本發(fā)明涉及一種目標檢索方法，具體地說涉及一種支持特征自定義的跨鏡頭目標檢索方法。本發(fā)明屬于模式識別和智能監(jiān)控領域，應用于跨攝像機視頻監(jiān)控網(wǎng)絡中特定目標的檢索。

背景技術：

隨著硬件成本的降低和網(wǎng)絡的普及，視頻監(jiān)控系統(tǒng)往往會采用多個視頻攝像頭監(jiān)控環(huán)境，并通過監(jiān)控人員的感知能力來觀察(發(fā)現(xiàn)和識別)監(jiān)控場景內(nèi)運動的目標。人工處理這些海量的數(shù)據(jù)，耗費巨大的人力和財力的同時，處理的效率十分低下且易因監(jiān)控人員疲勞疏忽而出錯。因此，通過快速自動地從海量的監(jiān)控視頻中定位、跟蹤和識別感興趣的運動目標，實現(xiàn)智能交通控制和導航、人流實時監(jiān)測、危險預警、可疑目標搜索等一些高級應用，逐漸成為計算機視覺領域中非常重要的研究課題。

如何讓監(jiān)控人員在能夠集中精力的數(shù)分鐘內(nèi)，高效地捕捉線索和可疑對象，這是一個高度面向應用的技術課題，由此，跨鏡頭目標檢索技術應運而生?？珑R頭目標檢索的顯著特性是可在很短時間內(nèi)從海量監(jiān)控視頻網(wǎng)絡中檢索查詢目標，可大大縮短查找原始視頻的時間，提高效率和人工識別的準確性。

基于內(nèi)容的圖像檢索是跨鏡頭目標檢索的技術基礎，而圖像內(nèi)容是通過圖像特征來描述的。圖像特征是反映圖像內(nèi)容的低層視覺特征，如顏色、紋理，或經(jīng)過適當處理后得到的邊、角、線、顏色區(qū)、形狀、輪廓和圖像中對象的空間關系等。在跨鏡頭目標檢索中，由于圖像采集的環(huán)境不同，圖像的質(zhì)量、光照條件、拍攝角度等都會有較大的區(qū)別，同一個行人或機動車在不同攝像機下或不同時間內(nèi)，外觀上會有很大的不同，造成我們用來匹配識別的特征非常不穩(wěn)定，因此，目前大多現(xiàn)有的技術方案僅使用單一特征度量方式進行跨鏡頭目標檢索，無法完成跨鏡頭的相似性度量功能。

技術實現(xiàn)要素：

為適應多樣化視頻監(jiān)控環(huán)境下跨鏡頭目標檢索的需要，本發(fā)明的發(fā)明目的是提供一種支持特征自定義的跨鏡頭目標檢索方法。

為實現(xiàn)上述目的，本發(fā)明采用以下技術方案：一種支持特征自定義的跨鏡頭目標檢索方法，它包括如下步驟：

a、采集多個攝像頭下的監(jiān)控視頻，通過前景檢測、目標跟蹤等計算機視覺技術，提取出目標圖像，生成目標圖像數(shù)據(jù)庫；

b、對目標圖像數(shù)據(jù)庫中的圖像數(shù)據(jù)進行特征提取，并結合目標的圖片和時空信息，構成目標特征數(shù)據(jù)庫；

c、選定一張查詢圖片，對該圖片進行特征提??；

d、制定多特征的自定義級聯(lián)及篩選策略；

在該自定義級聯(lián)及篩選策略中，可進行n次篩選過程，其中n＞0，第一次篩選過程的輸入包括查詢圖片的特征數(shù)據(jù)和目標特征數(shù)據(jù)庫，其余每次篩選過程的輸入為查詢圖片的特征數(shù)據(jù)和上一次的篩選結果，本次篩選結果又作為下一次的輸入，最后一次篩選結果作為本方法輸出的檢索結果；

每一次級聯(lián)及篩選過程可采用m個特征，其中m＞0，如采用多個特征需對特征進行級聯(lián)，如采用兩個特征進行級聯(lián)時，分別設特征匹配的分數(shù)結果是x和y，進行分數(shù)歸一化后，結果分別為x′和y′，加權求和后，分數(shù)結果為z＝ax′+by′(其中a＞0且b＞0，a和b的取值可通過機器學習算法擬合最佳值)，然后按照分數(shù)z將匹配結果進行排序；

若設置了相似度分數(shù)閾值，篩選出符合條件的結果，若設置了目標篩選個數(shù)，按照分數(shù)高低取個數(shù)上限個分數(shù)結果；

e、按照制定的篩選策略，利用查詢圖片檢索目標特征數(shù)據(jù)庫，在每個篩選過程中，分別計算每個特征的相似度分數(shù)，如有多個特征，將多個特征的分數(shù)按自定義比例級聯(lián)，得到按相似度分數(shù)大小排序的結果序列，然后按照目標個數(shù)上限和分數(shù)閾值篩選結果；

f、操作人員根據(jù)目標檢索的結果準確率，重新修改級聯(lián)及篩選策略，重復步驟e，以達到最佳的檢索效果。

所述步驟b和步驟c中對目標圖像數(shù)據(jù)、查詢圖片進行特征的提取分為全局特征的提取和局部特征的提取；

所述全局特征包括rgb、hsv、顏色特征、紋理特征和形狀特征，

所述局部特征包括sift特征、lbp特征和harr特征。

附圖說明

圖1為本發(fā)明支持特征自定義跨鏡頭目標檢索方法原理框圖；

圖2為本發(fā)明采用的多特征級聯(lián)及篩選策略的原理框圖。

具體實施方式

下面結合附圖對本發(fā)明做具體說明。

如圖1所示，本發(fā)明提供的支持特征自定義的跨鏡頭目標檢索方法為：

a、采集多個攝像頭下的監(jiān)控視頻，通過前景檢測、目標跟蹤等計算機視覺技術，提取出目標圖像，生成目標圖像數(shù)據(jù)庫。

本發(fā)明采用背景剪除技術進行前景檢測，利用當前圖像和背景圖像差分獲取前景運 動區(qū)域。背景圖像一般而言是通過背景建模的方法更新得到，多模態(tài)性也是動態(tài)背景建模的一個必須考慮的因素，如樹葉擺動，水的波紋等等?；旌细咚鼓Ｐ褪翘幚磉@種快速變化的情形比較實用的方法，其優(yōu)點是可以在固定個數(shù)的模態(tài)中選擇當前最穩(wěn)定的模式作為背景，并實時在線更新各個模態(tài)的高斯分布參數(shù)；同時，通過采用目標追蹤技術，識別連續(xù)時間內(nèi)出現(xiàn)的同一目標，以減少對重復的目標進行檢索。

b、對目標圖像數(shù)據(jù)庫中的圖像數(shù)據(jù)進行特征提取，并結合目標的圖片和時空信息，構成目標特征數(shù)據(jù)庫。

c、選定一張查詢圖片，對該圖片進行特征提取。

在本發(fā)明中對目標圖像數(shù)據(jù)、查詢圖片進行特征提取分為全局特征的提取和局部特征的提取。其中，全局特征主要包括rgb、hsv、顏色特征、紋理特征和形狀特征等，局部特征主要包括sift特征(局部旋轉(zhuǎn)不變的特征)、lbp特征和harr特征等。

1)、對目標圖像數(shù)據(jù)庫中的圖像數(shù)據(jù)和查詢圖片進行全局特征提取。

常用的全局特征提取方法包括子空間學習法，這類方法采用pca技術，增量r-svd等方法提取若干基圖像作為特征，然后對原始圖像在這些基圖像上進行投影重建，后續(xù)處理，該方法可以有效對抗跟蹤過程中光照和姿勢的變化。

2)、對目標圖像數(shù)據(jù)庫中的圖像數(shù)據(jù)和查詢圖片進行局部特征提取。

sift特征提取方法：將圖像和不同尺度下的高斯差分濾波器進行卷積運算，在得到的圖像上利用多分辨率局部極值定位的方法提取出圖像尺度空間中的穩(wěn)定點(被稱為關鍵點)，然后采用局部梯度方向直方圖向量來描述得到的關鍵點，用于后續(xù)的模式匹配。

lbp特征是一種有效的局部紋理描述方法，對旋轉(zhuǎn)和光照變化具有一定程度的非敏感性，廣泛應用于紋理建模和人臉識別等領域。harr特征是一種基于矩形圖像塊差分算子的特征描述方法，實際應用中可以定義多種算子結構和尺度。結合多層次采樣結構和積分圖的方法，harr特征具有計算快速的優(yōu)點，廣泛應用于物體的檢測，跟蹤和識別。lbp特征和harr特征的提取方法為現(xiàn)有技術，在此不再贅述。

d、制定多特征的自定義級聯(lián)及篩選策略。

如圖2所示，在該自定義級聯(lián)及篩選策略中，可進行n次篩選過程，其中n＞0，第一次篩選過程的輸入包括查詢圖片的特征數(shù)據(jù)和目標特征數(shù)據(jù)庫，其余每次篩選過程的輸入為查詢圖片的特征數(shù)據(jù)和上一次的篩選結果，本次篩選結果又作為下一次的輸入，最后一次篩選結果作為本方法輸出的檢索結果；

每一次級聯(lián)及篩選過程可采用m個特征，其中m＞0，如采用多個特征需對特征進行級聯(lián)，如采用兩個特征進行級聯(lián)時，分別設特征匹配的分數(shù)結果是x和y，進行分數(shù)歸一化后，結果分別為x’和y’，加權求和后，分數(shù)結果為z＝ax’+by’(其中a＞0且b＞0，a和 b的取值可通過機器學習算法擬合最佳值)，然后按照分數(shù)z將匹配結果進行排序，若設置了相似度分數(shù)閾值，篩選出符合條件的結果，若設置了目標篩選個數(shù)，按照分數(shù)高低取個數(shù)上限個分數(shù)結果。

e、按照制定的篩選策略，利用查詢圖片檢索目標特征數(shù)據(jù)庫，在每個篩選過程中，分別計算每個特征的相似度分數(shù)，如有多個特征，將多個特征的分數(shù)按自定義比例級聯(lián)，得到按相似度分數(shù)大小排序的結果序列，然后按照目標個數(shù)上限和分數(shù)閾值篩選結果。

f、操作人員根據(jù)目標檢索的結果準確率，重新修改級聯(lián)及篩選策略，重復步驟e，以達到最佳的檢索效果。

在本發(fā)明中對目標圖像數(shù)據(jù)、查詢圖片進行特征提取時，為提高運行效率，本發(fā)明首先采用pca技術對提取的特征進行降維，然后通過自定義多個特征的級聯(lián)及篩選策略并計算各個特征的相似度，逐步篩選出相似的目標，最后根據(jù)特定視頻圖像環(huán)境下的匹配結果反饋信息，制定出最優(yōu)化的特征級聯(lián)及篩選策略，以達到最佳的目標檢索的準確率。

本發(fā)明的有益效果：

1、采用pca(主成分分析)降維技術，可以提高目標檢索的準確率和算法效率。

2、由于圖像采集的環(huán)境不同，圖像的質(zhì)量、光照條件、拍攝角度等都會有較大的區(qū)別，在不同的圖像環(huán)境下，可能適合不同的特征級聯(lián)及篩選策略，如果在實驗室環(huán)境下，采用有限的樣本確定固定的特征級聯(lián)及篩選策略，繼而將產(chǎn)品推出，難以適用于各種視頻圖像環(huán)境下跨鏡頭目標檢索的需要。因此，靈活配置特征級聯(lián)及篩選的策略，在不同環(huán)境下可以采用不同的樣本訓練，得到最優(yōu)化的特征級聯(lián)及篩選策略，從而得到最佳的目標檢索準確率，使運用該技術的產(chǎn)品具有很好的適應性和擴展性。

3、本發(fā)明中的特征級聯(lián)及篩選策略是高度可配置的，主要體現(xiàn)在篩選過程次數(shù)可配置、每次篩選采用的特征可配置、多個特征級聯(lián)的歸一化及權重比例可配置、每次相似度分數(shù)的閾值可配置、目標篩選個數(shù)可配置等。同時，特征級聯(lián)及篩選策略可保存，非常方便再次利用。

4、本發(fā)明具有很好的擴展性，只要約定一定的算法接口，可以很方便的將新的特征匹配算法添加到特征級聯(lián)及篩選策略中。

以上所述是本發(fā)明的較佳實施例及其所運用的技術原理，對于本領域的技術人員來說，在不背離本發(fā)明的精神和范圍的情況下，任何基于本發(fā)明技術方案基礎上的等效變換、簡單替換等顯而易見的改變，均屬于本發(fā)明保護范圍之內(nèi)。