專利名稱：低分辨率視頻的服裝識別方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像信息處理技術(shù)領(lǐng)域，更具體的說，是涉及一種低分辨率視頻的服裝識別方法及系統(tǒng)。
背景技術(shù)：
隨著科技的不斷進(jìn)步，傳統(tǒng)的生物識別技術(shù)已經(jīng)難以滿足安全敏感場合(如部隊大院、武警大院等軍事管轄區(qū))的安全防護(hù)的要求。因此，提出了對能實(shí)現(xiàn)自動實(shí)時識別人物身份的智能視覺監(jiān)控系統(tǒng)的需求，近年來非接觸式遠(yuǎn)距離的人物身份識別技術(shù)備受研究人員的廣泛關(guān)注，也得到了相應(yīng)的發(fā)展。當(dāng)前，主要在多模式、大范圍的視覺監(jiān)控技術(shù)實(shí)現(xiàn)遠(yuǎn)距離的人員檢測、分類與識別技術(shù)方面進(jìn)行相關(guān)研究。具體包括“基于步態(tài)的身份識別”和“基于人臉識別基礎(chǔ)的身份識另IJ”的兩種方式。其中，由于針對基于步態(tài)的遠(yuǎn)距離人員身份識別，需要建立豐富的步態(tài)知識庫。因此，無法滿足在人員數(shù)量大又有制服區(qū)分的場合，實(shí)現(xiàn)非接觸式遠(yuǎn)距離的人物身份識別的要求?；谌四樧R別基礎(chǔ)的身份識別，主要采用多級檢測體系，大致分為四級人臉檢測、軍裝區(qū)域檢測、飾物檢測及領(lǐng)花識別，并在執(zhí)行每一級的過程中過濾掉大量無關(guān)數(shù)據(jù)， 以提高檢測精度和效率。其具體識別過程如圖1所示，在人臉檢測后得到的人臉數(shù)據(jù)為下一級執(zhí)行軍裝區(qū)域檢測服務(wù)；在軍裝區(qū)域檢測后得到的軍裝區(qū)域掩碼為下一級飾物及領(lǐng)花檢測服務(wù)。在現(xiàn)有技術(shù)上述基于人臉識別基礎(chǔ)的身份識別過程中所進(jìn)行的服裝識別，需要先進(jìn)行人臉識別，然后再根據(jù)飾物領(lǐng)花特征進(jìn)行軍裝識別。但是，在進(jìn)行人臉識別和軍裝的識另IJ，要求高分辨率、背景效果好的圖像，如針對低分辨率圖像，識別準(zhǔn)確率將降低且漏檢率高。而且該方法適用于圖像，而非視頻進(jìn)行服裝識別，因此無法滿足或無法適應(yīng)視頻乃至低分辨率視頻中的服裝識別。

發(fā)明內(nèi)容
有鑒于此，本發(fā)明提供了一種低分辨率視頻的服裝識別方法及系統(tǒng)，以克服采用現(xiàn)有技術(shù)中基于人臉識別的方法，無法實(shí)現(xiàn)低分辨率視頻中的人物服裝及身份識別的問題。為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案一種低分辨率視頻的服裝識別方法，包括確定接收到的視頻流中的當(dāng)前時間序列，提取所述視頻流中的前景圖像，從所述前景圖像中確定人體目標(biāo)，并提取所述人體目標(biāo)的輪廓信息；分解所述人體目標(biāo)的輪廓信息，依據(jù)預(yù)設(shè)服裝類別提取所述人體目標(biāo)的輪廓信息中各分塊對應(yīng)的服裝特征值；
將獲取到的各分塊的服裝特征值與預(yù)設(shè)服裝特征閾值進(jìn)行比較，識別當(dāng)前幀中各分塊的服裝類別；融合所述各分塊的服裝類別，并依據(jù)預(yù)存儲的服裝類別進(jìn)行投票判決，確定當(dāng)前時間序列中所述人體目標(biāo)的服裝類別；返回執(zhí)行確定所述視頻流中的當(dāng)前時間序列這一步驟，獲取所述視頻流中不同時間序列中各幀中同一人體目標(biāo)的服裝類別進(jìn)行融合，并依據(jù)預(yù)存儲的服裝類別進(jìn)行投票判決，確定所述運(yùn)動目標(biāo)的服裝類別。一種低分辨率視頻的服裝識別系統(tǒng)，包括提取裝置，用于確定接收到的視頻流中的當(dāng)前時間序列，以及提取所述視頻流時間序列的前景圖像，從所述前景圖像中確定人體目標(biāo)，并提取所述人體目標(biāo)的輪廓信息；分解裝置，用于分解所述人體目標(biāo)的輪廓信息，依據(jù)預(yù)設(shè)服裝類別提取所述人體目標(biāo)的輪廓信息中各分塊對應(yīng)的服裝特征值；比較識別裝置，用于將獲取到的各分塊的服裝特征值與預(yù)設(shè)服裝特征閾值進(jìn)行比較，識別當(dāng)前幀中各分塊的服裝類別；融合裝置，用于融合所述視頻流中同一時間序列或不同時間序列中各幀所述各分塊的服裝類別；判決裝置，用于依據(jù)預(yù)存儲的服裝類別進(jìn)行投票判決，確定當(dāng)前時間序列中所述人體目標(biāo)的服裝類別；以及不同時間序列各幀中同一人體目標(biāo)的服裝類別進(jìn)行融合后，所述人體目標(biāo)的服裝類別的判決。經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明公開了一種低分辨率視頻的服裝識別方法及系統(tǒng)。基于時空分類器融合技術(shù)，首先，提取獲取到的視頻流中的前景圖像，以及提取運(yùn)動的人體的輪廓信息；然后，依據(jù)提取的輪廓信息進(jìn)行運(yùn)動人體目標(biāo)的識別；通過對視頻幀中同一幀圖像內(nèi)同一人體目標(biāo)的不同分塊，分別進(jìn)行多點(diǎn)特征識別進(jìn)行處理，并對識別結(jié)果進(jìn)行投票判決；最后根據(jù)視頻流內(nèi)多幀圖像中同一人體目標(biāo)的判決結(jié)果進(jìn)行投票判決，最終確定該人體目標(biāo)的服裝類別。通過上述本發(fā)明基于時空分類器融合技術(shù)，根據(jù)背景模型進(jìn)行運(yùn)動人體目標(biāo)識別的方法對算法進(jìn)行預(yù)處理，能夠排除視頻背景中與識別目標(biāo)顏色相近的物體，降低干擾。同時綜合考慮多個服裝特征，基于運(yùn)動檢測、人體識別和服裝識別，對同一人體目標(biāo)多個視頻幀中的服裝特征判決的結(jié)果，最終確定該運(yùn)動目標(biāo)的服裝類別，從而實(shí)現(xiàn)高效率、高質(zhì)量，高準(zhǔn)確度的身份及服裝識別目的。


為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。圖1為現(xiàn)有技術(shù)公開的一種基于人臉識別的身份識別的方法流程圖；圖2為本發(fā)明實(shí)施例公開的一種低分辨率視頻的服裝識別方法的流程圖；圖3為本發(fā)明實(shí)施例公開的提取前景圖像的流程圖；圖如 圖如為本發(fā)明實(shí)施例公開人體目標(biāo)的識別流程中的效果圖5為本發(fā)明實(shí)施例公開的進(jìn)行多種特征信息提取的流程圖；圖6為本發(fā)明實(shí)施例公開的進(jìn)行多特征弱分類器融合的流程圖；圖7為本發(fā)明實(shí)施例公開的最終完成低分辨率視頻中服裝識別處理的效果圖；圖8為本發(fā)明實(shí)施例公開的一種低分辨率視頻的服裝識別系統(tǒng)的框架圖。
具體實(shí)施例方式下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。本發(fā)明以下實(shí)施例公開了一種低分辨率視頻的服裝識別方法和系統(tǒng)，基于時空分類器融合技術(shù)，能夠?qū)Ω鞣N制服、普通服裝、迷彩服等進(jìn)行識別分類，并采用高效率、高質(zhì)量、且可靠準(zhǔn)確的方式實(shí)現(xiàn)最終的人物身份信息的識別。具體過程通過以下實(shí)施例進(jìn)行詳細(xì)說明。實(shí)施例一請參閱附圖2，為本發(fā)明公開的一種低分辨率視頻的服裝識別方法的流程圖，主要包括以下步驟步驟S101，提取接收到的視頻流中的前景圖像。請參見附圖3，執(zhí)行步驟SlOl的具體過程為步驟S1011，將視頻流讀取至計算機(jī)或相關(guān)可進(jìn)行分析的設(shè)備中，分解獲取到的視頻流，按照時間序列得到多個單幀視頻序列。步驟S1012，獲取多個所述單幀視頻序列對應(yīng)的前景圖像。針對該步驟S1012中獲取一個單幀視頻序列對應(yīng)的前景圖像的過程為首先，根據(jù)視頻序列的內(nèi)容，對視頻進(jìn)行背景建模；其次，確定當(dāng)前單幀視頻序列和當(dāng)前背景幀；其次，依據(jù)當(dāng)前幀視頻序列與背景幀之間的差值，確定所述當(dāng)前單幀視頻序列對應(yīng)的前景圖像；最后，為保證下一幀中的背景幀的準(zhǔn)確，根據(jù)當(dāng)前單幀視頻序列更新背景幀，該更新過程為實(shí)時更新。需要說明的是，上述所確定的當(dāng)前背景幀，其確定的過程為采用單高斯或混合高斯方法實(shí)現(xiàn)的背景建模。并進(jìn)一步的采用幀差原理依據(jù)當(dāng)前單幀視頻序列與背景幀的差值獲取對應(yīng)的前景圖像。上述對視頻進(jìn)行背景建?？梢圆捎脝胃咚?、混合高斯、Kernel-based, Eigen-Backgroimd等方法。在本發(fā)明所公開的該實(shí)施例中采用混合高斯的方法進(jìn)行背景建模，即獲取背景幀，該混合高斯模型的定義為
K P(xN) = Σ。"(x; Ij1 ； Σ ))( 1 )
；=1其中，Wj是第j個高斯核權(quán)重；K為高斯核個數(shù)；η (X ； μ」；Σ j)是中值為μ」、方差為Σ j的第j個高斯分布。上述⑴式表示為在N時刻，每個像素?fù)碛衳N的概率P (Xn)被K個高斯混合所描述，以便于用于視頻流中的背景建模。采用上述過程對運(yùn)動物體的前景圖像進(jìn)行提取，即通過視頻圖像與背景圖像相減實(shí)現(xiàn)前景圖像的提取，即采用幀差的方式可以提高前景圖像提取的效果，進(jìn)而獲得較為準(zhǔn)確的運(yùn)動目標(biāo)的前景圖像，即輪廓前景圖像。此外，為了消除在提取前景圖像的過程中噪聲和空洞等因素的影響，采用濾波方法去除噪聲；采用數(shù)學(xué)形態(tài)學(xué)方法去除空洞，從而得到效果更好的運(yùn)動目標(biāo)的前景圖像。執(zhí)行上述過程后的效果圖如圖如 圖4c所示，其中，圖如為視頻圖像；圖4b為背景圖像(背景幀)；圖4c為當(dāng)前運(yùn)動目標(biāo)對應(yīng)的前景圖像。步驟S102，確定所述視頻流中的當(dāng)前時間序列，從所述前景圖像中確定運(yùn)動目標(biāo)， 并提取運(yùn)動人體目標(biāo)的輪廓信息。其中人體目標(biāo)一般情況下指運(yùn)動的人體，即當(dāng)前時間序列中出現(xiàn)在前景圖像中的人體。在執(zhí)行步驟S102的過程中獲取的輪廓信息基于人體目標(biāo)的輪廓寬度和輪廓高度確定。且具體提取人體目標(biāo)的輪廓信息的過程為首先，從所述前景圖像中提取運(yùn)動物體的特征，按照運(yùn)動物體的寬度和高度的比例進(jìn)行分析，識別運(yùn)動的人體；然后，分析獲取所述人體的輪廓信息。更具體的說明為根據(jù)平面幾何知識提取運(yùn)動物體的輪廓特征。將每個運(yùn)動物體的輪廓最左邊的點(diǎn)和最右邊的點(diǎn)之間的距離作為物體的寬度；將最上面的點(diǎn)與最下面的點(diǎn)之間的距離作為運(yùn)動物體的高度。計算運(yùn)動物體的長寬比，并將獲取到的各個運(yùn)動物體的長寬比與常規(guī)人體的肩寬、身高比例的閾值進(jìn)行對比，排除車輛等其他運(yùn)動物體，確定運(yùn)動目標(biāo)，即運(yùn)動人體，并從中提取運(yùn)動人體的輪廓信息。采用上述步驟SlOl和步驟S102中前景圖像的提取方法，以及識別前景圖像中的運(yùn)動目標(biāo)的方式，以及針對運(yùn)動目標(biāo)的預(yù)處理(設(shè)置常規(guī)人體的肩寬、身高比例的閾值)， 能夠有效的克服樹木、建筑物等物體對識別結(jié)果的影響，以及降低運(yùn)動物體中非運(yùn)動人體對識別運(yùn)動人體的干擾。步驟S103，分解所述人體目標(biāo)的輪廓信息，依據(jù)預(yù)設(shè)服裝類別提取所述人體目標(biāo)的輪廓信息中各分塊對應(yīng)的服裝特征值。步驟S104，將獲取到的各分塊的服裝特征值與預(yù)設(shè)服裝特征閾值進(jìn)行比較，識別當(dāng)前幀中各分塊的服裝類別。步驟S105，融合所述各分塊的服裝類別，并依據(jù)預(yù)存儲的服裝類別進(jìn)行投票判決， 確定當(dāng)前時間序列中所述人體目標(biāo)的服裝類別。其中，針對上述各個分塊的多種特征信息提取、融合以及識別的過程。多種特征信息提取具體針對步驟S103，請參見附圖5，主要包括以下步驟步驟S1031，分解所述人體的輪廓信息，按照人體生物特征對人體進(jìn)行分塊。步驟S1032，進(jìn)行特征值訓(xùn)練，依據(jù)預(yù)設(shè)服裝類別進(jìn)行對應(yīng)的服裝特征值的計算。步驟S1033，提取所述人體的輪廓信息中各分塊對應(yīng)的服裝特征值。識別當(dāng)前幀中各分塊的服裝類別針對步驟S104，識別和確定當(dāng)前時間序列中所述人體目標(biāo)的服裝類別則針對步驟S105，且對各個分塊的多種特征信息的融合也針對步驟 S105。針對上述步驟S103至步驟S105執(zhí)行確定的運(yùn)動人體目標(biāo)的服裝類別的過程，也可以具體為首先，根據(jù)執(zhí)行步驟S102獲取的人體目標(biāo)，確定其中一個人體目標(biāo)。分解確定的人體目標(biāo)的輪廓信息，即對同一個人體進(jìn)行分塊，如將該人體按照人體特征分為胳膊、上衣、褲子等部分進(jìn)行分塊(如步驟S1031)；然后，進(jìn)行各個分塊中的服裝特征值的計算和提?。辉賹Σ煌謮K服裝類別進(jìn)行識別，并將各個分塊的服裝類別進(jìn)行融合。即基于時空分類器融合技術(shù)實(shí)現(xiàn)該融合；最后通過大數(shù)判決進(jìn)行投票判決，確定當(dāng)前時間序列中所述人體目標(biāo)的服裝類別。上述過程可簡單記載為針對視頻流中同一幀圖像中，同一個人體目標(biāo)不同分塊的服裝類別，利用圖像空間相關(guān)性，對多塊識別結(jié)果進(jìn)行投票判決，運(yùn)用大數(shù)判決對同一人體的多個識別結(jié)果進(jìn)行融合匯總，得到服裝識別結(jié)果。另外，對于低分辨率視頻來說，任何一種特征都穩(wěn)定性都不高，因此，為保證對低分辨率視頻中的運(yùn)動目標(biāo)的服裝識別，在本發(fā)明中利用多個弱分類器融合級聯(lián)成對于單塊圖像穩(wěn)定的強(qiáng)分類器，以實(shí)現(xiàn)對分塊圖像進(jìn)行服裝識別。具體進(jìn)行多特征弱分類器融合的過程可參見附圖6。針對各分塊中對應(yīng)的服裝特征值，在本實(shí)施例中選取顏色和紋理特征作為分類特征進(jìn)行特征值的計算，該計算過程對應(yīng)圖5中的特征值計算部分。首先，針對不同類別服裝顏色和紋理特征及進(jìn)行訓(xùn)練，該訓(xùn)練可以離線進(jìn)行。選取數(shù)百個樣本，分別計算服裝顏色和紋理特征。即對每個識別出的分塊(人體區(qū)域)進(jìn)行色彩、灰度共生陣等特征值計算。其中，顏色特征計算，在分割樣本的巨型區(qū)域，將RGB顏色空間轉(zhuǎn)化為HSV顏色空間，HSV顏色系統(tǒng)更接近人類視覺感知。具體轉(zhuǎn)化方法如下Hl(2 )
0(R-G) + (R-B) D ^
2π - arccos ] ~. v 7 v ， ^,B > G^ =-max(^G^)--(3)F =(4)
255其中，R、G、B分別代表RGB顏色空間的顏色值，H、S、V分別代表HSV顏色空間中的
顏色值。利用上述公式(2)至公式(4)對于轉(zhuǎn)化后的圖片，拆分出H、S、V三通道。此外，通過統(tǒng)計不同類別服裝H、S、V值，可以確定預(yù)設(shè)服裝顏色特征閾值的取值范圍。紋理特征計算，對不同服裝樣本，選用灰度共生矩陣進(jìn)行紋理特征計算?；叶裙采仃嚬灿?5個特征值，在本發(fā)明所公開的該實(shí)施例中選用角二階矩、對比度、相關(guān)和熵四個統(tǒng)計效果較好的特征進(jìn)行計算。其中，角二階矩，又稱能量，具體用公式可以表示為ASM = YYjPirjf(5)
i J該角二階矩是影像紋理灰度變化均一的度量，用于反映影像灰度分布均勻程度和紋理粗細(xì)度。對比度CON為灰度共生矩陣主對角線附近的慣性矩，具體表示為
權(quán)利要求
1.一種低分辨率視頻的服裝識別方法，其特征在于，包括 提取接收到的視頻流中的前景圖像；確定所述視頻流中的當(dāng)前時間序列，從所述前景圖像中確定運(yùn)動目標(biāo)，識別人體目標(biāo)， 并提取所述人體目標(biāo)的輪廓信息；分解所述人體目標(biāo)的輪廓信息，依據(jù)預(yù)設(shè)服裝類別提取所述人體目標(biāo)的輪廓信息中各分塊對應(yīng)的服裝特征值；將獲取到的各分塊的服裝特征值與預(yù)設(shè)服裝特征閾值進(jìn)行比較，識別當(dāng)前幀中各分塊的服裝類別；融合所述各分塊的服裝類別，并依據(jù)預(yù)存儲的服裝類別進(jìn)行投票判決，確定當(dāng)前時間序列中所述人體目標(biāo)的服裝類別；返回執(zhí)行確定所述視頻流中的當(dāng)前時間序列這一步驟，獲取所述視頻流中不同時間序列中各幀中同一人體目標(biāo)的服裝類別進(jìn)行融合，并依據(jù)預(yù)存儲的服裝類別進(jìn)行投票判決， 確定所述運(yùn)動目標(biāo)的服裝類別。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，在接收所述前景圖像之后，從所述前景圖像中確定運(yùn)動目標(biāo)之前，還包括對獲取到的所述前景圖像進(jìn)行噪聲和空洞的去除操作。
3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，提取接收到的視頻流中的前景圖像， 具體過程包括分解獲取到的視頻流，按照時間序列得到多個單幀視頻序列； 獲取多個所述單幀視頻序列對應(yīng)的前景圖像。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，獲取多個所述單幀視頻序列對應(yīng)的前景圖像，具體過程包括根據(jù)前面若干幀視頻序列的內(nèi)容，對視頻進(jìn)行背景建模； 確定當(dāng)前單幀視頻序列和當(dāng)前背景幀；依據(jù)當(dāng)前單幀視頻序列與背景幀之間的差值，確定所述當(dāng)前單幀視頻序列對應(yīng)的前景圖像，并根據(jù)當(dāng)前幀視頻序列實(shí)時更新背景幀。
5.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，從所述前景圖像中確定人體目標(biāo)的具體過程包括從所述前景圖像中提取運(yùn)動物體的特征，分析獲取所述運(yùn)動物體的輪廓信息； 求解運(yùn)動物體長寬比，根據(jù)常規(guī)人體肩寬和身高比例設(shè)定閾值，識別人體目標(biāo)。
6.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，分解所述人體的輪廓信息，依據(jù)預(yù)設(shè)服裝類別提取所述人體的輪廓信息中各分塊對應(yīng)的服裝特征值，具體過程包括分解所述人體的輪廓信息，按照人體生物特征對人體進(jìn)行分塊； 進(jìn)行特征值訓(xùn)練，依據(jù)預(yù)設(shè)服裝類別進(jìn)行對應(yīng)的服裝特征值的計算； 提取所述人體的輪廓信息中各分塊對應(yīng)的服裝特征值。
7.根據(jù)權(quán)利要求4所述的方法，其特征在于，包括采用單高斯、混合高斯、 Kernel-based或Eigen-Background的方法建立當(dāng)前背景中貞。
8.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，包括利用對應(yīng)各分塊的服裝類別弱分類器融合所述各分塊的服裝類別，并將融合的結(jié)果形成強(qiáng)分類器。
9.一種低分辨率視頻的服裝識別系統(tǒng)，其特征在于，包括提取裝置，用于提取接收到的視頻流中的前景圖像，以及在確定所述視頻流中的當(dāng)前時間序列后，從所述前景圖像中確定人體目標(biāo)，并提取所述人體目標(biāo)的輪廓信息；分解裝置，用于分解所述人體目標(biāo)的輪廓信息，依據(jù)預(yù)設(shè)服裝類別提取所述人體目標(biāo)的輪廓信息中各分塊對應(yīng)的服裝特征值；比較識別裝置，用于將獲取到的各分塊的服裝特征值與預(yù)設(shè)服裝特征閾值進(jìn)行比較， 識別當(dāng)前幀中各分塊的服裝類別；融合裝置，用于融合所述視頻流中同一時間序列或不同時間序列中各幀所述各分塊的服裝類別；判決裝置，用于依據(jù)預(yù)存儲的服裝類別進(jìn)行投票判決，確定當(dāng)前時間序列中所述人體目標(biāo)的服裝類別；以及不同時間序列各幀中同一人體目標(biāo)的服裝類別進(jìn)行融合后，所述人體目標(biāo)的服裝類別的判決。
10.根據(jù)權(quán)利要求9所述的系統(tǒng)，其特征在于，還包括去除裝置，用于對獲取到的所述前景圖像進(jìn)行噪聲和空洞的去除操作。
全文摘要
本發(fā)明公開了一種低分辨率視頻的服裝識別方法及系統(tǒng)，其方法基于時空分類器融合技術(shù)。具體為提取視頻流中的前景圖像，及提取前景圖像中運(yùn)動物體的輪廓信息；依據(jù)提取的輪廓信息進(jìn)行運(yùn)動人體目標(biāo)的識別；通過對視頻流中同一幀圖像內(nèi)同一人體目標(biāo)的不同分塊進(jìn)行多點(diǎn)特征識別進(jìn)行處理，并對識別結(jié)果進(jìn)行投票判決；根據(jù)視頻流內(nèi)多幀圖像中同一人體目標(biāo)的判決結(jié)果進(jìn)行投票判決，最終確定該運(yùn)動人體目標(biāo)的服裝類別。通過本發(fā)明基于時空分類器融合技術(shù)公開的方法，基于運(yùn)動檢測、人體識別和服裝識別，對同一運(yùn)動目標(biāo)多個視頻幀的服裝特征進(jìn)行判決，最終確定該人體目標(biāo)的服裝類別和身份，從而實(shí)現(xiàn)高效率、高質(zhì)量，高準(zhǔn)確度的身份及服裝識別目的。
文檔編號G06T7/20GK102521565SQ20111037658
公開日2012年6月27日 申請日期2011年11月23日 優(yōu)先權(quán)日2011年11月23日
發(fā)明者張超, 李俐, 李響, 陳曉娟 申請人:浙江晨鷹科技有限公司