基于视觉显著性及多特征的行人再识别方法
【技术领域】
[0001] 本发明属于图像处理技术领域，涉及计算机视觉及模式识别方法，具体是实现行 人再识别的方法。
【背景技术】
[0002] 随着物联网时代的到来，国家大力倡导智慧城市的建设，智能安防、智能交通等基 于视频分析的课题不断提出，对获取的监控视频进行智能分析得到越来越多的重视。对于 大部分的监控系统来说，监控视频中出现的人都是其重要关注对象，因此智能监控系统需 要拥有对其进行检测，识别，跟踪的能力，以便进一步对行人目标的行为进行分析，行人再 识别技术就是其核心步骤之一。所谓行人再识别就是将不同摄像头中出现的同一个行人再 次识别出来，它主要是在大区域的多摄像头视频监控网络中，实现对行人目标行为的长期 远距离跟踪分析。通过对特定人群的行踪以及其它行为的分析，可以发现他们之间的行为 方式以及相互关系，这对于特定事件的分析非常有帮助。因此，行人再识别技术是计算机视 觉领域内的一个研究热点，同时在现实中具有十分重要的应用价值。
[0003] 视觉注意模型是由视觉心理学发展而来的一个研究领域，能够快速搜索到人类感 兴趣的目标，该目标被称为显著性目标，该模型则被称为显著性模型。近年来，显著性模型 在计算机视觉领域得到了越来越普及的应用，常常用在预处理阶段来降低计算复杂度。基 于视觉显著性的图像分割方法利用人类的视觉注意机制，对生成的显著图直接进行简单的 阈值分割，即可准确地分离出图像中的前景目标。
[0004] 颜色特征是在图像检索中应用最为广泛的视觉特征，往往和图像中所包含的物体 或场景相关。与其他的视觉特征相比，颜色特征对图像本身的尺寸、方向、视角的依赖性较 小，从而具有较高的鲁棒性。但同时忽略了更多的有用信息（如空间、位置、形状以及纹理 特征等），因此需要结合其他特征才能对目标进行描述。
[0005] 相似度计算用于衡量对象之间的相似程度，在数据挖掘、自然语言处理中是一个 基础性计算。针对不同的应用场景，受限于数据规模、时空开销等的限制，相似度计算方法 的选择会有所区别和不同。Jensen-ShannonDivergence(JSD)距离是一种基于KL距离（KL divergence，KLD)的距离度量，解决了KL距离的不对称性问题，比KL距离更平滑，也更有 效。理论和实验证明了基于JSD度量的方法更稳定、更精确。基于高斯函数的相似度度量 准则计算任意两个区域之间各特征的相似程度，通过调整各特征的方差可以方便地归一化 具有不同量纲的特征变量，并且相似度总在[0, 1]之间。
[0006] 基于视觉显著性及多特征的行人再识别研究，采用视觉显著性对图像进行预处 理，分割出准确的行人目标，减少后期计算量。提取多种特征，分别进行相似度计算，实现对 视频网络中彳丁人的再识别。专利检索及对国内外各种科技文献的最新检索表明，尚未有基 于视觉显著性及多特征的行人再识别研究方法见诸文献。
【发明内容】
[0007] 本发明所要解决的技术问题是：监控网络中行人目标易受光照、视角、姿势变换影 响，导致了行人再识别准确性低。
[0008] 为解决上述技术问题，本发明提供了一种基于视觉显著性及多特征的行人再识别 方法，其工作原理是：利用视觉显著性算法及SCA算法实现前景目标的提取与区域分割，有 效地提取图像的多种特征；利用不同的相似性度量准则实现实时高准确性的行人再识别。 利用视觉显著性算法对行人目标进行准确分割，有效地提取目标的空间直方图；使用Stel componentanalysis(SCA)算法对前景进行区域分割，提取两个主要部件的颜色、位置、形 状以及纹理特征；利用JSD度量准则计算空间直方图相似度对目标进行初识别；利用高斯 函数计算区域特征的相似度实现目标的最终识别。
[0009] -种基于视觉显著性及多特征的行人再识别方法，其特征在于，包括以下步骤：
[0010] (1)利用视觉显著性模型对检测到的行人结果框进行预处理，分割出完整的行人 目标；
[0011] (2)提取前景目标的空间直方图特征；
[0012] (3)利用SCA(Stelcomponentanalysis,SCA)方法对前景目标进行区域分割，将 人体分割成头、躯干、腿三个部分；
[0013] (4)在躯干和腿部提取颜色、位置、形状以及纹理特征对图像块进行描述；
[0014] (5)利用JSD度量准则计算空间直方图相似性，对目标进行初识别，根据相似性得 分排序，筛选出粗识别目标；
[0015] (6)对筛选出的目标，利用高斯函数计算区域特征的相似性，得到最终识别结果。
[0016] 本发明所达到的有益效果：本发明利用视觉显著性分割算法进行预处理，分割出 准确的前景目标，结合SCA分割方法对目标进行区域分割；对前景目标及各区域部分分别 进行多种特征提取，对目标进行充分描述；利用不同的相似性度量准则分别对特征进行比 较，进行目标的初识别及精识别得到最后的识别结果，提高了行人再识别的准确度。
【附图说明】
[0017] 图1为本发明的实施示意图；
[0018] 图2为基于视觉显著性图像分割流程示意图。
【具体实施方式】
[0019] 有关本发明的详细内容和技术，兹配合图式说明如下：
[0020] 本发明的实施示意图如图1所示，其具体步骤依次为：
[0021] (1)对视频中行人进行检测，利用视觉显著性模型对检测到的行人结果框进行预 处理，分割出完整的行人目标；
[0022] 在步骤（1)中，获取行人区域的显著图M并进行目标分割，具体过程包括：
[0023] 计算感兴趣区域的原始灰度图M。和二值图Mi，将二者结合生成一个连续且平滑 的弱显著图Mw，计算公式如下：
[0024]
[0025] 根据弱显著图Mw选择包含正负样本的训练集，利用多核增强学习（Multiple KernelBoosting)方法训练样本得到强显著图Ms，将强显著图、弱显著图加权结合，得到 最优的显著图结果，记M为最终输出显著图，计算公式如下：
[0026] M =〇Ms+(l-o ) Mw(式2)
[0027] 其中，〇表示平衡因子，用来调节强显著图、弱显著图的权重，为了加大强显著模 型的权重，设置〇 = 〇.7 ;
[0028] 根据输出显著图M进行阈值分割得到二值图像，与原始图像相减即得到分割结 果。
[0029] (2)提取前景目标空间直方图。
[0030] 在步骤⑵中，由于RGB颜色空间与人眼的感知差异很大，因此使用较好符合人眼 感知特性的HSV颜色模型。
[0031]RGB图像是通过对红（R)、绿（G)、蓝⑶三个颜色通道的变化以及它们相互之间的 叠加来得到各式各样的颜色的，r，g，b值对应的是每个通道上的取值；
[0032]HSV颜色模型是倒锥形模型，h对应的是色彩值，s对应的是深浅（例如：深蓝、浅 蓝），v对应的是明暗，即色彩的明亮程度。
[0033] 首先将图像中每一像素的r，g，b值转换为HSV颜色模型的h，s，v值 hG[0,2 JT]，sG[0,1]，vG[0,1];然后根据HSV颜色模型的特性作如下处理：
[0034] 21)黑色区域：所有v〈15%的颜色均归入黑色，令h=0, s=0, v=0 ;
[0035] 22)白色区域：所有s〈10%且v>80%的颜色归入白色，令h=0, s=0, v=1 ;
[0036] 23)彩色区域：位于黑色区域和白色区域以外的颜色，其h，s，v值保持不变；
[0037] 目标空间直方图分布记为H:H= {nb，yb，Eb}b= 1,...,B，其中nb，yb，E别是 每个区间的概率、每个区间中所有像素坐标的均值向量和协方差矩阵，B是空间直方图区间 个数。
[0038] (3)利用Stel成分分析方法（SCA)对目标进行区域分割，将人体分割成头、躯干和 腿三部分。
[0