CN103679142B - 一种基于空间约束的目标人体识别方法 - Google Patents
一种基于空间约束的目标人体识别方法 Download PDFInfo
- Publication number
- CN103679142B CN103679142B CN201310636477.4A CN201310636477A CN103679142B CN 103679142 B CN103679142 B CN 103679142B CN 201310636477 A CN201310636477 A CN 201310636477A CN 103679142 B CN103679142 B CN 103679142B
- Authority
- CN
- China
- Prior art keywords
- image
- block
- foreground area
- identified
- image block
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于空间约束的目标人体识别方法，其提取待识别图像和图像目标库内的图像的前景区域，将图像目标库内的图像的前景区域分割成等大小且互相重叠的第一图像块，将待识别图像的前景区域分割成等大小且互相重叠的第二图像块，再提取第一图像块和第二图像块的特征向量，并找到第二图像块在图像目标库内的每幅图像中的最相似块，再分别提取第一图像块和第二图像块的最小距离块序列，然后计算得到待识别图像相对于图像目标库内的图像的匹配得分从而进行人体识别，优点在于将丰富的结构信息融入到匹配得分中去，有效地避免了拍摄角度、姿势和光线变化的影响，能有效识别不同人体的相似区域内的微小差别且不需要对待识别图像进行标记。
Description
技术领域
本发明涉及一种目标人体识别方法，尤其是涉及一种基于空间约束的目标人体识别方法。
背景技术
目标人体识别(以下简称人体识别)是判断一个摄像头下出现的行人是否与另一个摄像头下出现的行人为同一行人，人体识别问题在计算机视觉领域中被称为非重叠的多摄像***中的人体重现问题(Person Re-identification)。人体识别方法在智能视频监控领域具有重要的应用，其用途主要包括目标人体的提取、非重叠摄像***中目标跟踪。随着智能监控的普及，人体识别方法受到更多的重视，从近几年来研究人员对人体识别方法的研究得知，目前人体识别方法仍然面临着巨大挑战：首先，摄像头所拍摄的图像分辨率较低，人脸识别或其他生物特征识别技术几乎难以应用于人体识别，这就使得人体识别的主要依据被限制在人体表观特征方面；其次，为了简化人体识别方法，通常假设同一行人在不同场景下的服饰不变，但在不同场景下(如图1a所示)，行人受到拍摄的角度、姿势、背景、光线、摄像机参数等因素的影响，依旧给人体识别带来了巨大的挑战。目前解决人体识别的方法主要有两种：有监督学习方法和无监督学习方法。
对于有监督学习方法，Prosser等人(B.Prosser,W.Zheng,S.Gong,T.Xiang,andQ.Mary.Person re-identification by support vector ranking.In BMVC,2010.基于支持向量机排名的人体识别，英国机器视觉会议)将人体识别问题转化为排名问题，利用改进的SVM算法进行人体识别；Gray等人(D.Gray and H.Tao.Viewpoint invariantpedestrian recognition with an ensemble of localized features.ECCV,2008.结合多个局部特征的角度不变性的人体识别，欧洲计算机视觉国际会议)结合空间和颜色等局部特征，利用boosting算法进行人体识别；Schwartz等人(W.Schwartz andL.Davis.Learning discriminative appearance-based models using partial leastsquares.In XXII Brazilian Symposium on Computer Graphics and Image Processing(SIBGRAPI),2009.基于偏最小二乘法识别表现特征的学习模型，二十二巴西研讨会的计算机图形图像处理)使用局部最小二乘法对提取的颜色、梯度、纹理这三个高维特征分别进行降维，并根据各自的识别能力给予不同的权值来进行人体识别；Li等人(W.Li andX.Wang.Locally aligned feature transforms across views.In CVPR,2013.基于视角的局部特征转换，IEEE国际计算机视觉与模式识别会议)将两个不同摄像机下的图像先转化为不同的特征空间，再根据不同的特征空间分别进行度量学习，从而进行人体识别；Zheng等人(W.Zheng,S.Gong,and T.Xiang.Person re-identification byprobabilistic relative distance comparison.In CVPR,2011.基于相对距离的概率的比较的人体识别，IEEE国际计算机视觉与模式识别会议)把人体识别问题当成距离学习问题来进行人体识别；Weinberger等人(K.Q.Weinberger and L.K.Saul.Fast solvers andefficient implementations for distance metric learning.In ICML,2008.快速有效的距离度量学习方法，机器学习国际会议)提出了LMNN算法，该算法通过对同一类的距离更近，而非同一类的距离更远的惩罚学习来实现人体识别；Kostinger等人(M.Kostinger,M.Hirzer,P.Wohlhart,P.Roth,and H.Bischof.Large scale metric learning fromequivalence constraints.In CVPR,2012.基于等价约束的大尺度度量学习，IEEE国际计算机视觉与模式识别会议)利用一个宽松的距离度量学习来处理人体识别问题。这些有监督学习方法均需要先对人体样本进行标记后学习，当摄像头环境改变时，如拍摄角度、姿势和光线变化，需要重新对人体样本进行标记，不能有效地处理大量人体样本以及不同环境下的人体样本识别。
对于无监督学习方法，主要是提出更有效的特征向量直接计算图像之间的距离。M.Farenzena等人(M.Farenzena,L.Bazzani,A.Perina,V.Murino,and M.Cristani.Personre-identification by symmetry-driven accumulation of local features.In CVPR,2010.基于对称性局部特征累加的人体识别，IEEE国际计算机视觉与模式识别会议)结合整体的HSV特征、最大稳定块的特征、重复出现多的块的特征这三个部分，计算两幅图像之间的距离来进行人体识别；R.Zhao等人(R.Zhao,W.Ouyang,and X.Wang.UnsupervisedSalience Learning for Person Re-identification.In CVPR 2013.基于无监督突出特征学习的人体识别，IEEE国际计算机视觉与模式识别会议)根据获得的每个块的突出权值，在局部匹配过程中，根据突出权值来给予各个局部块在识别中的不同贡献从而实现人体识别；Y.Zhang等人(Y.Zhang and S.Li.Gabor-LBP based region covariance descriptorfor person reidentification.Proc.Int.Conference on Image and Graphics,2011.基于局部区域协方差描述的Gabor-LBP的人体识别，图像和图形会议)在进行人体识别过程中，将LBP纹理特征与Gabor特征结合起来求地面距离，较好地避免了光照和姿势变化对人体识别的影响；Malocal等人(B.Ma,Y.Su,and F.Jurie.Local descriptors encoded byfisher vectors for person re-identification.2012.基于余向量的局部描述的人体识别)利用余向量来编码更高的局部特征统计，从而使人体识别效果有了较大改善。这些无监督学习方法都集中关注在特征设计和局部匹配上，但来自图像中的丰富结构信息未被计算，在遇到两个不同人体的相似区域时，难以对微小的差别进行区分，如图1b所示，无监督方法通过累计局部匹配，易将图1b中的具有相似区域的不同的人判断为同一个人。
发明内容
本发明所要解决的技术问题是提供一种不需要对待识别图像进行标记，能有效避免拍摄角度、姿势和光线变化的影响且能有效识别不同人体的相似区域内的微小差别的基于空间约束的目标人体识别方法。
本发明解决上述技术问题所采用的技术方案为：一种基于空间约束的目标人体识别方法，其特征在于：包括以下步骤：
①假定有一个摄像头A，将摄像头A拍摄到的所有图像组合成一个图像目标库，然后提取图像目标库内每幅图像中的前景区域，图像目标库内每幅图像中的前景区域即为图像目标库内每幅图像中的人体，接着将图像目标库内每幅图像中的前景区域分割成大小相同且互相重叠的第一图像块，再提取图像目标库内每幅图像中的前景区域内的每个第一图像块的特征向量；
②假定有一个摄像头B，将摄像头B实时拍摄到的图像作为待识别图像，然后提取待识别图像中的前景区域，待识别图像中的前景区域即为待识别图像中的人体，接着将待识别图像中的前景区域分割成大小相同且互相重叠的第二图像块，再提取待识别图像中的前景区域内的每个第二图像块的特征向量；
③根据图像目标库内每幅图像中的前景区域内的每个第一图像块的特征向量，获取图像目标库内每幅图像中的前景区域内的每个第一图像块的最小距离块序列，将图像目标库中的第q幅图像中的前景区域内中心像素点在第q幅图像中坐标位置为(i,j)的第一图像块的最小距离块序列记为 其中，1≤q≤Q，Q表示图像目标库中的图像的数量，(i,j)表示第一图像块的中心像素点在第q幅图像中的坐标位置， 为属于符号，F表示第q幅图像中的前景区域内的所有像素点的坐标位置的集合，1≤k≤M，M表示第q幅图像中的前景区域内包含的第一图像块的总行数，min{}表示取最小值函数，1≤j'≤N'，N'表示第q幅图像中的前景区域内第k行第一图像块中包含的第一图像块的总个数，|| ||2表示二范式符号，表示第q幅图像中的前景区域内中心像素点在第q幅图像中坐标位置为(i,j)的第一图像块的特征向量，表示第q幅图像中的前景区域内中心像素点在第q幅图像中坐标位置为(k,j')的第一图像块的特征向量，
然后根据待识别图像中的前景区域内的每个第二图像块的特征向量，获取待识别图像中的前景区域内的每个第二图像块的最小距离块序列，将待识别图像中的前景区域内中心像素点在待识别图像中坐标位置为(m,n)的第二图像块的最小距离块序列记为 其中，(m,n)表示第二图像块的中心像素点在待识别图像中的坐标位置，F'表示待识别图像中的前景区域内的所有像素点的坐标位置的集合，1≤k'≤K，K表示待识别图像中的前景区域内包含的第二图像块的总行数，1≤n'≤L'，L'表示待识别图像中的前景区域内第k'行第二图像块中包含的第二图像块的总个数， 表示待识别图像中的前景区域内中心像素点在待识别图像中坐标位置为(m,n)的第二图像块的特征向量，表示待识别图像中的前景区域内中心像素点在待识别图像中坐标位置为(k',n')的第二图像块的特征向量，
④采用最邻近结点算法，找出待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的前景区域内的最相似块，对于在图像目标库内的每幅图像中的前景区域内的第m-l行至第m+l行的所有第一图像块中，找出在图像目标库内的每幅图像中的前景区域内的最相似块，假设在图像目标库内的第q幅图像中的前景区域内的第m-l行至第m+l行的所有第一图像块中找出的最相似块为图像目标库内的第q幅图像中的前景区域内中心像素点在图像目标库内的第q幅图像中坐标位置为(m1,n1)的第一图像块，则将在图像目标库内的第q幅图像中的前景区域内的第m-l行至第m+l行的所有第一图像块中的最相似块记为其中，m-l≤m1≤m+l，1≤l≤m，当m-l<1且m+l≤K时，第m-l行至第m+l行实际取第1行至第m+l行；当m-l≥1且m+l>K时，第m-l行至第m+l行实际取第m-l行至第K行；当m-l<1且m+l>K时，第m-l行至第m+l行实际取第1行至第K行；
然后根据待识别图像中的前景区域内的每个第二图像块的特征向量以及待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的前景区域内的最相似块的特征向量，得到待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的匹配得分，对于将在图像目标库内的第q幅图像中的匹配得分记为 其中，e表示自然基数，σ为常数，δ2为一个表示的频带宽度的常数，表示的特征向量，表示的特征向量；
⑤根据待识别图像中的前景区域内的所有第二图像块的最小距离块序列和图像目标库内的每幅图像中的前景区域内的所有第一图像块的最小距离块序列，得到待识别图像中的前景区域内的所有第二图像块相对于图像目标库内的每幅图像的空间约束的约束权值，对于将相对于图像目标库内的第q幅图像的空间约束的约束权值记为 其中，e表示自然基数，δ3为一个表示的频带宽度的常数，表示中的第k'个元素，表示中的第k'个元素，表示在图像目标库中的第q幅图像中的最相似块的最小距离块序列，1≤k'≤K，K表示待识别图像中的前景区域内包含的第二图像块的总行数；
⑥根据待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的匹配得分以及待识别图像中的前景区域内的所有第二图像块相对于图像目标库内的每幅图像的空间约束的约束权值，得到待识别图像相对于图像目标库内的每幅图像的匹配得分，将待识别图像相对于图像目标库内第q幅图像的匹配得分记为 其中，IA表示待识别图像，表示图像目标库中的第q幅图像；
⑦将图像目标库内的每幅图像按待识别图像相对于图像目标库内每幅图像的匹配得分从大到小排列，得到一个图像序列，将待识别图像中的人体识别为图像序列中的第一副图像中的人体。
所述的步骤①的具体过程为：
①-1、假定有一个摄像头A，将摄像头A拍摄到的所有图像集合成一个图像目标库；
①-2、将图像目标库内当前待处理的第q幅图像定义为当前图像，其中，1≤q≤Q，Q表示图像目标库中的图像的数量；
①-3、对当前图像的HSV通道中的V通道进行均衡化处理，然后采用姿态估计提取当前图像中的前景区域，当前图像中的前景区域即为当前图像中的人体，再将当前图像中的前景区域分割成多个大小相同且互相重叠的第一图像块，将当前待处理的第一图像块定义为当前第一图像块；
①-4、提取当前第一图像块的LAB颜色特征，然后将当前第一图像块均匀分割成多个互不重叠的第一图像单元格，并根据所有第一图像单元格将当前第一图像块局部梯度量化为八个方向，再根据当前第一图像块的八个方向提取当前第一图像块的SIFT特征，最后根据当前第一图像块的LAB颜色特征和当前第一图像块的SIFT特征，获取当前第一图像块的特征向量，记为cq，其中，aq是一个288维列向量，aq为当前第一图像块的三个颜色通道分别进行三次采样后，再分别提取当前第一图像块的每个颜色通道的32维颜色直方图后获取到的当前第一图像块的LAB颜色特征，bq是一个384维列向量，bq为分别在当前第一图像块的三个颜色通道上提取当前第一图像块的每个方向上的16维特征后获取到的当前第一图像块的SIFT特征；
①-5、将下一个待处理的第一图像块作为当前第一图像块，然后返回步骤①-4继续执行，直到得到当前图像中的前景区域内的所有第一图像块的特征向量；
①-6、令q＝q+1，将图像目标库内下一幅待处理的图像作为当前图像，然后返回步骤①-3继续执行，直到处理完图像目标库中的所有图像。
所述的步骤①-3中将当前图像中的前景区域分割成多个大小相同且相互重叠的第一图像块的过程为：以尺寸大小为10×10的滑动窗口在当前图像中每隔4个像素点移动，将当前图像分割成多个尺寸大小为10×10的第一图像块。
所述的步骤①-4中第一图像单元格的尺寸大小为4×4。
所述的步骤②的具体过程为：
②-1、假定有一个摄像头B，将摄像头B实时拍摄到的图像作为待识别图像，然后对待识别图像的HSV通道中的V通道进行均衡化处理，接着采用姿态估计提取待识别图像中的前景区域，待识别图像中的前景区域即为待识别图像中的人体，再将当前图像中的前景区域分割成大小相同且互相重叠的第二图像块，将当前处理的第二图像块定义为当前第二图像块；
②-2、提取当前第二图像块的LAB颜色特征，然后将当前第二图像块均匀分割成多个互不重叠的第二图像单元格，并根据所有的第二图像单元格将当前第二图像块局部梯度量化为八个方向，再根据当前第二图像块的八个方向提取当前第二图像块的的SIFT特征，再根据当前第二图像块的LAB颜色特征和当前第二图像块的SIFT特征，获取当前第二图像块的特征向量，记为c，其中，a是一个288维列向量，a为当前第二图像块的三个通道分别进行三次采样后，再分别提取当前第二图像块的每个颜色通道的32维颜色直方图后获取到的第二图像块的LAB颜色特征，b是一个384维列向量，b中的元素为分别在当前第二图像块的三个颜色通道上提取当前第二图像块的每个方向上的16维特征后获取到的当前第二图像块的SIFT特征；
②-3、将下一个待处理的第二图像块作为当前第二图像块，然后返回步骤②-2继续执行，直到得到待识别图像中的前景区域内的所有第二图像块的特征向量。
所述的步骤②-1中将待识别图像中的前景区域分割成多个大小相同且相互重叠的第二图像块的过程为：以尺寸大小为10×10的滑动窗口在待识别图像中每隔4个像素点移动，将待识别图像分割成多个尺寸大小为10×10的第二图像块。
所述的步骤②-2中的第二图像单元格的尺寸大小为4×4。
所述的步骤④中采用最邻近结点算法，找出待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的前景区域内的最相似块的过程中，对于在图像目标库内的每幅图像中的前景区域内的第m行的所有第一图像块中，找出在图像目标库内的每幅图像中的前景区域内的最相似块，假设在图像目标库内的第q幅图像中的前景区域内的第m行的所有第一图像块中找出的最相似块为图像目标库内的第q幅图像中的前景区域内中心像素点在图像目标库内的第q幅图像中坐标位置为(m,n1)的第一图像块，则将在图像目标库内的第q幅图像中的前景区域内的第m行的所有第一图像块中的最相似块记为
然后根据待识别图像中的前景区域内的每个第二图像块的特征向量以及待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的前景区域内的最相似块的特征向量，得到待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的匹配得分，对于将在图像目标库内的第q幅图像中的匹配得分记为 其中，e表示自然基数，σ为常数，δ为一个表示的频带宽度的常数，表示的特征向量，表示的特征向量。
所述的步骤⑤中将相对于图像目标库内第q幅图像的空间约束的约束权值记为 其中，e表示自然基数，δ1为一个表示的频带宽度的常数，表示中的第k'个元素，表示中的第k'个元素，表示在图像目标库中的第q幅图像中的最相似块的最小距离块序列，1≤k'≤K，K表示待识别图像中的前景区域内包含的第二图像块的总行数。
与现有技术相比，本发明的优点在于：在进行目标人体识别的过程中，首先提取待识别图像和图像目标库内的图像的前景区域，然后将图像目标库内的图像的前景区域分割成等大小且互相重叠的第一图像块，将待识别图像的前景区域分割成等大小且互相重叠的第二图像块，提取每个第一图像块和每个第二图像块的特征向量，并找到每个第二图像块在图像目标库内的每幅图像中的最相似块，再分别提取每个第一图像块和每个第二图像块的最小距离块序列，然后计算得到待识别图像相对于图像目标库内的图像的匹配得分从而进行人体识别；提取每个第一图像块和每个第二图像块的最小距离块序列使待识别图像中丰富的结构信息融入到匹配得分中去，有效地避免了拍摄角度、姿势和光线变化的影响，能有效识别不同人体的相似区域内的微小差别，且在目标人体识别过程中不需要对待识别图像进行标记。
附图说明
图1a为来自VIPeR库与CUHK02库中同一个人在不同场景下的对比图，其中，每一列的两幅图像为同一个人；
图1b为来自VIPeR库与CUHK02库中具有相似区域的不同的人的对比图，其中，每一列的两幅图像为相似的两个人；
图2为本发明方法的流程图；
图3a为本发明方法具体实施时选用的待识别图像；
图3b为待识别图像的前景区域，其中，矩形框内的区域为前景区域；
图3c为本发明方法具体实施时选用的图像目标库中的图像；
图3d为本发明方法具体实施时选用的图像目标库中的图像的前景区域，其中，矩形框内的区域为前景区域；
图4a为本发明方法中姿势变化对约束权值的影响，其中，第一行中的第一副和第三幅图像为同一个人，第二行中的第一副和第三幅图像为不同的人，第二幅图像中的灰色区域为背景区域，非灰色区域表示约束权值，颜色越深表示约束权值越大，白色表示约束权值最小；
图4b为本发明方法中人体部分遮挡后对约束权值的影响，其中，第一行中的第一副和第三幅图像为同一个人，第二行中的第一副和第三幅图像为不同的人，第二幅图像中的灰色区域为背景区域，非灰色区域表示约束权值，颜色越深表示约束权值越大，白色表示约束权值最小；
图4c为本发明方法中光线变化对约束权值的影响，其中，第一行中的第一副和第三幅图像为同一个人，第二行中的第一副和第三幅图像为不同的人，第二幅图像中的灰色区域为背景区域，非灰色区域表示约束权值，颜色越深表示约束权值越大，白色表示约束权值最小；
图5为本发明方法与现有的目标人体识别方法的实验结果对比图(采用来自CUHK02库中的图像)；
图6为本发明方法与现有的目标人体识别方法的实验结果对比图(采用来自VIPeR库中的图像)。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出了一种基于空间约束的目标人体识别方法，该方法的流程图如图2所示，其包括以下步骤：
①假定有一个摄像头A，将摄像头A拍摄到的所有图像组合成一个图像目标库，然后提取图像目标库内每幅图像中的前景区域，图像目标库内每幅图像中的前景区域即为图像目标库内每幅图像中的人体，接着将图像目标库内每幅图像中的前景区域分割成大小相同且互相重叠的第一图像块，再提取图像目标库内每幅图像中的前景区域内的每个第一图像块的特征向量，具体过程为：
①-1、假定有一个摄像头A，将摄像头A拍摄到的所有图像集合成一个图像目标库。
①-2、将图像目标库内当前待处理的第q幅图像定义为当前图像，其中，1≤q≤Q，Q表示图像目标库中的图像的数量，将图像目标库中的图像用来与待识别图像进行对比，当前图像如图3c所示。
①-3、为了减少光线对图像的影响，首先对当前图像的HSV通道中的V通道进行均衡化处理，然后采用姿态估计提取当前图像中的前景区域(如图3d所示)。再将当前图像中的前景区域分割成多个大小相同且互相重叠的第一图像块，将当前待处理的第一图像块定义为当前第一图像块，这些第一图像块的尺寸大小为10×10，其中第一图像块在水平和垂直方向的步长均为4个像素，从而将当前图像中的前景区域分割成多个大小相同且相互重叠的第一图像块，其过程为：以尺寸大小为10×10的滑动窗口在当前图像中每隔4个像素点移动，将当前图像分割成多个尺寸大小为10×10的第一图像块。
①-4、提取当前第一图像块的LAB颜色特征，为了更好地获得当前图像轮廓与细节的判别信息，当前第一图像块的每个颜色通道都经过三次降采样，三次降采样因子分别为0.5，0.75，1，然后提取当前第一图像块的每个颜色通道上的32维颜色直方图，获取到当前第一图像块的288维颜色特征。为了与其它特征组合，所有的直方图被归一化。为了减少拍摄角度和光线对图像识别的影响，再提取SIFT(Scale-invariant feature transform)特征作为颜色特征的一个补充，在SIFT特征的提取阶段，将当前第一图像块均匀分割成多个互不重叠的第一图像单元格，这些第一图像单元格的大小为4×4，一个第一图像块中包含有四个第一图像单元格，这四个第一图像单元格位于第一图像块的四个角上，即在同一个第一图像块中的相邻两个第一图像单元格之间相隔两个像素，并根据所有第一图像单元格将当前第一图像块局部梯度量化为八个方向，在当前第一图像块的三个颜色通道中分别提取128维的SIFT特征，结合三个颜色通道共形成384维的当前第一图像块的SIFT特征，为了能与当前第一图像块的LAB颜色特征结合，该当前第一图像块的SIFT特征也进行归一化处理。再根据当前第一图像块的LAB颜色特征和当前第一图像块的SIFT特征得到当前第一图像块的特征向量，记为cq，当前第一图像块的特征向量以一个672维的特征向量表示，其中，aq是一个288维列向量，aq中的元素为提取到的当前第一图像块的LAB颜色特征，bq是一个384维列向量，bq中的元素为提取到的当前第一图像块的SIFT特征。
①-5、将下一个待处理的第一图像块作为当前第一图像块，然后返回步骤①-4继续执行，直到得到当前图像中的前景区域内的所有第一图像块的特征向量。
①-6、令q＝q+1，将图像目标库内下一幅待处理的图像作为当前图像，然后返回步骤①-3继续执行，直到处理完图像目标库中的所有图像。
②假定有一个摄像头B，将摄像头B实时拍摄到的图像作为待识别图像，如图3a所示，然后提取待识别图像中的前景区域，待识别图像中的前景区域即为待识别图像中的人体，接着将待识别图像中的前景区域分割成大小相同且互相重叠的第二图像块，再提取待识别图像中的前景区域内的每个第二图像块的特征向量，具体过程为：
②-1、假定有一个摄像头B，将摄像头B实时拍摄到的图像作为待识别图像，为了减少光线对图像的影响，首先对待识别图像的HSV通道中的V通道进行均衡化处理，接着采用姿态估计提取待识别图像中的前景区域，待识别图像中的前景区域即为待识别图像中的人体(如图3b所示)。再将当前图像中的前景区域分割成大小相同且互相重叠的第二图像块，将当前处理的第二图像块定义为当前第二图像块，这些第二图像块的大小为10×10，且这些第二图像块在水平和垂直方向上的步长均为4个像素，从而将待识别图像中的前景区域分割成多个大小相同且相互重叠的第二图像块，其过程为：以尺寸大小为10×10的滑动窗口在待识别图像中每隔4个像素点移动，将待识别图像分割成多个尺寸大小为10×10的第二图像块。
②-2、提取当前第二图像块的LAB颜色特征，为了更好地获得待识别图像轮廓与细节的判别信息，当前第二图像块的三个颜色通道都经过三次降采样，三次降采样因子分别为0.5，0.75，1，在每个颜色通道上，提取当前第二图像块的32维颜色直方图，得当前第二图像块的288维颜色特征。为了与其它特征组合，所有的直方图被归一化。为了减少拍摄角度和光线对图像识别的影响，提取SIFT特征作为颜色特征的一个补充，在SIFT特征的提取阶段，将当前第二图像块均匀分割成多个互不重叠的第二图像单元格，这些第二图像单元格的大小为4×4，一个第二图像块中包含有四个第二图像单元格，这四个第二图像单元格位于第二图像块的四个角上，即在同一个第二图像块中的相邻两个第二图像单元格之间相隔两个像素，并根据所有的第二图像单元格将第二图像块局部梯度量化为八个方向，在当前第二图像块的三个颜色通道中分别提取128维的SIFT特征，结合三个颜色通道共形成384维的当前第二图像块的SIFT特征，为了能与当前第二图像块的LAB颜色特征结合，当前第二图像块的SIFT特征也进行归一化处理。再根据当前第二图像块的LAB颜色特征和当前第二图像块的SIFT特征得到当前第二图像块的特征向量，记为c，当前第二图像块的特征向量以一个672维的特征向量表示，其中，a是一个288维列向量，a中的元素为提取到的当前第二图像块的LAB颜色特征，b是一个384维列向量，b中的元素为提取到的当前第二图像块的SIFT特征。
②-3、将当前第二图像块的下一个第二图像块定义为当前第二图像块，返回步骤②-2继续执行，直到得到待识别图像中的所有第二图像块的特征向量。
③为了在垂直方向有较好的抵抗部分遮挡、姿势、光线、衣服皱纹的变化而影响约束，在自身图像中的垂直方向上每行搜索一个最近欧式距离块，所以根据图像目标库内每幅图像中的前景区域内的每个第一图像块的特征向量，获取图像目标库内每幅图像中的前景区域内的每个第一图像块的最小距离块序列，将图像目标库中的第q幅图像中的前景区域内中心像素点在第q幅图像中坐标位置为(i,j)的第一图像块的最小距离块序列记为 其中，1≤q≤Q，Q表示图像目标库中的图像的数量，(i,j)表示第一图像块的中心像素点在第q幅图像中的坐标位置， 为属于符号，F表示第q幅图像中的前景区域内的所有像素点的坐标位置的集合，1≤k≤M，M表示第q幅图像中的前景区域内包含的第一图像块的总行数，min{}表示取最小值函数，1≤j'≤N'，N'表示第q幅图像中的前景区域内第k行第一图像块中包含的第一图像块的总个数，|| ||2表示二范式符号，表示第q幅图像中的前景区域内中心像素点在第q幅图像中坐标位置为(i,j)的第一图像块的特征向量，表示第q幅图像中的前景区域内中心像素点在第q幅图像中坐标位置为(k,j')的第一图像块的特征向量，
与在图像目标库中的图像中是前景区域内的每个第一图像块的最小距离块序列相类似的，根据待识别图像中的前景区域内的每个第二图像块的特征向量，获取待识别图像中的前景区域内的每个第二图像块的最小距离块序列，将待识别图像中的前景区域内中心像素点在待识别图像中坐标位置为(m,n)的第二图像块的最小距离块序列记为 其中，(m,n)表示第二图像块的中心像素点在待识别图像中的坐标位置，F'表示待识别图像中的前景区域内的所有像素点的坐标位置的集合，1≤k'≤K，K表示待识别图像中的前景区域内包含的第二图像块的总行数，1≤n'≤L'，L'表示待识别图像中的前景区域内第k'行第二图像块中包含的第二图像块的总个数， 表示待识别图像中的前景区域内中心像素点在待识别图像中坐标位置为(m,n)的第二图像块的特征向量，表示待识别图像中的前景区域内中心像素点在待识别图像中坐标位置为(k',n')的第二图像块的特征向量，
本发明方法的约束权值的计算与块的匹配均是通过在相应的区域寻找最相似的块，因此能够很好抵挡光线、姿势等因素对权值约束的影响。如图4a、图4b和图4c所示，每一组中的两个不同人有大部分特征几乎相同，但来自不同摄像头下的同一个人的整体结构更有可能相似，通过空间约束抑制不同人因局部区域相似却各自整体结构差异较大的块的匹配。
④考虑到本发明方法的数据均来自人体检测，人体检测得到的边界框会在人体区域内有一定的空间浮动，无法准确对齐，为了更好地处理空间变化的影响，在寻找每个第二图像块的最相似块的过程中，并非严格按照在图像目标库内的图像中的相同行搜索，而是允许在垂直方向上有较小的波动范围。本实施例中，在图像目标库内的第q幅图像中的第m-l行至第m+l行范围内的图像块中找到待识别图像中的第m行第n列的第二图像块在图像目标库内的第q幅图像中的最相似块，其中，1≤l≤m，当l设置过小，由于垂直方向不能完全未对齐，第二图像块无法搜索到最相似块，当l设置过大，一个上身的第二图像块有可能搜索到下身的第二图像块的最相似块，考虑到这些，在具体实施过程中取l＝2。
采用最邻近结点算法，找出待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的前景区域内的最相似块，对于在图像目标库内的每幅图像中的前景区域内的第m-l行至第m+l行的所有第一图像块中，找出在图像目标库内的每幅图像中的前景区域内的最相似块，假设在图像目标库内的第q幅图像中的前景区域内的第m-l行至第m+l行的所有第一图像块中找出的最相似块为图像目标库内的第q幅图像中的前景区域内中心像素点在图像目标库内的第q幅图像中坐标位置为(m1,n1)的第一图像块，则将在图像目标库内的第q幅图像中的前景区域内的第m-l行至第m+l行的所有第一图像块中的最相似块记为其中，m-l≤m1≤m+l，1≤l≤m，当m-l<1且m+l≤K时，第m-l行至第m+l行实际取第1行至第m+l行；当m-l≥1且m+l>K时，第m-l行至第m+l行实际取第m-l行至第K行；当m-l<1且m+l>K时，第m-l行至第m+l行实际取第1行至第K行。
然后根据待识别图像中的前景区域内的每个第二图像块的特征向量以及待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的前景区域内的最相似块的特征向量，得到待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的匹配得分，对于将在图像目标库内的第q幅图像中的匹配得分记为 其中，e表示自然基数，σ为常数，δ2为一个表示的频带宽度的常数，在具体实施过程中取σ＝1，取δ2＝2.8，表示的特征向量，表示的特征向量。
⑤根据待识别图像中的前景区域内的所有第二图像块的最小距离块序列和图像目标库内的每幅图像中的前景区域内的所有第一图像块的最小距离块序列，得到待识别图像中的前景区域内的所有第二图像块相对于图像目标库内的每幅图像的空间约束的约束权值，对于将相对于图像目标库内的第q幅图像的空间约束的约束权值记为 约束权值越大，表示第二图像块在图像目标库中的图像的全局结构越相似，是同一个人的可能性越高。其中，e表示自然基数，δ3为一个表示的频带宽度的常数，在具体实施过程中取δ3＝2.8，表示中的第k'个元素，表示中的第k'个元素，表示在图像目标库中的第q幅图像中的最相似块的最小距离块序列，1≤k'≤K，K表示待识别图像中的前景区域内包含的第二图像块的总行数。
提取图像目标库内每幅图像中的每个图像块的特征向量和提取待识别图像中的每个第二图像块的最小距离块序列是对图像进行了空间约束，该空间约束限制了局部匹配的缺陷，能够根据该空间约束得到约束权值，使得每个图像块和每个第二图像块在匹配过程中带有全局的约束信息。
⑥根据待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的匹配得分以及待识别图像中的前景区域内的所有第二图像块相对于图像目标库内的每幅图像的空间约束的约束权值，得到待识别图像相对于图像目标库内的每幅图像的匹配得分，将待识别图像相对于图像目标库内第q幅图像的匹配得分记为 的值越大，表示两幅图中的人更有可能是同一个人，IA表示待识别图像，表示图像目标库中的第q幅图像。
⑦将图像目标库内每幅图像按待识别图像相对于图像目标库内每幅图像的匹配得分从大到小排列，得到一个图像序列，将待识别图像中的人体识别为图像序列中的第一副图像中的人体。
本实施例中，步骤④中找出待识别图像中的前景区域内的每个第二图像块的最相似块的具体过程中，若严格按照在图像目标库内的图像中的相同行搜索，在这种方式下采用最邻近结点算法，找出待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的前景区域内的最相似块，对于在图像目标库内的每幅图像中的前景区域内的第m行的所有第一图像块中，找出在图像目标库内的每幅图像中的前景区域内的最相似块，假设在图像目标库内的第q幅图像中的前景区域内的第m行的所有第一图像块中找出的最相似块为图像目标库内的第q幅图像中的前景区域内中心像素点在图像目标库内的第q幅图像中坐标位置为(m,n1)的第一图像块，则将在图像目标库内的第q幅图像中的前景区域内的第m行的所有第一图像块中的最相似块记为
然后根据待识别图像中的前景区域内的每个第二图像块的特征向量以及待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的前景区域内的最相似块的特征向量，得到待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的匹配得分，对于将在图像目标库内的第q幅图像中的匹配得分记为 其中，e表示自然基数，σ为常数，δ为一个表示的频带宽度的常数，在具体实施过程中取σ＝1，取δ＝2.8，表示的特征向量，表示的特征向量。
按照在图像目标库内的图像中的相同行搜索，将步骤⑤中相对于图像目标库内第q幅图像的空间约束的约束权值记为 其中，e表示自然基数，δ1为一个表示的频带宽度的常数，在具体实施过程中取δ＝2.8，表示中的第k'个元素，表示中的第k'个元素，表示在图像目标库中的第q幅图像中的最相似块的最小距离块序列，1≤k'≤K，K表示待识别图像中的前景区域内包含的第二图像块的总行数。
按照在图像目标库内的图像中的相同行搜索，将步骤⑥中的记为其中，IA表示待识别图像，表示图像目标库中的第q幅图像。这种按照在图像目标库内的图像中的相同行搜索的方式，不能更好地处理空间变化的影响，故本发明方法采用允许在垂直方向上有较小的波动范围的搜索方式来找到待识别图像中的前景区域内的每个第二图像块的最相似块。
为了更好地说明本发明方法的全局约束的显著作用，本发明利用VIPeR数据库和CHUK02数据库这两个数据库中的图像，对本发明方法进行测试，再将本发明方法与现有的人体识别方法进行实验结果的对比，本发明方法从VIPeR库(具有613个行人)中随机选取316个行人作为待测试集，从CHUK02库(具有971个行人)中随机选取486个行人作为待测试集分别进行对比实验，对比结果如图5和图6所示，图5和图6中的正确匹配比例表示排名(Rank)前n个图像中图像正确识别的比例。例如，图5中坐标位置为(10,52)表示CUHK02库中的316幅待识别图像和图像目标库中的所有图像用本发明方法进行目标人体识别实验，图像目标库中的所有图像按照匹配得分排名后，将排名在前10的图像目标库中的图像作为待识别图像的匹配图像，316幅待识别图像中有52％能被正确识别。图6中坐标位置为(5,47)表示VIPeR库中的485幅待识别图像和图像目标库中的所有图像用本发明方法进行目标人体识别实验，图像目标库中的所有图像按照匹配得分排名后，将排名在前5的图像目标库中的图像作为待识别图像的匹配图像，485幅待识别图像中有46％能被正确识别。图5和图6中，Our是本发明方法的实验结果，SDALF是M.Farenzena等人(M.Farenzena,L.Bazzani,A.Perina,V.Murino,and M.Cristani.Person re-identification by symmetry-drivenaccumulation of local features.In CVPR,2010.基于对称性局部特征累加的人体识别，IEEE国际计算机视觉与模式识别会议)提出的方法的实验结果，ELF是Malocal等人(B.Ma,Y.Su,and F.Jurie.Local descriptors encoded by fisher vectors for person re-identification.2012.基于余向量的局部描述的人体识别)提出的方法的实验结果，bLDFV是Gray等人(D.Gray and H.Tao.Viewpoint invariant pedestrian recognition withan ensemble of localized features.ECCV,2008.结合多个局部特征的角度不变性的人体识别，欧洲计算机视觉国际会议)提出的方法的实验结果。从图5和图6所示的实验结果中可以看出本发明方法提出的全局约束在目标人体识别中起到了显著的作用。
Claims (9)
1.一种基于空间约束的目标人体识别方法，其特征在于：包括以下步骤：
①假定有一个摄像头A，将摄像头A拍摄到的所有图像组合成一个图像目标库，然后提取图像目标库内每幅图像中的前景区域，图像目标库内每幅图像中的前景区域即为图像目标库内每幅图像中的人体，接着将图像目标库内每幅图像中的前景区域分割成大小相同且互相重叠的第一图像块，再提取图像目标库内每幅图像中的前景区域内的每个第一图像块的特征向量；
②假定有一个摄像头B，将摄像头B实时拍摄到的图像作为待识别图像，然后提取待识别图像中的前景区域，待识别图像中的前景区域即为待识别图像中的人体，接着将待识别图像中的前景区域分割成大小相同且互相重叠的第二图像块，再提取待识别图像中的前景区域内的每个第二图像块的特征向量；
③根据图像目标库内每幅图像中的前景区域内的每个第一图像块的特征向量，获取图像目标库内每幅图像中的前景区域内的每个第一图像块的最小距离块序列，将图像目标库中的第q幅图像中的前景区域内中心像素点在第q幅图像中坐标位置为(i,j)的第一图像块的最小距离块序列记为 其中，1≤q≤Q，Q表示图像目标库中的图像的数量，(i,j)表示第一图像块的中心像素点在第q幅图像中的坐标位置， 为属于符号，F表示第q幅图像中的前景区域内的所有像素点的坐标位置的集合，1≤k≤M，M表示第q幅图像中的前景区域内包含的第一图像块的总行数，min{}表示取最小值函数，1≤j'≤N'，N'表示第q幅图像中的前景区域内第k行第一图像块中包含的第一图像块的总个数，|| ||2表示二范式符号，表示第q幅图像中的前景区域内中心像素点在第q幅图像中坐标位置为(i,j)的第一图像块的特征向量，表示第q幅图像中的前景区域内中心像素点在第q幅图像中坐标位置为(k,j')的第一图像块的特征向量，
然后根据待识别图像中的前景区域内的每个第二图像块的特征向量，获取待识别图像中的前景区域内的每个第二图像块的最小距离块序列，将待识别图像中的前景区域内中心像素点在待识别图像中坐标位置为(m,n)的第二图像块的最小距离块序列记为其中，(m,n)表示第二图像块的中心像素点在待识别图像中的坐标位置，F'表示待识别图像中的前景区域内的所有像素点的坐标位置的集合，1≤k'≤K，K表示待识别图像中的前景区域内包含的第二图像块的总行数，1≤n'≤L'，L'表示待识别图像中的前景区域内第k'行第二图像块中包含的第二图像块的总个数， 表示待识别图像中的前景区域内中心像素点在待识别图像中坐标位置为(m,n)的第二图像块的特征向量，表示待识别图像中的前景区域内中心像素点在待识别图像中坐标位置为(k',n')的第二图像块的特征向量，
④采用最邻近结点算法，找出待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的前景区域内的最相似块，对于在图像目标库内的每幅图像中的前景区域内的第m-l行至第m+l行的所有第一图像块中，找出在图像目标库内的每幅图像中的前景区域内的最相似块，假设在图像目标库内的第q幅图像中的前景区域内的第m-l行至第m+l行的所有第一图像块中找出的最相似块为图像目标库内的第q幅图像中的前景区域内中心像素点在图像目标库内的第q幅图像中坐标位置为(m1,n1)的第一图像块，则将在图像目标库内的第q幅图像中的前景区域内的第m-l行至第m+l行的所有第一图像块中的最相似块记为其中，m-l≤m1≤m+l，1≤l≤m，当m-l<1且m+l≤K时，第m-l行至第m+l行实际取第1行至第m+l行；当m-l≥1且m+l>K时，第m-l行至第m+l行实际取第m-l行至第K行；当m-l<1且m+l>K时，第m-l行至第m+l行实际取第1行至第K行；
然后根据待识别图像中的前景区域内的每个第二图像块的特征向量以及待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的前景区域内的最相似块的特征向量，得到待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的匹配得分，对于将在图像目标库内的第q幅图像中的匹配得分记为其中，e表示自然基数，σ为常数，δ2为一个表示的频带宽度的常数，表示的特征向量，表示的特征向量；
⑤根据待识别图像中的前景区域内的所有第二图像块的最小距离块序列和图像目标库内的每幅图像中的前景区域内的所有第一图像块的最小距离块序列，得到待识别图像中的前景区域内的所有第二图像块相对于图像目标库内的每幅图像的空间约束的约束权值，对于将相对于图像目标库内的第q幅图像的空间约束的约束权值记为其中，e表示自然基数，δ3为一个表示的频带宽度的常数，表示中的第k'个元素，表示中的第k'个元素，表示在图像目标库中的第q幅图像中的最相似块的最小距离块序列，1≤k'≤K，K表示待识别图像中的前景区域内包含的第二图像块的总行数；
⑥根据待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的匹配得分以及待识别图像中的前景区域内的所有第二图像块相对于图像目标库内的每幅图像的空间约束的约束权值，得到待识别图像相对于图像目标库内的每幅图像的匹配得分，将待识别图像相对于图像目标库内第q幅图像的匹配得分记为 其中，IA表示待识别图像，表示图像目标库中的第q幅图像；
⑦将图像目标库内的每幅图像按待识别图像相对于图像目标库内每幅图像的匹配得分从大到小排列，得到一个图像序列，将待识别图像中的人体识别为图像序列中的第一副图像中的人体。
2.根据权利要求1所述的一种基于空间约束的目标人体识别方法，其特征在于：所述的步骤①的具体过程为：
①-1、假定有一个摄像头A，将摄像头A拍摄到的所有图像集合成一个图像目标库；
①-2、将图像目标库内当前待处理的第q幅图像定义为当前图像，其中，1≤q≤Q，Q表示图像目标库中的图像的数量；
①-3、对当前图像的HSV通道中的V通道进行均衡化处理，然后采用姿态估计提取当前图像中的前景区域，当前图像中的前景区域即为当前图像中的人体，再将当前图像中的前景区域分割成多个大小相同且互相重叠的第一图像块，将当前待处理的第一图像块定义为当前第一图像块；
①-4、提取当前第一图像块的LAB颜色特征，然后将当前第一图像块均匀分割成多个互不重叠的第一图像单元格，并根据所有第一图像单元格将当前第一图像块局部梯度量化为八个方向，再根据当前第一图像块的八个方向提取当前第一图像块的SIFT特征，最后根据当前第一图像块的LAB颜色特征和当前第一图像块的SIFT特征，获取当前第一图像块的特征向量，记为cq，其中，aq是一个288维列向量，aq为当前第一图像块的三个颜色通道分别进行三次采样后，再分别提取当前第一图像块的每个颜色通道的32维颜色直方图后获取到的当前第一图像块的LAB颜色特征，bq是一个384维列向量，bq为分别在当前第一图像块的三个颜色通道上提取当前第一图像块的每个方向上的16维特征后获取到的当前第一图像块的SIFT特征；
①-5、将下一个待处理的第一图像块作为当前第一图像块，然后返回步骤①-4继续执行，直到得到当前图像中的前景区域内的所有第一图像块的特征向量；
①-6、令q＝q+1，将图像目标库内下一幅待处理的图像作为当前图像，然后返回步骤①-3继续执行，直到处理完图像目标库中的所有图像。
3.根据权利要求2所述的一种基于空间约束的目标人体识别方法，其特征在于：所述的步骤①-3中将当前图像中的前景区域分割成多个大小相同且相互重叠的第一图像块的过程为：以尺寸大小为10×10的滑动窗口在当前图像中每隔4个像素点移动，将当前图像分割成多个尺寸大小为10×10的第一图像块。
4.根据权利要求3所述的一种基于空间约束的目标人体识别方法，其特征在于：所述的步骤①-4中第一图像单元格的尺寸大小为4×4。
5.根据权利要求4所述的一种基于空间约束的目标人体识别方法，其特征在于：所述的步骤②的具体过程为：
②-1、假定有一个摄像头B，将摄像头B实时拍摄到的图像作为待识别图像，然后对待识别图像的HSV通道中的V通道进行均衡化处理，接着采用姿态估计提取待识别图像中的前景区域，待识别图像中的前景区域即为待识别图像中的人体，再将当前图像中的前景区域分割成大小相同且互相重叠的第二图像块，将当前处理的第二图像块定义为当前第二图像块；
②-2、提取当前第二图像块的LAB颜色特征，然后将当前第二图像块均匀分割成多个互不重叠的第二图像单元格，并根据所有的第二图像单元格将当前第二图像块局部梯度量化为八个方向，再根据当前第二图像块的八个方向提取当前第二图像块的的SIFT特征，再根据当前第二图像块的LAB颜色特征和当前第二图像块的SIFT特征，获取当前第二图像块的特征向量，记为c，其中，a是一个288维列向量，a为当前第二图像块的三个通道分别进行三次采样后，再分别提取当前第二图像块的每个颜色通道的32维颜色直方图后获取到的第二图像块的LAB颜色特征，b是一个384维列向量，b中的元素为分别在当前第二图像块的三个颜色通道上提取当前第二图像块的每个方向上的16维特征后获取到的当前第二图像块的SIFT特征；
②-3、将下一个待处理的第二图像块作为当前第二图像块，然后返回步骤②-2继续执行，直到得到待识别图像中的前景区域内的所有第二图像块的特征向量。
6.根据权利要求5所述的一种基于空间约束的目标人体识别方法，其特征在于：所述的步骤②-1中将待识别图像中的前景区域分割成多个大小相同且相互重叠的第二图像块的过程为：以尺寸大小为10×10的滑动窗口在待识别图像中每隔4个像素点移动，将待识别图像分割成多个尺寸大小为10×10的第二图像块。
7.根据权利要求6所述的一种基于空间约束的目标人体识别方法，其特征在于：所述的步骤②-2中的第二图像单元格的尺寸大小为4×4。
8.根据权利要求7所述的一种基于空间约束的目标人体识别方法，其特征在于：所述的步骤④中采用最邻近结点算法，找出待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的前景区域内的最相似块的过程中，对于在图像目标库内的每幅图像中的前景区域内的第m行的所有第一图像块中，找出在图像目标库内的每幅图像中的前景区域内的最相似块，假设在图像目标库内的第q幅图像中的前景区域内的第m行的所有第一图像块中找出的最相似块为图像目标库内的第q幅图像中的前景区域内中心像素点在图像目标库内的第q幅图像中坐标位置为(m,n1)的第一图像块，则将在图像目标库内的第q幅图像中的前景区域内的第m行的所有第一图像块中的最相似块记为
然后根据待识别图像中的前景区域内的每个第二图像块的特征向量以及待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的前景区域内的最相似块的特征向量，得到待识别图像中的前景区域内的每个第二图像块在图像目标库内的每幅图像中的匹配得分，对于将在图像目标库内的第q幅图像中的匹配得分记为其中，e表示自然基数，σ为常数，δ为一个表示的频带宽度的常数，表示的特征向量，表示的特征向量。
9.根据权利要求8所述的一种基于空间约束的目标人体识别方法，其特征在于：所述的步骤⑤中将相对于图像目标库内第q幅图像的空间约束的约束权值记为其中，e表示自然基数，δ1为一个表示的频带宽度的常数，表示中的第k'个元素，表示中的第k'个元素，表示在图像目标库中的第q幅图像中的最相似块的最小距离块序列，1≤k'≤K，K表示待识别图像中的前景区域内包含的第二图像块的总行数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310636477.4A CN103679142B (zh) | 2013-12-02 | 2013-12-02 | 一种基于空间约束的目标人体识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310636477.4A CN103679142B (zh) | 2013-12-02 | 2013-12-02 | 一种基于空间约束的目标人体识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103679142A CN103679142A (zh) | 2014-03-26 |
| CN103679142B true CN103679142B (zh) | 2016-09-07 |
Family
ID=50316632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310636477.4A Active CN103679142B (zh) | 2013-12-02 | 2013-12-02 | 一种基于空间约束的目标人体识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103679142B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955678A (zh) * | 2014-05-13 | 2014-07-30 | 深圳市同洲电子股份有限公司 | 一种图像的识别方法和装置 |
| CN104794451B (zh) * | 2015-04-28 | 2018-01-02 | 上海交通大学 | 基于分块匹配结构的行人比对方法 |
| CN104850857B (zh) * | 2015-05-15 | 2017-12-05 | 浙江大学 | 基于视觉空间显著性约束的跨摄像机行人目标匹配方法 |
| CN106504264B (zh) * | 2016-10-27 | 2019-09-20 | 锐捷网络股份有限公司 | 视频前景图像提取方法和装置 |
| US10586111B2 (en) | 2017-01-13 | 2020-03-10 | Google Llc | Using machine learning to detect which part of the screen includes embedded frames of an uploaded video |
| CN106980864B (zh) * | 2017-03-31 | 2019-07-19 | 合肥工业大学 | 一种基于支持样本间接式的行人再识别方法 |
| CN108694347B (zh) * | 2017-04-06 | 2022-07-12 | 北京旷视科技有限公司 | 图像处理方法和装置 |
| WO2018195979A1 (zh) * | 2017-04-28 | 2018-11-01 | 深圳市大疆创新科技有限公司 | 一种跟踪控制方法、装置及飞行器 |
| CN107316031B (zh) * | 2017-07-04 | 2020-07-10 | 北京大学深圳研究生院 | 用于行人重识别的图像特征提取方法 |
| CN107871327A (zh) * | 2017-10-23 | 2018-04-03 | 武汉大学 | 基于特征点线的单目相机位姿估计和优化方法及*** |
| CN109255043B (zh) * | 2018-09-14 | 2020-08-11 | 哈尔滨工业大学 | 基于场景理解的图像检索方法 |
| CN109784261B (zh) * | 2019-01-09 | 2020-08-21 | 深圳市烨嘉为技术有限公司 | 基于机器视觉的行人分割与识别方法 |
| CN113378881B (zh) * | 2021-05-11 | 2022-06-21 | 广西电网有限责任公司电力科学研究院 | 基于信息熵增益svm模型的指令集识别方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521609A (zh) * | 2011-12-02 | 2012-06-27 | 湖南大学 | 基于分布式压缩传感的近红外与可见光图像人脸识别方法 |
| CN102609686A (zh) * | 2012-01-19 | 2012-07-25 | 宁波大学 | 一种行人检测方法 |
| CN102663411A (zh) * | 2012-02-29 | 2012-09-12 | 宁波大学 | 一种目标人体识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100290677A1 (en) * | 2009-05-13 | 2010-11-18 | John Kwan | Facial and/or Body Recognition with Improved Accuracy |
-
2013
- 2013-12-02 CN CN201310636477.4A patent/CN103679142B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521609A (zh) * | 2011-12-02 | 2012-06-27 | 湖南大学 | 基于分布式压缩传感的近红外与可见光图像人脸识别方法 |
| CN102609686A (zh) * | 2012-01-19 | 2012-07-25 | 宁波大学 | 一种行人检测方法 |
| CN102663411A (zh) * | 2012-02-29 | 2012-09-12 | 宁波大学 | 一种目标人体识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| Unsupervised Salience Learning for Person Re-identification;Rui Zhao等;《2013 IEEE Conference on Computer Vision and Pattern Recognition》;20130630;第3586-3593页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103679142A (zh) | 2014-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103679142B (zh) | 一种基于空间约束的目标人体识别方法 | |
| Qian et al. | Multi-scale deep learning architectures for person re-identification | |
| Johnson et al. | Clustered pose and nonlinear appearance models for human pose estimation. | |
| Bedagkar-Gala et al. | A survey of approaches and trends in person re-identification | |
| Bregonzio et al. | Fusing appearance and distribution information of interest points for action recognition | |
| Satta et al. | A multiple component matching framework for person re-identification | |
| Satta et al. | Fast person re-identification based on dissimilarity representations | |
| Gao et al. | Multi-perspective and multi-modality joint representation and recognition model for 3D action recognition | |
| Hu et al. | Exploring structural information and fusing multiple features for person re-identification | |
| Cui et al. | 3d haar-like features for pedestrian detection | |
| Chen et al. | Learning discriminative and generalizable representations by spatial-channel partition for person re-identification | |
| CN106909890A (zh) | 一种基于部位聚类特征的人体行为识别方法 | |
| Bourdev et al. | Deep poselets for human detection | |
| Berdugo et al. | Object reidentification in real world scenarios across multiple non-overlapping cameras | |
| Ding et al. | Let features decide for themselves: Feature mask network for person re-identification | |
| Afonso et al. | Automatic estimation of multiple motion fields from video sequences using a region matching based approach | |
| Alavi et al. | Multi-shot person re-identification via relational stein divergence | |
| Ni et al. | Integrating multi-stage depth-induced contextual information for human action recognition and localization | |
| Bansal et al. | Where did i see it? object instance re-identification with attention | |
| Sattrupai et al. | Deep trajectory based gait recognition for human re-identification | |
| Li et al. | Human Action Recognition Using Multi-Velocity STIPs and Motion Energy Orientation Histogram. | |
| Tahboub et al. | Person re-identification using a patch-based appearance model | |
| Sheng et al. | Person re-identification via learning visual similarity on corresponding patch pairs | |
| Xiang et al. | Action recognition for videos by long-term point trajectory analysis with background removal | |
| Ranganarayana et al. | A Study on Approaches For Identifying Humans In Low Resolution Videos |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200103 Address after: 315040 room 505, floor 5, building e, No. 655, bachelor Road, Yinzhou District, Ningbo City, Zhejiang Province Patentee after: Ningbo Skyview Image Technology Co., Ltd. Address before: 315211 Zhejiang Province, Ningbo Jiangbei District Fenghua Road No. 818 Patentee before: Ningbo University |