專利名稱:不同場景對人體圖像再識(shí)別的方法
技術(shù)領(lǐng)域:
本發(fā)明涉及視頻監(jiān)控領(lǐng)域,具體而言,涉及ー種不同場景對人體圖像再識(shí)別的方法。
背景技術(shù):
目前對視頻圖像中的人體識(shí)別技木,在識(shí)別過程中,同樣的識(shí)別算法在不同的識(shí)別環(huán)境下,會(huì)有不同的識(shí)別結(jié)果。由于視頻識(shí)別技術(shù),只能識(shí)別出視頻中的人體圖像,不能對人體圖像的個(gè)體進(jìn)行確認(rèn),上述不同環(huán)境下,又會(huì)有不同的識(shí)別結(jié)果,從而導(dǎo)致不能區(qū)分出每個(gè)人體圖像的移動(dòng)軌跡,不能確定當(dāng)前視頻中的人體圖像的身份。
發(fā)明內(nèi)容
本發(fā)明g在提供ー種不同場景對人體圖像再識(shí)別的方法,以解決不能對人體圖像的個(gè)體進(jìn)行確認(rèn)的問題。在本發(fā)明的實(shí)施例中,提供了ー種不同場景對人體圖像再識(shí)別的方法,包括檢測出視頻圖像中的人體圖像;將所述人體圖像分割為多個(gè)區(qū)域;確定每個(gè)所述區(qū)域的特征向量,結(jié)合在不同場景下,為每個(gè)區(qū)域設(shè)置的權(quán)重,將多個(gè)特征向量與預(yù)先采集的數(shù)據(jù)庫中的多個(gè)基準(zhǔn)向量進(jìn)行匹配;將所述數(shù)據(jù)庫中匹配成功的人體圖像作為識(shí)別結(jié)果。通過上述的步驟,可在數(shù)據(jù)庫中確定出人體圖像,將確定出的人體圖像身份作為檢測到的人體圖像的身份。從而可在視頻中掌握每個(gè)人體圖像對應(yīng)的人的活動(dòng)范圍。由于結(jié)合了不同場景的權(quán)重,増加了識(shí)別的準(zhǔn)確率。
此處所說明的附圖用來提供對本發(fā)明的進(jìn)ー步理解,構(gòu)成本申請的一部分,本發(fā)明的示意性實(shí)施例及其說明用于解釋本發(fā)明,并不構(gòu)成對本發(fā)明的不當(dāng)限定。在附圖中圖1示出了實(shí)施例的流程具體實(shí)施例方式下面將參考附圖并結(jié)合實(shí)施例,來詳細(xì)說明本發(fā)明。參見圖1,實(shí)施例的步驟包括Sll 檢測出視頻圖像中的人體圖像;S12 :將所述人體圖像分割為多個(gè)區(qū)域;S13:確定每個(gè)所述區(qū)域的特征向量,結(jié)合在不同場景下,為每個(gè)區(qū)域設(shè)置的權(quán)重,將多個(gè)特征向量與預(yù)先采集的數(shù)據(jù)庫中的多個(gè)基準(zhǔn)向量進(jìn)行匹配;S14 :將所述數(shù)據(jù)庫中匹配成功的人體圖像作為識(shí)別結(jié)果。通過上述的步驟,可在數(shù)據(jù)庫中確定出人體圖像,將確定出的人體圖像身份作為檢測到的人體圖像的身份。從而可在視頻中掌握每個(gè)人體圖像對應(yīng)的人及活動(dòng)范圍。由于結(jié)合了不同場景的權(quán)重,増加了識(shí)別的準(zhǔn)確率。優(yōu)選地,實(shí)施例中,所述人體圖像分割的區(qū)域?yàn)轭^部、上半身、和下半身;所述不同的場景包括室內(nèi)和室外;所述不同場景為室內(nèi),頭部、上半身、和下半身區(qū)域的權(quán)重之比為1:1:2;所述不同場景為室外,頭部、上半身、和下半身區(qū)域的權(quán)重之比為2:3:3。由于區(qū)分了場景,在室內(nèi)、室外光線變化不同,權(quán)重比例也不同,更有針對性,顯著提高了識(shí)別結(jié)果的正確率。優(yōu)選地,實(shí)施例中,檢測人體圖像的步驟包括使用高斯背景建模法在視頻中檢測運(yùn)動(dòng)區(qū)域。為了消除噪聲,使用腐蝕和膨脹算法對檢測到的前景圖進(jìn)行過濾。將前景圖片所在區(qū)域圈定出來,作為人體檢測的范圍。在檢測到的運(yùn)動(dòng)區(qū)域內(nèi),使用基于方向梯度直方圖(HOG)和帶有隱含參數(shù)的支持向量機(jī)(latent SVM)的物體檢測方法,在不同尺度上對視頻中的人體圖像進(jìn)行檢測。優(yōu)選地,實(shí)施例中,對圖像進(jìn)行分割時(shí),可采用分水嶺算法對圖像進(jìn)行分割。在圖像中,選取灰度值為局部極小值的點(diǎn)作為分水嶺算法的種子,對圖像的灰度信息使用分水嶺算法,將圖片分割為不同的區(qū)域。計(jì)算像素點(diǎn)的灰度的公式如下Y=0. 2999R+0. 5870G+0. 1140B分水嶺算法分割圖像分水嶺算法是根據(jù)圖像的灰度信息,對圖像進(jìn)行區(qū)域分割的ー種方法。首先將圖像中的所有像素點(diǎn)按照灰度值從小到大排序,將灰度值為局部極小值的點(diǎn)作為種子點(diǎn)。在每個(gè)種子點(diǎn)所在位置構(gòu)建區(qū)域。之后按照灰度值從小到大的順序逐個(gè)處理每ー個(gè)像素點(diǎn),將被處理的像素點(diǎn)加入與它相鄰的區(qū)域之中。當(dāng)所有像素點(diǎn)都被加入?yún)^(qū)域之后,就得到圖像的分割信息。分割的區(qū)域通常為人體圖像的上半身圖像,下半身圖像、和頭部,甚至還可以有腳部等。采用分水嶺算法具體實(shí)現(xiàn)方式如下M1M2, .... MR表示圖像g (x, y)的局部極小值點(diǎn)的坐標(biāo)的集合。R為正整數(shù)。C(Mi)表示與局部極小值Mi相聯(lián)系的匯水盆內(nèi)點(diǎn)的集合。T[n] = {(s, t) |g(s, t)〈n}表示位于平面g (x,y) =n下方的點(diǎn)的集合。S,t為坐標(biāo)點(diǎn)。Cn(Mi)=C(Mi) n T[n]表示第n階段匯水盆地被水淹沒部分的集合。Mi=MfMRQ表示T[n]中連續(xù)分量的集合。對每個(gè)連續(xù)分量q E有三種可能(a) q H C[n_l]為空(b) q n C[n-1]包含C[n_l]中的ー個(gè)連通分量。(c) q n C[n_l]包含C[n_l]多于一個(gè)連通分量。遇到新的最小值時(shí),符合條件(a),將q并入c[n_l],構(gòu)成c[n];Q位于某些局部最小值構(gòu)成的匯水盆地時(shí),符合條件(b),將q并入c[n_l]構(gòu)成c[n],當(dāng)遇到分離全部或部分匯水盆地吋,符合條件(c),在q建立水壩。水壩為兩個(gè)不同顔色的圖像的邊緣分界線。終止條件為n=max+l。max像素點(diǎn)的顏色取值區(qū)間,例如在灰度中,255為最高。優(yōu)選地,對分割后的圖像消除過度分割得到圖像分割信息之后,計(jì)算每個(gè)區(qū)域的平均灰度,將相鄰的區(qū)域的平均灰度進(jìn)行比較,當(dāng)差值不超過閾值5吋,將兩個(gè)區(qū)域合并為ー個(gè)。優(yōu)選地,實(shí)施例中,確定特征向量的過程包括將檢測到的圖像轉(zhuǎn)換為HSV格式,并提取顔色分布直方圖。從RGB顏色空間到HSV顏色空間的轉(zhuǎn)換,計(jì)算公式如下
權(quán)利要求
1.ー種不同場景對人體圖像再識(shí)別的方法,其特征在于,包括 檢測出視頻圖像中的人體圖像; 將所述人體圖像分割為多個(gè)區(qū)域; 確定每個(gè)所述區(qū)域的特征向量,結(jié)合在不同場景下,為每個(gè)區(qū)域設(shè)置的權(quán)重,將多個(gè)特征向量與預(yù)先采集的數(shù)據(jù)庫中的多個(gè)基準(zhǔn)向量進(jìn)行匹配; 將所述數(shù)據(jù)庫中匹配成功的人體圖像作為識(shí)別結(jié)果。
2.根據(jù)權(quán)利要求1所述的方法,其特征在于,所述分割過程包括 選擇人體圖像中局部最小值作為種子,采用分水嶺算法分割為多個(gè)區(qū)域。
3.根據(jù)權(quán)利要求2所述的方法,其特征在于,還包括 比較相鄰區(qū)域的顔色灰度,當(dāng)差值小于閾值時(shí),將所述相鄰區(qū)域合井。
4.根據(jù)權(quán)利要求2所述的方法,其特征在于,所述確定特征向量的過程包括 將所述區(qū)域的圖像轉(zhuǎn)換為HSV格式; 統(tǒng)計(jì)所述HSV格式的區(qū)域內(nèi)的各種顏色的像素?cái)?shù)量; 根據(jù)所述各種顏色的像素?cái)?shù)量確定與該區(qū)域?qū)?yīng)的一組特征向量。
5.根據(jù)權(quán)利要求4所述的方法,其特征在于,所述數(shù)據(jù)庫中的基準(zhǔn)向量由以下步驟確定 預(yù)先采集每個(gè)人體圖像的多幅視頻圖像; 通過所述多幅視頻圖像,確定出每個(gè)人體圖像的多個(gè)區(qū)域、以及與每個(gè)區(qū)域?qū)?yīng)的一組特征向量,作為該區(qū)域?qū)?yīng)的基準(zhǔn)向量; 所述匹配過程包括 運(yùn)算各個(gè)所述區(qū)域?qū)?yīng)的各個(gè)特征向量分別與所述數(shù)據(jù)庫中每個(gè)人體圖像的各個(gè)區(qū)域的基準(zhǔn)向量的距離; 對每個(gè)特征向量得到的多個(gè)距離排序,確定出兩個(gè)最小的距離dl和d2 ;其中,dl〈d2 ; 如果所述1. 5dl < d2,則確定該特征向量與用于運(yùn)算所述dl的基準(zhǔn)向量相匹配。
6.根據(jù)權(quán)利要求5所述的方法,其特征在干, 確定與每個(gè)所述特征向量距離最近的基準(zhǔn)向量的所在區(qū)域?qū)?yīng)的人體圖像,并統(tǒng)計(jì)對應(yīng)每個(gè)人體圖像的各個(gè)區(qū)域的基準(zhǔn)向量被匹配的次數(shù)的總和; 找出被確定的次數(shù)總和唯一、且最高的值的人體圖像的標(biāo)簽或ID,作為所述匹配成功的人體圖像。
7.根據(jù)權(quán)利要求5所述的方法,其特征在于,還包括采用以下歐式距離公式運(yùn)算所述距離;
8.根據(jù)權(quán)利要求6所述的方法,其特征在于,還包括如果沒有匹配成功,則將所述檢測出的人體圖像的各個(gè)區(qū)域的特征向量作為新的基準(zhǔn)向量加入到所述數(shù)據(jù)庫。
9.根據(jù)權(quán)利要求1所述的方法,其特征在于,還包括 在當(dāng)前幀圖像和之前的視頻圖像中,采用最小的帶顏色框體框住所述檢測到的該人體圖像。
10.根據(jù)權(quán)利要求1所述的方法,其特征在干, 所述人體圖像分割的區(qū)域?yàn)轭^部、上半身、和下半身 所述不同的場景包括室內(nèi)和室外; 所述不同場景為室內(nèi),各個(gè)區(qū)域的權(quán)重之比為1: 1:2 ; 所述不同場景為室外,各個(gè)區(qū)域的權(quán)重之比為2:3:3。
全文摘要
本發(fā)明提供了一種不同場景對人體圖像再識(shí)別的方法,包括檢測出視頻圖像中的人體圖像;將所述人體圖像分割為多個(gè)區(qū)域;確定每個(gè)所述區(qū)域的特征向量,結(jié)合在不同場景下,為每個(gè)區(qū)域設(shè)置的權(quán)重,將多個(gè)特征向量與預(yù)先采集的數(shù)據(jù)庫中的多個(gè)基準(zhǔn)向量進(jìn)行匹配;將所述數(shù)據(jù)庫中匹配成功的人體圖像作為識(shí)別結(jié)果。通過上述的步驟,可在數(shù)據(jù)庫中確定出人體圖像,將確定出的人體圖像的標(biāo)簽或ID作為檢測到的人體圖像。從而可在視頻中掌握每個(gè)人體圖像的活動(dòng)范圍。
文檔編號(hào)G06K9/00GK103065126SQ20121058777
公開日2013年4月24日 申請日期2012年12月30日 優(yōu)先權(quán)日2012年12月30日
發(fā)明者劉忠軒, 楊宇 申請人:信幀電子技術(shù)(北京)有限公司