視頻監(jiān)控中基于自建立樣本庫及混合特征的身份識別方法
【專利摘要】本發(fā)明公開了一種視頻監(jiān)控中基于自建立樣本庫及混合特征的身份識別方法，其首先對采集到的視頻進行預處理，進行前景檢測獲取運動目標信息，然后以該信息為基礎進行人臉檢測，接著對檢測到的人臉進行識別，如果無法識別當前檢測到的人臉則詢問用戶對檢測到的人臉進行標識，并將標識好的人臉添加到人臉樣本庫；如果在前景信息中未能檢測到人臉，則進行行人檢測，然后對檢測到的行人進行跟蹤，并對跟蹤得到的行人圖像序列進行步態(tài)周期檢測，接著對檢測到的一個周期的步態(tài)信息提取特征并進行識別，如果未能識別則同樣采用用戶標識的方式對步態(tài)進行分類并添加到步態(tài)樣本庫用。本發(fā)明為缺乏訓練樣本多樣性或小樣本情況的身份識別提供了解決方案。
【專利說明】視頻監(jiān)控中基于自建立樣本庫及混合特征的身份識別方法
【技術領域】
[0001]本發(fā)明涉及數(shù)字圖像處理、模式識別以及機器學習【技術領域】，特別涉及一種基于自建立樣本庫及混合特征的身份識別方法。
【背景技術】
[0002]生物特征識別是指利用人本身所固有的生理特征或行為特征，由計算機對其進行處理進而鑒別個人身份的一種技術。生物特征分為生理特征和行為特征。生理特征主要包括人臉、指紋、手型、掌紋、耳型、DNA、虹膜、視網(wǎng)膜、骨架等。行為特征包括簽名的動作、擊鍵的節(jié)奏、說話的聲音、行走的姿態(tài)等。其中，生理特征的人臉識別和行為特征的步態(tài)識別因具有非侵犯性而成為視頻監(jiān)控系統(tǒng)中用于身份識別的主要方法。
[0003]人臉識別是指利用分析比較人臉視覺特征信息進行身份鑒別的計算機技術，其可以定義為:輸入待查詢場景中的靜止圖像或者視頻，使用利用人臉數(shù)據(jù)庫“學習”得到的識別器識別或驗證場景中的一個人或者多個人。人臉識別的優(yōu)勢在于其自然性和不被待識別個體察覺的特點。所謂自然性，是指該識別方式同人類進行人體識別時所利用的生物特征相同。不易察覺是指待識別個體在身份識別的過程中是不容易引起其注意的，這使得該識別方法不令人反感，并且由于不易被發(fā)覺而不容易被偽裝欺騙。步態(tài)是指人們行走時的方式，一個人在行走時，雙腳動作和身體其他部位的姿勢是獨一無二的。而且這種姿勢具有相對穩(wěn)定性，在一定的時間范圍和相似的步行環(huán)境下不容易改變，人們可以據(jù)此判斷出行走人的身份。采用步態(tài)特征進行身份識別具有獨特的優(yōu)點:首先，利用步態(tài)進行識別時，采集步態(tài)信息的攝像機與待識別個體的距離較遠，因此該方法不具有侵犯性，也不需要身體接觸，即步態(tài)具有不易察覺性。其次，步態(tài)是難以隱藏的，由于步態(tài)特征受年齡、骨骼結構等多種因素影響，偽裝他人步態(tài)很容易露出馬腳，即步態(tài)具有不易偽裝性。第三，利用視頻圖像進行步態(tài)識別時，對圖像的分辨率要求較低，即步態(tài)識別對硬件要求不高。第四，步態(tài)識別可以在遠距離范圍內(nèi)進行識別，做到提前預警?；谶@些優(yōu)勢，對步態(tài)識別研究的關注度越來越高。
[0004]綜上所述，人臉及步態(tài)在應用于身份識別時優(yōu)勢較為明顯。表I在應用場合、優(yōu)缺點、識別距離、是否需要被測者配合、對圖像質(zhì)量要求以及識別率方面進行了比較。由表I可以看出，人臉識別和步態(tài)識別具有相似的應用場合和適用條件，它們都不需要被測試者的配合，可以在不被察覺的情況下對目標進行身份識別。在識別距離上，步態(tài)識別屬于遠距離識別；人臉識別可用于中等距離。因此在應用場景上人臉和步態(tài)具有融合的可能。人臉識別易受光照、表情、姿態(tài)、年齡變化等因素的影響，而步態(tài)識別易受刺激物、生理改變、心理因素、衣服光照條件、遮擋物等的影響，此兩種生物特征的影響因素不同，當其中一種生物特征受到影響因素干擾的時候另一種生物特征仍可有效地發(fā)揮作用。因此，步態(tài)特征和人臉特征相結合進行身份識別已成為目前行人識別的一個新的研究方向。
[0005]表I步態(tài)識別與人臉識別比較表
[0006]
【權利要求】
1.視頻監(jiān)控中基于自建立樣本庫及混合特征的身份識別方法，其特征在于，所述方法先通過預先訓練好的人臉及行人分類器對輸入的圖像序列進行檢測，利用人機交互的方式對檢測到的正面人臉樣本和側(cè)面步態(tài)樣本進行分類標識作為識別階段用于“訓練”的樣本，再利用這些樣本提取人臉或步態(tài)特征訓練識別器，將檢測出的其它樣本進行分類標識，如果有未能分類標識的人臉或步態(tài)則再詢問用戶進行標識。
2.根據(jù)權利要求1所述的視頻監(jiān)控中基于自建立樣本庫及混合特征的身份識別方法，其特征在于，在檢測識別過程中，采用人臉識別為主步態(tài)識別為輔的方式進行身份識別，當前圖像幀中未檢測到完整的正面人臉圖像，則進行行人檢測及跟蹤并提取步態(tài)特征進行身份識別；進行步態(tài)識別時，針對的連續(xù)圖像序列幀中至少包括一個步態(tài)周期的數(shù)據(jù)。
3.根據(jù)權利要求2所述的視頻監(jiān)控中基于自建立樣本庫及混合特征的身份識別方法，其特征在于，所述身份識別方法的具體包括如下步驟: (1)對采集到的圖像序列進行預處理，預處理后獲取運動區(qū)域信息； (2)在獲取到的運動區(qū)域(即前景信息)中進行人臉檢測，若檢測到人臉信息，轉(zhuǎn)入步驟(3);若未檢測到人臉信息，則轉(zhuǎn)入步驟(4)； (3)如果檢測到人臉信息，歸一化后利用LBP算子提取特征，和已有的人臉樣本特征進行比較識別，并輸出識別結果；如果無法識別當前檢測到的人臉信息(即和已有的人臉樣本不匹配或者人臉樣本庫為空)，則詢問用戶進行標識，并將標識好的人臉樣本添加到樣本庫中； (4)如果未檢測到人臉則在運動區(qū)域(即前景信息)中進行行人檢測； (5)跟蹤檢測到的行人，得到其行走的圖像序列，并進行步態(tài)周期檢測； (6)對跟蹤得到的一個步態(tài)周期的步態(tài)序列提取步態(tài)特征，并與已有的步態(tài)樣本特征進行比較識別，并輸出識別結果；如果無法識別當前提取到的步態(tài)特征(即和已有的步態(tài)樣本不匹配或者步態(tài)樣本庫為空)，則詢問用戶進行標識，并將標識好的步態(tài)信息添加到樣本庫中。
4.根據(jù)權利要求3所述的視頻監(jiān)控中基于自建立樣本庫及混合特征的身份識別方法，其特征在于，所述步驟(1)中的預處理操作包括:對比度增強、邊緣增強、灰度拉伸、運動目標提取。
5.根據(jù)權利要求3或4所述的視頻監(jiān)控中基于自建立樣本庫及混合特征的身份識別方法，所述步驟(1)中基于ViBe的背景減除法提取當前場景中的運動目標信息，并在獲取運動目標信息時對兩次獲得的前景掩膜進行邏輯“與”操作；同時還利用grabcut技術結合運動目標提取時獲得的運動目標的最小包圍矩形得到完整的運動目標信息。
6.根據(jù)權利要求3所述的視頻監(jiān)控中基于自建立樣本庫及混合特征的身份識別方法，所述步驟(2)中進行人臉檢測時，利用提取到的樣本庫中樣本的Haar-1ike特征通過Adaboost算法訓練得到的分類器進行檢測，訓練過程使用“自舉”方法。
7.根據(jù)權利要求3所述的視頻監(jiān)控中基于自建立樣本庫及混合特征的身份識別方法，所述步驟(3)中進行人臉識別時，利用改進的圓形區(qū)域的LBP算子，將檢測到的人臉分成若干塊，然后生成每一塊的LBP直方圖，最后將所有塊的LBP直方圖連接起來作為特征直方圖，并以此描述為依據(jù)進行分類識別。
8.根據(jù)權利要求3所述的視頻監(jiān)控中基于自建立樣本庫及混合特征的身份識別方法，所述步驟(4)中進行行人檢測時，將樣本庫中的樣本歸一化為64X128大小的圖片，由此提取得到樣本庫中樣本對應的方向梯度直方圖，并以此作為檢測特征利用Adaboost算法訓練得到的分類器進行檢測。
9.根據(jù)權利要求3所述的視頻監(jiān)控中基于自建立樣本庫及混合特征的身份識別方法，所述步驟(5)中利用meanshift算法對檢測到的行人進行跟蹤，對跟蹤得到的步態(tài)圖像序列利用每一幅步態(tài)輪廓圖計算其擺動距離，并利用奇數(shù)極大值點確定步態(tài)周期。
10.根據(jù)權利要求3所述的視頻監(jiān)控中基于自建立樣本庫及混合特征的身份識別方法，所述步驟(6)中進行步態(tài)特征識別時，利用步態(tài)的輪廓邊界計算輪廓質(zhì)心，并將輪廓圖轉(zhuǎn)換到以質(zhì)心為圓點、水平向右為實軸、豎起向上為虛軸的復數(shù)坐標系，轉(zhuǎn)換后利用PSA技術對輪廓進行運動或 結構上的統(tǒng)計表達來描述其特性并得到PMS進行身份識別。
【文檔編號】G06K9/66GK103942577SQ201410177441
【公開日】2014年7月23日 申請日期:2014年4月29日 優(yōu)先權日:2014年4月29日
【發(fā)明者】張然然, 廖小勇, 楊松紹, 羅友軍, 徐家君 申請人:上海復控華龍微系統(tǒng)技術有限公司