[发明专利]一种基于动态选取显著特征的跨卡口行人识别系统与方法

权利要求书

1.一种基于动态选取显著特征的跨卡口行人识别系统，其特征在于，包括城市卡口视频采集模块(1)、行人检测与跟踪模块(2)、多特征提取模块(3)、特征挖掘模块(4)、显著特征选取模块(5)和行人识别模块(6)，

所述城市卡口视频采集模块(1)，用于从各个城市卡口监控设备(7)上采集各路视频画面；

所述行人检测与跟踪模块(2)，用于从采集到的视频画面中获取多张连续的图片，在连续的图片中检测是否有目标行人，如果有则捕获多帧该目标行人的序列行人图片；

所述多特征提取模块(3)，用于从序列行人图片中提取出目标行人的各个特征信息；

所述特征挖掘模块(4)，用于对提取的各个特征信息进行第一量化处理和第二量化处理，再分别将经过第一量化处理和第二量化处理的特征信息的结果进行相加，得到各个特征信息的独特程度等级结果；所述特征挖掘模块(4)包括特征独特程度鉴定单元(401)、特征受噪声干扰敏感程度鉴定单元(402)和综合得分模块(403)，

所述特征独特程度鉴定单元(401),用于对提取的各个特征信息进行第一量化处理：采用k-means算法对提取的各个特征逐一进行聚类，计算出与目标行人相近的特征行人数量N/行人数量总和M，利用N/M的比值进行特征独特程度分级，比值越小则该特征的独特程度等级越高；

所述特征受噪声干扰敏感程度鉴定单元(402)，用于对提取的各个特征信息进行第二量化处理：采用Random forests算法获得各个特征信息对噪声灵敏度的得分，得分越高则该特征的独特程度等级越高；

所述综合得分模块(403)，用于分别将经过第一量化处理和第二量化处理的特征信息的比值和得分进行相加，将相加的结果发送给所述显著特征选取模块(5)；

所述显著特征选取模块(5)，用于根据各个特征信息的独特程度等级结果建立特征选取模型，所述特征选取模型用于给各个特征信息分配权重值，并根据权重值的大小从所有特征信息中筛选出对识别起作用的显著特征信息；

所述行人识别模块(6)，用于根据所述特征选取模型分别对序列行人图片和行人目标图片中进行处理，从而从序列行人图片中找到与行人目标图片最相近的行人图片，并将找到的行人图片发送至监控视频设备(8)中。

2.根据权利要求1所述的一种基于动态选取显著特征的跨卡口行人识别系统，其特征在于，所述行人检测与跟踪模块(2)包括行人检测单元(201)和行人跟踪单元(202)，

所述行人检测单元(201)，用于从采集到的视频画面中获取多张连续的图片，并在连续的图片中检测ROI区域是否有目标行人；

所述行人跟踪单元(202)，用于从ROI区域检测到目标行人后，捕获该ROI区域内多帧该目标行人的序列行人图片。

3.根据权利要求1所述的一种基于动态选取显著特征的跨卡口行人识别系统，其特征在于，所述多特征提取模块(3)包括颜色特征提取单元(301)、纹理特征提取单元(302)、轮廓特征提取单元(303)和姿态提取单元(304)，

所述颜色特征提取单元(301)，用于提取目标行人的头部、上半身和下半身的外观颜色信息，所述外观颜色信息包括HSV颜色空间、RGB颜色空间和LAB颜色空间的信息，所述HSV颜色空间、RGB颜色空间和LAB颜色空间分为RGB、H、S、A和B颜色通道，组成所述上半身和下半身的直方图各需124维数据的颜色通道，所述124维数据包括RGB颜色通道取出24维数据、H颜色通道取出20维数据、S颜色通道取出16维数据、A、B颜色空间各取32维数据；

所述纹理特征提取单元(302)，用于提取目标行人的头部、颈部和肩部位置的外观纹理信息，所述外观纹理信息采用Gabor方法、Schmi d滤波器方法以及Gabor和LBP相融合的方法获得；

所述轮廓特征提取单元(303)，用于提取目标行人的外观轮廓信息，所述外观轮廓信息包括整体外观轮廓和局部外观轮廓的信息；

所述姿态提取单元(304)，用于采用动态贝叶斯网络方法来提取目标行人的行走姿态信息，所述行走姿态信息包括步态轮廓信息、运动幅度信息和节奏信息。