CN103077376A - 基于视频图像中的人体图像再识别的方法 - Google Patents
基于视频图像中的人体图像再识别的方法 Download PDFInfo
- Publication number
- CN103077376A CN103077376A CN2012105925156A CN201210592515A CN103077376A CN 103077376 A CN103077376 A CN 103077376A CN 2012105925156 A CN2012105925156 A CN 2012105925156A CN 201210592515 A CN201210592515 A CN 201210592515A CN 103077376 A CN103077376 A CN 103077376A
- Authority
- CN
- China
- Prior art keywords
- human body
- image
- vector
- body image
- reference vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种基于视频图像中的人体图像再识别的方法,包括:检测出视频图像中的人体图像;确定所述人体图像的特征向量,将确定的特征向量与预先采集的数据库中的多个基准向量进行匹配;将所述数据库中匹配成功的人体图像作为识别结果。通过上述的步骤,可在数据库中确定出人体图像,将确定出的人体图像作为检测到的人体图像。从而可在视频中掌握每个人体图像的运动轨迹以及活动范围。
Description
技术领域
本发明涉及视频监控领域,具体而言,涉及一种基于视频图像中的人体图像再识别的方法。
背景技术
对于公共场所的安防,目前通常采用摄像头实现图像的采集。
由于目前的视频识别技术,只能识别出视频中的人体图像,不能对人体图像所对应的个体进行确认,从而导致不能区分出每个人的移动轨迹,不能确定当前视频中的人体图像所对应的身份。
发明内容
本发明旨在提供一种基于视频图像中的人体图像再识别的方法,以解决不能对人体图像的个体进行确认的问题。
在本发明的实施例中,提供了一种基于视频图像中的人体图像再识别的方法,包括:
检测出视频图像中的人体图像;
确定所述人体图像的特征向量,将确定的特征向量与预先采集的数据库中的多个基准向量进行匹配;
将所述数据库中匹配成功的人体图像作为识别结果。
通过上述的步骤,可在数据库中确定出人体图像,将确定出的人体图像作为检测到的人体图像。从而可在视频中掌握每个人体图像的运动轨迹以及活动范围。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1示出了实施例的流程图;
具体实施方式
下面将参考附图并结合实施例,来详细说明本发明。参见图1,实施例的步骤包括:
S11:检测出视频图像中的人体图像;
S12:确定所述人体图像的特征向量,将确定的特征向量与预先采集的数据库中的多个基准向量进行匹配;
S13:将所述数据库中匹配成功的人体图像作为识别结果。
通过上述的步骤,可在数据库中确定出人体图像,将确定出的人体图像作为检测到的人体图像。从而可在视频的多个人体图像中确定出唯一的人体图像。
优选地,实施例中,检测人体图像的步骤包括:使用高斯背景建模法在视频中检测运动区域。在检测到的运动区域内,使用基于方向梯度直方图(HOG)和带有隐含参数的支持向量机(latent SVM)的物体检测方法,在不同尺度上对视频中的人体图像进行检测。
优选地,实施例中,确定特征向量的过程包括:
将检测到的图像转换为HSV格式,并提取颜色分布直方图。
从RGB颜色空间到HSV颜色空间的转换,计算公式如下:
v=max
其中max=max(r,g,b),min=min(r,g,b)。比如,对于RGB颜色值为(0.1,0.2,0.5)的像素点,在HSV颜色空间中的值为(225,0.8,0.5)。
计算颜色直方图:对于图像中的每一个像素,对其颜色进行统计。例如,v分量小于阈值1为黑色,v分量大于阈值2并且s分量小于阈值3为白色,v分量在阈值1和阈值2之间且v分量小于阈值3为灰色,其他颜色为彩色。
对于彩色,按照h分量从0到360均匀划分为6种颜色,即[0,60),[60,120),[120,180),[180,240),[240,300),[300,360)。
对每个像素的颜色进行统计,并计算出每种颜色在人体图像中所占比例,依次存储到数组x中,作为图像的特征向量使用。
例如,一个图像中有10个像素点。其中黑色点和白色点各有3个,另外4个点属于颜色[60,120),那么这个图像对应的特征向量为(0.3,0.3,0,0,0.4,0,0,0,0)。
优选地,实施例中,所述数据库中的基准向量由以下步骤确定:
预先采集视频图像中的每个人的多幅人体图像;
采用K-means聚类算法对同一个人所述多幅人体图像运算,将多幅人体图像一一对应的多个特征向量运算,得到每个人对应的一个特征向量作为基准向量。
使用K-means训练时,将检测过程中得到的每一个人体图像的颜色直方图作为特征向量进行聚类,得到特征向量的聚类中心,以及每个聚类中心包含的样本。
K均值算法需要输入一个参数k,以及若干个特征向量。通过K均值算法计算可以将这些特征向量分为k类,以及每一类中所包含的样本。这样,就可以将输入的样本分为k类,每一类代表一个人体图像。
将聚类中心得到每一类的对应的特征向量存储到数据库中。
上述的匹配过程包括:
运算每个图像对应的各个特征向量分别与所述数据库中每个人体图像的基准向量的距离;
对每个特征向量得到的多个距离排序,确定出两个最小的距离d1和d2;其中,d1<d2;
如果所述1.5d1<d2,则确定该特征向量与用于运算所述d1的基准向量相匹配。
确定与每个所述特征向量距离最近的基准向量对应的人体图像,并统计对应每个人体图像的的基准向量被匹配的次数的总和;
找出被确定的次数总和唯一、且最高的值的人体图像,作为所述匹配成功的人体图像。
其中,用于运算出最小的欧式距离的基准向量作为距离最高的基准向量。欧式距离的公式如下:
其中d为特征向量到聚类中心的基准向量之间的距离,x为图像的特征向量,X为训练得到的聚类中心对应的特征向量,即基准向量,xi和Xi分别表示图像的基准向量和聚类中心的基准向量的第i位,N为特征向量或基准向量的维数。
例如:如果一共有5个人体图像样本,每个样本为一个人体图像所对应的多个基准向量。
检测到的人体图像为5幅,共5个特征向量;数据库中包括5个人体图像样本,每个样本包括6个基准向量,则共有30个基准向量,每个人体图像对应一个基准向量。计算检测到的每个特征向量与30个基准向量的距离,得到5组数据。
每组数据中包括30个距离,找到最小的两个距离,d1和d2,且满足1.5d1<d2,则认为匹配到基准向量。
统计每个人体图像的各个基准向量被匹配的次数。例如:检测某个特征向量为(1,0,0,0,0,0,0,0,0),与之距离最近的两个基准向量分别为(0.8,0,0,0,0,0,0,0,0.2)和(0.5,0.5,0,0,0,0,0,0,0)。则可以计算得到d1≈0.283,d2≈0.707,且1.5d1<d2。确定该特征向量与用于运算所述d1的基准向量相匹配。用于运算所述d1的基准向量为样本1的人体图像,则样本1的人体图像为识别成功的人体图像。
人体图像分别识别为以下各个样本中的情况;如:样本1,样本1,样本1,样本2,样本3,则统计直方图为(3,1,1),样本1为最高且唯一的样本,被检测到的人体图像最终被再识别为样本1所对应的人体图像。
另外,为了实现精确匹配,对识别出的人体图像和样本的图像提取ORB特征点,使用hamming距离对特征点进行匹配,并使用RANSAC算法消除错误匹配。根据最终的匹配结果判定是否匹配成功。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于视频图像中的人体图像再识别的方法,其特征在于,包括:
检测出视频图像中的人体图像;
确定所述人体图像的特征向量,将确定的特征向量与预先采集的数据库中的多个基准向量进行匹配;
将所述数据库中匹配成功的人体图像作为识别结果。
2.根据权利要求1所述的方法,其特征在于,所述确定特征向量的过程包括:
将所述人体图像转换为HSV格式;
统计所述HSV格式的图像内的各种颜色的像素数量;
根据所述各种颜色的像素数量确定与该图像对应的一个特征向量。
3.根据权利要求2所述的方法,其特征在于,所述数据库中的基准向量由以下步骤确定:
预先采集视频图像中的每个人的多幅人体图像;
采用K-means聚类算法对所述多幅人体图像运算,得到每个人对应的一个特征向量作为基准向量。
4.根据权利要求3所述的方法,其特征在于,所述匹配过程包括:
运算所述确定的特征向量分别与所述数据库中每个人体图像对应的一个基准向量的距离;
对每个特征向量得到的多个距离排序,确定出两个最小的距离d1和d2;其中,d1<d2;
如果所述1.5d1<d2,则确定该特征向量与用于运算所述d1的基准向量相匹配。
5.根据权利要求4所述的方法,其特征在于,
确定与每个所述特征向量距离最近的基准向量对应的人体图像,并统计对应每个人体图像的基准向量被匹配的次数的总和;
找出被确定的次数总和唯一、且最高的值的人体图像,作为所述匹配成功的人体图像。
6.根据权利要求5所述的方法,其特征在于,还包括:采用以下
欧式距离公式运算所述距离;
其中d为特征向量与基准向量的距离,x为图像的特征向量,X为训练得到的基准向量,i表示特征向量或基准向量的位数,N为特征向量或基准向量的维数。
7.根据权利要求6所述的方法,其特征在于,还包括:
如果没有匹配成功,则将所述检测出的人体图像的特征向量作为新的基准向量加入到所述数据库。
8.根据权利要求1所述的方法,其特征在于,还包括:
在当前帧图像和之前的视频图像中,采用最小的带颜色框体框住所述检测到的该人体图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210592515.6A CN103077376B (zh) | 2012-12-30 | 2012-12-30 | 基于视频图像中的人体图像再识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210592515.6A CN103077376B (zh) | 2012-12-30 | 2012-12-30 | 基于视频图像中的人体图像再识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103077376A true CN103077376A (zh) | 2013-05-01 |
CN103077376B CN103077376B (zh) | 2016-07-20 |
Family
ID=48153900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210592515.6A Expired - Fee Related CN103077376B (zh) | 2012-12-30 | 2012-12-30 | 基于视频图像中的人体图像再识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103077376B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331710A (zh) * | 2014-11-19 | 2015-02-04 | 集美大学 | 开关状态识别系统 |
CN107451156A (zh) * | 2016-05-31 | 2017-12-08 | 杭州华为企业通信技术有限公司 | 一种图像再识别方法及识别装置 |
CN112733925A (zh) * | 2021-01-04 | 2021-04-30 | 国网山东省电力公司枣庄供电公司 | 基于fpcc-gan的构建轻型图像分类网络的方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1237747A (zh) * | 1998-05-28 | 1999-12-08 | Lg电子株式会社 | 色坐标空间结构和颜色量化及其中的可变灰色区指定方法 |
WO2011065952A1 (en) * | 2009-11-30 | 2011-06-03 | Hewlett-Packard Development Company, L.P. | Face recognition apparatus and methods |
CN102436662A (zh) * | 2011-11-29 | 2012-05-02 | 南京信息工程大学 | 一种非重叠视域多摄像机网络中的人体目标跟踪方法 |
CN102521616A (zh) * | 2011-12-28 | 2012-06-27 | 江苏大学 | 基于稀疏表示的行人检测方法 |
CN102654903A (zh) * | 2011-03-04 | 2012-09-05 | 井维兰 | 一种人脸比对方法 |
-
2012
- 2012-12-30 CN CN201210592515.6A patent/CN103077376B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1237747A (zh) * | 1998-05-28 | 1999-12-08 | Lg电子株式会社 | 色坐标空间结构和颜色量化及其中的可变灰色区指定方法 |
WO2011065952A1 (en) * | 2009-11-30 | 2011-06-03 | Hewlett-Packard Development Company, L.P. | Face recognition apparatus and methods |
CN102654903A (zh) * | 2011-03-04 | 2012-09-05 | 井维兰 | 一种人脸比对方法 |
CN102436662A (zh) * | 2011-11-29 | 2012-05-02 | 南京信息工程大学 | 一种非重叠视域多摄像机网络中的人体目标跟踪方法 |
CN102521616A (zh) * | 2011-12-28 | 2012-06-27 | 江苏大学 | 基于稀疏表示的行人检测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331710A (zh) * | 2014-11-19 | 2015-02-04 | 集美大学 | 开关状态识别系统 |
CN104331710B (zh) * | 2014-11-19 | 2018-01-02 | 集美大学 | 开关状态识别系统 |
CN107451156A (zh) * | 2016-05-31 | 2017-12-08 | 杭州华为企业通信技术有限公司 | 一种图像再识别方法及识别装置 |
CN107451156B (zh) * | 2016-05-31 | 2021-08-20 | 杭州华为企业通信技术有限公司 | 一种图像再识别方法及识别装置 |
CN112733925A (zh) * | 2021-01-04 | 2021-04-30 | 国网山东省电力公司枣庄供电公司 | 基于fpcc-gan的构建轻型图像分类网络的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103077376B (zh) | 2016-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bedagkar-Gala et al. | Part-based spatio-temporal model for multi-person re-identification | |
Kliper-Gross et al. | Motion interchange patterns for action recognition in unconstrained videos | |
CN103093274B (zh) | 基于视频的行人计数的方法 | |
Bedagkar-Gala et al. | Multiple person re-identification using part based spatio-temporal color appearance model | |
US10169683B2 (en) | Method and device for classifying an object of an image and corresponding computer program product and computer-readable medium | |
Weinrich et al. | Estimation of human upper body orientation for mobile robotics using an SVM decision tree on monocular images | |
CN103049749B (zh) | 在栅格遮挡下的人体再识别方法 | |
CN103065126A (zh) | 不同场景对人体图像再识别的方法 | |
Demirkus et al. | Probabilistic temporal head pose estimation using a hierarchical graphical model | |
Cheng et al. | Person re-identification by articulated appearance matching | |
Kontschieder et al. | Context-sensitive decision forests for object detection | |
CN110490171B (zh) | 一种危险姿态识别方法、装置、计算机设备及存储介质 | |
CN105184771A (zh) | 一种自适应运动目标检测系统及检测方法 | |
CN103049747B (zh) | 利用肤色的人体图像再识别的方法 | |
Yogarajah et al. | A dynamic threshold approach for skin tone detection in colour images | |
Liu et al. | Occlusion‐robust traffic sign detection via cascaded colour cubic feature | |
Gonzalez-Reyna et al. | Eigen‐Gradients for Traffic Sign Recognition | |
Chamveha et al. | Appearance-based head pose estimation with scene-specific adaptation | |
Turan et al. | Facial expression recognition with emotion-based feature fusion | |
Hayder et al. | Object co-detection via efficient inference in a fully-connected CRF | |
Gou et al. | mom: Mean of moments feature for person re-identification | |
CN103077376A (zh) | 基于视频图像中的人体图像再识别的方法 | |
Cholakkal et al. | A classifier-guided approach for top-down salient object detection | |
CN103093273A (zh) | 基于人体重识别的视频人数统计方法 | |
CN103065129B (zh) | 对大熊猫识别的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160720 Termination date: 20191230 |