CN103810476A - 基于小群体信息关联的视频监控网络中行人重识别方法 - Google Patents

基于小群体信息关联的视频监控网络中行人重识别方法 Download PDF

Info

Publication number
CN103810476A
CN103810476A CN201410057440.0A CN201410057440A CN103810476A CN 103810476 A CN103810476 A CN 103810476A CN 201410057440 A CN201410057440 A CN 201410057440A CN 103810476 A CN103810476 A CN 103810476A
Authority
CN
China
Prior art keywords
pedestrian
microcommunity
feature
candidate
network based
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
Application number
CN201410057440.0A
Other languages
English (en)
Other versions
CN103810476B (zh
Inventor
章东平
徐凯航
杨力
徐娇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Jiliang University
Original Assignee
China Jiliang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Jiliang University filed Critical China Jiliang University
Priority to CN201410057440.0A priority Critical patent/CN103810476B/zh
Publication of CN103810476A publication Critical patent/CN103810476A/zh
Application granted granted Critical
Publication of CN103810476B publication Critical patent/CN103810476B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明提出一种基于小群体信息关联的视频监控网络中行人重识别方法。监控网络中多摄像头的行人重识别过程中，尤其是在行人特征的提取和匹配的过程中，行人的特征极易受到场景变化、光照变化的影响而造成重识别率的降低，同时大范围的监控网络中也会存在一些穿着相似的行人造成行人错误的重识别，为了提高行人的重识别率，降低外界因素对行人重识别的影响，本发明根据小群体信息的关联性，将行人小群体特征作为行人重识别的一个重要特征，主要解决视频监控网络中行人重识别准确率低、精度不高的问题。

Description

基于小群体信息关联的视频监控网络中行人重识别方法
技术领域
本发明属于计算机视觉领域，具体是一种基于小群体信息关联的视频监控网络中行人重识别方法。
背景技术
近些年来，监控网络中视频智能监控作为计算机视觉和模式识别的重要课题之一，已经在智能视频监控中应用和普及于公共安全、金融安全、运输、和其他领域中。监控网络中视频智能监控包含多摄像头校正、多摄像头网络拓扑结构、多摄像头跟踪、行人重识别等方面。其中监控网络中多摄像头的行人重识别过程中，尤其是在行人特征的提取和匹配的过程中，行人的特征极易受到场景变化、光照变化的影响而造成重识别率的降低，同时大范围的监控网络中也会存在一些穿着相似的行人造成行人错误的重识别。
发明内容
针对现有技术中存在的监控网络中行人重识别准确率低、精度不高的问题，本发明提供了一种基于小群体信息关联的视频监控网络中行人重识别方法，包括如下步骤：
步骤一、视频序列行人前景提取；
步骤二、获取行人HOG特征和颜色特征；
步骤三、行人小群体分割；
步骤四、行人特征匹配，标记出候选行人；
步骤五、获取候选行人的小群体特征；
步骤六、计算候选行人小群体特征匹配差值；
步骤七、按照小群体信息关联匹配原则对候选行人进行判别。
进一步的，步骤一具体为：根据随机游走算法提取行人前景，将每帧图像映射为无向（                                                
Figure 2014100574400100002DEST_PATH_IMAGE001
）加权图，根据高斯权重函数
Figure 2014100574400100002DEST_PATH_IMAGE002
计算像素点
Figure 2014100574400100002DEST_PATH_IMAGE003
、间的权重，联合狄利克雷问题求解随机游走转移概率，根据预设的种子点标签对其他像素点进行分类，将监控视频中行人前景提取出来。
进一步的，步骤二具体为：采用人体对称模型将提取出的行人前景分为头部、左上肢、右上肢、左腿、右腿五个感兴趣区域，统计每个感兴趣区域的颜色直方图为
Figure 2014100574400100002DEST_PATH_IMAGE005
，其中为对应感兴趣区域；将特定的区域划分为较小的矩形块，计算这些矩形块中每个像素点梯度值
Figure 2014100574400100002DEST_PATH_IMAGE007
及梯度方向
Figure 2014100574400100002DEST_PATH_IMAGE008
：
Figure 2014100574400100002DEST_PATH_IMAGE009
， 
Figure 2014100574400100002DEST_PATH_IMAGE010
，然后将这些矩形块组合成大的块，归一化块内的梯度强度，最终获得特定区域的HOG特征向量，获取每块感兴趣区域特定区域的HOG特征描述算子。
进一步的，步骤三具体为：采用人群轨迹聚类算法，对行人的有效的粒子轨迹进行提取，把这些粒子轨迹信息作为输入，计算粒子轨迹间的相似度，将场景中每个粒子设为一个多元组
Figure 2014100574400100002DEST_PATH_IMAGE012
，
Figure 2014100574400100002DEST_PATH_IMAGE013
是计算的粒子点的位置，
Figure 2014100574400100002DEST_PATH_IMAGE014
是粒子运动速度向量，
Figure 2014100574400100002DEST_PATH_IMAGE015
是粒子通道向量，按如下公式计算随着时间变化的两个粒子轨迹相似度
Figure 2014100574400100002DEST_PATH_IMAGE016
：
Figure 2014100574400100002DEST_PATH_IMAGE017
其中，
Figure 2014100574400100002DEST_PATH_IMAGE018
，
Figure 2014100574400100002DEST_PATH_IMAGE019
是粒子和
Figure 2014100574400100002DEST_PATH_IMAGE021
轨迹重叠所占的时间，权重系数
Figure 2014100574400100002DEST_PATH_IMAGE022
是通过重叠时间
Figure 58911DEST_PATH_IMAGE019
和粒子
Figure 2014100574400100002DEST_PATH_IMAGE023
、更长的存在时间
Figure 2014100574400100002DEST_PATH_IMAGE025
来计算，其他权重系数
Figure 2014100574400100002DEST_PATH_IMAGE026
、
Figure 2014100574400100002DEST_PATH_IMAGE027
、
Figure 2014100574400100002DEST_PATH_IMAGE028
随着视频尺寸变化设置。构建对应的邻接矩阵，利用视频粒子轨迹在李雅普诺夫指数场的特征应用图论方法，分割权重系数构成的网络图，并利用谱图聚类的算法，用特征向量来表示原来的数据，并在特征向量上进行
Figure 2014100574400100002DEST_PATH_IMAGE029
均值轨迹聚类，对目标行人小群体进行有效分类识别，从而获得最佳的行人小群体分类结果，确定行人所属群体。
进一步的，步骤四具体为：根据目标行人感兴趣区域的颜色直方图特征和特定区域的HOG特征，匹配摄像头中每个行人的颜色直方图特征和HOG特征，根据行人匹配差值公式计算与目标行人特征的匹配差值： 
Figure 2014100574400100002DEST_PATH_IMAGE030
 其中
Figure 352882DEST_PATH_IMAGE006
为颜色直方图区域，为HOG特征所在区域。并通过差值
Figure 2014100574400100002DEST_PATH_IMAGE031
与设定阈值
Figure 2014100574400100002DEST_PATH_IMAGE032
的比较
Figure 2014100574400100002DEST_PATH_IMAGE033
标记出监控网络中匹配差值较小的候选行人。
进一步的，步骤五具体为：根据行人小群体分割结果，确定候选行人所属群体，选择
Figure 2014100574400100002DEST_PATH_IMAGE034
颜色空间进行离散化，然后统计群体中每种颜色出现的频率，选出最频繁出现的几种颜色作为主色，构建主色调颜色直方图作为小群体颜色直方图特征，统计群体的主色调颜色直方图特征作为小群体特征
Figure 2014100574400100002DEST_PATH_IMAGE035
。
进一步的，步骤六具体为：根据目标行人所属的小群体特征
Figure 2014100574400100002DEST_PATH_IMAGE036
，匹配候选行人所属的小群体特征，根据小群体信息匹配差值公式计算候选行人所属小群体特征与目标行人所属小群体特征的匹配差值：
Figure 2014100574400100002DEST_PATH_IMAGE038
。
进一步的，步骤七具体为：（1）当
Figure 2014100574400100002DEST_PATH_IMAGE039
=，即最小
Figure 2014100574400100002DEST_PATH_IMAGE041
与最小
Figure DEST_PATH_IMAGE042
对应的是同一个候选行人（
Figure DEST_PATH_IMAGE043
）时，判别该候选行人
Figure DEST_PATH_IMAGE044
为目标行人的重识别对象；
（2）当
Figure 559491DEST_PATH_IMAGE040
时，即最小与最小
Figure 346367DEST_PATH_IMAGE042
对应的不是同一个候选行人（
Figure DEST_PATH_IMAGE046
）时，计算
Figure DEST_PATH_IMAGE047
：
    （一）当
Figure DEST_PATH_IMAGE048
（
Figure DEST_PATH_IMAGE049
为设定阈值），最小对应的候选行人
Figure 412281DEST_PATH_IMAGE044
与最小
Figure 214539DEST_PATH_IMAGE042
对应的候选行人
Figure DEST_PATH_IMAGE051
两者的与目标行人匹配差值的差小于设定的阈值时，尽管最小
Figure 292403DEST_PATH_IMAGE042
对应的候选行人
Figure 534028DEST_PATH_IMAGE051
的目标行人特征匹配差值
Figure DEST_PATH_IMAGE052
并不是最小的，依然根据小群体信息的关联性选择小群体特征匹配差值最小的候选行人
Figure 871469DEST_PATH_IMAGE051
为目标行人的重识别对象；
（二）当
Figure DEST_PATH_IMAGE053
， 判断最小
Figure DEST_PATH_IMAGE054
对应的候选行人
Figure 577256DEST_PATH_IMAGE044
即为目标行人的重识别对象。
进一步的，确定重识别的目标行人之后，根据目标行人当前的状态，重新执行以上步骤，获取最新的目标行人特征及小群体特征，进行新一轮的行人重识别。
本发明根据小群体信息的关联性，即在一段时间内行人小群体不会发生较大的变化，将小群体特征作为行人重识别的一个重要特征，提供一种基于小群体信息关联的视频监控网络中行人重识别方法，主要解决公共场景视频监控网络中对同一行人的重识别问题，通过小群体信息的关联性，提高视频监控网络下行人重识别的精度和准确度。
附图说明
图1是本发明的基于小群体信息关联的视频监控网络中行人重识别方法流程图；
图2为行人小群体轨迹聚类流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，本发明的基于小群体信息关联的视频监控网络中行人重识别方法，包括如下步骤：
视频序列行人前景提取：根据随机游走算法提取行人前景，将每帧图像映射为无向（）加权图，根据高斯权重函数
Figure 765978DEST_PATH_IMAGE002
计算像素点
Figure 844793DEST_PATH_IMAGE003
、
Figure 405087DEST_PATH_IMAGE004
间的权重，联合狄利克雷问题求解随机游走转移概率，根据预设的种子点标签对其他像素点进行分类，将监控视频中行人前景提取出来。
获取行人特征：采用人体对称模型将提取出的行人前景分为头部、左上肢、右上肢、左腿、右腿五个感兴趣区域，统计每个感兴趣区域的颜色直方图为
Figure 176734DEST_PATH_IMAGE005
，其中
Figure 192619DEST_PATH_IMAGE006
为对应感兴趣区域；将特定的区域划分为较小的矩形块，计算这些矩形块中每个像素点梯度值
Figure 137441DEST_PATH_IMAGE007
及梯度方向：
Figure 494790DEST_PATH_IMAGE009
， 
Figure 932725DEST_PATH_IMAGE010
，然后将这些矩形块组合成大的块，归一化块内的梯度强度，最终获得特定区域的HOG特征向量，获取每块感兴趣区域特定区域的HOG特征描述算子。
行人小群体分割：如图2所示，采用人群轨迹聚类算法，对行人的有效的粒子轨迹进行提取，把这些粒子轨迹信息作为输入，计算粒子轨迹间的相似度，将场景中每个粒子设为一个多元组
Figure 888228DEST_PATH_IMAGE012
，
Figure 63995DEST_PATH_IMAGE013
是计算的粒子点的位置，
Figure 989225DEST_PATH_IMAGE014
是粒子运动速度向量，
Figure 275850DEST_PATH_IMAGE015
是粒子通道向量，按如下公式计算随着时间变化的两个粒子轨迹相似度
Figure 337347DEST_PATH_IMAGE016
：
Figure 684015DEST_PATH_IMAGE017
其中，
Figure 96542DEST_PATH_IMAGE018
，
Figure 186857DEST_PATH_IMAGE019
是粒子
Figure 368440DEST_PATH_IMAGE020
和
Figure 635078DEST_PATH_IMAGE021
轨迹重叠所占的时间，权重系数
Figure 534901DEST_PATH_IMAGE022
是通过重叠时间
Figure 101012DEST_PATH_IMAGE019
和粒子
Figure 464997DEST_PATH_IMAGE023
、更长的存在时间
Figure 275007DEST_PATH_IMAGE025
来计算，其他权重系数、、
Figure 457093DEST_PATH_IMAGE028
随着视频尺寸变化设置。构建对应的邻接矩阵，利用视频粒子轨迹在李雅普诺夫指数场的特征应用图论方法，分割权重系数构成的网络图，并利用谱图聚类的算法，用特征向量来表示原来的数据，并在特征向量上进行
Figure 65929DEST_PATH_IMAGE029
均值轨迹聚类，对目标行人小群体进行有效分类识别，从而获得最佳的行人小群体分类结果，确定行人所属群体。
    行人特征匹配，标记出候选行人：根据目标行人感兴趣区域的颜色直方图特征和特定区域的HOG特征，匹配摄像头中每个行人的颜色直方图特征和HOG特征，根据行人匹配差值公式计算与目标行人特征的匹配差值：  其中
Figure 374736DEST_PATH_IMAGE006
为颜色直方图区域，
Figure 342692DEST_PATH_IMAGE024
为HOG特征所在区域。并通过差值
Figure 501141DEST_PATH_IMAGE031
与设定阈值
Figure 212745DEST_PATH_IMAGE032
的比较
Figure 77933DEST_PATH_IMAGE033
标记出监控网络中匹配差值较小的候选行人。
    获取候选行人的小群体特征：根据行人小群体分割结果，确定候选行人所属群体，选择
Figure 282037DEST_PATH_IMAGE034
颜色空间进行离散化，然后统计群体中每种颜色出现的频率，选出最频繁出现的几种颜色作为主色，构建主色调颜色直方图作为小群体颜色直方图特征，统计群体的主色调颜色直方图特征作为小群体特征
Figure 865465DEST_PATH_IMAGE035
。
    计算候选行人小群体特征匹配差值，根据目标行人所属的小群体特征
Figure 177497DEST_PATH_IMAGE036
，匹配候选行人所属的小群体特征
Figure 162771DEST_PATH_IMAGE035
，根据小群体信息匹配差值公式计算候选行人所属小群体特征与目标行人所属小群体特征
Figure 605571DEST_PATH_IMAGE036
的匹配差值
Figure 721294DEST_PATH_IMAGE037
：
Figure 561074DEST_PATH_IMAGE038
 。
    在计算出已标记的候选行人的
Figure 104051DEST_PATH_IMAGE031
和
Figure 396492DEST_PATH_IMAGE037
后，我们按照如下小群体信息关联匹配原则对候选行人进行判别：
    （1）当
Figure 315907DEST_PATH_IMAGE039
=，即最小
Figure 661754DEST_PATH_IMAGE041
与最小
Figure 769388DEST_PATH_IMAGE042
对应的是同一个候选行人（
Figure 164597DEST_PATH_IMAGE043
）时，我们判别该候选行人
Figure 775707DEST_PATH_IMAGE044
为目标行人的重识别对象；
（2）当
Figure 863748DEST_PATH_IMAGE039
Figure 196028DEST_PATH_IMAGE045
Figure 394928DEST_PATH_IMAGE040
时，即最小
Figure 860545DEST_PATH_IMAGE041
与最小对应的不是同一个候选行人（
Figure 873817DEST_PATH_IMAGE046
）时，计算
Figure 673146DEST_PATH_IMAGE047
：
    （一）当
Figure 196531DEST_PATH_IMAGE048
（
Figure 688692DEST_PATH_IMAGE049
为设定阈值），最小
Figure 664739DEST_PATH_IMAGE050
对应的候选行人
Figure 267758DEST_PATH_IMAGE044
与最小
Figure 911229DEST_PATH_IMAGE042
对应的候选行人
Figure 308713DEST_PATH_IMAGE051
两者的与目标行人匹配差值的差小于设定的阈值
Figure 37634DEST_PATH_IMAGE049
时，尽管最小
Figure 178766DEST_PATH_IMAGE042
对应的候选行人的目标行人特征匹配差值
Figure 182811DEST_PATH_IMAGE052
并不是最小的，我们依然根据小群体信息的关联性选择小群体特征匹配差值最小的候选行人
Figure 461345DEST_PATH_IMAGE051
为目标行人的重识别对象；
（二）当
Figure 343851DEST_PATH_IMAGE053
， 我们判断最小
Figure 761581DEST_PATH_IMAGE054
对应的候选行人即为目标行人的重识别对象。
确定重识别的目标行人之后，根据目标行人当前的状态，重新执行以上步骤，获取最新的目标行人特征及小群体特征，进行新一轮的行人重识别。 

Claims (9)

1.一种基于小群体信息关联的视频监控网络中行人重识别方法，包括如下步骤：
步骤一、视频序列行人前景提取；
步骤二、获取行人HOG特征和颜色特征；
步骤三、行人小群体分割；
步骤四、行人特征匹配，标记出候选行人；
步骤五、获取候选行人的小群体特征；
步骤六、计算候选行人小群体特征匹配差值；
步骤七、按照小群体信息关联匹配原则对候选行人进行判别。
2.如权利要求1所述的基于小群体信息关联的视频监控网络中行人重识别方法，其特征在于：步骤一具体为：根据随机游走算法提取行人前景，将每帧图像映射为无向（                                                
Figure 87458DEST_PATH_IMAGE001
）加权图，根据高斯权重函数计算像素点
Figure 661976DEST_PATH_IMAGE003
、间的权重，联合狄利克雷问题求解随机游走转移概率，根据预设的种子点标签对其他像素点进行分类，将监控视频中行人前景提取出来。
3.如权利要求2所述的基于小群体信息关联的视频监控网络中行人重识别方法，其特征在于：步骤二具体为：采用人体对称模型将提取出的行人前景分为头部、左上肢、右上肢、左腿、右腿五个感兴趣区域，统计每个感兴趣区域的颜色直方图为
Figure 800013DEST_PATH_IMAGE005
，其中为对应感兴趣区域；将特定的区域划分为较小的矩形块，计算这些矩形块中每个像素点梯度值
Figure 101736DEST_PATH_IMAGE007
及梯度方向
Figure 223276DEST_PATH_IMAGE008
：
Figure 530761DEST_PATH_IMAGE009
， 
Figure 686935DEST_PATH_IMAGE010
，然后将这些矩形块组合成大的块，归一化块内的梯度强度，最终获得特定区域的HOG特征向量，获取每块感兴趣区域特定区域的HOG特征描述算子
Figure 421673DEST_PATH_IMAGE011
。
4.如权利要求3所述的基于小群体信息关联的视频监控网络中行人重识别方法，其特征在于：步骤三具体为：采用人群轨迹聚类算法，对行人的有效的粒子轨迹进行提取，把这些粒子轨迹信息作为输入，计算粒子轨迹间的相似度，将场景中每个粒子设为一个多元组，
Figure 318183DEST_PATH_IMAGE013
是计算的粒子点的位置，
Figure 328864DEST_PATH_IMAGE014
是粒子运动速度向量，
Figure 234503DEST_PATH_IMAGE015
是粒子通道向量，按如下公式计算随着时间变化的两个粒子轨迹相似度
Figure 268318DEST_PATH_IMAGE016
：
Figure 917606DEST_PATH_IMAGE017
其中，
Figure 782793DEST_PATH_IMAGE018
，
Figure 357869DEST_PATH_IMAGE019
是粒子
Figure 878980DEST_PATH_IMAGE020
和
Figure 394275DEST_PATH_IMAGE021
轨迹重叠所占的时间，权重系数是通过重叠时间和粒子、
Figure 859443DEST_PATH_IMAGE024
更长的存在时间
Figure 699223DEST_PATH_IMAGE025
来计算，其他权重系数
Figure 117566DEST_PATH_IMAGE026
、、
Figure 204788DEST_PATH_IMAGE028
随着视频尺寸变化设置；构建对应的邻接矩阵，利用视频粒子轨迹在李雅普诺夫指数场的特征应用图论方法，分割权重系数构成的网络图，并利用谱图聚类的算法，用特征向量来表示原来的数据，并在特征向量上进行
Figure 836758DEST_PATH_IMAGE029
均值轨迹聚类，对目标行人小群体进行有效分类识别，从而获得最佳的行人小群体分类结果，确定行人所属群体。
5.如权利要求4所述的基于小群体信息关联的视频监控网络中行人重识别方法，其特征在于：步骤四具体为：根据目标行人感兴趣区域的颜色直方图特征和特定区域的HOG特征，匹配摄像头中每个行人的颜色直方图特征和HOG特征，根据行人匹配差值公式计算与目标行人特征的匹配差值： 
Figure 753898DEST_PATH_IMAGE030
 其中为颜色直方图区域，
Figure 302746DEST_PATH_IMAGE024
为HOG特征所在区域；并通过差值
Figure 117118DEST_PATH_IMAGE031
与设定阈值的比较
Figure 144297DEST_PATH_IMAGE033
标记出监控网络中匹配差值较小的候选行人。
6.如权利要求5所述的基于小群体信息关联的视频监控网络中行人重识别方法，其特征在于：步骤五具体为：根据行人小群体分割结果，确定候选行人所属群体，选择
Figure 280880DEST_PATH_IMAGE034
颜色空间进行离散化，然后统计群体中每种颜色出现的频率，选出最频繁出现的几种颜色作为主色，构建主色调颜色直方图作为小群体颜色直方图特征，统计群体的主色调颜色直方图特征作为小群体特征
Figure 380118DEST_PATH_IMAGE035
。
7.如权利要求6所述的基于小群体信息关联的视频监控网络中行人重识别方法，其特征在于：步骤六具体为：根据目标行人所属的小群体特征
Figure 373482DEST_PATH_IMAGE036
，匹配候选行人所属的小群体特征
Figure 65494DEST_PATH_IMAGE035
，根据小群体信息匹配差值公式计算候选行人所属小群体特征
Figure 802506DEST_PATH_IMAGE035
与目标行人所属小群体特征
Figure 263575DEST_PATH_IMAGE036
的匹配差值：
Figure 872727DEST_PATH_IMAGE038
。
8.如权利要求7所述的基于小群体信息关联的视频监控网络中行人重识别方法，其特征在于：步骤七具体为：（1）当
Figure 147851DEST_PATH_IMAGE039
=，即最小
Figure 562707DEST_PATH_IMAGE041
与最小对应的是同一个候选行人（
Figure 308126DEST_PATH_IMAGE043
）时，判别该候选行人
Figure 806103DEST_PATH_IMAGE044
为目标行人的重识别对象；
（2）当
Figure 466072DEST_PATH_IMAGE045
Figure 286260DEST_PATH_IMAGE040
时，即最小
Figure 638744DEST_PATH_IMAGE041
与最小对应的不是同一个候选行人（
Figure 455445DEST_PATH_IMAGE046
）时，计算
Figure 813745DEST_PATH_IMAGE047
：
    （一）当
Figure 286315DEST_PATH_IMAGE048
（
Figure 337448DEST_PATH_IMAGE049
为设定阈值），最小
Figure 262678DEST_PATH_IMAGE050
对应的候选行人
Figure 424669DEST_PATH_IMAGE044
与最小
Figure 922384DEST_PATH_IMAGE042
对应的候选行人
Figure 206735DEST_PATH_IMAGE051
两者的与目标行人匹配差值的差小于设定的阈值
Figure 619262DEST_PATH_IMAGE049
时，尽管最小
Figure 584944DEST_PATH_IMAGE042
对应的候选行人
Figure 766527DEST_PATH_IMAGE051
的目标行人特征匹配差值
Figure 893883DEST_PATH_IMAGE052
并不是最小的，依然根据小群体信息的关联性选择小群体特征匹配差值最小的候选行人
Figure 731389DEST_PATH_IMAGE051
为目标行人的重识别对象；
（二）当
Figure 297499DEST_PATH_IMAGE053
， 判断最小
Figure 41245DEST_PATH_IMAGE054
对应的候选行人
Figure 401819DEST_PATH_IMAGE044
即为目标行人的重识别对象。
9.如权利要求8所述的基于小群体信息关联的视频监控网络中行人重识别方法，其特征在于：确定重识别的目标行人之后，根据目标行人当前的状态，重新执行以上步骤，获取最新的目标行人特征及小群体特征，进行新一轮的行人重识别。
CN201410057440.0A 2014-02-20 2014-02-20 基于小群体信息关联的视频监控网络中行人重识别方法 Active CN103810476B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410057440.0A CN103810476B (zh) 2014-02-20 2014-02-20 基于小群体信息关联的视频监控网络中行人重识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410057440.0A CN103810476B (zh) 2014-02-20 2014-02-20 基于小群体信息关联的视频监控网络中行人重识别方法

Publications (2)

Publication Number Publication Date
CN103810476A true CN103810476A (zh) 2014-05-21
CN103810476B CN103810476B (zh) 2017-02-01

Family

ID=50707218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410057440.0A Active CN103810476B (zh) 2014-02-20 2014-02-20 基于小群体信息关联的视频监控网络中行人重识别方法

Country Status (1)

Country Link
CN (1) CN103810476B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268583A (zh) * 2014-09-16 2015-01-07 上海交通大学 基于颜色区域特征的行人重识别方法及系统
CN104881637A (zh) * 2015-05-09 2015-09-02 广东顺德中山大学卡内基梅隆大学国际联合研究院 基于传感信息及目标追踪的多模信息系统及其融合方法
CN104992142A (zh) * 2015-06-03 2015-10-21 江苏大学 一种基于深度学习和属性学习相结合的行人识别方法
CN105389562A (zh) * 2015-11-13 2016-03-09 武汉大学 一种时空约束的监控视频行人重识别结果的二次优化方法
CN105574505A (zh) * 2015-12-16 2016-05-11 深圳大学 一种多摄像机间人体目标再识别的方法及系统
CN106203458A (zh) * 2015-04-29 2016-12-07 杭州海康威视数字技术股份有限公司 人群视频分析方法及系统
CN106650620A (zh) * 2016-11-17 2017-05-10 华南理工大学 一种应用无人机监测的目标人员识别追踪方法
CN107153824A (zh) * 2017-05-22 2017-09-12 中国人民解放军国防科学技术大学 基于图聚类的跨视频行人重识别方法
CN108399381A (zh) * 2018-02-12 2018-08-14 北京市商汤科技开发有限公司 行人再识别方法、装置、电子设备和存储介质
CN108764167A (zh) * 2018-05-30 2018-11-06 上海交通大学 一种时空关联的目标重识别方法和系统
CN109034181A (zh) * 2018-06-05 2018-12-18 广州杰赛科技股份有限公司 移动轨迹的分类方法和装置、设备、存储介质
CN109063567A (zh) * 2018-07-03 2018-12-21 百度在线网络技术（北京）有限公司 人体识别方法、装置及存储介质
CN109190475A (zh) * 2018-08-01 2019-01-11 中国计量大学 一种人脸识别网络与行人再识别网络协同训练方法
CN110110755A (zh) * 2019-04-04 2019-08-09 长沙千视通智能科技有限公司 基于ptgan区域差距与多重分支的行人重识别检测算法及装置
CN111738062A (zh) * 2020-05-09 2020-10-02 广智微芯(扬州)有限公司 一种基于嵌入式平台的自动再识别方法及系统
CN111881863A (zh) * 2020-08-03 2020-11-03 成都西交智汇大数据科技有限公司 一种区域群体异常行为检测方法
CN113821681A (zh) * 2021-09-17 2021-12-21 深圳力维智联技术有限公司 视频标签生成方法、装置及设备
CN114581858A (zh) * 2022-05-06 2022-06-03 中科智为科技(天津)有限公司 一种小股人群重识别方法及模型训练方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2316246B1 (es) * 2006-02-03 2010-01-08 Luis Angel Ispizua Hernandez Dispositivo inteligente de deteccion y orientacion de peatones discapacitados.
CN102163281B (zh) * 2011-04-26 2012-08-22 哈尔滨工程大学 基于AdaBoost框架和头部颜色的实时人体检测方法
CN102831409B (zh) * 2012-08-30 2016-09-28 苏州大学 基于粒子滤波的运动行人视频自动跟踪方法及系统
CN103049751A (zh) * 2013-01-24 2013-04-17 苏州大学 一种改进的加权区域匹配高空视频行人识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ALINA BIALKOWSKI ETC，: ""Person Re-Identification Using Group Information"", 《DIGITAL IMAGE COMPUTING：TECHNIQUE AND APPLICATIONS》 *
曲永宇 等，: ""基于HOG和颜色特征的行人检测"", 《武汉理工大学学报》 *
郭翠梅: ""基于随机游走的图像分割技术研究"", 《中国优秀硕士学位论文全文数据库，信息科技辑》 *
陈非予: "智能视频监控中小群体运动分析研究", 《中国优秀硕士学位论文全文数据库，信息科技辑》 *

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268583B (zh) * 2014-09-16 2017-04-19 上海交通大学 基于颜色区域特征的行人重识别方法及系统
CN104268583A (zh) * 2014-09-16 2015-01-07 上海交通大学 基于颜色区域特征的行人重识别方法及系统
CN106203458B (zh) * 2015-04-29 2020-03-06 杭州海康威视数字技术股份有限公司 人群视频分析方法及系统
CN106203458A (zh) * 2015-04-29 2016-12-07 杭州海康威视数字技术股份有限公司 人群视频分析方法及系统
CN104881637A (zh) * 2015-05-09 2015-09-02 广东顺德中山大学卡内基梅隆大学国际联合研究院 基于传感信息及目标追踪的多模信息系统及其融合方法
CN104881637B (zh) * 2015-05-09 2018-06-19 广东顺德中山大学卡内基梅隆大学国际联合研究院 基于传感信息及目标追踪的多模信息系统及其融合方法
CN104992142B (zh) * 2015-06-03 2018-04-17 江苏大学 一种基于深度学习和属性学习相结合的行人识别方法
CN104992142A (zh) * 2015-06-03 2015-10-21 江苏大学 一种基于深度学习和属性学习相结合的行人识别方法
CN105389562A (zh) * 2015-11-13 2016-03-09 武汉大学 一种时空约束的监控视频行人重识别结果的二次优化方法
CN105389562B (zh) * 2015-11-13 2018-08-21 武汉大学 一种时空约束的监控视频行人重识别结果的二次优化方法
CN105574505A (zh) * 2015-12-16 2016-05-11 深圳大学 一种多摄像机间人体目标再识别的方法及系统
WO2017101434A1 (zh) * 2015-12-16 2017-06-22 深圳大学 一种多摄像机间人体目标再识别的方法及系统
CN105574505B (zh) * 2015-12-16 2019-02-12 深圳大学 一种多摄像机间人体目标再识别的方法及系统
CN106650620A (zh) * 2016-11-17 2017-05-10 华南理工大学 一种应用无人机监测的目标人员识别追踪方法
CN106650620B (zh) * 2016-11-17 2019-05-14 华南理工大学 一种应用无人机监测的目标人员识别追踪方法
CN107153824A (zh) * 2017-05-22 2017-09-12 中国人民解放军国防科学技术大学 基于图聚类的跨视频行人重识别方法
CN108399381B (zh) * 2018-02-12 2020-10-30 北京市商汤科技开发有限公司 行人再识别方法、装置、电子设备和存储介质
CN108399381A (zh) * 2018-02-12 2018-08-14 北京市商汤科技开发有限公司 行人再识别方法、装置、电子设备和存储介质
US11301687B2 (en) 2018-02-12 2022-04-12 Beijing Sensetime Technology Development Co., Ltd. Pedestrian re-identification methods and apparatuses, electronic devices, and storage media
CN108764167A (zh) * 2018-05-30 2018-11-06 上海交通大学 一种时空关联的目标重识别方法和系统
CN108764167B (zh) * 2018-05-30 2020-09-29 上海交通大学 一种时空关联的目标重识别方法和系统
CN109034181A (zh) * 2018-06-05 2018-12-18 广州杰赛科技股份有限公司 移动轨迹的分类方法和装置、设备、存储介质
CN109063567B (zh) * 2018-07-03 2021-04-13 百度在线网络技术（北京）有限公司 人体识别方法、装置及存储介质
CN109063567A (zh) * 2018-07-03 2018-12-21 百度在线网络技术（北京）有限公司 人体识别方法、装置及存储介质
US11354923B2 (en) 2018-07-03 2022-06-07 Baidu Online Network Technology (Beijing) Co., Ltd. Human body recognition method and apparatus, and storage medium
CN109190475B (zh) * 2018-08-01 2021-09-14 中国计量大学 一种人脸识别网络与行人再识别网络协同训练方法
CN109190475A (zh) * 2018-08-01 2019-01-11 中国计量大学 一种人脸识别网络与行人再识别网络协同训练方法
CN110110755B (zh) * 2019-04-04 2021-02-26 长沙千视通智能科技有限公司 基于ptgan区域差距与多重分支的行人重识别检测方法及装置
CN110110755A (zh) * 2019-04-04 2019-08-09 长沙千视通智能科技有限公司 基于ptgan区域差距与多重分支的行人重识别检测算法及装置
CN111738062A (zh) * 2020-05-09 2020-10-02 广智微芯(扬州)有限公司 一种基于嵌入式平台的自动再识别方法及系统
CN111881863A (zh) * 2020-08-03 2020-11-03 成都西交智汇大数据科技有限公司 一种区域群体异常行为检测方法
CN113821681A (zh) * 2021-09-17 2021-12-21 深圳力维智联技术有限公司 视频标签生成方法、装置及设备
CN113821681B (zh) * 2021-09-17 2023-09-26 深圳力维智联技术有限公司 视频标签生成方法、装置及设备
CN114581858A (zh) * 2022-05-06 2022-06-03 中科智为科技(天津)有限公司 一种小股人群重识别方法及模型训练方法

Also Published As

Publication number Publication date
CN103810476B (zh) 2017-02-01

Similar Documents

Publication Publication Date Title
CN103810476A (zh) 基于小群体信息关联的视频监控网络中行人重识别方法
Wang et al. Detecting abnormality without knowing normality: A two-stage approach for unsupervised video abnormal event detection
Asmaa et al. Road traffic density estimation using microscopic and macroscopic parameters
CN103246896B (zh) 一种鲁棒性车辆实时检测与跟踪方法
CN105528794A (zh) 基于混合高斯模型与超像素分割的运动目标检测方法
D'Angelo et al. People re-identification in camera networks based on probabilistic color histograms
CN106682573B (zh) 一种单摄像头的行人跟踪方法
CN102521565A (zh) 低分辨率视频的服装识别方法及系统
CN109344842A (zh) 一种基于语义区域表达的行人重识别方法
CN103065325B (zh) 一种基于彩色颜色距离和图像分割聚合的目标跟踪方法
CN104077605A (zh) 一种基于颜色拓扑结构的行人搜索识别方法
CN103714181A (zh) 一种层级化的特定人物检索方法
CN103106409A (zh) 一种针对头肩检测的混合特征提取方法
CN102521646A (zh) 基于深度信息聚类的复杂场景人数统计算法
CN104680521A (zh) 一种改进的背景建模及前景检测方法
Meher et al. Efficient method of moving shadow detection and vehicle classification
Chen et al. A precise information extraction algorithm for lane lines
CN107103301B (zh) 视频目标时空最大稳定性判别性颜色区域匹配方法和系统
CN104299007A (zh) 一种用于行为识别的分类器训练方法
Yang et al. A method of pedestrians counting based on deep learning
Kwon et al. Scene modeling-based anomaly detection for intelligent transport system
Hu et al. Fast face detection based on skin color segmentation using single chrominance Cr
Edoardo Maresca et al. The Matrioska tracking algorithm on LTDT2014 dataset
Li et al. A novel framework for anomaly detection in video surveillance using multi-feature extraction
Yi et al. Face detection method based on skin color segmentation and facial component localization

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