[发明专利]利用瑞士轮排序进行步态识别的行人再标识方法和装置

说明书

技术领域

本发明涉及图像处理技术领域，尤其涉及一种利用瑞士轮排序进行步态识别的行人再标识方法和装置。

背景技术

随着计算机硬件水平的提高和信息处理技术的不断发展，图像处理和模式识别技术广泛应用于对象检测、对象特征和对象再标识等安全监控领域。行人再标识是监控场景中最常见的任务之一，具体地，是指将一个已出现的对象再次出现的图像或视频标记出来。步态识别技术是一种有效的行人再标识手段，相对于人脸识别，外观识别等手段，步态识别具有远距离可识别，不依赖于外貌变换等特点。传统的步态识别技术主要是使用距离度量模型和多类标识模型。在最近的计算机视觉领域，出现利用排序模型进行行人再标识的方法，该方法具有很好的再标识准确率。

目前，现有技术中的一种利用排序模型进行步态识别的方法为：利用步态能量图和RankSVM(Support Vector Machine for Ranking，排序支持向量机)对行人步态进行排序，根据排序模型进行行人再标识。

上述现有技术中的一种利用排序模型进行步态识别的方法的缺点为：由于行人的步态特征在不同的背包情况下会有较大的差异，即同一对象在背包时采集到的步态特征和不背包时采集到的步态特征相似度较小；相反地，不同对象在相同的背包情况下采集到的步态特征反而相似度更大。而该方法中的步态特征单一，且排序模型也较为简单，在情况变化多，步态特征差异大的情况下行人的再标识效果较差。

发明内容

本发明的实施例提供了一种利用瑞士轮排序进行步态识别的行人再标识方法和装置，以实现有效地检测和标识视频图像中的行人。

根据本发明的一个方面，提供了一种利用瑞士轮排序进行步态识别的行人再标识方法，包括：

检测待检测视频中的行人的目标对象，提取所述目标对象的前景，分析所述目标对象的步态周期，提取所述目标对象的步态特征；

将所述目标对象的步态特征和候选数据的步态特征进行相似性分析，根据所述相似性分析的分析结果得到待排序数据；

使用训练好的瑞士轮排序系统，将所述待排序数据进行多层次的分组排序，组合多层次的分组排序的结果得到所述待排序数据的最终排序结果，将所述目标对象识别为所述最终排序结果中排名最靠前的候选数据。

优选地，所述的检测待检测视频中的行人的目标对象，提取目标对象的前景，包括：

将待检测视频的第一帧图像作为初始的背景图像，用待检测视频的第二帧图像中的每个像素点的灰度值和所述初始的背景图像中每个像素点的灰度值做帧差运算，得到所述第二帧图像中每个像素点的像素变化的差分图像；

将所述差分图像进行二值化处理，将像素值大于阈值T_m的像素点标记为运动区域，该运动区域即为所述第二帧图像中的目标对象的前景；

将二值化的差分图像做腐蚀运算，将腐蚀运算后的差分图像做膨胀运算，将膨胀运算后的差分图像和所述初始背景图像加权相加得到更新后的背景图像；

用下一帧图像中的每个像素点的灰度值和更新后的背景图像中每个像素点的灰度值做帧差运算，得到下一帧图像中每个点的像素变化的差分图像，将所述差分图像进行二值化处理，将像素值大于阈值T_m的像素点标记为运动区域，该运动区域即为所述下一帧图像中的目标对象的前景；

将二值化的差分图像做腐蚀运算，将腐蚀运算后的差分图像做膨胀运算，将膨胀运算后的差分图像和所述更新后的背景图像加权相加，再次得到更新后的背景图像；

依次类推，对待检测视频中所有帧图像进行上述处理，得到每一个帧图像中的目标对象的前景。

优选地，所述的分析目标对象的步态周期，提取目标对象的步态特征，包括：

提取所有帧图像中的目标对象所有行走的前景中的最小外矩形框，提取所述最小矩形框的高宽比，使用中值滤波、均值滤波对所述最小矩形框的高宽比进行滤波，分析滤波后的高宽比的自相关性；

提取所述自相关性对应的自相关变换的一阶导数，提取所述一阶导数的最高点，将相邻的两个最高点之间的时间周期作为目标对象的半个步态周期。

优选地，所述的提取目标对象的步态特征，包括：

等比例放缩所有的目标对象的前景到相同的宽高；

加权平均每个步态周期内的前景得到每个步态周期的步态能量图：

其中I(x,y,t)表示步态周期中t时刻的前景图，N表示一个步态周期内的前景图数量；

通过香浓熵度量每个步态周期的步态能量图的不同位置的不确定性，得到每个步态周期的步态熵图：