[发明专利]基于复杂环境下目标人群的多种特征的提取方法

说明书

技术领域

本发明涉及人脸或指纹特征识别技术、图像或信息融合技术、视频处理技术等的领域，尤其是基于复杂环境下目标人群的多种特征的提取方法。

背景技术

在2010年5月举行的第13届嵌入系统技术开发展上，英特尔日本公司展示了附带数字标牌的自动售货机，其内置摄像头模块可根据影像来识别有无使用者、使用者的性别和年龄层等等。机器前部配备了带有触摸功能的大屏液晶显示器，可根据使用者的性别和年龄层显示推荐商品。

2010年7月，日本11家地铁公司联合推出了“数字化号牌推广计划”，在东京周边的地铁站中安装了27台具备人脸识别能力的广告显示器，其中安装有摄像头和人脸识别软件，可自动识别经过广告牌的旅客的性别和年龄，并播放相应内容。

原始特征一般存在于高维空间，可以通过映射变换将其转换到低维特征空间，但其变换过程要符合两个主要准则：一是特征空间必须保留原高维空间的主要信息，二是特征空间的维数必须远远低于原高维空间，目前，性别识别绝大部分是采用人脸识别的，而服装、发型、装饰、声音、步态等特征研究的较少，特别是服装和装饰更少，主要原因是这些特征难以检测和自动提取，比如头发，要检测并提取出来是非常具有挑战性的，主要是其非刚性形状，还有就是颜色变化非常大，这比人脸提取难度大得多了，另外，如果人脸检测的是侧面人脸，那么人脸特征将很难获取，这样会导致识别的拒绝率提高。

发明内容

本发明要解决的技术问题是：为了克服上述中存在的问题，提供一种能够方便提取出区别不同模式问题的显著特征的基于复杂环境下目标人群的多种特征的提取方法。

本发明解决其技术问题所采用的技术方案是：一种基于复杂环境下目标人群的多种特征的提取方法，包括人群特征提取，特征提取就是应用不同的特征提取方法提取出区别不同模式问题的显著特征。在模式识别问题中，由被识别的对象产生一组原始特征向量，这些特征向量可以是测量得到，也可以是通过数学公式计算得到。原始特征一般存在于高维空间，可以通过映射变换将其转换到低维特征空间，但其变换过程要符合两个主要准则：一是特征空间必须保留原高维空间的主要信息，二是特征空间的维数必须远远低于原高维空间，其具体步骤是：

a.人脸图像的特征提取：包括利用二维Gabor小波进行图像进行多尺度分析的整体特征提取和基于合成的图像分析技术来对人脸图像进行特征提取和建模的局部特征提取，二维Gabor小波是图像多尺度分析的有力工具，具有很好的方向选择性和空间局部性，能精确地提取图像局部区域内多个方向的结构特征，并且对光照和尺度变化不敏感，能容忍图像一定程度的旋转和变形，具有较高的鲁棒性；

b.发型特征提取，提出的Graph-Cut算法是一种自动提取人脸和发型的颜色和位置聚类优先方法：(1)从视频中获取一帧图像进行检测，可以定时获取图像或是已经检测到场景中有人物时定时获取单帖图像进行处理；(2)对获取一帧后的图像进行预处理，这一步处理的效果影响后面发型模型提取的效果，因为发型提取与人脸提取不一样，人脸模型的刚性比较强，人脸的反光度比头发低，即人脸对光照的敏感度比头发要低；(3)对预处理后的图像进行人脸和发型的分割，其方法有简单的颜色和位置聚类算法、LBP算法、Graph-Cut算法、Loopy Belief Propagation算法和颜色和位置聚类优先的Graph-Cut算法等，颜色和位置聚类优先的Graph-Cut算法效果较好；(4)发型模型形成，在进行分割后，可以从分割图中提取出发型模型；

c.步态特征提取：(1)从视频文件中获取步态序列；(2)以每个周期为单位计算一个周期内的平均能量图；(3)对每个能量图取六个点后用线连起来，对其图像进行分割成七个部分；(4)分别提取每个部分的Gabor特征进行相似度测量。

提取的每个部分的Gabor特征是提取的头部、手臂、躯干、大腿、前腿、后腿和脚的特征。

本发明的基于复杂环境下目标人群的多种特征的提取方法的有益效果是：利用人脸图像特征提取方法，能够使其快速方便提取；采用此发型特征提取方法，能够使其自动提取人脸和发型的颜色和位置；采用步态特征提取方法，在检测到人脸任何部位时，都能够获取人脸特征，避免了识别拒绝的现象产生。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的一个周期内的平均能量图；

图2是本发明的步态特征中步态图像分割图；

图3是本发明的步态特征中步态相似度测量图；