[发明专利]基于视觉空间显著性约束的跨摄像机行人目标匹配方法

说明书

技术领域

本发明涉及一种视频图像处理技术领域的方法，具体为一种基于视觉空间显著性约束的跨摄像机行人目标匹配方法。

背景技术

在大多数监控视频网络中，当行人目标移出当前视频后并没有办法简单利用摄像机的位置拓扑关系准确定位目标所移入的摄像头和目标在该摄像头出现的时间，因此跨摄像机行人目标匹配在跨摄像机智能监控系统中变得不可或缺。跨摄像机行人目标匹配是一个极具挑战性的问题，这是由于不同摄像机之间存在着参数、光照等差异，并且同一物体在不同摄像机视角拍摄下会存在姿态变化及遮挡。

经过对现有技术文献的检索发现，跨摄像机行人目标匹配问题的研究主要集中在通过预先训练进行度量学习和特征学习这两个方面。郑伟诗等人于2012年在《IEEE Transactions on Pattern Analysis and Machine Intelligence》(国际电气与电子工程师协会模式分析与机器智能学报)发表的论文“Reidentification by relative distance comparison”(基于相对距离比较的跨摄像机行人匹配)利用训练样本学习得到最优的概率相对距离度量标准，并用此标准来对数据库中的其它图片进行距离度量。赵瑞等人于2014年在《IEEE Computer Society Conference on Computer Vision and Pattern Recognition》(国际电子电气工程师协会计算机学会计算机视觉与模式识别会议)上发表的论文“Learning mid-level filters for person re-identification”(基于中层滤波器学习的行人重匹配)通过提前训练得到适合数据库样本的中层滤波器，以此滤波器选取行人图片中的感兴趣区域用于跨摄像机行人匹配。

虽然现有的跨摄像机行人目标匹配方法在标准数据库上能达到较高的匹配准确度，但由于目前绝大多数方法都需要预先的训练步骤或者额外的训练样本进行有监督或无监督的训练，因此这些算法在实际应用中较难推广。而在实际场景中，能够提供给跨摄像机匹配算法的样本数量十分有限，通常仅为某一指定行人目标的几幅模板图像。这促使寻找一种无须提前训练而又具有较高匹配准确度和鲁棒性的跨摄像机行人目标匹配方法。另一个现有跨摄像机行人目标匹配方法中普遍存在的问题是，行人身体空间约束往往被忽视或没有被合理利用。由于行人在步行时通常符合一定的空间约束，例如上半身部分相对稳定而下半身摆动较大，因此有效利用这些约束信息必然会提升跨摄像机行人目标匹配算法的性能。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于视觉空间显著性约束的跨摄像机行人目标匹配方法，既可以自适应地利用行人身体空间约束信息，又不需要额外的训练样本和训练步骤，并具有较高的行人目标匹配准确度，能够适用于绝大多数实际应用场景。

为实现上述目的，本发明首先对行人目标模板图像进行前景提取和过分割以得到行人目标子区域集合，然后在此区域集合上利用区域之间的视觉关联性和空间关联性分别构造视觉超图和空间超图，接着利用超图联合排序获得每个区域的视觉空间显著性分数，最后通过对模板图像与可疑目标图像进行显著性区域匹配得到最终的跨摄像机行人目标匹配结果。

本发明方法通过以下具体步骤实现：

基于视觉空间显著性约束的跨摄像机行人目标匹配方法包括以下步骤：

步骤1：读取待匹配行人目标模板图像和可疑行人目标图片，利用行人目标模板图像构建投票人集合，定义投票人集合为其中N为投票人集合中的图片数，x_i代表行人模板图像；将某一可疑行人目标的图片集合作为检索人输入，定义检索人集合为其中M为检索人集合里的图片数，y_j代表检索人图片；

步骤2：将投票人集合和检索人图像统一归一化为128×64像素，并通过前景提取算法提取每幅图像的前景区域；

步骤3：利用Mean-Shift算法对投票人集合里的每幅图像和检索人图像进行过分割处理，若M＝1则将所有过分割得到的区域统一纳入区域集合N_r为投票人集合和检索人集合中所有图片过分割得到的子区域数量的总和；若M＞1则将检索人集合中的每张图片单独考虑，分别重复M次M＝1时的处理步骤，并对M次结果进行平均；