[发明专利]一种基于颜色特征的目标再识别方法

说明书

本发明公开了一种基于颜色特征的目标再识别方法，涉及图像识别和视频监控技术领域。本发明首先对不同传感器图像进行目标识别处理，确定出目标的位置及大小，截取出目标图片；然后将目标图片转换到HSV颜色空间，统计颜色直方图，对直方图进行变换，形成128维目标颜色特征向量；最后，将不同传感器目标的特征向量存入目标数据库，采用相似性度量算法，在目标数据库中找出与待识别目标最相似的目标，完成对目标的再识别，实现对目标的持续识别追踪。本发明提高了目标特征稳定性，且特征数据量少，可用于不同摄像机对同一目标的识别和判定，在通讯带宽受限、目标数量较多的情况下，实现目标再识别的实时处理，且无需目标特征先验知识。

技术领域

本发明属于图像识别和视频监控技术领域，涉及一种基于颜色特征的目标再识别方法。

背景技术

目标再识别技术是指通过计算机视觉技术，检索不同摄像头中的同一目标。利用单一传感器对目标进行识别，容易受到景物遮挡和干扰，从而导致识别结果的可靠性降低。为充分利用多个传感器从不同视角拍摄图像的识别结果，需采用目标再识别技术，以判断不同图像中的目标是否属于同一目标。

近年来有许多学者开展了目标再识别方法的研究。行人再识别包括两个核心部分：1、特征提取与表达。从行人外观出发，提取鲁棒性强且具有较强区分性的特征表示向量，有效表达行人图像的特性；2、相似性度量。通过特征向量之间的相似度比对，判断行人的相似性。

根据采用的特征提取与表达方法的不同，行人再识别技术可分为人工设计特征和深度学习特征。2016年CVPR会议论文集1363-1372页刊登了一篇题为《HierarchicalGaussian descriptor for personre-identification》，该论文提出一种GOG(Gaussianof Gaussian)描述符，利用分层高斯算子将图像分为由多个高斯分布进行描述的人工设定区域来表示颜色和纹理信息，每种高斯分布代表一个小的图像块，每个图像块的特征组合起来得到行人图像的特征向量，用于识别。随着深度学习技术研究的不断深入，各种基于深度学习的行人再识别方法也被不断推出，并取得了良好效果。2016年第14届ECCV会议论文集868-884页刊登了一篇题为《MARS:a video benchmark forlarge-scale person re-identification》的论文。该论文以XQDA作为相似性度量方法,分别采用深度CNN特征和人工LOMO特征进行行人再识别，显著提高了平均匹配正确率。2018年北京旷世科技有限公司申请的发明专利《图像再识别网络训练方法、装置和图像再识别方法及装置》，专利号CN201810893815.5，采用生成对抗网络来生成训练图像，进一步提升图像再识别网络的精度。但上述方法均需要对大量的目标图像样本进行训练，由于人体结构和外部环境的复杂性，基于人工特征的方法在性能上还无法令人满意；基于深度学习的方法由于产生的目标特征数据量大，计算时间长，一般用于录像视频检索，并不适用于分布式系统的传输和实时处理。因此，要实现实时有效的多传感器目标再识别，必须研究和寻找更为稳定、有效、实时的技术途径。

发明内容

(一)发明目的

本发明的目的是：为多传感器视频监控提供一种基于颜色特征的目标再识别方法，即该方法对单一传感器的识别目标提取出目标颜色特征，然后在目标数据库中检索出与待识别目标最相似的目标，从而实现对目标的有效检索追踪。

(二)技术方案