[发明专利]一种基于HSV和SDALF的行人重识别算法实现方法

权利要求书

1.一种基于HSV和SDALF的行人重识别算法实现方法，其特征在于，该行人重识别算法实现方法包括以下步骤：

步骤一：用摄像头采集行人视频数据；

步骤二：运用离散傅立叶和局部频域特征提取视频中的运动对象，生成行人图片库；

步骤三：从行人图片库中选出一张行人图片，用matlab内置函数rgb2hsv()将RGB三通道图片转换成以HSV颜色空间表示的图片；

步骤四：用Graph Cut算法将行人目标与背景区分并用matlab内置函数round()对行人目标进行对称分块，分别分为头部、上身左半部分、上身右半部分、下身左半部分和下身右半部分；

步骤五：采用空间分布覆盖算子和色双边算子计算HSV直方图并且得出行人特征描述符，再用欧几里得距离计算图片相似度；

步骤六：用惩罚函数计算惩罚分数并根据惩罚分数高低对行人图片库中的行人图片进行排序并输出前六张行人图片，得到行人检测最终结果集；

步骤七：最终结果集内的行人目标与步骤三中选出的行人图片中的行人目标一致；

在步骤四中的Graph Cut算法采用了一种区分性的外观模型，该外观模型对于图片的每一个像素，提取一个多维的特征向量，并且通过训练一个分类器将行人目标与背景区分；该分类器采用了逻辑回归器以寻找一个最优的分类面；某一点的像素p的特征向量为f_p，其中f_p＝(1，h，s，v，h²，s²，v²，hs，hv，sv)，h，s，v分别表示像素点p的HSV值，像素p的标记为l_p，当l_p＝1表示该像素位于行人目标区域，其概率为

当l_p＝0表示该像素位于背景区域，其概率为

θ是指逻辑回归器的参数；

步骤五中的用欧几里得距离计算图片间的相似度，设匹配两张图片的头部，头部有n个像素点，用n个元素值(x1，x2，......xn)组成该头部图像的特征组即像素点矩阵中所有的像素点，特征组形成了n维空间；在n维空间下，两个图像矩阵各形成了一个点，然后用欧氏距离公式计算两点之间的距离，欧氏距离具体实现方式如下：

其中image表示一张行人图片，A₁表示行人图片库A中的第一张图片，distance越小，这两张图片的相似度越高；

步骤六中的惩罚函数定义为

其中A_i表示行人图片库A中的第i张图片，γ是一个调节变化的参数；根据欧式距离得到惩罚分数对行人图片库A中的行人图片进行排序并输出前六张行人图片，得到最终检测结果集。

2.如权利要求1所述的一种基于HSV和SDALF的行人重识别算法实现方法，其特征在于，在步骤二中的运用离散傅立叶和局部频域特征提取运动对象方法，其具体实现过程如下：

a.像素级局部频域特征提取：采用加窗的离散傅立叶变换从图像中的局部区域提取局部频域信息，给定一幅输入行人图像f(x)，其局部频域信息可通过加窗的离散傅立叶变换在像素x附近k×k大小的邻域窗口中计算得F(μ，x)＝∑f(x-y)exp{-j2πμ^Ty}，其中y是大小为k×k的邻域窗口内的一个像素点，u＝[u_x，u_y]为频率向量，u_x和u_y分别表示图像行和列方向上的频率设置，j是虚数符号；

b.视频背景建模：一段时长为t的视频帧序列进行局部频率模式操作后在位置x的特征序列可以表示为

其中y_i是3×3邻域内的第i个像素，M(x)为像素x在频率u上所获得响应的模值，若(M(y_i)-M(x))≥0，则s(M(y_i)-M(x))＝1，若(M(y_i)-M(x))＜0，则s(M(y_i)-M(x))＝0；因此，一个像素属于背景模型的概率为

其中w_i是对于每一个历史样本对应的权重系数，K_H是代表带宽为H的核函数，B代表背景；当像素邻域估计的概率的中值大于所设定的阈值T则定为背景，否则为行人运动前景对象，

3.如权利要求1所述的一种基于HSV和SDALF的行人重识别算法实现方法，其特征在于，在步骤五中的空间分布覆盖算子被定义为

其中i表示水平切分轴的高度，δ表示垂直扩展的距离，J表示行人目标的宽度，色双边算子被定义为

其中p_i和分别表示以i为对称轴两边的像素点的值，d(·，·)为欧几里得距离；空间分布覆盖算子和色双边算子分别计算人体的每一个子块的H，S，V直方图，其最后的行人描述符可用如下表示：

A_i表示行人图片库A中的第i张图片，H_hsv是HSV颜色直方图，n是身体子块的数量，根据划分，n＝5。