[发明专利]一种基于HSV和SDALF的行人重识别算法实现方法

说明书

本发明公开了一种基于HSV和SDALF的行人重识别算法实现方法，步骤包括：用摄像头采集行人视频数据；运用离散傅立叶和局部频域特征提取运动对象并生成行人图片库；从行人图片库中选出一张行人图片，将该RGB三通道图片转换成以HSV颜色空间表示的图片；用Graph Cut算法将行人目标与背景区分并对行人目标进行分块；采用空间分布覆盖算子和色双边算子计算HSV直方图并得出行人特征描述符，再用欧几里得距离计算图片相似度；用惩罚函数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。本发明能有效地解决目前行人重识别中存在的检测精度不高的问题且具有算法清晰、易于实现理解、行人重识别精度高的优点。

技术领域

本发明属于图像检索领域，具体涉及一种基于HSV和SDALF的行人重识别算法实现方法。

背景技术

行人重识别是指利用计算机视觉技术判断图像序列中是否存在特定行人的技术。行人重识别技术主要是应用在视频监控、图像检索方面。在刑侦工作中，刑侦人员经常要浏览多个摄像头中的视频，查找某个特定的行人在哪些摄像头曾经出现过。

目前行人重识别的方法很多，如专利号为CN201611199109.8的中国发明专利公开了一种基于深度学习和强化学习的行人重识别方法及系统，该行人重识别方法以及系统用包含了行人身份标签和朝向标签的行人训练数据集训练利用多任务学习方法构建的深度神经网络，然后根据预设的强化学习模型对决策空间中决策类别进行训练计算最优决策模型。该发明专利有效地提高了行人重识别的准确率，但是其不足之处在于训练神经网络时需要大量的数据，数据包括了行人图片和行人标签，在小数据量的行人图片库不适合用该发明专利公开的方法。专利号为201610922236.X的中国发明专利公开了一种行人重识别方法，该方法的行人特征提取主要采用了滑动窗口提取图像颜色直方图，其不足之处在于行人特征提取的滑动窗口大小的设置难以把握，如果滑动窗口的大小设置偏大，很有可能引起非行人的特征被提取，如果滑动窗口的大小设置偏小，很有可能行人的特征未被提取到，因此滑动窗口大小难以把握。

发明内容

本发明实施例的目的在于提供一种基于HSV和SDALF的行人重识别算法实现方法，能够有效地解决在小数据量情况下行人重识别精度不高、行人特征提取效果差问题。

本发明实施例是这样实现的，一种基于HSV和SDALF的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；

进一步，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，