基于顯著性特征和遷移增量學(xué)習(xí)的多攝像機(jī)目標(biāo)識(shí)別方法
【專利摘要】本發(fā)明公開了一種基于顯著特征和遷移增量學(xué)習(xí)的多攝像機(jī)目標(biāo)識(shí)別方法，包括如下步驟：步驟1提取灰度直方圖特征并歸一化，步驟2提取顯著性特征，步驟3特征融合，步驟4分類識(shí)別。本發(fā)明融合顯著性特征和灰度直方圖特征構(gòu)造目標(biāo)的外觀特征模型，采用基于遷移增量學(xué)習(xí)的方法作為分類器，在攝像機(jī)之間時(shí)空關(guān)聯(lián)信息未知，無需攝像機(jī)標(biāo)定的情況下，解決了攝像機(jī)視野不重疊時(shí)的目標(biāo)識(shí)別問題。本發(fā)明的特點(diǎn)主要有一下兩點(diǎn)：1)僅需要少量的訓(xùn)練樣本，就能得到一個(gè)高效、魯棒的目標(biāo)識(shí)別模型；2)能夠準(zhǔn)確地識(shí)別新的目標(biāo)。本發(fā)明適用于實(shí)時(shí)的無重疊域多攝像機(jī)長距離目標(biāo)跟蹤。
【專利說明】基于顯著性特征和遷移增量學(xué)習(xí)的多攝像機(jī)目標(biāo)識(shí)別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于計(jì)算機(jī)視覺中的智能視頻監(jiān)控領(lǐng)域，適用于實(shí)時(shí)的無重疊域多攝像機(jī)長距離目標(biāo)跟蹤。
【背景技術(shù)】
[0002]可視化跟蹤是計(jì)算機(jī)視覺應(yīng)用的一個(gè)重要課題，如智能視頻監(jiān)控、人機(jī)交互和增強(qiáng)現(xiàn)實(shí)等。這個(gè)問題可以容易的表示為從視頻序列的第一幀識(shí)別出一些特定的目標(biāo)，并在之后的視頻序列中跟蹤他們。然而，一些實(shí)際的情況，使得這個(gè)問題變得非常具有挑戰(zhàn)性。首先，由于一個(gè)單一的攝像機(jī)視野有限，很難進(jìn)行大范圍監(jiān)測(cè)。很多跟蹤系統(tǒng)利用多個(gè)攝像頭共同對(duì)目標(biāo)進(jìn)行跟蹤。但是，由于經(jīng)濟(jì)和計(jì)算的原因，這些攝像機(jī)的視野都是不重疊的。然而無重疊域的視頻監(jiān)控環(huán)境下，每個(gè)攝像機(jī)之間是相對(duì)獨(dú)立的，不需要復(fù)雜的攝像機(jī)標(biāo)定，但是彼此間的空間關(guān)系、時(shí)間關(guān)系以及時(shí)間差都是未知的，也就是說，不同攝像機(jī)之間的跟蹤信息是不連續(xù)的。因此傳統(tǒng)的基于跟蹤軌跡的方法已不再適用。其次，另一個(gè)難點(diǎn)就是，攝像機(jī)捕捉到的目標(biāo)，由于攝像機(jī)不同的參數(shù)、噪聲、遮擋、目標(biāo)運(yùn)動(dòng)、光照等，導(dǎo)致所捕獲的目標(biāo)外觀不同?；谔卣鞯哪繕?biāo)跟蹤方法是多攝像機(jī)目標(biāo)匹配的一種經(jīng)典方法。大多數(shù)都是使用圖像的外觀特征，例如顏色、邊緣、紋理等。然而，這些特征都對(duì)光照變化和幾何變形很敏感。當(dāng)然，有些問題已經(jīng)被很好的解決了，例如SIFT特征，能夠魯棒地處理光照變化和尺度變化等，同時(shí)能夠?qū)δ繕?biāo)進(jìn)行精確的匹配。顯著性特征能夠很好的表示出引起人眼注意的視頻區(qū)域。它源于視覺的獨(dú)特性、不可預(yù)測(cè)性以及奇異性，并且由顏色、梯度、邊緣等圖像屬性所致。一般來說，目標(biāo)的特征提取后，目標(biāo)匹配可以采用基于相似度測(cè)量的方法完成匹配，例如傳統(tǒng)的歐幾里德距離和馬哈拉諾比斯距離等相似度測(cè)量方法?？墒菫榱四軌蜃R(shí)別新的目標(biāo)以及適應(yīng)目標(biāo)的形態(tài)變化，我們需要學(xué)習(xí)和更新目標(biāo)的特征模型。遷移增量學(xué)習(xí)方法與顯著性特征結(jié)合，不僅能夠從少量的樣本中，高效地學(xué)習(xí)到識(shí)別率很高的特征模型，還能識(shí)別新的目標(biāo)。

【發(fā)明內(nèi)容】

[0003]本發(fā)明針對(duì)現(xiàn)有技術(shù)的不足，提供了一種基于顯著性特征和遷移增量學(xué)習(xí)的多攝像機(jī)目標(biāo)識(shí)別方法。
[0004]基于顯著特征和遷移增量學(xué)習(xí)的多攝像機(jī)目標(biāo)識(shí)別方法，包括以下步:
[0005]步驟I提取灰度直方圖特征并歸一化:
[0006]P (rk) = nk/MN
[0007]其中rk是第k級(jí)灰度級(jí)，nk是圖像中灰度為rk的像素個(gè)數(shù)，M和N分別為圖像的行和列的維數(shù)，P (rk)是灰度級(jí)rk在圖像中出現(xiàn)的概率；灰度直方圖特征:
[0008]= (p(r0), PCr1),,.., p(r255))
[0009]步驟2提取顯著性特征:顯著性特征是基于區(qū)域?qū)Ρ榷鹊囊曈X顯著性區(qū)域檢測(cè)算法，同時(shí)考慮了全局對(duì)比度和空間相干性；其步驟如下，[0010](2.1)計(jì)算圖像像素顯著值，得到顯著圖像；這里采用帶權(quán)值的區(qū)域?qū)Ρ榷确椒?，來增?qiáng)區(qū)域的空間影響效果，簡單地說，就是近鄰的區(qū)域影響增大，較遠(yuǎn)的區(qū)域影響減小，對(duì)于任意區(qū)域rk,顯著性值定義為:
[0011]
【權(quán)利要求】
1.基于顯著特征和遷移增量學(xué)習(xí)的多攝像機(jī)目標(biāo)識(shí)別方法，包括以下步: 步驟I提取灰度直方圖特征并歸一化:
P (rk) = nk/MN 其中rk是第k級(jí)灰度級(jí)，nk是圖像中灰度為rk的像素個(gè)數(shù)，M和N分別為圖像的行和列的維數(shù)，P (rk)是灰度級(jí)rk在圖像中出現(xiàn)的概率；灰度直方圖特征:
【文檔編號(hào)】G06K9/62GK103984955SQ201410165717
【公開日】2014年8月13日 申請(qǐng)日期:2014年4月23日 優(yōu)先權(quán)日:2014年4月23日
【發(fā)明者】王慧燕, 劉日積, 王勛 申請(qǐng)人:浙江工商大學(xué)