CN103093203A - 一种人体再识别方法以及人体再识别系统 - Google Patents

Abstract

本发明涉及计算机视觉与模式识别领域，尤其是涉及一种人体再识别方法以及人体再识别系统包括：确定待检测视频中的运动区域，形成人体检测的范围；将形成人体检测的范围的图像分多个颜色通道，进行灰度拉伸并形成灰度拉伸后的图像；对灰度拉伸后的图像进行人体检测得到人体图像；对人体图像中的人体与预先存储的人体样本进行初步匹配；初步匹配失败，则将检测到的人体保存到人体样本；成功则对人体图像中的人体与预先存储的人体样本进行精确匹配；根据精确匹配的结果判断是否匹配成功；否则将检测到的人体保存到人体样本；是则输出相应的人体样本。对图像分多个颜色通道进行灰度拉伸，使得原本模糊的图像变清晰，提高人体再识别的准确率。

Description

一种人体再识别方法以及人体再识别系统

技术领域

本发明涉及计算机视觉与模式识别领域，尤其是涉及一种人体再识别方法以及人体再识别系统。

背景技术

目前，在使用摄像头进行监控的时候，视频中活动的人或者物体是一般都是需要关注的重点。例如在居民区进行监控的时候，在监控范围内出现的人、车辆的车牌号码灯是否属于本小区等都是需要特别关注的重点。

当监控的时间为夜晚，监控区域内光线昏暗的时候，所得到的视频中的颜色信息并不明显，而现有的人体再识别方法一般是基于颜色，但是所得到的视频中的图像都是模糊的，降低了人体再识别准确率。

发明内容

本发明提出了一种人体再识别方法以及人体再识别系统，能够提高图像的清晰度，提高人体再识别准确率。

为了达到上述目的，本发明的技术方案是这样实现的：

一种人体再识别方法，包括：

确定待检测视频中的运动区域，形成人体检测的范围；

将形成人体检测的范围的图像分多个颜色通道，进行灰度拉伸，并形成灰度拉伸后的图像；

对灰度拉伸后的图像进行人体检测，得到人体图像；

对人体图像中的人体与预先存储的人体样本进行初步匹配；

根据初步匹配的结果判断是否匹配成功；否，则将检测到的人体保存到人体样本；

是，则对人体图像中的人体与预先存储的人体样本进行精确匹配；

根据精确匹配的结果判断是否匹配成功；否，则将检测到的人体保存到人体样本；

是，则输出相应的人体样本。

在本发明各实施方式中，优选地，确定待检测视频中的运动区域，形成人体检测的范围具体包括：

使用帧差法对视频的运动目标进行检测，并得到视频中每帧图片的前景图片；

确定前景图片所在的区域为运动区域，形成人体检测的范围。

在本发明各实施方式中，优选地，确定待检测视频中的运动区域还包括：

在得到视频中每帧图片的前景图片后，将所得到的前景图片使用腐蚀和膨胀算法进行过滤。

在本发明各实施方式中，优选地，所述将已经确定的运动区域中的图像份多个颜色通道，进行灰度拉伸，并形成灰度拉伸后的图像具体包括：

分别获取运动区域中图像的RGB三色通道的灰度信息，其中包括该颜色通道中所有像素的原灰度范围的最小值x1和最大值x2；

针对图像上每一个像素点的每一个颜色通道进行灰度拉伸；

将进行灰度拉伸后的RGB三色通道合并为一张图像，形成人体检测的范围；

其中，针对一个像素点进行灰度拉伸后的灰度y满足公式（1）：

$\left(1\right),y=\left\{\begin{array}{cc}\frac{y_1}{x_1}x& 0\&le;x\&le;x_1\\ \frac{y_2-y_1}{x_2-x_1}(x-x_1)+y_1& x_1<x<x_2\\ \frac{255-y_2}{255-x_2}(x-x_2)+y_2& x_2\&le;x\&le;255\end{array}\right.;$

其中，0＜x₁＜x₂＜255，0＜y₁＜y₂＜255；

y：该像素点进行灰度拉伸后的灰度；

x：该像素点在进行灰度拉伸前的灰度；

x1：该颜色通道中原灰度范围的最小值；

x2：该颜色通道中原灰度范围的最大值；

y1：预设的该颜色通道就行灰度拉伸后的灰度范围的最小值；

y2：预设的该颜色通道进行灰度拉伸后的灰度范围的最大值。

在本发明各实施方式中，优选地，所述对人体图像中的人体与预先存储的人体样本进行初步匹配具体为：

获取人体图像的颜色信息：将人体图像由RGB格式转换为HSV格式，并提取人体图像在HSV格式下的颜色分布直方图；

将提取到的颜色分布直方图与预先存储的人体样本的颜色直方图一一匹配；

在匹配过程中，当提取到的颜色分布直方图与人体样本的颜色分布直方图的距离小于预设的阈值时，则认为匹配成功。

在本发明各实施方式中，优选地，所述将人体图像由RGB格式转换为HSV格式后每一像素的色调值h、饱和度s以及亮度v分别满足公式（2）、公式（3）以及公式（4）：

$\left(2\right),h=\left\{\begin{array}{cc}0& \max =\min \\ 60\&times;\frac{g-b}{\max -\min }& \max =r,g\&GreaterEqual;b\\ 60\&times;\frac{g-b}{\max -\min }+360& \max =r,g<b\\ 60\&times;\frac{b-r}{\mathrm{nax}-\min }+120& \max =g\\ 60\&times;\frac{r-g}{\max -\min }+240& \max =b\end{array}\right.;$

$\left(3\right),s=\left\{\begin{array}{cc}0& \max =0\\ \frac{\max -\min }{\max }& \mathrm{otherwise}\end{array}\right.;$

(4)v＝max

;

其中，max=max(r，g，b)，min=min(r，g，b)；

r：人体图像在RGB格式下每一像素在红色的颜色通道中的亮度值；

g：人体图像在RGB格式下每一像素在绿色的颜色通道中的亮度值；

b：人体图像在RGB格式下每一像素在蓝色的颜色通道中的亮度值。

在本发明各实施方式中，优选地，所述提取人体图像在HSV格式下的颜色分布直方图具体为：

对于人体图像中的每一个像素，对其颜色进行统计；

根据颜色统计的结果计算出每种颜色在人体图像的每个区域中所占比例，依次存储到数组m中，作为人体图像的特征向量使用。

在本发明各实施方式中，优选地，所述将提取到的颜色分布直方图与预先存储的人体样本的颜色直方图一一匹配具体为：

运算各个所述区域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各个区域的基准向量的距离；

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的所在区域对应的人体图像，并统计对应每个人体图像的各个区域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的标签或ID，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d如公式（5）：

$\left(5\right),d=\sqrt{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(m_i-M_i)}^2};$

d：特征向量与基准向量的距离；

m：人体图像的特征向量，

M：训练得到的基准向量;

i：特征向量或基准向量的位数；

N：特征向量或基准向量的维数。

在本发明各实施方式中，优选地，所述对人体图像中的人体与预先存储的人体样本进行精确匹配具体为：

提取人体图像中的特征点；

将人体图像中所得到的特征点与人体模型中的特征点相匹配。

一种人体再识别系统，包括：

用于确定待检测视频中的移动区域，形成人体检测的范围的范围检测模块；

用于将范围检测模块所检测到的人体检测的范围的图像分多个颜色通道，进行灰度拉伸，并形成灰度拉伸后的图像的灰度拉伸模块；

用于在灰度拉伸后的图像进行人体检测，并得到人体图像的人体检测模块；

用于将所述人体检测模块所得到的人体图像与预先存储的人体样本进行初步匹配以及精确匹配的匹配模块；

用于存储人体样本、并保存初步匹配或精确匹配失败的人体图像的存储模块。

本发明提供的人体再识别方法相比现有技术而言，由于在大多数夜间的图像中，其灰度分布集中在较窄的区间，引起图像细节不够清晰，采用灰度拉伸后可使图像的灰度间距拉开或使灰度分布均匀，从而增大反差，使图像细节清晰，达到增强的目的，因此在确定待检测视频中的运动区域，形成人体检测的范围以后，将所形成的待检测的范围的图像分成多个颜色通道，并针对每个颜色通道进行灰度拉伸，使得图像的灰度间距拉开，可以使得原本模糊的图像变清晰，提高人体再识别的准确率。

并且，在本发明中，在将人体图像中的人体与预先存储的人体样本进行匹配的时候，进行初步匹配，初步匹配成功后再进行精确匹配，两次匹配增加了图像匹配的准确度，较之现有的基于颜色的人体再识别方法，增加了识别的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一个简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一所提供的人体再识别方法的流程示意图；

图2是本发明实施例二所提供的人体再识别方法中确定待检测视频中的运动区域，形成人体检测的范围的流程示意图；

图3是本发明实施例三所提供的人体再识别方法中另一种确定待检测视频中的运动区域，形成人体检测的范围的流程示意图；

图4是本发明实施例四所提供的人体再识别方法中将已经确定的运动区域中的图像份多个颜色通道，进行灰度拉伸，并形成灰度拉伸后的图像的流程示意图；

图5是本发明实施例六所提供的人体再识别方法中对人体图像中的人体与预先存储的人体样本进行初步匹配的流程示意图；

图6是本发明实施例七所提供的人体再识别方法中将提取到的颜色分布直方图与预先存储在数据库中的人体样本的颜色直方图一一匹配的流程示意图；

图7是本发明实施例八所提供的人体再识别方法对人体图像中的人体与预先存储的人体样本进行精确匹配的流程示意图；

图8是本发明实施例九所提供的人体再识别系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明所提供的人体再识别方法，在确定待检测视频中的运动区域，形成人体检测的范围以后，将所形成的待检测的范围的图像分成多个颜色通道，并针对每个颜色通道进行灰度拉伸，使得图像的灰度间距拉开，可以使得原本模糊的图像变清晰，提高人体再识别的效果。

实施例一：

图1是本发明实施例一所提供的人体再识别方法的流程图，参见图1所示，包括：

步骤101：确定待检测视频中的运动区域，形成人体检测的范围；

步骤102：将形成人体检测的范围的图像分多个颜色通道，进行灰度拉伸，并形成灰度拉伸后的图像；

步骤103：对灰度拉伸后的图像进行人体检测，得到人体图像；

步骤104：对人体图像中的人体与预先存储的人体样本进行初步匹配；

步骤105：根据初步匹配的结果判断是否匹配成功；否，则跳转到步骤106；是，则跳转到步骤107；

步骤106：将检测到的人体保存到人体样本；

步骤107：对人体图像中的人体与预先存储的人体样本进行精确匹配；

步骤108：根据精确匹配的结果判断是否匹配成功；是，则跳转到步骤109；否，则跳转到步骤106；

步骤109：则输出相应的人体样本。

在本实施例一中，由于在大多数夜间的图像中，其灰度分布集中在较窄的区间，引起图像细节不够清晰，采用灰度拉伸后可使图像的灰度间距拉开或使灰度分布均匀，从而增大反差，使图像细节清晰，达到增强的目的，因此在确定待检测视频中的运动区域，形成人体检测的范围以后，将所形成的待检测的范围的图像分成多个颜色通道，并针对每个颜色通道进行灰度拉伸，使得图像的灰度间距拉开，可以使得原本模糊的图像变清晰，提高人体再识别的准确率。

并且，在本实施例一中，在一段待检测的视频中，当有运动的人或者其他物体经过时，将该段视频中的第一帧作为背景图像，其他的图像与背景图像作对比，没有变化的部分作为背景，而出现变化的部分作为前景图像，出现变化的部分即为人或者其他物体经过时的运动区域，确定待检测视频中的运动区域，形成人体检测的范围。在将形成人体检测的范围的图像分多个颜色通道，由于图像的格式一般为RGB格式的，RGB格式的图像一般有红色、绿色以及蓝色三个颜色通道，因此，这里一般是对以上三个颜色通道的图像进行灰度拉伸，并将处理后的三色颜色通道合并为一张图像，得到进行灰度拉伸后的图像。

由于进行灰度拉伸后的图像相较之原始图像来说，图像上运动区域的部分更加的清晰，且该运动区域是有人或者其他物体经过的区域，因此针对拉伸后的图像进行人体检测，能够得到更加清晰的人体图像。而现有技术中，由于夜晚管线昏暗，导致了图像模糊，使得在对图像进行人体检测的时候，可能会检测失误，例如无法检测到人体，或者将其他物体误认为是人体。在检测到人体后，与数据库中预先存储的人体样本进行初步的匹配，例如，在一段对于居民小区的监控视频中，数据库中预先存储该小区住户的人体样本，将检测到的人体与已存储的该小区住户的人体样本进行匹配，如果匹配成功，则说明该人体属于本小区的住户。如果匹配不成功，则该人体不属于本小区的住户，将该人体的相关信息保存到数据库中，方便后续的查找。

并且，在本发明的实施例一中，在将人体图像中的人体与预先存储的人体样本进行匹配的时候，进行初步匹配，初步匹配成功后再进行精确匹配，两次匹配增加了图像匹配的准确度，较之现有的基于颜色的人体再识别方法，增加了识别的准确度。

实施例二：

参见图2，在本发明实施例二所提供的人体再识别方法中，在上述实施例一的基础上，确定待检测视频中的运动区域，形成人体检测的范围具体包括：

步骤201：使用帧差法对视频的运动目标进行检测，并得到视频中每帧图片的前景图片；

步骤202：确定前景图片所在的区域为运动区域，形成人体检测的范围。

在本实施例二中，在一段待检测的视频中，当有运动的人或者其他物体经过时，将该段视频中的第一帧作为背景图像，其他的图像与背景图像作对比，没有变化的部分作为背景，而出现变化的部分作为前景图像，出现变化的部分即为人或者其他物体经过时的运动区域，确定待检测视频中的运动区域，形成人体检测的范围。

优选地，在本实施例二中，还可以使用背景建模法确定前景图片所在的区域。背景建模法包括：（1）中值法背景建模：顾名思义，就是在一段时间内，取连续N帧图像序列，把这N帧图像序列中对应位置的像素点灰度值按从小到大排列，然后取中间值作为背景图像中对应像素点的灰度值；(2)均值法背景建模：均值法建模算法非常简单，就是对一些连续帧取像素平均值。这种算法速度很快，但对环境光照变化和一些动态背景变化比较敏感。其基本思想是，在视频图像中取连续N帧，计算这N帧图像像素灰度值的平均值作为背景图像的像素灰度值；(3)卡尔曼滤波器模型：该算法把背景认为是一种稳态的系统，把前景图像认为是一种噪声，用基于卡尔曼滤波理论的时域递归低通滤波来预测变化缓慢的背景图像，这样既可以不断地用前景图像更新背景，又可以维持背景的稳定性消除噪声的干扰；（4）多高斯分布模型：将背景图像的每一个像素点按多个高斯分布的叠加来建模，每种高斯分布可以表示一种背景场景，这样的话，多个高斯模型混合使用就可以模拟出复杂场景中的多模态情形。以上背景建模法均能够得到运动区域。

实施例三：

参见图3，本发明实施例三所提供的人体在识别方法中，在上述实施例二的基础上，

确定待检测视频中的运动区域还包括：

在得到视频中每帧图片的前景图片后，将所得到的前景图片使用腐蚀和膨胀算法进行过滤。

在本实施例三中，确定待检测视频中的运动区域，形成人体检测的范围具体包括：

步骤301：使用帧差法对视频的运动目标进行检测，并得到视频中每帧图片的前景图片；

步骤302：在得到视频中每帧图片的前景图片后，将所得到的前景图片使用腐蚀和膨胀算法进行过滤；

步骤303：确定经过过滤后的前景图片所在的区域为运动区域，形成人体检测的范围。

在本实施例三中，由于不管是使用帧差法还是使用背景建模法确定待检测视频中的运动区域时，由于光线昏暗，视频中的图像模糊不清，因此会夹杂大量的噪音，因此使用腐蚀和膨胀算法对前景图片进行过滤，从而减小噪音对图片的影响。腐蚀是一种消除图片中的边界点，使得边界向内部收缩的过程，可以消除图像上小且无意义的物体。膨胀是将于物体接触的所有背景点合并到该物体中，使得图像的边界向尾部扩张的过程，可以用来填补物体中的空洞，使用腐蚀和膨胀的算法对前景图片进行过滤后，消除了图片运动区域中小且无意义的物体，并使得运动区域中运动的人或者物体更加的饱满，提高前景图片的清晰度。

实施例四：

参见图4，在本发明实施例四所提供的人体再识别方法中，在上述实施例一、实施例二以及实施例三的基础上，所述将已经确定的运动区域中的图像份多个颜色通道，进行灰度拉伸，并形成灰度拉伸后的图像具体包括：

步骤401：分别获取运动区域中图像的RGB三色通道的灰度信息，其中包括该颜色通道中所有像素的原灰度范围的最小值x1和最大值x2；

步骤402：针对图像上每一个像素点的每一个颜色通道进行灰度拉伸；

步骤403：将进行灰度拉伸后的RGB三色通道合并为一张图像，形成人体检测的范围；

其中，针对每一个像素点进行灰度拉伸后的灰度y满足公式（1）：

$\left(1\right),y=\left\{\begin{array}{cc}\frac{y_1}{x_1}x& 0\&le;x\&le;x_1\\ \frac{y_2-y_1}{x_2-x_1}(x-x_1)+y_1& x_1<x<x_2\\ \frac{255-y_2}{255-x_2}(x-x_2)+y_2& x_2\&le;x\&le;255\end{array}\right.$

其中，0＜x₁＜x₂＜255，0＜y₁＜y₂＜255；y为该像素点进行灰度拉伸后的灰度；x为该像素点在进行灰度拉伸前的灰度；x1为该颜色通道中原灰度范围的最小值；x2为该颜色通道中原灰度范围的最大值；y1为预设的该颜色通道就行灰度拉伸后的灰度范围的最小值；y2为预设的该颜色通道进行灰度拉伸后的灰度范围的最大值。

在本实施例四中，由于远图像的灰度分布集中在较窄的区间，其中x1为该区间的最小值，x2为该区间的最大值，想要将处于该区间的灰度进行整体的按比例拉伸，预设拉伸的范围在y1和y2之间，因此将远图像的灰度值通过上述公式（2）中所提供的分段的线性函数映射到新的灰度值，即将原来分布集中较小的灰度区间，拉伸成分布集中较大的灰度区间，使得图像的灰度检具拉开，使得原本模糊的图像变清晰。

在本实施例四中，由于是将灰度拉伸，因此y1≤x1，y2≥x2。

实施例五：

图5为本发明实施例五所提供的人体再识别方法的流程图，在上述四个实施例的基础上，参见图5所示，所述在人体检测的范围中进行人体检测具体为：

使用支持向量机法在人体检测的范围内进行人体检测，并得到人体图像。

在本实施例五种，支持向量机(Support Vector Machine，SVM)是一种基于统计学习理论的模式识别方法，主要应用于模式识别领域。在本发明中，使用支持向量机法能够判别拉伸后的图像中是否有人体的存在。

实施例六：

参见图6所示，在本发明实施例六所提供的人体再识别方法中，在上述五个实施例的基础上，所述对人体图像中的人体与预先存储的人体样本进行初步匹配具体为：

步骤501：获取人体图像的颜色信息：将人体图像由RGB格式转换为HSV格式，并提取人体图像在HSV格式下的颜色分布直方图；

步骤502：将提取到的颜色分布直方图与预先存储的人体样本的颜色直方图一一匹配；

步骤503：在匹配过程中，当提取到的颜色分布直方图与人体样本的颜色分布直方图的距离小于预设的阈值时，则认为匹配成功。

在本实施例六中，将人体图像由RGB格式转换为HSV格式的计算方法如下：HSV格式的人体图像中每一像素的色调值h、饱和度s以及亮度v分别满足公式（2）、公式（3）以及公式（4）：

$\left(2\right),h=\left\{\begin{array}{cc}0& \max =\min \\ 60\&times;\frac{g-b}{\max -\min }& \max =r,g\&GreaterEqual;b\\ 60\&times;\frac{g-b}{\max -\min }+360& \max =r,g<b\\ 60\&times;\frac{b-r}{\mathrm{nax}-\min }+120& \max =g\\ 60\&times;\frac{r-g}{\max -\min }+240& \max =b\end{array}\right.;$

$\left(3\right),s=\left\{\begin{array}{cc}0& \max =0\\ \frac{\max -\min }{\max }& \mathrm{otherwise}\end{array}\right.;$

(4)v＝max

；

其中，max=max(r，g，b)，min=min(r，g，b)；

r为人体图像在RGB格式下每一像素在红色的颜色通道中的亮度值；

g为人体图像在RGB格式下每一像素在绿色的颜色通道中的亮度值；

b为人体图像在RGB格式下每一像素在蓝色的颜色通道中的亮度值。

在本实施例六中，提取人体图像在HSV格式下的颜色分布直方图具体为：对于人体图像中的每一个像素，对其颜色进行统计。其中，v小于阈值1时，颜色为黑色；v分量大于阈值2，并且s分量小于阈值3时），颜色为白色；v分量在阈值1和阈值2之间，且v分量小于阈值3时，颜色为灰色，当v分量与s分量不属于以上情况时，颜色为彩色。对于彩色，按照h分量从0到360均匀划分6中颜色，即当h分量分别处于[0，60），[60，120），[120，180），[180，240），[240，300），[300，360）六个区间时，设定为6个不同的颜色的彩色。

分别计算出上述黑色、白色、灰色以及六种不同颜色的彩色在人体图像中所占据的比例，一次存储到数组m中，作为人体图像的特征向量使用。

由于在图片的颜色分布直方图中，任一幅图像，都能唯一地确定出一幅与它对应的直方图，但不同的图像，可能有相同的直方图。因此，将提取到的颜色分布直方图与预先存储在数据库中的人体样本的颜色直方图一一匹配；当提取到的颜色分布直方图与人体样本的颜色分布直方图的距离小于预设的阈值时，则认为匹配成功。

在将提取到的颜色分布直方图与预先存储的人体样本的颜色直方图一一匹配之前，还要将人体样本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所包含的人体样本，并在人体样本中选取一种距离聚类中心最近的样本代表整个聚类，该聚类中心即为下述的基准向量。

实施例七：

参见图6，本发明实施例七所提供的人体再识别方法，在上述实施例六的基础上，将提取到的颜色分布直方图与预先存储在数据库中的人体样本的颜色直方图一一匹配具体为：

计算所述存储到数组m中的人体图像的特征向量与聚类中心之间的欧式距离d；

其中d满足公式（5）:

$\left(5\right),d=\sqrt{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(m_i-M_i)}^2}$

其中，d为特征向量到聚类中心的距离；m为人体图像的特征向量，M为训练得到的基准向量；i为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。

将计算所述存储到数组m中的人体图像的特征向量与各个聚类中心之间的欧式距离，按照从小到大的顺序依次记为：d1，d2，d3，……，dn；其中n为据聚类的数量。当满足1.5d1＜d2时，就将人体图像划分到d1所对应的聚类中。

即，完成上述匹配的过程包括：

步骤601：计算各个所述人体图像上各个区域对应的各个特征向量分别与所述人体样本中各个聚类的基准向量的欧式距离d；

步骤602：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；

步骤603：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。

在本实施例七中，在步骤603中，一旦确定该向量特征与运算所述d1的基准向量相匹配，则认为对人体图像中的人体与预先存储的人体样本进行匹配成功法，继续进行精确匹配，如果一旦确定该向量特征与运算所述d1的基准向量相不匹配，则认为该人体并未存储在数据库中，则需要在数据库中保存相应的人体模型。

实施例八：

参见图7，在本发明实施例八所提供的人体再识别方法中，参见图7所示，在上述七个实施例的基础上，所述对人体图像中的人体与预先存储的人体样本进行精确匹配具体为：

步骤701：提取人体图像中的特征点；

步骤702：将人体图像中所得到的特征点与人体模型中的特征点相匹配。

在本实施例八中，特征点的一曲和匹配可以根据应用场景的不同，选取效果更佳的方法，如在室内场景可以选取ORB特征点，并使用Hamming距离进行匹配，并使用RANSAC算法过滤匹配结果。当最后得到的匹配数量超过某一个预设的阈值时，则认为人体图像匹配成功，并输出相应的人体样本；反之，则认为人体图像匹配失败，将该人体图像作为人体样本保存到数据库中。

实施例九：

参见图8所示，本发明实施例八还提供一种人体再识别系统，包括：用于确定待检测视频中的移动区域，形成人体检测的范围的范围检测模块1；用于将范围检测模块所检测到的人体检测的范围的图像分多个颜色通道，进行灰度拉伸，并形成灰度拉伸后的图像的灰度拉伸模块2；用于在灰度拉伸后的图像进行人体检测，并得到人体图像的人体检测模块3；用于将所述人体检测模块所得到的人体图像与预先存储的人体样本进行初步匹配以及精确匹配的匹配模块4；用于存储人体样本、并保存初步匹配或精确匹配失败的人体图像的存储模块5。

在本实施例九中，由于在人体再识别系统中增加了灰度拉伸模块2，灰度拉伸模块2能够将人体图像中原本比较密集的灰度进行拉伸，使得图像的灰度分散，增加人体检测范围的图像的更清晰，从而使得人体检测模块3能够更准确的定位人体图像，提高人体再识别的准确率。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种人体再识别方法，其特征在于，包括：

确定待检测视频中的运动区域，形成人体检测的范围；

将形成人体检测的范围的图像分多个颜色通道，进行灰度拉伸，并形成灰度拉伸后的图像；

对灰度拉伸后的图像进行人体检测，得到人体图像；

对人体图像中的人体与预先存储的人体样本进行初步匹配；

根据初步匹配的结果判断是否匹配成功；否，则将检测到的人体保存到人体样本；

是，则对人体图像中的人体与预先存储的人体样本进行精确匹配；

根据精确匹配的结果判断是否匹配成功；否，则将检测到的人体保存到人体样本；

是，则输出相应的人体样本。

2.根据权利要求1所述的人体再识别方法，其特征在于，确定待检测视频中的运动区域，形成人体检测的范围具体包括：

使用帧差法对视频的运动目标进行检测，并得到视频中每帧图片的前景图片；

确定前景图片所在的区域为运动区域，形成人体检测的范围。

3.根据权利要求所述的人体再识别方法，其特征在于，确定待检测视频中的运动区域还包括：

在得到视频中每帧图片的前景图片后，将所得到的前景图片使用腐蚀和膨胀算法进行过滤。

4.根据权利要求1所述的人体再识别方法，其特征在于，所述将已经确定的运动区域中的图像份多个颜色通道，进行灰度拉伸，并形成灰度拉伸后的图像具体包括：

分别获取运动区域中图像的RGB三色通道的灰度信息，其中包括该颜色通道中所有像素的原灰度范围的最小值x1和最大值x2；

针对图像上每一个像素点的每一个颜色通道进行灰度拉伸；

将进行灰度拉伸后的RGB三色通道合并为一张图像，形成人体检测的范围；

其中，针对一个像素点进行灰度拉伸后的灰度y满足公式（1）：

$\left(1\right),y=\left\{\begin{array}{cc}\frac{y_1}{x_1}x& 0\&le;x\&le;x_1\\ \frac{y_2-y_1}{x_2-x_1}(x-x_1)+y_1& x_1<x<x_2\\ \frac{255-y_2}{255-x_2}(x-x_2)+y_2& x_2\&le;x\&le;255\end{array}\right.;$

其中，0＜x₁＜x₂＜255，0＜y₁＜y₂＜255；

y：该像素点进行灰度拉伸后的灰度；

x：该像素点在进行灰度拉伸前的灰度；

x1：该颜色通道中原灰度范围的最小值；

x2：该颜色通道中原灰度范围的最大值；

y1：预设的该颜色通道就行灰度拉伸后的灰度范围的最小值；

y2：预设的该颜色通道进行灰度拉伸后的灰度范围的最大值。

5.根据权利要求1-4任意一项所述的人体再识别方法，其特征在于，所述对人体图像中的人体与预先存储的人体样本进行初步匹配具体为：

获取人体图像的颜色信息：将人体图像由RGB格式转换为HSV格式，并提取人体图像在HSV格式下的颜色分布直方图；

将提取到的颜色分布直方图与预先存储的人体样本的颜色直方图一一匹配；

在匹配过程中，当提取到的颜色分布直方图与人体样本的颜色分布直方图的距离小于预设的阈值时，则认为匹配成功。

6.根据权利要求5所述的人体再识别方法，其特征在于，所述将人体图像由RGB格式转换为HSV格式后每一像素的色调值h、饱和度s以及亮度v分别满足公式（2）、公式（3）以及公式（4）：

$\left(2\right),h=\left\{\begin{array}{cc}0& \max =\min \\ 60\&times;\frac{g-b}{\max -\min }& \max =r,g\&GreaterEqual;b\\ 60\&times;\frac{g-b}{\max -\min }+360& \max =r,g<b\\ 60\&times;\frac{b-r}{\mathrm{nax}-\min }+120& \max =g\\ 60\&times;\frac{r-g}{\max -\min }+240& \max =b\end{array}\right.;$

$\left(3\right),s=\left\{\begin{array}{cc}0& \max =0\\ \frac{\max -\min }{\max }& \mathrm{otherwise}\end{array}\right.;$

(4)v＝max

；

其中，max=max(r，g，b)，min=min(r，g，b)；

r：人体图像在RGB格式下每一像素在红色的颜色通道中的亮度值；

g：人体图像在RGB格式下每一像素在绿色的颜色通道中的亮度值；

b：人体图像在RGB格式下每一像素在蓝色的颜色通道中的亮度值。

7.根据权利要求6所述的人体再识别方法，其特征在于，所述提取人体图像在HSV格式下的颜色分布直方图具体为：

对于人体图像中的每一个像素，对其颜色进行统计；

根据颜色统计的结果计算出每种颜色在人体图像的每个区域中所占比例，依次存储到数组m中，作为人体图像的特征向量使用。

8.根据权利要求7所述的人体再识别方法，其特征在于，所述将提取到的颜色分布直方图与预先存储的人体样本的颜色直方图一一匹配具体为：

计算各个所述人体图像所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各个区域的基准向量的距离；

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；

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d如公式（5）：

$\left(5\right),d=\sqrt{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(m_i-M_i)}^2};$

d：特征向量与基准向量的距离；

m：人体图像的特征向量，

M：训练得到的基准向量;

i：特征向量或基准向量的位数；

N：特征向量或基准向量的维数。

9.根据权利要求1-4任意一项所述的人体再识别方法，其特征在于，所述对人体图像中的人体与预先存储的人体样本进行精确匹配具体为：

提取人体图像中的特征点；

将人体图像中所得到的特征点与人体模型中的特征点相匹配。

10.一种人体再识别系统，其特征在于，包括：

用于确定待检测视频中的移动区域，形成人体检测的范围的范围检测模块；

用于将范围检测模块所检测到的人体检测的范围的图像分多个颜色通道，进行灰度拉伸，并形成灰度拉伸后的图像的灰度拉伸模块；

用于在灰度拉伸后的图像进行人体检测，并得到人体图像的人体检测模块；

用于将所述人体检测模块所得到的人体图像与预先存储的人体样本进行初步匹配以及精确匹配的匹配模块；

用于存储人体样本、并保存初步匹配或者精确匹配失败的人体图像的存储模块。

Images