大范围优先的跨摄像机视觉目标再识别方法
【专利摘要】本发明涉及一种大范围优先的跨摄像机视觉目标再识别方法，所述方法包括：步骤S1.获得单场景目标的初始轨迹；步骤S2.计算每条轨迹的分段主颜色谱直方图特征，得到轨迹特征表达；步骤S3.利用最小化不确定度的方法得到任意两条轨迹间匹配度的计算公式，从而得到任意两条轨迹间匹配度；步骤S4.对所有轨迹采用最大后验概率的方法进行全局数据融合得到跨场景的跟踪结果。本发明目标再试别方法，识别正确率高。
【专利说明】大范围优先的跨摄像机视觉目标再识别方法
【技术领域】
[0001] 本发明涉及视频监控与模式识别领域，尤其涉及一种大范围优先的跨摄像机视觉 目标再识别方法。
【背景技术】
[0002] 随着社会现代化建设的快速发展，人们对社会安全的关注也越来越高，特别是对 于一些公共场所，如学校，医院和政府机关等的监控。如今数以千计的摄像机被用于公共场 所的日常监控，这些摄像机每天产生着大量的视频数据。但是，作为传统的视频监控系统由 于需要人为的监视，因而存在着很多难以克服的问题。
[0003] 首先，现有的视频监控都需要有人在视频前实时监视，没法实现自动监控报警，很 容易长时间监视而造成人员的过度疲劳。同时，由于监控范围的原因，通常需要监控人员同 时进行多路监控，往往会应接不暇。这就需要智能化视频监控。
[0004] 而智能视频监控的核心技术，大范围监控场景下的视觉目标再识别技术也一直是 计算机视觉领域的研究热点之一，基于多场景目标跟踪的视觉目标再识别也是吸引了很多 学者的研究。多场景下的目标跟踪不仅能实现对公共场所行人的监控跟踪，同时，也为进一 步的高级处理（如行为识别）提供了更有用的价值信息。传统的多场景目标跟踪算法主要 分两步：第一步是先完成单场景下多目标的跟踪，得到每个单场景下各个目标的完整轨迹； 第二步跨场景目标接力，通过场景间的时空信息实现场景间的轨迹连接，完成目标接力。从 这两步可以看出，跨场景目标接力是以单场景的目标跟踪为基础的，其输入来源于单场景 跟踪的结果。也就是说，当单场景跟踪结果达不到一定标准时，跨场景接力效果直接会受 到很大的影响。而现今的单场景目标跟踪算法在实际应用中都会长生大量的断裂的零碎 轨迹和错误的干扰轨迹，都还没有达到可以用于跨场景接力的标准。这就使得跨场景接力 算法的效果无法得到保证，最终导致实际场景中的多场景的目标跟踪难以实现。传统的跨 场景接力算法都是假设单场景跟踪效果已经足够理想，以此作为算法输入，因而其在实际 应用中接力效果相对较差。那么如何在单场景目标跟踪效果不好的情况下，提高跨场景接 力准确率，从而完成基本的多场景目标跟踪以实现目标的再识别成为了一个急需解决的问 题。
【发明内容】
[0005] 本发明的目的是针对现有技术的缺陷，提供一种大范围优先的跨摄像机视觉目标 再识别方法，解决大范围监控场景下的目标再识别问题，识别正确率高。
[0006] 为实现上述目的，本发明提供了一种大范围优先的跨摄像机视觉目标再识别方 法，所述方法包括：
[0007] 步骤S1，获得单场景目标的初始轨迹；
[0008] 步骤S2,计算每条轨迹的分段主颜色谱直方图特征，得到轨迹特征表达；
[0009] 步骤S3,利用最小化不确定度的方法得到任意两条轨迹间匹配度的计算公式，从 而得到任意两条轨迹间匹配度；
[0010] 步骤S4,对所有轨迹采用最大后验概率的方法进行全局数据融合得到跨场景的跟 踪结果。
[0011] 进一步的，所述步骤S1中，对每一轨迹，所有帧的置信度的平均值被用来表示该 轨迹的轨迹准确度：
[0012]
【权利要求】
1. 一种大范围优先的跨摄像机视觉目标再识别方法，其特征在于，所述方法包括： 步骤S1，获得单场景目标的初始轨迹； 步骤S2,计算每条轨迹的分段主颜色谱直方图特征，得到轨迹特征表达； 步骤S3,利用最小化不确定度的方法得到任意两条轨迹间匹配度的计算公式，从而得 到任意两条轨迹间匹配度； 步骤S4,对所有轨迹采用最大后验概率的方法进行全局数据融合得到跨场景的跟踪结 果。
2. 根据权利要求1所述的方法，其特征在于，所述步骤S1中，对每一轨迹，所有帧的置 信度的平均值被用来表示该轨迹的轨迹准确度：
(1) 其中，置信度α表示对于每一帧的跟踪结果，α〈0.2表示跟踪目标丢失，％和&分别 为该轨迹的起始帧和结束帧； 最后形成的所有目标轨迹的集合为L = {lp 12,. . .，1Ν}，Ν为轨迹综述，每一条轨迹h =[Xi, q，Si, h，aj，分别表示轨迹的位置，准确度，所属场景，时间和表观特征。
3. 根据权利要求2所述的方法，其特征在于，所述步骤S2具体包括： 计算每帧中目标的颜色直方图，然后根据其Η和S值，将颜色分为16*2个颜色，从中选 取前η个颜色值作为该目标该帧的特征： h = ΙΑ，C2, · ·，CJ (2) 其中，Q为前η种像素数之和占总像素数比例的90%以上的颜色，每一条轨迹的总特 征为：
(3) 其中，mk为轨迹k的长度； 对总特征Η中的所有特征hp利用计算相互间的相似度Λ iSimQ^hj)，通过其轨迹 中每帧间的相似度信息找到运动周期，利用周期对原来轨迹特征Η进行重新分段，通过下 式得到总特征Η中可能存在的周期性信息ρ :
(4) 利用周期性信息Ρ对将轨迹重新进行均匀分段，至此得到轨迹的分段主颜色谱直方图 特征：
(5) I示轨迹分段的段数。
4. 根据权利要求3所述的方法，其特征在于，所述步骤S3具体包括： 计算两条轨迹间相似度指导轨迹间的匹配，在最大化相似度的同时最小化不确定度， 由此使得得到的相似度匹配值能反映两轨迹间的真实相似关系，匹配公式为：
其中，HA和hb为两段不同轨迹的分段主颜色谱直方图特征，///和"/^分别为其中的某 一段，i = {1，2, · · ·，dA}，j = {1，2, · · ·，dB}。
5.根据权利要求4所述的方法，其特征在于，所述步骤S4具体包括： 步骤S4-1，每一条全局融合后的轨迹为7；=彳/,, 乂那么总的融合后的轨迹集合 为T = {1\，T2,. . .，Tm}，m为融合后的轨迹数目；在给定轨迹集合L和融合后轨迹间无重叠 的条件下，集合T的最大后验概率为：
(7) 其中，Ρ(1」τ)为轨迹li的相似度，P(Tk)为可能的融合后的轨迹的先验概率，它可以表 示为一条包含转移概率ΠΡ(/^ |仏）的马尔科夫链； 步骤S4-2,建立图结构，其中每个节点表示一个轨迹片段I其值为Ci，每条边表示先 验概率P(li - ip，从整个图中最小的代价函数流得到使得T#最大的集合，对于每条流的代 价能量用负对数函数表示：
(8) 其中，Pm和Pt分别表示轨迹间的运动信息和时间信息的匹配概率，Pa表示轨迹表观特 征间的匹配概率，匹配相似度公式为：
(9) 得到每条流的代价能量，遍历最终得到使后验概率最大的集合T即为多场景目标跟踪 和再识别的结果。
【文档编号】G06K9/00GK104094279SQ201480000159
【公开日】2014年10月8日 申请日期:2014年4月30日 优先权日:2014年4月30日
【发明者】黄凯奇, 曹黎俊, 陈威华 申请人:中国科学院自动化研究所