[发明专利]一种基于稀疏学习的多摄像机非重叠视域行人匹配方法

说明书

本发明公开了一种基于稀疏学习的多摄像机非重叠视域行人匹配方法，具体包括以下步骤：步骤1，从数据集中提取行人目标特征作为行人的原始特征；步骤2，根据原始特征，利用稀疏学习提取行人目标的高层语义特征；步骤3，将高层语义特征映射到公共隐空间；步骤4，建立稀疏表示模型，并稀疏表示出样本特征；步骤5，利用步骤4处理好的样本特征进行行人匹配。本发明突破了传统的单摄像机视域限制，有效扩大了监控空间，消除了大范围监控存在的摄像头盲区，并将时间和空间上分离的目标在不同摄像机中进行匹配。本发明的方法对行人目标姿态变化、光照条件变化具有很强的鲁棒性。

技术领域

本发明属于计算机视觉领域，具体涉及多视图学习领域，特别涉及一种基于稀疏学习的多摄像机非重叠视域行人匹配方法。

背景技术

随着人们对社会公共安全的日益关注以及视频采集技术和大规模数据存储技术的发展，视频监控技术日益受到人们的重视，在商场、公园、学校、医院等人群密集易发生公共安全事件的场所应用了大量的监控摄像头。这些大量的监控摄像头形成了一个巨大的监控网络，尽管提高了监控系统的可靠性，同时也给监控视频的管理和查看带来了巨大的困难，于是如何高效地将不同摄像机中相同目标进行匹配是非重叠视域监控的关键。

在非重叠视域监控系统中，由于监控视频中的拍摄场景存在着光照变化、目标图像分辨率低、拍摄视角变化、行人姿态各异及摄像头自身属性问题，导致同一行人在不同视角中拍出的行人图像差异很大，这为匹配目标行人带来了很大挑战。为了解决这些难点问题，学者们提出了基于行人特征表示的方法和基于度量学习的方法。其中，基于行人特征表示的方法，主要关注提取更具有鉴别性的行人图像特征，仅利用标准距离(如欧式距离和巴氏距离等)进行相似性度量。例如，文献“Farenzena M,Bazzani L,Perina A,et al.Personre-identification by symmetry-driven accumulation of local features.IEEETransactions on Computer Vision and Pattern Recognition,2010,23(3):2360-2367.”提出基于行人身体对称性的特征提取方法，将人划分为头、躯干、腿部三个部分，然后提取除头部以外的累积颜色特征和纹理特征对行人进行描述。文献“Cheng SC,CristaniM,Stoppa M,et al.Custom Pictorial Structures for Re-identification.InProceedings of the British Machine Vision Conference,2014,68:1-11.”将绘画结构应用于行人重识别，用类似身体外形的结构来表示行人，再提取行人颜色特征精确匹配。然而，在实际生活中，行人在经过非重叠的摄像头时，受到视角、光照等因素的影响，拍出的行人图像质量差，如果采用标准的距离度量方法，即等贡献考虑每一个特征，可能导致不同类样本间的度量距离小，而同类样本间度量距离大。为解决该问题，研究者们关注设计有效的距离度量函数，提出了基于度量学习的方法。代表性的工作有，文献“Weinberger KQ,SaulLK.Distance metric learning for large margin nearest neighborclassification.Journal of Machine Learning Research,2009,10(1):207–244.”提出最大近邻分类间隔算法(LMNN)，使得投影之后的相同类点向内部紧缩，不同类点向外扩张。文献“Li W,Wang XG.Locally aligned feature transforms across views.ComputerVision and Pattern Recognition,2013,9(4):3594–3601.”将图像对投影到共同的特征空间，再对投影之后的图像特征进行相似性距离度量。