[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

说明书

本发明公开了一种低分辨率监视场景中具有遮挡的行人属性识别方法，首先利用度量学习去除行人图像中的遮挡物；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”；提取要识别的属性对应部分的每块图像的特征，并将每个特征表示为16‑bin直方图；最后将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。本发明分类效果更好，分类准确率更高。

技术领域

本发明属于行人的特征识别技术，具体为低分辨率监控场景中具有遮挡的行人属性识别方法。

背景技术

行人是监控场景中的最主要研究对象。识别行人的基本属性是有非常意义的。为了方便传统监控系统中的查询和检索任务，有必要人工地标记行人的基本属性，然后为感兴趣的行人输入属性标签。但是，在庞大的监控数据下，这种工作不能满足对行人属性标记的需要。通过计算机视觉技术在监控中自动标记行人属性是一种有效的方法。

行人属性识别方法是通过对输入图像的处理获取图像中行人属性的算法，本发明主要涉及图像采集，图像预处理，图像增强，属性提取，属性分类等算法步骤。其中图像增强和属性分类是两个关键问题。

目前在行人属性识别场景上已经有所研究，如Layne等人在“Person re-identification by attributes”中运用SVM算法对行人属性的识别，Deng 在等人在“Pedestrian attribute recognition at far distance”中引入行人数据库(PETA)对识别算法的优化。但他们都缺少对低分辨率图场景下的识别研究，所以在实际监控场景下运用存在一定局限。

另外，对行人的性别属性识别上也有所研究，如Sun等人利用遗传算法对人脸的部分特征点作为分类特征，通过构建人工神经网络作为识别的分类器；还有 Luo提出的局部二元模式(LBP)特征解决多角度人脸识别；Amit Jain利用独立分量分析(ICA)提取人脸特征，并结合SVM分类器识别。同样，他们未考虑在监控场景下的应用。

外观属性主要体现在对行人服装的理解上，也是行人属性识别的重要内容。通过对衣服外观的理解，可以提供语义属性，包括衣服的颜色，款式，是否戴眼镜，以及是否携带包装。近年来，许多研究人员通过对行人服装的理解，结合环境的背景信息，有效地认识到行人图像的基本外观。Gallagher和Chen等人提出了一种从一组图像中学习服装模型的算法来解决如何从图像中分割服装区域的问题。但是同样的，如果行人图像被遮挡，那么服装区域将更难分割。

发明内容

本发明的目的在于提出了一种低分辨率监控场景中具有遮挡的行人属性识别方法。

实现本发明的技术解决方案为：低分辨率监控场景中具有遮挡的行人属性识别方法，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；

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。

优选地，步骤1中利用度量学习对被遮挡的行人图像进行修复操作的具体步骤为：

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。