[发明专利]一种多摄像机间人体目标再识别的方法及系统

说明书

本发明适用于无重叠区域的多摄像机间的人体再识别，提供了一种多传感器间人体目标再识别的方法，步骤包括：A，将已知人体图像序列与图库中的待识别的个体图像序列分成若干组，根据原型相似度特征计算各组的个体相似度差异特征；B，根据各组的个体相似度差异特征及其对应的标签来进行分类器训练；C，计算分类器的输出权值平均值，从而确定最匹配人体。本发明能够用多帧图像数据来实现人体再识别，及度量多帧图像数据中的人体目标的相似度，与现有技术提供的算法相比，本发明提供提出的显著性差异距离在数据集上识别率较高，可以有效的改善不同摄像机间样本图像中人体产生较大的外形、尺度和遮挡等影响因素的鲁棒性，从而提高算法的识别率。

技术领域

本发明属于图像识别领域，尤其涉及一种无重叠区域的多摄像机间人体目标再识别的方法及系统。

背景技术

目前，现有技术的人体再识别方法几乎都是使用一幅查询图像与图库中所有图形进行相似度匹配，然而，这些方法存在固有缺陷，即人体外观特征在摄像机间可能会发生显著性变化。视觉识别原理指出目标识别是一个动态的过程，即需要注视两个目标一段时间后才能识别出它们是否为同一目标。现有技术中有利用行人在每个摄像机内跟踪产生的图像序列，提出了基于图像序列的人体再识别算法。该算法计算两个摄像机中人体序列对应样本间相似度作为特征，从而将人体再识别转化为一个二分类问题，并利用adaboost分类器来判断是否为同一人。在该方法中每个样本仅与另一样本序列中一个样本进行相似度对比，得到的特征不仅缺乏多样性，而且缺乏考虑样本自身形变、拍摄视角变化等影响。如图1所示，a与d的腿部形状变化较大而与e的较为相似；b与e腿部形状变化较大而与f比较相似；c与f腿部形状变化较大而与d比较相似。如果采用上述的再识别方法，即a与d、b与e、c与f分别进行相似度比较，则会忽略a与e、b与f、c与d之间相似度的贡献。

现有技术无法实现用多帧图像数据进行人体再识别，及度量多帧图像数据中的人体目标的相似度。

发明内容

本发明所要解决的技术问题在于提供一种多传感器间人体目标再识别的方法及系统，旨在解决现有技术无法实现用多帧图像数据进行人体再识别，及度量多帧图像数据中的人体目标的相似度的问题。

本发明是这样实现的，一种多摄像机间人体目标再识别的方法，包括以下步骤：

步骤A，将已知人体图像序列与图库中的待识别的个体图像序列分成若干组，根据原型相似度特征计算各组的个体相似度差异特征；

步骤B，根据各组的个体相似度差异特征及其对应的标签来进行分类器训练；

步骤C，计算分类器的输出权值平均值，根据所述输出权值平均值确定最匹配人体。

进一步地，所述步骤A包括以下步骤：

步骤A1，将已知人体图像序列与图库中待识别的个体图像序列分为若干组；

步骤A2，计算组内每幅图像中人体的原型相似度特征；

步骤A3，分别计算查询个体各组内每幅已知人体图像的原型相似度特征一一与待识别图库中具有相同组编号的组内所有人体图像的原型相似度特征的相似度；

步骤A4，以每一组内所有的相似度作为一个新的描述子，即个体相似度差异特征；

以n,m分别表示样本图像序列和待识别图像序列的大小，表示第i个人的第n幅图像的原型相似度特征,以f_isdf表示个体相似度差异特征，则：

进一步地，所述步骤A1具体包括：

采用系统抽样的方式将已知人体图像序列与图库中的待识别的个体图像序列分配到各个组内；以seq表示某个体图像序列，则：