基于局部特征融合的目标再识别方法
【技术领域】
[0001] 本发明实施例涉及计算机视觉技术领域，尤其是涉及一种基于局部特征融合的目 标再识别方法。
【背景技术】
[0002] 目标再识别方法可用于多目标跟踪、视频监控等领域，尤其是视觉传感器网络框 架下对多个目标在多个场景下持续的跟踪应用。
[0003]目前，目标再识别问题的研究方法主要分为两类，第一类方法是对目标的颜色、形 态等外观特征直接进行统计和使用，传统颜色直方图并没有包含空间位置信息，一定程度 上降低了其特征描述的能力；类似的，统计形体信息时，离重心位置越远的像素点，包含了 目标更多的形体信息，该情况也没有被给予足够的关注。第二类方法通过训练，找出有最大 区分度的特征分量，建立相似度度量模型进而实现目标的再识别，该类方法中，样本的采集 和参数调整需要花费较长的时间，并且目标种类更换时需要重新进行训练，通用性较低。此 外，为了使得提取的特征更具鲁棒性，应当对特征稳定、信息丰富的关键区域加以关注，该 方面的研究仍比较匮乏。
[0004] 发明人在研究中发现当一个已经被识别的目标，在光照条件、目标位姿、场景等发 生变化以及被遮挡后重新出现时，现有技术不能对其进行识别。
[0005] 有鉴于此，特提出本发明。
【发明内容】
[0006] 本发明实施例的主要目的是提供一种基于局部特征融合的目标再识别方法，以至 少解决如何使得一个已经被识别的目标，在光照条件、目标位姿、场景等发生变化以及被遮 挡后重新出现时，仍能对其进行识别的技术问题。
[0007] 为了实现上述目的，本发明提供了一种基于局部特征融合的目标再识别方法。该 方法包括：
[0008] 步骤S1、获取待处理图像的前景图像；
[0009] 步骤S2、利用颜色分割算子和形体分割算子对所述前景图像中的目标进行区域分 割；
[0010] 步骤S3、根据加权的HSV颜色直方图提取关键区域的颜色特征，根据形体信息描 述子提取所述关键区域的形体特征，其中，所述关键区域属于所述利用颜色分割算子和形 体分割算子对目标进行区域分割后得到的Ντ个区域，所述Ντ取整数，所述关键区域数目小 于等于Ντ;
[0011] 步骤S4、根据所述颜色特征和所述形体特征的相似性度量，对所述目标进行再识 别。
[0012] 优选地，所述步骤S1具体包括：
[0013] 获取所述待处理图像的背景图像；
[0014] 将所述待处理图像与所述背景图像进行差分，再通过0TSU算法进行二值化，从而 获得所述待处理图像的前景图像。
[0015] 优选地，所述步骤S2具体包括：
[0016] 步骤S21、通过所述颜色分割算子，求取所述各个相邻区域间的颜色分割线集合 c,
[0017] 其中，所述颜色分割算子计算如下：
[0019] 其中，
[0020] 所述I是前景图像；所述Pi」v和所述p;>分别代表全局坐标为（i,j_v)和 (i，j+v)的所述前景图像中的像素点；所述d(Pli]ν，ρ1ι]+ν)表示所述像素点Pli] v和所述像素 点空间中的欧氏距离；所述X代表累加的总次数，所述τ为固定值，其决定了 计算颜色分割算子所用到的图像范围；所述C(j，τ)表征以第j行为分界线、上下各τ行 区域间颜色特征的差异情况；
[0021] 所述集合c的第q个元素cq所对应的行数％计算如下：
[0023] 步骤S22、通过所述形体分割算子，求取形体分割线集合b;
[0024] 其中所述形体分割算子计算如下：
[0026] 其中，
[0027] 所述L,v和所述L]+v分别表示前景图像中第（j-ν)行和第（j+v)行的长度；所述 ε为固定值，其决定了计算形体分割算子所用到的图像范围；所述B(j，ε)表征了以第j 行为分界线，上下各ε行区域间形体特征的差异情况；
[0028] 所述集合b的第q个元素bq所对应的行数\计算如下：
[0030] 步骤S23、根据所述颜色分割线集合c和所述形体分割线集合b得到分割线集合f，其中所述集合f的第q个元素fq所对应的行数计算如下：
[0032] 优选地，所述根据加权的HSV颜色直方图提取关键区域的颜色特征具体包括：
[0033] 步骤S31、根据所述集合f的第k和k+Ι个元素，获取第k个区域所对应的前景图 像Ik，其中k= 1，…，NT;
[0034] 步骤S32、记沢/1表示所述第k个区域所对应的前景图像1,的加权的HSV颜 色直方图，第8(h-l)+s个元素用(h= 1，2，*"，12;S = 1，2,…，8)表示为：
其中，所述1,代表像素Ph,的权重，服从以所述第k个区 ， 域的重心&的像素坐标为期望值的二维正态分布，所述τιi为所述Qu的归一化常数；将色 调在[0, 360)内均匀量化12级，形成12个区间；将饱和度按照[0, 0· 075)，[0· 075, 0· 15) ，[0· 15, 0· 275)，[0· 275, 0· 4)，[0· 4, 0· 575)，[0· 575, 0· 75)，[0· 75, 0· 875)，[0· 875, 1. 0]非 均匀量化为8个区间，并分别与s= 1，s= 2,…，s= 8相对应；如果所述像素Pi,的色调 在第h个区间内，且饱和度在第s个区间内，则所述取值1，否则所述@取值0 ;
[0035] 所述根据形体信息描述子提取关键区域的形体特征具体包括：
[0036]步骤S33、计算所述^左右边界的切线Lk、Rk;
[0037] 步骤S34、依据所述第k个区域的重心Gk的像素坐标，将所述I,划分为四个子区 域Mjmz1，2,3,4);
[0038]步骤S35、对所述四个子区域分别以Lk、&和fk、fk+1的交点为基准点，来统计各子 区域的形体信息，记Vk表示第k个区域的形体信息描述子，其中各元素(m= 1，2, 3, 4 ; a= 1，2,…，A)表示如下：
[0040] 其中，所述A是各子区域形体信息的向量维数，所述Pi?是子区域M"内 的像素点，所述（ξ，ξ)是该像素点相对于其所在的子区域的基准点的坐标；所述
所述?Υ表所述像素点ριζ的权重，服从以所述 子区域Μ"的重心6_的像素坐标为期望值的二维正态分布；所述τι2为所述Τ 的归一化 常数。
[0041] 优选地，所述步骤S4具体包括：
[0042] 步骤S41、使用直方图的相交法，对待处理的前景图像I和f的颜色特征进行相似 性度量，其中所述前景图像I和I的颜色特征的相似计算如下：
[0043]
[0044] 其中，所述《k代表所述第k个区域在颜色直方图测度中的权重；所述和所述 分别是前景图像I和f的第k个区域的加权的HSV颜色直方图妒和&的第8 (h-1)+S 个元素；
[0045] 步骤S42、使用皮尔逊相关系数，对所述前景图像I和I的形体特征进行相似性度 量，其中所述前景图像I和I的形体特征的相似度￡；.(；/, /)计算如下：
[0046]
[0047] 其中，所述巧:代表所述第k个区域在形体信息测度中的权重，所述)代 表#和p的皮尔逊相关系数，所述Vk和所述p分别是所述前景图像I和j的第k个区域 的形体信息描述子；
[0048] 步骤S43、采用加权组合的方式对所述相似性度量结果和￡；(/,|)进 行融合，得到所述前景图像I和I中的目标之间的相似度结果￡(；/, /):
[0050] 其中，所述λ为权值；如果，其中所述α为给定阈值，则所述前景图 像I和f中的目标为同一目标，否则，不是同一目标。
[0051] 本发明实施例提供了一种基于局部特征融合的目标再识别方法，通过获取待处理 图像的前景图像；利用颜色分割算子和形体分割算子对前景图像中的目标进行区域分割； 根据加权的HSV颜色直方图提取关键区域的颜色特征，根据形体信息描述子提取所述关键 区域的形体特征；根据颜色特征和形体特征的相似性度量，对目标进行再识别，本发明通过 融合局部特征即颜色特征和形体特征，来对目标进行再识别，具有识别的实时性好，为多目 标跟踪、视频监控等领域的应用提供了技术保障的优点。
【附图说明】
[0052] 图1为根据一示例性实施例示出的基于局部特征融合的目标再识别方法的示意 性流程图。
【具体实施方式】
[0053] 为使本发明的目的、技术方案更加清楚明白，以下结合具体实施例，并参照附图， 对本发明实施例进一步详细说明。虽然本文可提供包含特定值的参数的示范，但应了解，参 数无需确切等于相应的值，而是可在可