專利名稱：在柵格遮擋下的人體再識別方法
技術領域：
本發(fā)明涉及視頻監(jiān)控領域，具體而言，涉及一種在柵格遮擋下的人體再識別方法。
背景技術：
目前對視頻圖像中的人體識別技術，在識別過程中，由于周圍的環(huán)境造成對人體的遮擋，導致影響識別結果，例如，拍攝的安防區(qū)域存在柵欄等遮擋物，在拍攝的人體圖像上形成如柵格狀的遮擋?，F(xiàn)有視頻識別技術，只能識別出視頻中的人體圖像，不能對人體圖像的個體進行確認，上述環(huán)境下，拍攝的圖像又會造成對人體圖像的柵格遮擋物，造成不同的識別結果，從而導致不能區(qū)分出每個人體圖像的移動軌跡，不能確定當前視頻中的人體圖像的身份。

發(fā)明內容
本發(fā)明旨在提供一種在柵格遮擋下的人體再識別方法，以解決不能對人體圖像的個體進行確認的問題。在本發(fā)明的實施例中，提供了一種在柵格遮擋下的人體再識別方法，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區(qū)域；將分割后的多個區(qū)域中，去除柵格障礙物所在的區(qū)域；確定每個所述區(qū)域的特征向量，將多個特征向量與預先采集的數(shù)據(jù)庫中的多個基準向量進行匹配；將所述數(shù)據(jù)庫中匹配成功的人體圖像作為識別結果。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人體圖像對應的人的活動范圍。由于檢測過程中消除了障礙物形成的遮擋區(qū)域，增加了識別的準確率。


此處所說明的附圖用來提供對本發(fā)明的進一步理解，構成本申請的一部分，本發(fā)明的示意性實施例及其說明用于解釋本發(fā)明，并不構成對本發(fā)明的不當限定。在附圖中圖1示出了實施例的流程具體實施例方式下面將參考附圖并結合實施例，來詳細說明本發(fā)明。參見圖1，實施例的步驟包括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區(qū)域；S13 :將分割后的多個區(qū)域中，去除柵格障礙物所在的區(qū)域；S14:確定每個所述區(qū)域的特征向量，將多個特征向量與預先采集的數(shù)據(jù)庫中的多個基準向量進行匹配；S15 :將所述數(shù)據(jù)庫中匹配成功的人體圖像作為識別結果。
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人體圖像對應的人及活動范圍。由于檢測過程中消除了障礙物形成的遮擋區(qū)域，增加了識別的準確率。優(yōu)選地，實施例中，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動區(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。在檢測到的運動區(qū)域內，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(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行檢測。優(yōu)選地，實施例中，對圖像進行分割時，可采用分水嶺算法對圖像進行分割。在圖像中，選取灰度值為局部極小值的點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。計算像素點的灰度的公式如下Y=(X 2999R+0. 5870G+0. 1140Β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，對圖像進行區(qū)域分割的一種方法。首先將圖像中的所有像素點按照灰度值從小到大排序，將灰度值為局部極小值的點作為種子點。在每個種子點所在位置構建區(qū)域。之后按照灰度值從小到大的順序逐個處理每一個像素點，將被處理的像素點加入與它相鄰的區(qū)域之中。當所有像素點都被加入?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現(xiàn)方式如下11現(xiàn)2，....1 表示圖像8 (x，y)的局部極小值點的坐標的集合。R為正整數(shù)。C(Mi)表示與局部 極小值Mi相聯(lián)系的匯水盆內點的集合。T[n] = {(s, t) |g(s, t)〈η}表示位于平面g (x, y) =n下方的點的集合。S,t為坐標點。Cn(Mi)=C(Mi) H T[η]表示第η階段匯水盆地被水淹沒部分的集合。Mi=MfMRQ表示T [η]中連續(xù)分量的集合。對每個連續(xù)分量q e有三種可能(a) q H C[n_l]為空(b) q Π C[n-1]包含C[n_l]中的一個連通分量。(c) q H C[n-1]包含C[n_l]多于一個連通分量。遇到新的最小值時,符合條件(a),將q并入c[η-l],構成c[n];Q位于某些局部最小值構成的匯水盆地時，符合條件(b)，將q并入c[n_l]構成c[η],當遇到分離全部或部分匯水盆地時，符合條件(c)，在q建立水壩。水壩為兩個不同顏色的圖像的邊緣分界線。終止條件為n=max+l。max像素點的顏色取值區(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，計算每個區(qū)域的平均灰度，將相鄰的區(qū)域的平均灰度進行比較，當差值不超過閾值5時，將兩個區(qū)域合并為一個。優(yōu)選地，實施例中，確定特征向量的過程包括將檢測到的圖像轉換為HSV格式，并提取顏色分布直方圖。從RGB顏色空間到HSV顏色空間的轉換，計算公式如下
權利要求
1.一種在柵格遮擋下的人體再識別方法，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區(qū)域； 將分割后的多個區(qū)域中，去除柵格障礙物所在的區(qū)域； 確定每個所述區(qū)域的特征向量，將多個特征向量與預先采集的數(shù)據(jù)庫中的多個基準向量進行匹配； 將所述數(shù)據(jù)庫中匹配成功的人體圖像作為識別結果。
2.根據(jù)權利要求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區(qū)域。
3.根據(jù)權利要求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，當差值小于閾值時，將所述相鄰區(qū)域合井。
4.根據(jù)權利要求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)域的圖像轉換為HSV格式； 統(tǒng)計所述HSV格式的區(qū)域內的各種顏色的像素數(shù)量； 根據(jù)所述各種顏色的像素數(shù)量確定與該區(qū)域對應的一組特征向量。
5.根據(jù)權利要求4所述的方法，其特征在于，所述數(shù)據(jù)庫中的基準向量由以下步驟確定 預先采集每個人體圖像的多幅視頻圖像； 通過所述多幅視頻圖像，確定出每個人體圖像的多個區(qū)域、以及與每個區(qū)域對應的一組特征向量，作為該區(qū)域對應的基準向量； 所述匹配過程包括 運算各個所述區(qū)域對應的各個特征向量分別與所述數(shù)據(jù)庫中每個人體圖像的各個區(qū)域的基準向量的距離； 對每個特征向量得到的多個距離排序，確定出兩個最小的距離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算所述dl的基準向量相匹配。
6.根據(jù)權利要求5所述的方法，其特征在干， 確定與每個所述特征向量距離最近的基準向量的所在區(qū)域對應的人體圖像，并統(tǒng)計對應每個人體圖像的各個區(qū)域的基準向量被匹配的次數(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簽或ID，作為所述匹配成功的人體圖像。
7.根據(jù)權利要求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算所述距離；
8.根據(jù)權利要求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區(qū)域的特征向量作為新的基準向量加入到所述數(shù)據(jù)庫。
9.根據(jù)權利要求1所述的方法，其特征在于，還包括 在當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。
全文摘要
本發(fā)明提供了一種在柵格遮擋下的人體再識別方法，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區(qū)域；將分割后的多個區(qū)域中，去除柵格障礙物所在的區(qū)域；確定每個所述區(qū)域的特征向量，將多個特征向量與預先采集的數(shù)據(jù)庫中的多個基準向量進行匹配；將所述數(shù)據(jù)庫中匹配成功的人體圖像作為識別結果。通過上述的步驟，檢測過程中消除了障礙物形成的遮擋區(qū)域，可準確的在數(shù)據(jù)庫中確定出人體圖像，將確定出的人體圖像的標簽或ID作為檢測到的人體圖像。從而可在視頻中掌握每個人體圖像的活動范圍。
文檔編號G06K9/00GK103049749SQ201210592918
公開日2013年4月17日 申請日期2012年12月30日 優(yōu)先權日2012年12月30日
發(fā)明者劉忠軒, 楊宇 申請人:信幀電子技術(北京)有限公司