基於多視覺特徵融合的人員識別方法
2023-09-14 15:50:55
基於多視覺特徵融合的人員識別方法
【專利摘要】一種基於多視覺特徵融合的人員識別方法，先對監控視頻進行分析，提取相關人員信息，並進行特徵描述，最後根據輸入視頻圖像執行尋找，得到相關人員的識別結果；包括視頻跟蹤處理、人體團塊處理和人員識別三個操作階段或步驟。本發明方法能夠很好地從視頻中自動提取合適的人員圖像，並進行預處理；還針對描述特徵存在的問題作了相應改進，選取比較通用的特徵，且對特徵進行重組，以融合成新的特徵。本發明方法在去除背景部分，對人體圖像進行分塊和提取語義顏色特徵方面都實現了創新。本發明的多次仿真實施例對監控視頻的測試結果表明：操作簡單、便利、有效、具有良好的識別效果，因此，本發明方法具有很好的推廣應用前景。
【專利說明】基於多視覺特徵融合的人員識別方法
【技術領域】
[0001]本發明涉及一種基於多視覺特徵融合的人員識別方法，屬於計算機視覺、數字圖像處理、多媒體信息處理和視頻監控的【技術領域】。
【背景技術】
[0002]人員識別是計算機視覺領域中的一個研究熱點，它是利用基於生物特徵的技術來解決識別人的問題，因而催生了基於人臉、虹膜、指紋和步態等多個特徵進行人員識別的分支領域。然而，在大多數視頻監控場景中，常常無法得到準確的生物特徵，而且，視頻的解析度和幀率都比較低，背景環境複雜，從而導致了基於生物特徵的人員識別效果大大降低，甚至無法進行。在此背景條件下，誕生人員識別的新分支:基於外觀的識別研究。
[0003]人員識別是基於人體外觀不變的前提下進行的，即在不同視頻或者圖像中的同一個人，其衣服和形象沒有經過物理上的改變(如換穿衣服等)。且隨著攝像機的廣泛使用，人員識別研究已經變得越來越重要。小到家庭防盜監控，大到大規模零售企業，體育場館和室外露天的各種場景監控等，人員識別的應用越來越廣泛。
[0004]人員識別的流程一般可以分為兩大步驟:第一步是對要識別的人員所在的視頻或圖像進行處理，此時主要獲取人員圖像，並進行預處理(如去除噪聲等)。第二步是對獲取到的人員圖像進行數據和語義分析，以確定人員之間的相關性和相似性，該步驟要提取人員圖像的相應特徵數據，然後進行組合和距離比較，最後根據比較結果得出相似程度的結論。
[0005]目前，利用上述方法進行的人員識別存在較多問題。在進行第一步處理時，往往只是針對已有的人員圖像，或者需要手動從視頻中截取圖像。而且，若為非手動方式獲取到的人員圖像，往往含有比較多的背景部分。這時候，即使經過預處理，背景部分仍然會對後續的特徵提取和特徵比較造成不良影響，並最終影響識別結果。在進行第二步處理時，選取的特徵往往沒有普遍性，僅適合在某些特定環境下使用，且對人員的信息描述不夠全面，不同人員的區別不夠明顯，識別的結果比較差。
[0006]另外，現有的針對監控視頻的人員識別工作的範圍非常有限，絕大部分只是針對單張圖像。然而，隨著攝像機網絡的發展和延伸，監控網絡越來越完善，對監控視頻中的人員進行人員識別也是非常重要的。通過對監控視頻進行人員識別，能夠在視頻中自動尋找與定位想要查找的人員。該應用在包括安防、尋人、定位等許多領域都將帶來極大幫助，有助於構建安全、穩定的生活環境。因此人員識別具有非常重要的科學研究價值和國家戰略意義。
【發明內容】
[0007]有鑑於此，本發明的目的是針對目前在人員識別研究中存在的上述多項問題，提供一種基於多視覺特徵融合的人員識別方法。該方法能夠很好地從視頻中自動提取合適的人員圖像，並進行比較良好的預處理。本發明還針對描述特徵存在的問題作了相應改進，選取比較通用的特徵，且對特徵的描述進行重新融合。實踐證明此套技術方案能夠獲得良好的識別效果。
[0008]為了達到上述目的，本發明提供了一種基於多視覺特徵融合的人員識別方法，其特徵在於:先對監控視頻進行分析，提取相關人員信息，並進行特徵描述，最後根據輸入視頻圖像執行尋找，得到相關人員的識別結果；包括下述三個操作步驟:
[0009]步驟1，視頻跟蹤處理階段:先檢測視頻中的前景，從前景中提取運動團塊，並對團塊進行跟蹤，檢測判斷新團塊是否為人體團塊；若是，則將人體團塊所對應的人體矩形圖像摳出，並保存等待後續處理；若否，則丟棄該新團塊；
[0010]步驟2，人體團塊處理階段:從得到的相關人員的多個團塊中選擇第一個團塊進行處理:從視頻原始圖像中提取每個人員對應的矩形圖像後，對該矩形圖像進行處理:尋找該矩形圖像中的人員前景，再用滑動窗口剔除該人體矩形圖像中的背景後，對該矩形圖像進行分塊，分別提取表示圖像中色調、飽和度和亮度三通道值的六角錐體色彩模型HSV顏色直方圖、全局最大三維顏色圖中的三維顏色、分塊語義顏色和紋理方向向量共四種特徵向量，並存儲於人體視頻特徵資料庫中，以供利用這些特徵的融合描述每個人員和進行人員識別；
[0011]步驟3，人員識別階段:輸入待檢測人員視頻圖像，並從該待檢測人員視頻圖像提取步驟2中的四種特徵向量後，以該四種特徵向量與人體視頻特徵資料庫中存儲的每個人員特徵向量逐一進行對比，尋求各個特徵向量之間的距離最小的人員，作為所識別的人員及其相應的視頻信息。
[0012]本發明方法的關鍵技術或優點是對現有技術的四類問題做了很好的改進:
[0013](I)如何從視頻中獲取相應的人員信息，即如何從視頻中獲取比較理想的人員圖像息。
[0014](2)如何對獲取到的人員圖像信息進行預處理，減少背景幹擾。當前，除了某些特殊設計的攝像機以外，拍攝到的視頻總是帶有背景，該背景會對人員圖像信息造成影響，增加後續處理的難度。
[0015](3)如何選取合適的特徵，並對其所代表的人員進行恰宜的描述，針對現有的特徵，進行相應的描述融合定義，改進描述方式。
[0016](4)採用多種特徵融合來描述一個特定人員，使得相同人員之間差異最小化，而不同人員之間的差異最大化。
[0017]本發明是從監控視頻中基於外觀進行人員識別的方法，這個技術方案與現有方法相比較，能夠完整、且相對準確地實現人員識別，而不用增加其他的步驟，相比其他的不完整的技術方案，本發明方法的獨創性在去除背景部分，對人體圖像進行分塊和提取語義顏色特徵方面都實現了創新。其中，去除背景部分和對人體圖像進行分塊的方法，操作簡便、容易執行，效率較高，而且具有較高的準確率。提取語義顏色的操作步驟，將工業化的顏色表示翻譯為人能識別的語義顏色，能夠更好地描述一個具體人員。本發明的多次仿真實施例對監控視頻的測試結果表明:本發明方法操作簡單、便利、有效、具有實用價值。
【專利附圖】
【附圖說明】
[0018]圖1是本發明基於多視覺特徵融合對監控視頻進行人員識別的方法操作步驟主要步驟流程圖。
[0019]圖2是本發明基於多視覺特徵融合對監控視頻進行人員識別的方法具體操作步驟流程圖。
[0020]圖3是本發明步驟I中高斯背景模型的背景差分方法操作步驟流程圖。
[0021]圖4是本發明步驟I中的前景點的示意圖。
[0022]圖5是本發明步驟I中的人體團塊處理階段的具體操作步驟流程圖。
[0023]圖6是本發明步驟I中從團塊中得到的矩形圖像示意圖。
[0024]圖7是本發明步驟2中的從人體圖像生成特徵庫的步驟流程圖。
[0025]圖8是本發明步驟2中的人體分塊示意圖。
[0026]圖9是本發明步驟3中人員識別階段的具體操作步驟流程圖。
【具體實施方式】
[0027]為使本發明的目的、技術方案和優點更加清楚，下面結合附圖對本發明作進一步的詳細描述。
[0028]參見圖1，介紹本發明基於多視覺特徵融合的人員識別方法:先對監控視頻進行分析，提取相關人員信息，並進行特徵描述，最後根據輸入視頻圖像執行尋找，得到相關人員的識別結果。本發明方法包括下述三大操作步驟:
[0029]步驟1，視頻跟蹤處理階段:先檢測視頻中的前景，從前景中提取運動團塊，並對團塊進行跟蹤，檢測判斷新團塊是否為人體團塊；若是，則將人體團塊所對應的人體矩形圖像摳出，並保存等待後續處理；若否，則丟棄該新團塊。
[0030]步驟2，人體團塊處理階段:從得到的相關人員的多個團塊中選擇第一個團塊進行處理:從視頻原始圖像中提取每個人員對應的矩形圖像後，對該矩形圖像進行處理:尋找該矩形圖像中的人員前景，再用滑動窗口剔除該人體矩形圖像中的背景後，對該矩形圖像進行分塊，分別提取表示圖像中色調、飽和度和亮度三通道值的六角錐體色彩模型HSV顏色直方圖、全局最大三維顏色圖中的三維顏色、分塊語義顏色和紋理方向向量共四種特徵向量，並存儲於人體視頻特徵資料庫中，以供利用這些特徵的融合描述每個人員和進行人員識別。
[0031]步驟3，人員識別階段:輸入待檢測人員視頻圖像，並從該待檢測人員視頻圖像提取步驟2中的四種特徵向量後，以該四種特徵向量與人體視頻特徵資料庫中存儲的每個人員特徵向量逐一進行對比，尋求各個特徵向量之間的距離最小的人員，作為所識別的人員及其相應的視頻信息。
[0032]參見圖2，對上述三大步驟所用的技術及其具體操作內容進行詳細描述。
[0033]步驟1，視頻跟蹤處理階段:在視頻中，基本不變的圖像被稱為背景，視頻中出現的人物或其他物體被稱為前景，即要處理的目標。為了後續進行人員識別，需要將人員對應的前景圖像提取出來。同時，由於一個人的前景圖像會在視頻中多次出現，為了將這些圖像都對應到同一人上，還需要跟蹤處理。本階段包括以下3個操作步驟:
[0034](11)前景檢測(參見圖3、圖4):其目的是從視頻圖像中基本不變的背景中檢測出其中屬於前景的像素，再把前景中的人員從圖像中摳出來，以供後續處理。因某人的前景圖像會多次出現於視頻圖像中，為將這些視頻圖像都對應到同一人，還要跟蹤處理相應圖像。前景檢測方法是建立高斯背景模型後，對新幀圖像中的所有像素進行檢測與判斷，如果是不符合高斯背景模型的像素，則認為是前景。
[0035](12)判別人體團塊(參見圖5、圖6):將前景檢測操作得到的所有前景像素中的相鄰前景像素聚合在一起，匯集成塊，每一塊構成一個團塊。再將完成前景檢測後的團塊位置圖中的前景像素設置為高亮，其餘像素設置為暗點。搜索聚集在一起的亮點，並將其合併形成團塊；刪除其中面積小的團塊後，根據設定的團塊中心點、即質心和設定的寬高，得到每個團塊或原始圖像中對應的矩形圖像。然後，計算每個團塊矩形圖像的梯度方向直方圖HOG (Histogram of oriented gradients)特徵,再利用由HOG特徵訓練的人體分類器判定每個矩形圖像中是否有人，若其中有人，則對其執行後續處理；否則，直接剔除該團塊矩形圖像。
[0036](13)對團塊矩形圖像進行檢測及跟蹤，包括下述兩個具體操作內容:
[0037]檢測團塊，以剔除不符合要求的團塊:用團塊質心在圖像中的位置記錄每個團塊後，對其進行檢測:若該團塊的寬高比很小，則判斷其是由噪聲引起的，直接剔除之；若兩個團塊的質心位置及其寬高比相近，則該兩個團塊表示同一目標，此時應將該兩個團塊融合成一體，構成一個團塊。
[0038]跟蹤團塊，形成跟蹤列表:檢測到新團塊後，若此時的跟蹤列表為空，直接將其加入跟蹤列表；否則，即跟蹤列表不為空，則判斷該新團塊是否與跟蹤列表中的現有團塊相匹配；若匹配，表明跟蹤成功；若不匹配，則將該團塊為新團塊，並將該加入團塊跟蹤列表。
[0039]步驟2，人體團塊處理階段:因步驟I得到人員對應的多個團塊，為了簡化，本發明只處理每個人員團塊系列中的第一個團塊。根據團塊質心，可從視頻原始圖像中提取每個人員對應的矩形圖像。該階段對這些矩形人員圖像進行處理的操作包括下述兩個操作內容:
[0040](21)利用滑動窗口去除視頻圖像的背景，並對前景中的人體圖像分塊。該步驟又分為下列操作內容(參見圖7和圖8):
[0041](21A)設定搜索框、即滑動窗口後，準備利用搜索框去除背景和對人體圖像分塊:根據設置的.人體所在矩形圖像的寬為W和高為H，選定搜索框的滑動窗口寬為W、高為h，且h〈H ;其中，圖像的寬和高分別為水平方向和垂直方向的像素總數；分別計算搜索框內上半部和下半部所框住的人體矩形圖像的像素顏色空間像素之和，並求解該兩個和之差的絕對值。
[0042](21B)初始時，將搜索框的上邊緣和左側邊緣分別與矩形圖像的上邊緣和左側邊緣相重合。再移動搜索框，即將搜索框沿著矩形圖像的高垂直地由上到下移動，每次向下移動一個像素後，計算新的搜索框內上半部和下半部所框住的人體矩形圖像的像素的顏色空間像素之和，再求這兩個和之差的絕對值。
[0043](21C)判斷該差的絕對值是否不小於設定閾值:若是，則得到該矩形圖像第一個分界點；重複執行上述步驟，找到另外兩個分界點。因人體矩形圖像中的背景基本相同，滑動窗口上下兩部分之間像素差的絕對值取決於人體不同部位的團塊變化:當滑動窗口的高度中線剛好處於人體圖像邊緣時，其差為最大值；故滑動窗口從上往下搜索時，高度中線第一次達到閾值時的位置是頭和軀幹的分界線，當滑動窗口第二次達到閾值時的位置是軀幹和下肢的分界線；由此把人體矩形圖像分為頭、軀幹和下肢三個小的矩形圖像，以減少背景影響。
[0044](21D)採用與步驟(21C)類似的滑動窗口方法:先設定搜索框，分別使用頭部、軀幹和下肢所在的三個小的矩形圖像從左向右滑動，分別刪除人體的頭部、軀幹和下肢矩形圖像中的左右兩側背景。從而得到刪除全部背景、僅包含純粹的頭部、軀幹和下肢三部位的人體圖像。
[0045](22)提取和存儲分塊人體圖像的全局顏色直方圖、全局最大三維顏色、分塊語義顏色和紋理方向向量共4種特徵向量。該步驟包括下列操作內容:
[0046](22A)提取全局顏色直方圖特徵:因人在識別視頻圖像時，顏色特徵最強烈和準確，故以全局HSV顏色直方圖作為描述人員的第一區別特徵；HSV顏色直方圖是分別對人體頭部、軀幹和下肢三部分圖像求HSV顏色空間下的概率密度函數。
[0047](22B)提取全局最大三維顏色特徵:排除亮度和飽和度的影響，將只考慮色度的直方圖從大到小順序排列，選取前三維作為全局最大三維顏色，用於表示人員的全局最大三維特徵向量。 [0048](22C)提取分塊語義顏色特徵:因上述兩個區別特徵都是針對整幅人體圖像，容易忽略局部特徵的差異而降低識別效果，故要將顏色語義化:分別對頭部、軀幹和下肢的三個矩形圖像提取相應語義顏色，即將圖像的每個像素所代表的顏色與16種基本顏色分別求解其歐氏距離，選取距離最小的基本顏色作為語義顏色，再分別統計頭部、軀幹和下肢三部位所在矩形圖像中所有像素代表的基本顏色數量，分別選取其數量最大的顏色作為頭部、軀幹和下肢所在矩形圖像的語義顏色，用於描述其局部區別特徵。
[0049](22D)提取紋理方向的區別特徵:因圖像處理領域中用於邊緣檢測的Gabor線性濾波器的頻率和方向非常接近人類視覺系統對頻率和方向的感覺，故採用8個方向Gabor濾波器檢測人體圖像的紋理特徵的標準方差，作為紋理方向的區別特徵；
[0050](22E)將提取的上述四個區別特徵參數存儲到人體視頻特徵資料庫中。
[0051]步驟3，人員識別階段(參見圖9):提取了人員特徵後，就可以利用特徵的融合來描述每個人員，並利用這些特徵的差異來識別不同的人員。例如:設為步驟2檢測到的人員圖像集合，其中的每個Hi表示一個人員的圖像，Hi的頭部、軀幹、下肢部分的四種特徵向量根據步驟2計算出來，並存在特徵資料庫中。人員識別的任務就是給定一個特定人員H，從H1, H2,..., Hn中找出與待檢測人員H最相似的那些人。
[0052]該步驟包括下列實現人員識別的操作內容:
[0053](31)按照步驟2的操作方法，提取待檢測人員M的四種區別特徵向量；此時，已經檢測的人員視頻圖像集合A = (H1, H2,...，Hi,...，HN}，其中，第i個人員圖像Hi的頭部、軀幹和下肢三部位的四種區別特徵向量都已存儲於人體視頻特徵資料庫。
[0054](32)分別計算待檢測人員M與人體視頻特徵資料庫中每個人員Hi對應的四種區別特徵向量的歸一化的歐式距離。
[0055](33)按照公式Di= a Dn+@ Di2+YDi3+δ Di4計算待檢測人員M與該特徵資料庫中每個人員Hi的距離Di;其中，α、β、^和δ分別是上述四種特徵的權重係數，且α+β + Υ + δ =1 ;該步驟的操作內容是對步驟(32)的計算結果的加權，用於計算待檢測人員與特徵資料庫中每個人員之間的相似度。
[0056](34)將步驟(33)計算得到的距離DiQ = I, 2,....N)按照從小到大升序排列，其中排列越靠前的人員，最有可能是與待檢測人員相似或相同的人員；這樣就完成了對監控視頻基於多視覺特徵融合的人員識別的功能。
[0057]本發明已經進行了多次仿真實施試驗，試驗段結果是成功的，實現了發明目的。
【權利要求】
1.一種基於多視覺特徵融合的人員識別方法，其特徵在於:先對監控視頻進行分析，提取相關人員信息，並進行特徵描述，最後根據輸入視頻圖像執行尋找，得到相關人員的識別結果；包括下述三個操作步驟: 步驟1，視頻跟蹤處理階段:先檢測視頻中的前景，從前景中提取運動團塊，並對團塊進行跟蹤，檢測判斷新團塊是否為人體團塊；若是，則將人體團塊所對應的人體矩形圖像摳出，並保存等待後續處理；若否，則丟棄該新團塊； 步驟2，人體團塊處理階段:從得到的相關人員的多個團塊中選擇第一個團塊進行處理:從視頻原始圖像中提取每個人員對應的矩形圖像後，對該矩形圖像進行處理:尋找該矩形圖像中的人員前景，再用滑動窗口剔除該人體矩形圖像中的背景後，對該矩形圖像進行分塊，分別提取表示圖像中色調、飽和度和亮度三通道值的六角錐體色彩模型HSV顏色直方圖、全局最大三維顏色圖中的三維顏色、分塊語義顏色和紋理方向向量共四種特徵向量，並存儲於人體視頻特徵資料庫中，以供利用這些特徵的融合描述每個人員和進行人員識別； 步驟3，人員識別階段:輸入待檢測人員視頻圖像，並從該待檢測人員視頻圖像提取步驟2中的四種特徵向量後，以該四種特徵向量與人體視頻特徵資料庫中存儲的每個人員特徵向量逐一進行對比，尋求各個特徵向量之間的距離最小的人員，作為所識別的人員及其相應的視頻信息。
2.根據權利要求1所述的方法，其特徵在於:所述步驟I包括下列操作內容: (11)前景檢測:從視頻圖像中基本不變的背景中檢測出其中屬於前景的像素，再把前景中的人員從圖像中摳出來，以供後續處理；因某人的前景圖像會多次出現於視頻圖像中，為將這些視頻圖像都對應到同一人，還要跟蹤處理相應圖像；所述前景是視頻圖像中出現的處理目標:人物或其他物體；前景檢測方法是建立高斯背景模型後，對新幀圖像中的所有像素進行檢測與判斷，如果是不符合高斯背景模型的像素，則認為是前景； (12)判別人體團塊:將前景檢測操作得到的所有前景像素中的相鄰前景像素聚合在一起，匯集成塊，每塊構成一個團塊；再將完成前景檢測後的團塊位置圖中的前景像素設置為高亮，其餘像素設置為暗點；搜索聚集在一起的亮點，並將其合併形成團塊；刪除其中面積小的團塊後，根據設定的團塊中心點、即質心和設定的寬高，得到每個團塊或原始圖像中對應的矩形圖像；然後，計算每個團塊矩形圖像的梯度方向直方圖HOG (Histogram oforiented gradients)特徵,再利用由HOG特徵訓練的分類器判定每個矩形圖像中是否有人，若其中有人，則對其執行後續處理；否則，直接剔除該團塊矩形圖像； (13)對團塊矩形圖像進行檢測及跟蹤:具體操作內容如下: 檢測團塊，以剔除不符合要求的團塊:用團塊質心在圖像中的位置記錄每個團塊後，對其進行檢測:若該團塊的寬高比很小，則其是由噪聲引起的，直接剔除之；若兩個團塊的質心位置及其寬高比相近，則該兩個團塊表示同一目標，此時應將該兩個團塊融合成一體； 跟蹤團塊，形成跟蹤列表:檢測到新團塊後，若此時的跟蹤列表為空，直接將其加入跟蹤列表；否則，判斷該新團塊是否與跟蹤列表中的現有團塊相匹配；若匹配，表明跟蹤成功；若不匹配，則將該團新塊加入跟蹤列表。
3.根據權利要求1所述的方法，其特徵在於:所述步驟2包括下述兩個操作內容: (21)利用滑動窗口去除視頻圖像的背景，並對前景中的人體圖像分塊；(22)提取和存儲分塊人體圖像的全局顏色直方圖、全局最大三維顏色、分塊語義顏色和紋理方向向量共4種特徵向量。
4.根據權利要求3所述的方法，其特徵在於:所述步驟(21)包括下列操作內容: (21A)設定搜索框、即滑動窗口後，準備利用搜索框去除背景和對人體圖像分塊:根據設置的.人體所在矩形圖像的寬為W和高為H，選定搜索框的滑動窗口寬為W、高為h，且h〈H ;其中，圖像的寬和高分別為水平方向和垂直方向的像素總數；分別計算搜索框內上半部和下半部所框住的人體矩形圖像的像素顏色空間像素之和，並求解該兩個和之差的絕對值； (21B)初始時，將搜索框的上邊緣和左側邊緣分別與矩形圖像的上邊緣和左側邊緣相重合；再移動搜索框，即將搜索框沿著矩形圖像的高垂直地由上到下移動，每次向下移動一個像素後，計算新的搜索框內上半部和下半部所框住的人體矩形圖像的像素的顏色空間像素之和，再求這兩個和之差的絕對值； (21C)判斷該差的絕對值是否不小於設定閾值:若是，則得到該矩形圖像第一個分界點；重複執行上述步驟，找到另外兩個分界點；因人體矩形圖像中的背景基本相同，滑動窗口上下兩部分之間像素差的絕對值取決於人體不同部位的團塊變化:當滑動窗口的高度中線剛好處於人體圖像邊緣時，其差為最大值；故滑動窗口從上往下搜索時，高度中線第一次達到閾值時的位置是頭和軀幹的分界線，當滑動窗口第二次達到閾值時的位置是軀幹和下肢的分界線；由此把人體矩形圖像分為頭、軀幹和下肢三個小的矩形圖像； (21D)採用與步驟(21C)類似的滑動窗口方法:先設定搜索框，分別使用頭部、軀幹和下肢所在的三個小的矩形圖像從左向右滑動，分別刪除人體的頭部、軀幹和下肢矩形圖像中的左右兩側背景；從而得到刪除全部背景、僅包含純粹的頭部、軀幹和下肢三部位的人體圖像。
5.根據權利要求3所述的方法，其特徵在於:所述步驟(22)包括下列操作內容: (22A)提取全局顏色直方圖特徵:因人在識別視頻圖像時，顏色特徵最強烈和準確，故以全局HSV顏色直方圖作為描述人員的第一區別特徵；HSV顏色直方圖是分別對人體頭部、軀幹和下肢三部分圖像求HSV顏色空間下的概率密度函數； (22B)提取全局最大三維顏色特徵:排除亮度和飽和度的影響，將只考慮色度的直方圖從大到小順序排列，選取前三維作為全局最大三維顏色，用於表示人員的全局最大三維特徵向量； (22C)提取分塊語義顏色特徵:因上述兩個區別特徵都是針對整幅人體圖像，容易忽略局部特徵的差異而降低識別效果，故要將顏色語義化:分別對頭部、軀幹和下肢的三個矩形圖像提取相應語義顏色，即將圖像的每個像素所代表的顏色與16種基本顏色分別求其歐氏距離，選取距離最小的基本顏色作為語義顏色，再分別統計頭部、軀幹和下肢三部位所在矩形圖像中所有像素代表的基本顏色數量，分別選取其數量最大的顏色作為頭部、軀幹和下肢所在矩形圖像的語義顏色，用於描述其局部區別特徵； (22D)提取紋理方向的區別特徵:因圖像處理領域中用於邊緣檢測的Gabor線性濾波器的頻率和方向非常接近人類視覺系統對頻率和方向的感覺，故採用8個方向Gabor濾波器檢測人體圖像的紋理特徵的標準方差，作為紋理方向的區別特徵； (22E)將提取的上述四個區別特徵參數存儲到人體視頻特徵資料庫中。
6.根據權利要求1所述的方法，其特徵在於:所述步驟3包括下列操作內容: (31)按照步驟2的操作方法，提取待檢測人員M的四種區別特徵向量；此時，已經檢測的人員視頻圖像集合A = (H1, H2,..., Hi,..., HnI ,其中,第i個人員圖像Hi的頭部、軀幹和下肢三部位的四種區別特徵向量都已存儲於人體視頻特徵資料庫； (32)分別計算待檢測人員M與人體視頻特徵資料庫中每個人員Hi對應的四種區別特徵向量的歸一化的歐式距離:； (33)按照公式Di=a Dil+β Di2+Y Di3+SDi4計算待檢測人員M與該特徵資料庫中每個人員Hi的距離Di ;其中，α、β、Υ和δ分別是上述四種特徵的權重係數，且α+β + Υ + δ=I ;該步驟的操作內容是對步驟(32)的計算結果的加權，用於計算待檢測人員與特徵資料庫中每個人員之間的相似度； (34)將步驟(33)計算得到的距離DiQ= I, 2,....N)按照從小到大升序排列，其中排列越靠前的人員，最有可能是與待檢測人員相似或相同的人員；這樣就完成了對監控視頻基於多視覺特徵融合的人 員識別功能。
【文檔編號】G06K9/46GK103996046SQ201410259069
【公開日】2014年8月20日 申請日期:2014年6月11日 優先權日:2014年6月11日
【發明者】馬華東, 張海濤, 魏汪洋, 趙彥, 高一鴻, 黃灝, 傅慧源, 趙曉萌 申請人:北京郵電大學