[发明专利]低分辨率监控场景中具有遮挡的行人属性识别方法

权利要求书

1.低分辨率监控场景中具有遮挡的行人属性识别方法，其特征在于，具体步骤为：

步骤1、利用度量学习对被遮挡的行人图像进行修复操作，去除行人图像中的遮挡物，具体步骤为：

步骤1-1、给定一个没被遮挡的信息完整的行人图像数据集P；

步骤1-2、给定被遮挡的行人图像I并标记图像I被遮挡部分，在行人图像数据集P中使用哈希算法找到与图像I未遮挡部位最相似的行人图像T，用行人图像T补全行人图像I被遮挡部分，具体步骤为：

步骤1-2-1、根据遮挡标记裁剪出行人图像I未遮挡部分I1；

步骤1-2-2、将图像未遮挡部分I1灰度化并归一化到N*N尺寸，记为图像G；

步骤1-2-3、计算图像G中所有像素的灰度平均值a，将图像G中每个像素点的灰度值与平均值a做比较，如果该像素点的灰度值大于平均值a，则将该像素点记为‘1’，如果该像素点的灰度值小于平均值a则记为‘0’，以此将未遮挡部分I1转化为01形式的字符串，记为未遮挡部分I1的Hash指纹；

步骤1-2-4、裁剪出数据集P中每幅图像中与图像未遮挡部分I1对应位置的图像构成图像集P1，并利用步骤1-2-2～步骤1-2-3的方法得到图像P1的Hash指纹；

步骤1-2-5、分别比较图像未遮挡部分I1的Hash指纹与图像集P1中每幅图像的Hash指纹的相似度大小，找出数据集P中与图像I最相似的行人图像T；

步骤2、对修复后的图像进行横向切割，将相应图像块分别标记为行人“头肩部分”、“上身部分”以及“下身部分”；

步骤3、确定要识别的属性，提取该属性对应部分的每块图像的特征，具体特征包括：颜色特征、LBP特征、Gabor滤波器特征、Schmid滤波器特征，并将每个特征表示为16-bin直方图；

步骤4、将步骤3中的16-bin直方图作为图像的特征向量，并将图像的特征向量输入训练好的SVM分类器得到识别结果。

2.根据权利要求1所述的低分辨率监控场景中具有遮挡的行人属性识别方法，其特征在于，步骤1-2-3中图像I的Hash指纹与数据集P中每幅图像的Hash指纹的相似度为“汉明距离”，所述“汉明距离”定义为比较的两个等长字符串中对应位置的不同字符的个数，个数越少则两幅图像越相似。

3.根据权利要求1所述的低分辨率监控场景中具有遮挡的行人属性识别方法，其特征在于，N的取值范围为8～12。

4.根据权利要求1所述的低分辨率监控场景中具有遮挡的行人属性识别方法，其特征在于，步骤3中要识别的属性与身体部分的对应关系未：属性“眼镜”和“头发”属于“头肩部分”；属性“V领”、“商标”和“背包”属于“上身部分”，属性“短裤”和“牛仔裤”属于“下身部分”，对于全局属性“男性”、“女性”属于整个行人图像。

5.根据权利要求1所述的低分辨率监控场景中具有遮挡的行人属性识别方法，其特征在于，步骤4中所述SVM分类器的核函数为直方图交叉核，该训练好的SVM分类器为使用未被遮挡的图像集相应属性的特征向量作为训练集进行训练得到的最优分类器。