[发明专利]基于外貌特征紧凑表示的视频行人再识别方法及系统

说明书

技术领域

本发明属于视频行人识别领域，尤其涉及一种基于外貌特征紧凑表示的视频行人再识别方法及系统。

背景技术

由于视频监控、行人跟踪与检索近年来的普遍应用，行人再识别技术得到广泛的关注。针对某个视频监控摄像头下出现的目标行人，需要从视频监控网络的其他摄像头下对目标行人进行再次识别，即为行人再识别技术。然而，由于不同摄像头下的光照变化、行人姿态变化以及背景对行人的遮挡和干扰，这给行人再识别技术带来极大困难。

常见的行人再识别系统按照输入格式一般分为两类：图像下的行人再识别与视频下的行人再识别。图像下的行人再识别技术由于只能从单一的图像中获取行人信息，信息量十分有限，因此很难解决遮挡、视角变化、行人姿态变化等问题。另一方面，跟单幅图像输入相比较，视频输入不仅包含更多的步态时序信息，还提供了各个时间点下更为丰富的外貌特征信息。此外，在绝大多数的实际应用，都是把视频作为原始输入，比图像更直接，也更方便。因此，视频下的行人再识别技术比图像下的行人再识别具有更大的研究意义。

尽管视频提供了更为丰富的时序以及外貌信息，但是处理难度也大大增加。目前为止，只有少数的行人再识别技术是针对视频输入提出的。这些技术针对行人视频中的时序信息，比如步态以及身体的运动模式等，提出了不同的算法进行提取与比较。尽管运动信息作为一种生物行为可以用来进行行人判别，但是由于很多人都有相似的行走方式，因此很难作为有效的行人标识来进行再识别任务。此外，行人的步态被认为是不受外貌信息干扰的生物特征，因此很多研究者试图通过侧面投影来对行人步态进行提取，但是由于背景的复杂和干扰物体对行人的遮挡，行人的步态信息很难被提取到。

发明内容

为了解决现有技术的缺点，本发明的第一目的是提供一种基于外貌特征紧凑表示的视频行人再识别方法。

本发明的一种基于外貌特征紧凑表示的视频行人再识别方法，包括：

提取行人视频中的光流曲线，进而得到行人步态的周期曲线，再根据步态周期进行随机选取行人步态的周期曲线中若干关键帧；

将选取的每个关键帧输入卷积神经网络来对行人外貌特征进行提取；

将提取的所有关键帧相对应的行人外貌特征融合为一个特征向量，进而构建出特征池；

提取特征池内的特征向量进行距离尺度算法学习，使得同一行人特征之间的距离减小，而不同行人特征之间的距离增加，然后将距离尺度算法学习后的特征向量进行匹配与排序，从而实现行人的再次识别。

进一步的，选取行人步态的周期曲线中4个关键帧。

当每个行人步态的周期曲线上选取4个具有代表性的若干关键帧时，行人识别率最高；增加再多的关键帧，并不会对结果有明显的提高，反而会增加数据处理时间，降低数据处理效率。

进一步的，将提取的所有关键帧相对应的行人外貌特征融合为一个特征向量的过程中，通过提取每个关键帧中的最大值来将每帧中的显著特征提取并融合。

本发明将多帧的特征融合为一个向量特征，因此是“单一”的，融合过程中通过取每帧中的最大值来将每帧中的显著特征提取并整合，因此是“信息紧凑”的，这样能够避免信息干扰，提高行人识别的准确性及速度。

进一步的，在提取特征池内的特征向量进行距离尺度算法学习的过程中，通过计算一个行人的一组中每个特征向量到另一个行人的一组特征向量的最小距离，并取这些距离的平均值作为两个行人特征之间的距离。

本发明通过求取特征向量之间的距离，使得同一行人特征之间的距离减小，而不同行人特征之间的距离增加，实现了行人的再次识别，提高了行人识别的准确性。

本发明的第二目的是提供一种基于外貌特征紧凑表示的视频行人再识别系统。

本发明的一种基于外貌特征紧凑表示的视频行人再识别系统，包括：

关键帧选取模块，其用于提取行人视频中的光流曲线，进而得到行人步态的周期曲线，再根据步态周期进行随机选取行人步态的周期曲线中若干关键帧；

行人外貌特征提取模块，其用于将选取的每个关键帧输入卷积神经网络来对行人外貌特征进行提取；

特征池构建模块，其用于将提取的所有关键帧相对应的行人外貌特征融合为一个特征向量，进而构建出特征池；

距离尺度算法学习模块，其用于提取特征池内的特征向量进行距离尺度算法学习，使得同一行人特征之间的距离减小，而不同行人特征之间的距离增加，然后将距离尺度算法学习后的特征向量进行匹配与排序，从而实现行人的再次识别。