基于局部特征融合的目標再識別方法
【技術領域】
[0001] 本發(fā)明實施例涉及計算機視覺技術領域，尤其是涉及一種基于局部特征融合的目 標再識別方法。
【背景技術】
[0002] 目標再識別方法可用于多目標跟蹤、視頻監(jiān)控等領域，尤其是視覺傳感器網(wǎng)絡框 架下對多個目標在多個場景下持續(xù)的跟蹤應用。
[0003]目前，目標再識別問題的研究方法主要分為兩類，第一類方法是對目標的顏色、形 態(tài)等外觀特征直接進行統(tǒng)計和使用，傳統(tǒng)顏色直方圖并沒有包含空間位置信息，一定程度 上降低了其特征描述的能力；類似的，統(tǒng)計形體信息時，離重心位置越遠的像素點，包含了 目標更多的形體信息，該情況也沒有被給予足夠的關注。第二類方法通過訓練，找出有最大 區(qū)分度的特征分量，建立相似度度量模型進而實現(xiàn)目標的再識別，該類方法中，樣本的采集 和參數(shù)調整需要花費較長的時間，并且目標種類更換時需要重新進行訓練，通用性較低。此 外，為了使得提取的特征更具魯棒性，應當對特征穩(wěn)定、信息豐富的關鍵區(qū)域加以關注，該 方面的研究仍比較匱乏。
[0004] 發(fā)明人在研究中發(fā)現(xiàn)當一個已經(jīng)被識別的目標，在光照條件、目標位姿、場景等發(fā) 生變化以及被遮擋后重新出現(xiàn)時，現(xiàn)有技術不能對其進行識別。
[0005] 有鑒于此，特提出本發(fā)明。

【發(fā)明內容】

[0006] 本發(fā)明實施例的主要目的是提供一種基于局部特征融合的目標再識別方法，以至 少解決如何使得一個已經(jīng)被識別的目標，在光照條件、目標位姿、場景等發(fā)生變化以及被遮 擋后重新出現(xiàn)時，仍能對其進行識別的技術問題。
[0007] 為了實現(xiàn)上述目的，本發(fā)明提供了一種基于局部特征融合的目標再識別方法。該 方法包括：
[0008] 步驟S1、獲取待處理圖像的前景圖像；
[0009] 步驟S2、利用顏色分割算子和形體分割算子對所述前景圖像中的目標進行區(qū)域分 割；
[0010] 步驟S3、根據(jù)加權的HSV顏色直方圖提取關鍵區(qū)域的顏色特征，根據(jù)形體信息描 述子提取所述關鍵區(qū)域的形體特征，其中，所述關鍵區(qū)域屬于所述利用顏色分割算子和形 體分割算子對目標進行區(qū)域分割后得到的Ντ個區(qū)域，所述Ντ取整數(shù)，所述關鍵區(qū)域數(shù)目小 于等于Ντ;
[0011] 步驟S4、根據(jù)所述顏色特征和所述形體特征的相似性度量，對所述目標進行再識 別。
[0012] 優(yōu)選地，所述步驟S1具體包括：
[0013] 獲取所述待處理圖像的背景圖像；
[0014] 將所述待處理圖像與所述背景圖像進行差分，再通過0TSU算法進行二值化，從而 獲得所述待處理圖像的前景圖像。
[0015] 優(yōu)選地，所述步驟S2具體包括：
[0016] 步驟S21、通過所述顏色分割算子，求取所述各個相鄰區(qū)域間的顏色分割線集合 c,
[0017] 其中，所述顏色分割算子計算如下：
[0019] 其中，
[0020] 所述I是前景圖像；所述Pi」v和所述p;>分別代表全局坐標為（i,j_v)和 (i，j+v)的所述前景圖像中的像素點；所述d(Pli]ν，ρ1ι]+ν)表示所述像素點Pli] v和所述像素 點空間中的歐氏距離；所述X代表累加的總次數(shù)，所述τ為固定值，其決定了 計算顏色分割算子所用到的圖像范圍；所述C(j，τ)表征以第j行為分界線、上下各τ行 區(qū)域間顏色特征的差異情況；
[0021] 所述集合c的第q個元素cq所對應的行數(shù)％計算如下：
[0023] 步驟S22、通過所述形體分割算子，求取形體分割線集合b;
[0024] 其中所述形體分割算子計算如下：
[0026] 其中，
[0027] 所述L,v和所述L]+v分別表示前景圖像中第（j-ν)行和第（j+v)行的長度；所述 ε為固定值，其決定了計算形體分割算子所用到的圖像范圍；所述B(j，ε)表征了以第j 行為分界線，上下各ε行區(qū)域間形體特征的差異情況；
[0028] 所述集合b的第q個元素bq所對應的行數(shù)\計算如下：
[0030] 步驟S23、根據(jù)所述顏色分割線集合c和所述形體分割線集合b得到分割線集合f，其中所述集合f的第q個元素fq所對應的行數(shù)計算如下：
[0032] 優(yōu)選地，所述根據(jù)加權的HSV顏色直方圖提取關鍵區(qū)域的顏色特征具體包括：
[0033] 步驟S31、根據(jù)所述集合f的第k和k+Ι個元素，獲取第k個區(qū)域所對應的前景圖 像Ik，其中k= 1，…，NT;
[0034] 步驟S32、記沢/1表示所述第k個區(qū)域所對應的前景圖像1,的加權的HSV顏 色直方圖，第8(h-l)+s個元素用(h= 1，2，*"，12;S = 1，2,…，8)表示為：
其中，所述1,代表像素Ph,的權重，服從以所述第k個區(qū) ， 域的重心&的像素坐標為期望值的二維正態(tài)分布，所述τιi為所述Qu的歸一化常數(shù)；將色 調在[0, 360)內均勻量化12級，形成12個區(qū)間；將飽和度按照[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 均勻量化為8個區(qū)間，并分別與s= 1，s= 2,…，s= 8相對應；如果所述像素Pi,的色調 在第h個區(qū)間內，且飽和度在第s個區(qū)間內，則所述取值1，否則所述@取值0 ;
[0035] 所述根據(jù)形體信息描述子提取關鍵區(qū)域的形體特征具體包括：
[0036]步驟S33、計算所述^左右邊界的切線Lk、Rk;
[0037] 步驟S34、依據(jù)所述第k個區(qū)域的重心Gk的像素坐標，將所述I,劃分為四個子區(qū) 域Mjmz1，2,3,4);
[0038]步驟S35、對所述四個子區(qū)域分別以Lk、&和fk、fk+1的交點為基準點，來統(tǒng)計各子 區(qū)域的形體信息，記Vk表示第k個區(qū)域的形體信息描述子，其中各元素(m= 1，2, 3, 4 ; a= 1，2,…，A)表示如下：
[0040] 其中，所述A是各子區(qū)域形體信息的向量維數(shù)，所述Pi?是子區(qū)域M"內 的像素點，所述（ξ，ξ)是該像素點相對于其所在的子區(qū)域的基準點的坐標；所述
所述?Υ表所述像素點ριζ的權重，服從以所述 子區(qū)域Μ"的重心6_的像素坐標為期望值的二維正態(tài)分布；所述τι2為所述Τ 的歸一化 常數(shù)。
[0041] 優(yōu)選地，所述步驟S4具體包括：
[0042] 步驟S41、使用直方圖的相交法，對待處理的前景圖像I和f的顏色特征進行相似 性度量，其中所述前景圖像I和I的顏色特征的相似計算如下：
[0043]
[0044] 其中，所述《k代表所述第k個區(qū)域在顏色直方圖測度中的權重；所述和所述 分別是前景圖像I和f的第k個區(qū)域的加權的HSV顏色直方圖妒和&的第8 (h-1)+S 個元素；
[0045] 步驟S42、使用皮爾遜相關系數(shù)，對所述前景圖像I和I的形體特征進行相似性度 量，其中所述前景圖像I和I的形體特征的相似度￡；.(；/, /)計算如下：
[0046]
[0047] 其中，所述巧:代表所述第k個區(qū)域在形體信息測度中的權重，所述)代 表#和p的皮爾遜相關系數(shù)，所述Vk和所述p分別是所述前景圖像I和j的第k個區(qū)域 的形體信息描述子；
[0048] 步驟S43、采用加權組合的方式對所述相似性度量結果和￡；(/,|)進 行融合，得到所述前景圖像I和I中的目標之間的相似度結果￡(；/, /):
[0050] 其中，所述λ為權值；如果，其中所述α為給定閾值，則所述前景圖 像I和f中的目標為同一目標，否則，不是同一目標。
[0051] 本發(fā)明實施例提供了一種基于局部特征融合的目標再識別方法，通過獲取待處理 圖像的前景圖像；利用顏色分割算子和形體分割算子對前景圖像中的目標進行區(qū)域分割； 根據(jù)加權的HSV顏色直方圖提取關鍵區(qū)域的顏色特征，根據(jù)形體信息描述子提取所述關鍵 區(qū)域的形體特征；根據(jù)顏色特征和形體特征的相似性度量，對目標進行再識別，本發(fā)明通過 融合局部特征即顏色特征和形體特征，來對目標進行再識別，具有識別的實時性好，為多目 標跟蹤、視頻監(jiān)控等領域的應用提供了技術保障的優(yōu)點。
【附圖說明】
[0052] 圖1為根據(jù)一示例性實施例示出的基于局部特征融合的目標再識別方法的示意 性流程圖。
【具體實施方式】
[0053] 為使本發(fā)明的目的、技術方案更加清楚明白，以下結合具體實施例，并參照附圖， 對本發(fā)明實施例進一步詳細說明。雖然本文可提供包含特定值的參數(shù)的示范，但應了解，參 數(shù)無需確切等于相應的值，而是可在可