李娜;王洪元;王佳
【摘 要】In order to solve the problem of object matching based on non-overlapping camera views,a feature extraction model based on pedestrian's main color statistical information and spatial distribution information is put forward.The main color feature is obtained by clustering the target through the nearest clustering method in HSV color space.Each part of the pedestrian is weighted based on the pedestrian's main color feature.And it determines whether the two targets' are matched by setting the threshold.Experimental results show that the method can achieve reasonable similarity value and eliminate undesired color matching.It is capable of reducing false matching of different pedestrians with similar information and has good robustness to the change of shape and gesture.%为解决非重叠视域监控系统中的目标匹配问题,提出一种基于行人主颜统计信息和空间分布信息的特征提取模型.使用最近邻聚类法对HSV颜空间的目标进行聚类,得到行人主颜分布特征,在此基础上,对行人各个部分进行加权,并通过设置阈值确定目标 是否匹配.实验结果表明,该方法能实现合理的相似度值并排除匹配时不必要颜的干扰,减少拥有相似颜信息的不同行人的错误匹配,同时对行人形态和姿势的变化具有较好的鲁棒性.
【期刊名称】《计算机工程》
【年(卷),期】2016(042)012
【总页数】5页(P217-221)
【关键词】非重叠;特征;聚类;目标匹配;相似度
【作 者】李娜;王洪元;王佳
【作者单位】常州大学 信息科学与工程学院,江苏 常州 213164;常州大学 信息科学与工程学院,江苏 常州 213164;常州大学 信息科学与工程学院,江苏 常州 213164
【正文语种】天津师范大学学报中 文
【中图分类】TP391
近年来,视频监控系统已经在各个行业得到了广泛的应用,如交通监控、国家和军事重要安全部门及敏感的场所等。由于安全的需要,监控系统变得越来越庞大,因此研究在网络监控系统上进行目标跟踪与行为分析的智能监控系统已经成为一个热点问题[1-2]。非重叠监控摄像机中的目标关联是智能监控系统中目标跟踪[3-4]的核心部分,其目的是将不同监控视频中的目标进行关联,识别目标并进行目标跟踪。
目标关联的主要方法是提取特征,通过匹配特征来确定目标是否关联。由于颜特征[5-6]对行人姿态的鲁棒性较好,因此该方法得到了广泛的应用。文献[7]等根据行人的累积直方图,建立了一个不同视频间的亮度转换函数,对不同视频间的颜分量进行估计,进而计算目标的相似度。文献[8]根据刚性物体的特性克服摄像头角度变化不受亮度和颜变化影响,提出基于边缘特征的非直接匹配方法,但是计算较复杂。文献[9]等从不同角度对目标进行成像,利用点、线和面进行特征匹配,但由于不同的监控区域摄像机的不同,匹配效果并不理想。
综上分析,本文提出一种基于目标主颜空间分布信息的匹配方法。该方法首先在HSV空间进行主颜聚类,选择中心区域作为参考区域,计算出其他聚类区域和中心区域之间的空间特征信息。使用目标相似性测量方法消除主颜的统计信息和空间信息的影响。本文方法使
用的主颜像素顺序,可以有效地将每个区域空间特征关联起来,不仅可以解决颜统计特征相似、分布特征不相似目标的误匹配情况,同时可减少目标检测与分割产生的边缘背景像素对目标匹配造成的影响。
在行人识别和跟踪中常用的形状、颜、纹理等[10-11]特征中,行人的颜信息是最显著和最稳定的视觉特征,相对于其他视觉特征而言,颜信息对行人图像大小和方向的变化都不敏感,具有较好的鲁棒性,通常可以由颜信息来区分不同的行人。
1.1 HSV空间的主颜特征
什么是君主立宪制行人的颜特征在行人运动时一般不会改变,因而颜特征对行人识别的影响较大。监控视频中行人的图像通常采用RGB格式。RGB空间模型是一种线性表示的系统,虽然具有简单、直观的特点,但不适合人类视觉的感知。此外,RGB空间中两像素点的距离不是欧氏距离与实际颜距离的线性关系[12],使得图像中的颜分类错误,因此,本文在HSV颜空间中对图像进行处理,该颜空间比RGB颜空间更符合人的视觉特性。HSV颜空间中亮度和度具有可分离性,因此可使用图像处理和机器视觉的灰度处理算法。
首先根据文献资料,将人体分为头部、躯干、腿部[13]3个部分,头部高度为0.16H,腿部高度为0.46H,躯干高度为0.38H,其中,H为行人身高。行人主颜特征由躯干和腿部主颜构成[14],然后将它们转换为HSV颜特征。由于环境亮度、设备差异等因素的影响,不同的摄像机观察到的颜是不一样的。为了减少差,需要进行标准化处理。对同一目标颜特征,从摄像机中观察结果为 (HP,SP,VP)和(Hq,Sq,Vq),假定它们之间的对应关系如下:
通过建立颜模板来获得不同摄像机间的颜关系,并将颜模板放置在目标出现的不同位置得到相应的图形,这样就可以得到标准的HSV颜关系。对任意2个摄像机,均可用式(1)获得转换关系。在提取目标的HSV颜特征时,利用模板的位置来计算主颜。
目标颜的统计信息可以用于目标的匹配和关联,但这种方法不使用目标颜的空间信息。对于一些统计特征是相似的,但空间分布特征是不相似的目标,可能会导致匹配不成功。
在HSV颜空间中,对外套和裤子的颜进行目标像素聚类分析。使用HSV颜空间中的欧氏距离:
其中,g1,g2是HSV颜空间中2个像素点的位置;h,s,v是该像素点的HSV值。假设目标外套和裤子的颜通过聚类分别得到M和N个类,并表示为:
KCO={vCO1,vCO2,…,vCOi,…,vCOm}
倾听文字的声音KPO={vPO1,vPO2,…,vPOi,…,vPOn}
其中,vCOi和vPOi分别代表第i个类单元主颜信息。
设SCOi为第i类单元,包含NCOi个像素点,是SCOi的均值向量,因此,本文设的SCOi可以用mCOi表示。
1.2 空间分布特征
通常在一个场景中目标图像歧视性的信息都有一定的面积表示,将此部分看做图像的特征区域。通过设置一个阈值去除以较小单元的SCOi,将剩下的这些聚类单元按面积从大到小的顺序保留下来,该方法可以将没有意义的目标匹配区域去除掉。
聚类区域中心附近的目标信息更丰富,在目标匹配过程中发挥重要作用[15],本文用颜空间分布特征来描述此影响因素。
与行人裤子的单一颜相比,行人的外套颜丰富,因此,外套颜特征对目标匹配有更好的
识别性。以目标躯干中心为原点建立坐标系,通过计算到目标的中心位置,记为O(xCO,yCO),并定义到原点的距离为lmax,该中心聚类单元HSV值表示为O(hCO,sCO,vCO)。假设目标的M个聚类区域的空间位置可以表示为:
OCO =(OCO1,OCO2,…,OCOi,…,OCOm)
={(xCO1,yCO1),(xCO2,yCO2),…,
(xCOi,yCOi),…,(xCOm,yCOm)}速率法
因此,每个聚类区域到目标中心O(xCO,yCO)的距离记为DCOi:
对于远离中心位置的聚类区域,其颜特征也不同于中心位置的颜特征,认为该区域对目标匹配的影响小,相反,与目标匹配相关的几个聚类区域均在目标的中心位置附近,对目标匹配的影响较大。因此,设置阈值为t,t∈(0,1)。
1)如果mCOi/O(hCO,sCO,vCO)>t,则该聚类区域的相对权重系数可表示为:
εCOi=λCOi/∑λCOi
其中,λCOi=(lmax-DCOi)/lmax。
2)如果mCOi/O(hCO,sCO,vCO)<t,则该聚类区域的相对权重系数表示为:
εCOi=λCOi/∑λCOi
其中,λCOi=DCOi/lmax。
通过以上计算,可以得到基于颜空间分布信息的颜特征值:
使用上文所述颜空间分布特征模型处理得到目标颜空间分布信息的颜特征值,位于远离中心区域并低于HSV均值的聚类区域对应权重系数相应降低。反之,增加了相应的权重值,从而突出差的作用效果。该方法能较好地处理颜空间分布差异的影响,同时提高目标在相似度计算时的匹配率。
利用目标颜的统计信息和空间分布信息,可以检测2个目标的相似性。例如目标A和B,定义Dx(ACOi,BCOj)和Dy(ACOi,BCOj)作为颜聚类区域ACOi和BCOj在X轴和Y轴上的矢量距离。
其中,xA(COi)是ACOi在X轴上的矢量;xB(COj)是BCOj在X轴上的矢量;yA(COi)是ACOi在Y轴上的矢量;yB(COj)是BCOj在Y轴上的矢量。
定义ACOi和BCOj区域的归一化距离如下:
因此计算目标A和B的相似性时,使用如下归一化距离:
然后,对每个聚类区域的相似度值累加得到目标A和B的相似度值:
分片阈值SIM(A,B)=∑min(s(ACOi),s(BCOj))
最后设置相似度阈值,就得到不同监控视频中目标的匹配结果。具体的实验结果和分析在第3节中讨论。
3.1 匹配实验电影黑名单
实验用于检验本文方法在不同角度和微小光照变化下行人匹配的性能。本文选择非重叠域的实验室行人为监控目标进行实验,实验分为3组;第1组是用于测试在不同场景中相同目标的匹配效果;第2组是测试在同一场景中不同目标的匹配效果;第3组是测试在不同场景中不
同目标的匹配效果。摄像机网络拓扑结构如图1所示,安装4个摄像机,摄像机的监控区域不重叠,分别标记为C1,C2,C3和C4。视频监控中的行人目标如图2所示。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议