CN105550703A - 一种适用于人体再识别的图片相似度计算方法 - Google Patents

Abstract

本发明公开了一种适用于人体再识别的图片相似度计算方法，包括步骤：1)待匹配的图片A和B进行图像去噪；2)提取图像去噪后的图片A和B的特征向量X^A和X^B；3)对特征向量X^A和X^B分别进行归一化处理；4)计算图片A和B的显著性差异距离SDD，作为相似性度量指标。本发明方法能有效提高人体再识别图片匹配的可靠性和鲁棒性，具有实际推广价值。

Description

一种适用于人体再识别的图片相似度计算方法

技术领域

本发明涉及交通管理领域，尤其是指一种适用于人体再识别的图片相似度计算方法。

背景技术

视频人体再识别技术是指在监控视频中识别出某个特定的已经在监控网络中出现过的人体，即对监控网络中的同一个人体进行再次识别。

随着社会安全和视频采集技术的发展，大量的监控摄像头应用在商场、建筑楼内、公园、学校、大型广场、地铁站等人流密集易发生安全事件的场所。人工已难以应对海量增长的监控视频，因此利用计算机对监控视频中的人体等进行再识别的需求应运而生。目前人体再识别的方法和***大多采用：图像去噪->特征提取->相似性度量计算->匹配判断的流程。

特征间相似性度量机制是人体再识别***中重要部分，选择或设计的好坏将直接影响到人体再识别算法的准确度。目前用于特征相似性度量的方法主要有欧式距离、直方图相交法、巴氏系数、马氏距离等。

发明(申请号CN201310021525)，提出基于视频的人体再识别方法以及***，对确定待检测视频中的运动区域，形成人体检测的范围；将形成人体检测的范围的图像分多个颜色通道，进行灰度拉伸并形成灰度拉伸后的图像；对灰度拉伸后的图像进行人体检测得到人体图像；对人体图像中的人体与预先存储的人体样本进行初步匹配；初步匹配失败，则将检测到的人体保存到人体样本；成功则对人体图像中的人体与预先存储的人体样本进行精确匹配；根据精确匹配的结果判断是否匹配成功；否则将检测到的人体保存到人体样本；是则输出相应的人体样本。对图像分多个颜色通道进行灰度拉伸，使得原本模糊的图像变清晰，提高人体再识别的准确率。

发明(申请号CN201210592918)，提供了一种在栅格遮挡下的人体再识别方法，包括：检测出视频图像中的人体图像；将所述人体图像分割为多个区域；将分割后的多个区域中，去除栅格障碍物所在的区域；确定每个所述区域的特征向量，将多个特征向量与预先采集的数据库中的多个基准向量进行匹配；将所述数据库中匹配成功的人体图像作为识别结果。

发明(申请号CN201210592721)，提供了一种在雾天的人体再识别的方法，包括：检测出视频图像中的人体图像；确定所述人体图像的特征向量，根据不同颜色的权重，将确定的特征向量与预先采集的数据库中的多个基准向量进行匹配；将所述数据库中匹配成功的人体图像作为识别结果。通过上述的步骤，可在数据库中确定出人体图像，将确定出的人体图像作为检测到的人体图像。从而可在视频中掌握每个人体图像的运动轨迹以及活动范围。

但上述方法中，目标人体图像的特征向量与数据库中的多个基准向量之间匹配，需要将特征向量与基准向量的距离进行计算(即进行相似度计算)，且都采用传统的欧式距离来进行，尚未提出新的适用于人体再识别的图片相似度计算方法。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供了一种适用于人体再识别的图片相似性度量计算方法，能提高人体再识别图片匹配的可靠性和鲁棒性，具有实际推广价值。

为实现上述目的，本发明所提供的技术方案为：一种适用于人体再识别的图片相似度计算方法，包括以下步骤：

1)待匹配的图片A和B进行图像去噪；

2)提取图像去噪后的图片A和B的特征向量X^A和X^B；

3)对特征向量X^A和X^B分别进行归一化处理；

4)计算图片A和B的显著性差异距离SDD，作为相似性度量指标。

在步骤1)中，所述图像去噪采用中值滤波法，基本原理是把数字图像或数字序列中一点的值用该点邻域内各点的中值代换，设f(x，y)表示数字图像像素点(x，y)的灰度值，滤波窗口为R的中值滤波器可以定义为：

$\hat{f}(x,y)=\underset{(x,y)\∈R}{MED\left\{f(x,y)\right\}}$

式中，MED{}为中值函数，当滤波窗口R中的像素点总数n为奇数时，MED{x1，x2，…xn}就是x1，x2，…xn的中值，即按数值大小顺序处于中间的数；当n为偶数时，定义两个中间数平均值为中值。

在步骤2)中，所述特征向量X^A和X^B为单个特征向量，或者包括HOG、YUV颜色直方图这多个特征的多维特征向量。

在步骤3)中，所述特征向量X^A和X^B采用线性函数归一化方法，即：假设X^A＝{X^A ₁,X^A ₂…X^A _n}，n为特征向量维度，X^A _i为图A的第i个特征元素；则归一化后的特征向量为X′^A＝{X′^A ₁,X′^A ₂…X′^A _n}，且X′^A _i＝X^A _i/(X^A ₁+X^A ₂+…+X^A _n)；同理，X^B的归一化方法与X^A一样。

在步骤4)中，计算所述显著性差异距离SDD的公式如下：

$SDD=\sqrt{{\mathrm{\Σ}}_{i=1}^n{w}_i{({X^{\′}}_i^A-{X^{\′}}_i^B)}^2}$

式中，X′^A _i、X′^B _i分别为归一化后特征向量为X′^A、X′^B的第i个特征元素的数值；n为特征维度；w_i为第i个权重系数，其计算公式为：

$w_i=e^{10|{X^{\′}}_i^A-{X^{\′}}_i^B|}$

式中，e为自然对数，|*|为取绝对值。

本发明与现有技术相比，具有如下优点与有益效果：

本发明方法适用性较广，既可应用于单一特征值的两个图片相似性度量计算，也可应用在多特征值的两个图片的相似性度量计算；同时该方法可应用于人体图片再识别，也可应用于其他目标再识别算法中，如特定物品等。该方法充分考虑特征向量中对应特征元素的差异，作为权重值，因此构建的相似度度量计算方法较合理，提高不同对象图片的相似性差异，同时减少同一个对象不同图片的相似性差异，提高人体再识别的可靠性和鲁棒性，因此本发明具有很大的实际推广价值。

附图说明

图1为本发明的工作流程图。

图2a为本发明实施例的图A。

图2b为本发明实施例的图B。

图3为本发明进行特征向量归一化的流程图。

图4为本发明显著性差异距离SDD计算流程图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图1所示，本实施例所述的适用于人体再识别的图片相似度计算方法，其具体情况如下：

首先，将待匹配的图片A(见图2a)和B(见图2b)进行图像去噪；图像去噪可采用常见的中值滤波法，基本原理是把数字图像或数字序列中一点的值用该点邻域内各点的中值代换，设f(x，y)表示数字图像像素点(x，y)的灰度值，滤波窗口为R的中值滤波器可以定义为：

$\hat{f}(x,y)=\underset{(x,y)\∈R}{MED\left\{f(x,y)\right\}}$

式中，MED{}为中值函数，当滤波窗口R中的像素点总数n为奇数时，MED{x1，x2，…xn}就是x1，x2，…xn的中值，即按数值大小顺序处于中间的数；当n为偶数时，定义两个中间数平均值为中值。

然后，提取图像去噪后的图片A和B的特征向量X^A和X^B；本实施例中采用主颜色谱直方图(MajorColorSpectrumHistogram,MCSH)作为特征向量。在实际应用中，本方法也可应用于多维特征向量，如为提高鲁棒性可采用HOG、主颜色谱直方图(MajorColorSpectrumHistogram,MCSH)、YUV颜色直方图等。

在实施例中，图片A和B的特征向量具体数值分别为：

X^A＝{4,6,8,3,1,9}

和X^B＝{3,7,9,4,6,5}

接着，对特征向量X^A和X^B分别进行归一化处理，采用线性函数归一化方法，具体流程见附图3。已知X^A＝{4,6,8,3,1,9}，特征向量维度为6；则归一化后的特征向量X′^A＝{X′^A ₁,X′^A ₂…X′^A _n}，且：

X′^A ₁＝4/(4+6+8+3+1+9)＝4/31＝0.129

X′^A ₂＝6/(4+6+8+3+1+9)＝6/31＝0.194

X′^A ₃＝8/(4+6+8+3+1+9)＝8/31＝0.258

X′^A ₄＝3/(4+6+8+3+1+9)＝3/31＝0.097

X′^A ₅＝1/(4+6+8+3+1+9)＝1/31＝0.032

X′^A ₆＝9/(4+6+8+3+1+9)＝9/31＝0.290

则X′^A＝{0.129,0.194,0.258,0.097,0.032,0.290}

采用同样的方法计算X^B的归一化向量为X′^B＝{0.088,0.206,0.265,0.118,0.176,0.147}。

最后，根据上述归一化后的特征向量，计算图片A和B的显著性差异距离SDD，具体流程见图4。

先计算每个特征元素的权重w_i：

$w_1=e^{10|{X^{\′}}_1^A-{X^{\′}}_1^B|}=e^{10*|0.129-0.088|}=1.503761505$

同样计算得：

w₂＝e^{10*|0.194-0.206|}＝1.131268601

w₃＝e^{10*|0.258-0.265|}＝1.068668694

w₄＝e^{10*|0.097-0.118|}＝1.232110623

w₅＝e^{10*|0.032-0.176|}＝4.229675335

w₆＝e^{10*|0.29-0.147|}＝4.189735356

则计算得权重为{1.503761505，1.131268601，1.068668694，1.232110623，4.229675335，4.189735356}.

图片A和B的显著性差异距离SDD为：

$\begin{array}{c}SDD=\sqrt{{\mathrm{\Σ}}_{i=1}^n{w}_i{({X^{\′}}_i^A-{X^{\′}}_i^B)}^2}\\ =\sqrt{0.002503+0.000172+0.000047+0.000537+0.087966+0.085992}\\ =0.420971\end{array}$

综上所述，本发明为不同图片之间的相似性度量计算提供新的方法，能有效提高人体再识别图片匹配的可靠性和鲁棒性，具有实际推广价值，值得推广。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (5)

1.一种适用于人体再识别的图片相似度计算方法，其特征在于，包括以下步骤：

1)待匹配的图片A和B进行图像去噪；

2)提取图像去噪后的图片A和B的特征向量X^A和X^B；

3)对特征向量X^A和X^B分别进行归一化处理；

4)计算图片A和B的显著性差异距离SDD，作为相似性度量指标。

2.根据权利要求1所述的一种适用于人体再识别的图片相似度计算方法，其特征在于：在步骤1)中，所述图像去噪采用中值滤波法，基本原理是把数字图像或数字序列中一点的值用该点邻域内各点的中值代换，设f(x，y)表示数字图像像素点(x，y)的灰度值，滤波窗口为R的中值滤波器定义为：

$\hat{f}(x,y)=\underset{\left(x,y\right)\∈R}{MED\left\{f(x,y)\right\}}$

式中，MED{}为中值函数，当滤波窗口R中的像素点总数n为奇数时，MED{x1，x2，…xn}就是x1，x2，…xn的中值，即按数值大小顺序处于中间的数；当n为偶数时，定义两个中间数平均值为中值。

3.根据权利要求1所述的一种适用于人体再识别的图片相似度计算方法，其特征在于：在步骤2)中，所述特征向量X^A和X^B为单个特征向量，或者包括HOG、YUV颜色直方图这多个特征的多维特征向量。

4.根据权利要求1所述的一种适用于人体再识别的图片相似度计算方法，其特征在于：在步骤3)中，所述特征向量X^A和X^B采用线性函数归一化方法，即：假设X^A＝{X^A ₁,X^A ₂…X^A _n}，n为特征向量维度，X^A _i为图A的第i个特征元素；则归一化后的特征向量为X′^A＝{X′^A ₁,X′^A ₂…X′^A _n}，且X′^A _i＝X^A _i/(X^A ₁+X^A ₂+…+X^A _n)；同理，X^B的归一化方法与X^A一样。

5.根据权利要求1所述的一种适用于人体再识别的图片相似度计算方法，其特征在于：在步骤4)中，计算所述显著性差异距离SDD的公式如下：

$SDD=\sqrt{{\Σ}_{i=1}^n{w}_i{\left({X^{\′}}_i^A-{X^{\′}}_i^B\right)}^2}$

式中，X′^A _i、X′^B _i分别为归一化后特征向量为X′^A、X′^B的第i个特征元素的数值；n为特征维度；w_i为第i个权重系数，其计算公式为：

$w_i=e^{10|{X^{\′}}_i^A-{X^{\′}}_i^B|}$

式中，e为自然对数，|*|为取绝对值。