非重叠域人体对象再识别算法研究

摘要

当前，智能视频监控的应用越来越广泛，人体对象再识别技术也日益重要，是受到众多研究者关注的一个热点方向。人体对象再识别，就是在非重叠的多摄像机监控系统中，输入以人体对象为中心的带边框的图像，能够通过相似性度量的方法，识别出一个感兴趣的目标对象。由于每个摄像机的摄像头成像时的特征、拍摄时的角度、拍摄环境下的光照都各不相同，拍摄到的运动目标外观发生很大变化，非重叠域监控网络中的目标匹配比较困难。
　　为了解决目标匹配的困难，目前研究者主要在两个方面进行研究：通过目标外观视觉特征的提取和匹配来实现人体对象再识别，以及通过基于学习的机制来实现人体对象再识别。本文着重在目标外观视觉特征的提取方法上，提出两个外观特征算法。
　　第一个方法是基于PS(Pictorial Structure）模型和多特征融合的人体对象再识别算法。该算法在特征提取前，首先将人体对象从带边框的图像中同背景分割出来。为了能更准确地将人体的轮廓提取出来，减少背景杂波的干扰，该算法使用了PS模型，从而使得提取的特征更加纯净、更加可靠。颜色特征相比其他特征有更好的视点不变性，但是对于特定的目标对象，如纹理特征明显的人群，单个颜色特征的性能有待改善。本文提出了基于PS模型的多特征融合的算法，通过比较多个纹理特征，将性能表现最好的纹理特征和颜色特征融合在一起，获得适用范围更广的特征描述，在性能上有较大改善。
　　第二个方法是基于多颜色空间和区域协方差的人体对象再识别算法。此算法使用多颜色空间、Gabor特征提取及协方差矩阵多个方式来获取图像描述符，能获得图像像素的强度、纹理和形状信息。此特征描述符通过相邻尺度的相似性度量减小了背景杂波的影响，对输入的带框图像不需要提取人体前景，对光照，尺度及背景变化有一定的不变性。同时，通过叠加多个颜色空间的特征，及特别的协方差矩阵设计，使得算法性能有较大提升。
　　以上所有的方案都在MATLAB上验证。实验表明，提出的算法在性能上有较好的改善。

目录

声明

1. 绪论

1.1.引言

1.2.研究背景和意义

1.3.研究现状

1.4.论文的研究目标

1.5.论文结构安排

2. 人体对象再识别概述

2.1.研究方法

2.2.数据集和评价标准

2.3.常用人体特征

2.4.相似度度量方法

2.5.本章小结

3. 基于帧间差的背景建模及基于三帧差分的前景检测算法

3.1.背景建模技术

3.2.目标检测技术

3.3.基于帧间差的背景建模及前景检测算法

3.4.本章小结

4. 基于PS模型和多特征融合的人体对象再识别算法

4.1.算法概要和流程

4.2. PS模型的构造

4.3.特征提取

4.4.特征匹配

4.5.实验仿真和性能分析

4.6.本章小结

5. 基于多颜色空间和协方差矩阵的人体对象再识别算法

5.1.算法概要和流程

5.2.特征提取

5.3.实验仿真和性能分析

5.4.本章小节

6. 结束语

6.1.全文总结

6.2.后续研究工作

参考文献

致谢

攻读硕士学位期间已发表或录用的论文