[发明专利]社区监控场景下基于关键点特征对齐的行人重识别方法

权利要求书

1.一种社区监控场景下基于关键点特征对齐的行人重识别方法，其特征在于：包括以下步骤：

步骤1：提取来自于监控视频的行人图像数据，作为关键点特征点对齐模型的训练数据集；

步骤2：对训练集中的所有行人图像进行HSV直方图均衡化，并且经过两次下采样，以扩充原有训练集；

步骤3：对训练集中的所有行人图像标定其关键特征点，要求这些点能够以人体部位为单位形成轮廓；

步骤4：将标记好的训练集经由BF-ASM方法进行处理，生成针对该训练集的平均人体匹配模型；

步骤5：输入待检测行人图像，以步骤4中的平均人体匹配模型自动进行特征点标注，该模型能够调整其偏移量、角度、大小以标记待检测图像中的行人部位；

步骤6：将经过步骤5标记的待检测行人图像和经由步骤3标记的训练集图像按照特征点轮廓分为多个人体部位图像；

步骤7：对于每个图，使用SILTP方法对人体各部位图像进行处理；

步骤8：经由步骤7得到各部位图像所对应的特征值向量，并且将每个特征值向量融合为一个特征值向量，作为整个图像的全局特征表示；

步骤9：自定义全局特征向量的距离函数，该函数以度量学习的方式得出；

步骤10：将待检测行人图像的全局特征向量与训练集中的每个图像所对应的全局特征向量以步骤9中的距离函数进行距离计算，并且按照距离升序排序输出对比结果。

2.根据权利要求1所述的社区监控场景下基于关键点特征对齐的行人重识别方法，其特征在于：在所述步骤1中，还包括使用HSF直方图对整个训练数据集进行直方图均衡化，使行人轮廓对比度更强，减少复杂环境对行人识别所带来的影响。

3.根据权利要求1所述的社区监控场景下基于关键点特征对齐的行人重识别方法，其特征在于：在所述步骤2中，还包括经过两次池化操作，在不影响原训练集主要特征的情况下对图像进行成比例的压缩，以扩充原有的训练集；上述训练集包含了不同大小的图像，经过上述训练集建立的BF-ASM平均人体部位形状模型能够在不同大小的图像中正确并且准确地对关键人体部位特征进行标注。

4.根据权利要求1所述的社区监控场景下基于关键点特征对齐的行人重识别方法，其特征在于：在所述步骤4中，所述BF-ASM所产生的关键特征点能够在关键人体部位周围形成轮廓。

5.根据权利要求1所述的社区监控场景下基于关键点特征对齐的行人重识别方法，其特征在于：在所述步骤5中，还包括根据训练集的总体情况进行平均人体部位形状模型建模，该平均人体部位形状模型又称平均人体部位关键点对齐模型，该模型的每个关键点具有相应的纹理特征值；纹理特征值主要用于在新的未标记关键特征点的图像中，在上述模型对其进行自动标注的过程中，计算关键特征点的正确偏移方向，以使上述模型能够正确的对该行人图像进行关键特征点的对齐与标注。

6.根据权利要求1所述的社区监控场景下基于关键点特征对齐的行人重识别方法，其特征在于：在所述步骤7中，还包括在原有的局部特征切割与提取方法上通过使用SILTP方法使对于不同大小的部位特征提取保持较高的鲁棒性；并且，局部特征切割的方式基于BF-ASM方法中生成的平均人体部位形状模型，经过该模型自动标注并对齐后的关键点所成人体部位区域范围更加精细；另外精细化分布式SILTP方法中引入了各部位所对应的权重，令识别过程具有倾向性，使主要特征和全局特征的匹配更加精确；经过精细化分布式SILTP方法，每个图像包括待匹配图像得到一个全局特征的向量表示，通过适当的距离判断函数可对相似程度进行计算。

7.根据权利要求1所述的社区监控场景下基于关键点特征对齐的行人重识别方法，其特征在于：在所述步骤9中，还包括运用度量学习的原理，将相同行人的全局特征对和不同行人的局部特征对进行分组，分别称集合S与集合D；将集合S与集合D迭代至马氏距离函数并进行训练，以集合S中每个特征对的平均距离为目标函数进行最小化，从而得到适当的马氏距离函数表示；该距离函数使行人识别的区分效果更加明显；经由该距离函数，在待匹配行人图像与训练集图像之间进行距离计算，并且按照距离升序输出匹配结果，具有最小距离的匹配结果所对应的训练集图像即为最相似的行人图像。