[发明专利]基于人体部件位置约束的细粒度语义色彩行人重识别方法

说明书

技术领域

本发明属于监控视频检索技术领域，尤其涉及一种基于人体部件位置约束的细粒度语义色彩行人重识别方法。

背景技术

行人重识别是指判断不同监控摄像头下出现的行人图像是否属于同一行人的技术。由于多摄像头下的行人图像往往存在视角变化、光照变化、姿态变化和尺寸变化等，使得相同行人之间的差异甚至比不同行人之间的还要大。现有行人重识别技术大致可以分为两类：基于特征表示的行人重识别技术、基于尺度学习的行人重识别技术。而基于尺度学习的行人重识别技术依赖大量人工标记样本，基于特征表示的行人重识别技术因此得到大量关注。

现有基于特征表示的行人重识别技术根据特征的类型可分为基于视觉特征和基于语义特征的行人重识别技术两类。

基于视觉特征的行人重识别技术主要是指应用视觉纹理特征和视觉颜色特征来描述行人的外貌特征，例如[文献1]的LBP特征和小波特征，[文献2]的传统视觉颜色直方图表示方法，但是基于视觉特征行人表示方法对环境鲁棒性不够强。

基于语义特征行人重识别技术包括应用语义色彩名来描述行人外貌特征，色彩名是人类对视觉特征的形象表达(如“红”，“绿”，“蓝”等等)，多种不同程度的红色都会被映射到红色区间，因此对光照等环境变化具有更强的鲁棒性。然而，现有基于颜色的特征描述方法只用有限的颜色种类(11或者16种)来描述行人(称之为粗粒度色彩名，如[文献3]，[文献4]，[文献5])，一些具有判别能力的信息因此丢失。

【文献1】GrayD,TaoH.Viewpointinvariantpedestrianrecognitionwithanensembleoflocalizedfeatures.In:EuropeanConferenceonComputerVision(ECCV).262-275(2008).

【文献2】KviatkovskyI,AdamA,RivlinE.Colorinvariantsforpersonreidentification.In:TransactionsonPatternAnalysisandMachineIntelligence(TPAMI).1622-1634(2013).

【文献3】KuoCH,KhamisS,ShetV.Personre-identificationusingsemanticcolornamesandrankboost.In:WorkshoponApplicationsofComputerVision(WACV).281-287(2013).

【文献4】YangY,YangJ,YanJ,etal.Salientcolornamesforpersonre-identification.In:EuropeanConferenceonComputerVision(ECCV).536-551(2014).

【文献5】LiuY,ZhangD,LuG,etal.Region-basedimageretrievalwithhigh-levelsemanticcolornames.In:MultimediaModellingConference(MMM).180-187(2005).

发明内容

为了解决上述技术问题，本发明提出了一种基于人体部件位置约束的细粒度语义色彩行人重识别方法。

本发明所采用的技术方案是：一种基于人体部件位置约束的细粒度语义色彩行人重识别方法，其特征在于：包括离线处理过程、在线处理过程两个阶段；

步骤1：离线处理过程，即在训练数据集上进行训练，是将所有图像分成无数个无序的n×n的局部块，每块提取其颜色特征，并用K近邻方法对其聚类，类别总数K即是码本的尺寸，每一类称之为一个码词，那么每个图像块便可以用若干个这样的码词表示；

步骤2：在线处理过程，包括行人特征表示和行人距离度量两个步骤；所述行人特征表示又包括行人细粒度语义色彩表示和基于人体部件位置约束的行人细粒度语义色彩表示两个子步骤；

所述行人细粒度语义色彩表示的实现过程，是计算每个行人图像块的颜色特征与码本中每个码词的欧式距离，其中距离的倒数表示为该码词的发生概率，即码词系数，这样每个颜色块就能用K个码词去表示，从而得到细粒度语义色彩模型；

所述基于人体部件位置约束的行人细粒度语义色彩表示的实现，包括以下子步骤：

步骤2.1：确定位置权重，按照图像块位于图像中的位置给以其不同的权重；