(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201710241301.7
(22)申请日 2017.04.13
(71)申请人 中原智慧城市设计研究院有限公司
地址 451162 河南省郑州市航空港区新港
大道南段西侧5号楼202室
(72)发明人 陈长宝 杜红民 侯长生 孔晓阳
王茹川 郭振强 郧刚 王磊
王莹莹
(74)专利代理机构 郑州德勤知识产权代理有限
公司 41128
代理人 黄红梅
(51)Int.Cl.
G06K 9/00(2006.01)
G06K 9/46(2006.01)
(54)发明名称
方法
(57)摘要
本发明提供一种基于时空特征的监控视频
行人重识别方法，包括以下步骤：步骤1，采用基
于局部特征与全局特征联合的光照变化自适应
抑制算法对原始监控视频图像进行预处理，
获得预处理图像；步骤2，基于时空约束计算预处理图
度；步骤3，采用背景减法获得目标行人区域，并
分别对目标行人区域提取HOG特征、Haar-Like特
征和sdSIFT特征，并将HOG特征Haar-Like
特征和sdSIFT特征进行融合后获得融合特征向
量，采用主成分分析方法对融合特征向量进行降
维，得到目标行人区域的复合特征描述子；步骤
4，根据复合特征描述子采用度量学习方法和稀
疏表示方法对行人进行重识别。权利要求书3页 说明书7页CN 107133575 A 2017.09.05
C N 107133575
A
1.一种基于时空特征的监控视频行人重识别方法，其特征在于，包括以下步骤：
步骤1，采用基于局部特征与全局特征联合的光照变化自适应抑制算法对原始监控视频图像进行预处理，获得预处理图像；
步骤2，基于时空约束计算预处理图像的特征权值，增强目标行人与背景之间的区分度；
步骤3，采用背景减法获得目标行人区域，并分别对目标行人区域提取HOG特征、Haar-Like特征和sdSIFT特征，并将HOG特征Haar-Like特征和sdSIFT特征进行融合后获得
融合特征向量，采用主成分分析方法对融合特征向量进行降维，得到目标行人区域的复合特征描述子；
步骤4，根据复合特征描述子采用度量学习方法和稀疏表示方法对行人进行重识别。
2.根据权利要求1所述的一种基于时空特征的监控视频行人重识别方法，其特征在于，步骤1的具体步骤为：
步骤1.1，利用多尺度的邻域信息获得SVLM映射图，并根据原始监控视频图像中的灰度均值和标准差与SVLM映射图建立伽马校正系数查表；
步骤1.2，按照伽马校正系数查表中的校正系数对原始监控视频图像进行伽马校正，实现局部对比度增强；
步骤1.3，对局部增强后的监控视频图像进行区域相似性直方图统计；
步骤1.4，采用直方图修正算法和直方图平滑技术对直方图进行修正；
步骤1.5，利用修正后的直方图对局部增强后的监控视频图像进行二次增强，从而拉伸局部增强后的监控视频图像的灰度动态范围，得到预处理图像。
3.根据权利要求1或2所述的一种基于时空特征的监控视频行人重识别方法，其特征在于，步骤2的具体步骤为：
2.1，设预处理图像的特征为f，目标图像的特征用Q f表示，背景图像的特征用S f表示，多个子窗口组成的窗口特征值求平均后即可求得背景区域的特征值q f，即
其中，为子窗口S i所对应的特征值；
2.2，用对数似然方法计算t时刻预处理图像的特征f的目标与背景的区分度，即
其中δ为一个趋近于零的整数；
2.3，利用公式将高区分度的特征映射为正值，将低区分度的特征映射为负值，并将作归一化处理，即：
其中，W1,t为在t时刻特征向量的空间约束权值；
2.4，设时序特征池P＝{p t-i,…,p t}，其中P t为t时刻的目标图像特征向量，p＝{f1, f2,…,f n}；
2.5，对时序特征池P t构建时序特征权值
为t时刻预处理图像的特征f的权值；
设表示预处理图像的特征f在t时刻的变化速率,var f表示预处理图像的特征f的一阶绝对变化值，则，
其中：c为学习率；var f＝||f t-f t-1||1，且0≤var f≤1；
2.6，设k为遗忘因子，对于时序特征池P＝{p t-i,…,p t}，t时刻的目标图像的特征：
其中n为时序特征池的最长保存时间；
2.7，设ɑ为特征融合变量，将特征向量的空间约束权值W1,t和时间约束权值W2,t有效融合，得到时刻t的时空约束权值为W t＝αW1,t+(1-α)W2,t。
4.根据权利要求3所述的一种基于时空特征的监控视频行人重识别方法，其特征在于，步骤3中，分别对目标行人区域提取HOG特征、Haar-Like特征和sdSIFT特征的具体步骤为：
(1)对所有的目标行人区域进行缩放调整为统一的像素大小；
(2)将目标行人区域转换到灰度空间，计算每个像素的梯度的大小和方向；给定采样窗口的尺寸，以一定步长按一定顺序滑动窗口形成多个子块；把每个子块按照规定尺寸分成多个胞元；统计生成每个胞元内的梯度直方图，并把每个子块中的胞元梯度图全部串联起来形成这个子块的特征描述子，将预处理图像的所有子块的特征描述子串联起来即得到目标行人区域的HOG特征
(3)将目标行人区域转换到灰度空间，构建积分图像并采用积分图像计算目标行人区域中任何矩阵区域的像素值；用图像黑矩形像素总和值减去白矩形在图像子窗口内对应区域的灰度像素总和值后即可得到目标行人区域的Haar-Like特征
(4)将预处理图像转换至RGB和HSV颜空间，并提取R、G、B和H、S颜通道信息；采用统一去除目标行人区域周边的16像素宽度的图像的方式划分有效区域，并将有效区域在水平方向上分成若干个分块；
在R通道下按照dense SIFT特征提取方式，构建高斯差分尺度空间，并计算每个点的梯度幅值、梯度方向以及梯度幅值在8个固定方向上的梯度幅值分量；
以每个分块为窗口，划分ω个单元，并在每个单元上计算以8个固定方向为bin的梯度
直方图，则每个子块有8*ω维特征向量；分别计算每个分块内的所有单元的梯度直方图的均值和方差，组合起来形成R通道下的sdSIFT特征描述子
依次计算目标行人区域在G、B、H、S四个通道下的sdSIFT特征向量，并将五个通道下的sdSIFT特征向量组合起来即得到目标行人区域的sdSIFT特征描述子
5.根据权利要求4所述的一种基于时空特征的监控视频行人重识别方法，其特征在于，步骤4的具体步骤为：
4.1，设用于度量学习的所有已知同一行人复合特征描述子对即训练样本集为
其中和表示第i个行人的一对目标行人区域的复合特征描述子，用n表示行人总数；
设待识别的未知目标行人区域的特征即测试样本集为P＝{p i,i＝1,2,...k}，其中p i表示第i个待识别行人的复合特征描述子，k表示待识别行人总数；
供匹配排序的目标行人区域特征集即样本库为G＝{g i,i＝1,2,...l}，其中g i表示第i 个行人的复合特征描述子，l表示待识别行人总数。
4.2，准备训练集：设训练样本集U中每对复合特征描述子的差值为向量构成集合D＝{d i,i＝1,2,...,n}；
4.3，估计马氏距离的度量矩阵
4.4，利用L根据z＝Lx公式对测试样本集P和样本库G的所有复合特征描述子进行转换，得到新的特征集
合为P′＝{p i′,i＝1,2,...k}和G′＝{g i′,i＝1,2,...l}；
4.5，计算稀疏系数；
4.6，并对非零系数样本排序；
4.7，对已排序样本重加权，并进行迭代重加权排序；
4.8，重复步骤4.6和4.7，直到样本库中的所有样本均在排序结果中，即完成目标行人的重识别。
一种基于时空特征的监控视频行人重识别方法技术领域
[0001]本发明涉及视频分析技术领域，具体的说，涉及了一种基于时空特征的 监控视频行人重识别方法。
背景技术
[0002]在当今大数据社会，每时每刻都在产生着大量的数据信息，在送些信息 中视频信息的比重超过60％，而在此之内监控视频的比重又达到70％。 面对如此大量的视频信息的产生，如何到一些快速有效的信息提取方法便 成为了一个迫在眉睫的问题。视频智能监控是计算机视觉领域中一个新兴的 研
究领域，W监控场景中的运动目标如车辆、行人为研究对象，使用计算机 视觉技术及模式识别技术在不需要人为干预的情况下分析这些目标的外观W 及行为，为公安、交通等各个领域提供了便利，减少了大量的人力物力巧资 源消耗。人作为视频监控的主体广泛存在于各种监控视频中，行人的检测与 识别无疑成为了获取行人其它信息的先决条件。快速准确的识别行人对于公 安侦破案件、医疗看护、国防边境及军事基地保证国防的安全具有重要的意 义。
[0003]为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。发明内容
[0004]本发明的目的是针对现有技术的不足，从而提供了一种基于时空特征的 监控视频行人重识别方法。
[0005]为了实现上述目的，本发明所采用的技术方案是：一种基于时空特征的 监控视频行人重识别方法，包括以下步骤：
[0006]步骤1，采用基于局部特征与全局特征联合的光照变化自适应抑制算法对 原始监控视频图像进行预处理，获得预处理图像；
[0007]步骤2，基于时空约束计算预处理图像的特征权值，增强目标行人与背景 之间的区分度；
[0008]步骤3，采用背景减法获得目标行人区域，并分别对目标行人区域提取 HOG特征、Haar-Like特征
和sdSIFT特征，
并将HOG特征Haar-Like特 征和sdSIFT特征进行融合后获得融合特征向量，采用主成分分析方法对融合 特征向量进行降维，得到目标行人区域的复合特征描述子；
[0009]步骤4，根据复合特征描述子采用度量学习方法和稀疏表示方法对行人进 行重识别。
[0010]基于上述，步骤1的具体步骤为：
[0011]步骤1.1，利用多尺度的邻域信息获得SVLM映射图，并根据原始监控 视频图像中的灰度均值和标准差与SVLM映射图建立伽马校正系数查表；
[0012]步骤1.2，按照伽马校正系数查表中的校正系数对原始监控视频图像 进行伽马校正，实现局部对比度增强；
说 明 书
1/7页CN 107133575 A
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议