲁棒性。
文档编号G06K9/64GK102592144SQ20121000287
公开日2012年7月18日 申请日期2012年1月6日 优先权日2012年1月6日
发明者张为公, 杨彪, 林国余 申请人:东南大学