视频监控中跨盲区行人目标的识别匹配方法
【专利摘要】本发明涉及一种视频监控中跨盲区行人目标的识别匹配方法，其特征在于：包括步骤1、对单摄像机拍摄的行人目标进行检测；步骤2、对检测出的行人目标进行图像处理；步骤3、将处理后的图像转换为HSV图像，将该HSV图像的H通道分量图像分割成互相重叠的正方形图像分块；步骤4、提取每个正方形图像分块的多种特征；步骤5、计算单一特征的最佳匹配相似度；步骤6、对单一特征的最佳匹配相似度的权重进行设置；步骤7、确定最佳融合特征；步骤8、提取两个不同区域内的两幅图像中的行人目标的最佳融合特征，对两幅图像中的行人目标进行匹配。本方法对人体姿态变化以及具有相似颜色背景的目标匹配具有较强的鲁棒性。
【专利说明】视频监控中跨盲区行人目标的识别匹配方法
【技术领域】
[0001] 本发明涉及视频监控中跨盲区行人目标的识别匹配方法。
【背景技术】
[0002] 在视频监控应用中，目标跟踪技术一直处于该研究领域的前沿，其中单相机单目 标跟踪技术经过多年研发已日趋成熟，对更加贴近真实场景应用的多目标跟踪方法也随之 成为研发热点。在涉及群集性公众场所的现代监控系统中，目前普遍采用的是分布式相机 网络，对多行人目标的识别与跟踪是监控系统中最为关心的内容之一，也是最为关键的技 术之一。在多数公共区域监控中，整个监控范围由数个子区域构成，单相机只负责监控其中 一个子区域，在相邻两个相机所监控区域（即"视域"）之间，通常存在着"视域盲区"（即 非重叠区域）。在视域盲区多摄像机监控环境下，目标在不同摄像机视域下的时空信息通 常是离散的，不连续的，导致不同摄像机获取的目标运动信息通常是不起作用的。为此，一 系列的视觉特征被人们所研究和应用，如文献"Cheng ED, Piccardi M. Disjoint track matching based on a major color spectrum histogram representation[J]. Optical Engineering, 2007(46) : 1-14. "利用聚类的方法采用主颜色特征研究室内行人的跟踪；文 献"Y. Cai, W. Chen, K. Huang, T. Tan. Continuously tracking objects across multiple widely separated cameras. Proc. ACCV, 2007:843-852" 米用基于前景分割的颜色直方 图作为特征；文献"〇? javed, K. Shafique, Z. Rasheed, M. Shah. Modeling inter-camera space-time and appearance relationship for tracking across non-overlapping views [J]. Computer Vision and Image Understanding, 109, 2008:146-162." 米用三通 道的颜色直方图作为目标特征；以上都是基于颜色特征的方法。点特征也可以用于目标的 匹配，文献"明安龙，马华东，多摄像机之间基于区域SIFT描述子的目标匹配[J].计算机 学报，2008, 31 (4) :650-661. "以区域SIFT描述子作为特征实现多摄像机目标匹配，但对 观测角度有一定的限制；由于多摄像机视域中各摄像机之间容易受到光照，摄像机参数，以 及目标姿态等因素的影响，一些研究者尝试融合一种或多种特征来获得更高的准确性。例 如文献"吕晓威，孔庆杰，刘允才等.无重叠视域摄像机间人目标匹配的特征融合算法 [C]. //2008年全国模式识别学术会议论文集.2008:73-78. "通过不同颜色空间的颜色直 方图、UV色度、主要颜色谱以及SIFT特征进行融合；文献"范彩霞，朱虹.非重叠多摄像机 目标识别方法研究[J].西安理工大学学报，2013, 29(2):138-143. "对全局色彩特征、局部 颜色和梯度特征以及全局纹理特征融合实现目标识别。上述公开的这些识别方法，不能应 用于于目标姿态的变化的情况。
【发明内容】
[0003] 本发明所要解决的技术问题是针对上述现有技术提供一种视频监控中跨盲区行 人目标的识别匹配方法，该方法对人体姿态变化、目标之间的相互遮挡以及具有相似颜色 背景的目标匹配具有较强的鲁棒性。
[0004] 本发明解决上述技术问题所采用的技术方案为：一种视频监控中跨盲区行人目标 的识别匹配方法，其特征在于：包括如下步骤
[0005] 步骤1、对单摄像机拍摄的行人目标进行检测，得到行人目标的RGB图像；
[0006] 步骤2、对步骤1检测出的行人目标进行图像处理：
[0007] 步骤2a、将步骤1检测检测到的RGB图像转化为HSV图像；
[0008] 步骤2b、将步骤2a得到的HSV图像中的V通道分量图像进行颜色归一化处理得到 平均亮度及对比度增强的新V通道分量图像；
[0009] 步骤2c、将步骤2b得到的新V通道图像和步骤2a得到的HSV图像中H通道分量 图像和S通道分量图像组合到一起得到新的HSV图像；
[0010] 步骤2d、将步骤2c得到的新的HSV图像转化为RGB图像；
[0011] 步骤2e、将步骤2d得到的RGB图像缩放为宽度w= 32,高度h= 64的64X32个 像素大小的图像；
[0012] 步骤3、对步骤2e得到的图像转换为HSV图像，然后将该HSV图像的H通道分量图 像的密集采样网格上分割成互相重叠的正方形图像分块：每个正方形图像分块的边长m= 10个像素单位，其中网格步长n= 4 ;该HSV图像的H通道分量图像在X方向上的重叠方式 为：相邻正方形图像分块y方向相同，前一正方形图像分块X方向后半部分为后一正方形图 像分块X方向前半部分；该HSV图像的H通道分量图像在y方向上的重叠方式为：相邻正方 形图像分块X方向相同，前一正方形图像分块y方向后半部分为后一正方形图像分块y方 向前半部分；按照这种重叠方式，该HSV图像的H通道分量图像在X方向上的正方形图像分 块个数为
【权利要求】
1. 一种视频监控中跨盲区行人目标的识别匹配方法，其特征在于：包括如下步骤 步骤1、对单摄像机拍摄的行人目标进行检测，得到行人目标的RGB图像； 步骤2、对步骤1检测出的行人目标进行图像处理： 步骤2a、将步骤1检测检测到的RGB图像转化为HSV图像； 步骤2b、将步骤2a得到的HSV图像中的V通道分量图像进行颜色归一化处理得到平均 亮度及对比度增强的新V通道分量图像； 步骤2c、将步骤2b得到的新V通道图像和步骤2a得到的HSV图像中H通道分量图像 和S通道分量图像组合到一起得到新的HSV图像； 步骤2d、将步骤2c得到的新的HSV图像转化为RGB图像； 步骤2e、将步骤2d得到的RGB图像缩放为宽度w= 32,高度h= 64的64X32个像素 大小的图像； 步骤3、对步骤2e得到的图像转换为HSV图像，然后将该HSV图像的H通道分量图像的 密集采样网格上分割成互相重叠的正方形图像分块：每个正方形图像分块的边长m= 10个 像素单位，其中网格步长η= 4 ;该HSV图像的H通道分量图像在X方向上的重叠方式为： 相邻正方形图像分块y方向相同，前一正方形图像分块X方向后半部分为后一正方形图像 分块X方向前半部分；该HSV图像的H通道分量图像在y方向上的重叠方式为：相邻正方形 图像分块X方向相同，前一正方形图像分块y方向后半部分为后一正方形图像分块y方向 前半部分；按照这种重叠方式，该HSV图像的H通道分量图像在X方向上的正方形图像分块 \v - m 个数为："x=--+1=6 :该HSV图像的H通道分量图像在y方向上的正方形图像分块个η 数为Φ' = + 1 = 14,因此得到共14*6 = 84正方形图像分块； η 步骤4、提取每个正方形图像分块的多种特征： 步骤4a、提取步骤3得到的84个正方形图像分块的颜色特征； 步骤4b、提取步骤3得到的84个正方形图像分块的SIFT特征； 步骤4c、提取步骤3得到的84个正方形图像分块的LBP特征； 步骤5、计算单一特征的最佳匹配相似度： 运用步骤1对单摄像机拍摄的两幅图像进行行人目标检测，设a和b为检测结果；分别 对a中的行人目标和b中的行人目标进行步骤2的处理，从而使得每个行人目标均形成大 小为64X32个像素大小的图像，然后运用步骤3分别每个行人目标的图像进行分割处理， 得到每个行人目标图像的84个正方形图像分块；再然后运用步骤4的方法分别提取每个行 人目标图像分割后的84个正方形图像分块的颜色特征、SIFT特征和LBP特征； 设a中行人i的第p个正方形图像分块的颜色特征为cXi，p，设b中行人j的第q个正 方形图像分块的颜色特征为cyj，q，p和q的取值范围均为1?84 ;计算cXi，p与cyj，q之间 的欧氏距离d(cxip,Cyjq) =I|cxip-cyj(J|2,然后通过高斯分布函数把距离值转换为颜色 f/ \2 \ / 、CVia ) 相似度得分cAj=exP---，其中σ是高斯分布函数的带宽，定义行 V J 人i和行人j的颜色特征相似度Sim(i,j) =Ss(CXimCyjj)Ai为所有正方形图像分块 颜色特征相似度得分平均值，η为正方形图像分块的总数，即η= 84 ;以a中的行人i为 参考模型，计算它与b中所有的行人j的相似度，则颜色特征最佳匹配相似度为S=arg max{Sim(i,j)},此时的j即为此时i的颜色特征最佳匹配对象； 设a中行人i的第p个正方形图像分块的SIFT特征为SXi，p，设b中行人j的第q个正 方形图像分块的SIFT特征为Syj^p和q的取值范围均为1?84 ;计算SXi，p与Sy」，，之间 的欧氏距离(KSxwSy^) =IISkp-SyuI|2,然后通过高斯分布函数把距离值转换为SIFT 特征相似度得分，-伞:f'g)，其中σ是高斯分布函数的带宽，定 V / 义行人i和行人j的SIFT特征相似度Sim(i，j)' =ΣS'（Sxi^SyjJ/n为所有正方形图像 分块SIFT特征相似度得分平均值，η为正方形图像分块的总数，即η= 84 ;以a中的行人 i为参考模型，计算它与b中所有的行人j的相似度，则SIFT特征最佳匹配相似度为S' = argmax{Sim(i,j)'}，此时的j即为此时i的SIFT特征最佳匹配对象； 设a中行人i的第p个正方形图像分块的LBP特征为LXi，p，设b中行人j的第q个正 方形图像分块的LBP特征为Lyj，q，p和q的取值范围均为1?84 ;计算LXi，p与Lyj，q之间的 欧氏距离cKLXiwLy^)=I|LXi，p-Lyj」|2,然后通过高斯分布函数把距离值转换为LBP特 征相似度得分=exp―伞:，)，其中。是高斯分布函数的带宽，定 IJ 义行人i和行人j的LBP特征相似度Sim(i，j) " =Σs" (LXi，p，Lyd/n为所有正方形图 像分块LBP特征相似度得分平均值，η为正方形图像分块的总数，即η= 84 ;以a中的行人 i为参考模型，计算它与b中所有的行人j的相似度，则LBP特征最佳匹配相似度为S"= argmax{Sim(i,j) " }，此时的j即为此时i的LBP特征最佳匹配对象； 步骤6、对单一特征的最佳匹配相似度的权重进行设置：设颜色特征最佳匹配相似度 对行人目标识别匹配贡献最大，设SIFT特征最佳匹配相似度对行人目标识别匹配贡献其 次，设LBP特征最佳匹配相似度对行人目标识别匹配贡献最小； 步骤7、对行人目标各特征的最佳融合特征进行确定： 行人目标各特征进行融合后的最佳融合特征为：颜色特征*a、SIFT特征*β、LBP特 征的线性组合，其中，α，β，Υ为最佳融合特征中各特征的权值，其中α>β>Υ ; 步骤8、按照步骤7得到的最佳融合特征，分别对位于子区域a内的单摄像机拍摄的一 幅图像中的行人目标和位于子区域b内的单摄像机拍摄的一幅图像中的行人目标提取最 佳融合特征，然后利用步骤5中描述的匹配方法对两幅图像中的行人目标分别进行匹配。
2.根据权利要求1所述的视频监控中跨盲区行人目标的识别匹配方法，其特征在于： α= 〇. 8，β= 0. 2，Y= 0。
【文档编号】G06K9/46GK104318216SQ201410587361
【公开日】2015年1月28日 申请日期:2014年10月28日 优先权日:2014年10月28日
【发明者】陈恳, 吴盈, 邵枫, 吉培培 申请人:宁波大学