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 PDFInfo
- 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
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
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( )加权图,根据高斯权重函数计算像素点、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,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及梯度方向:, ,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,是计算的粒子点的位置,是粒子运动速度向量,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:
其中,,是粒子和轨迹重叠所占的时间,权重系数是通过重叠时间和粒子、更长的存在时间来计算,其他权重系数、、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: 其中为颜色直方图区域,为HOG特征所在区域。并通过差值与设定阈值的比较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。
(一)当(为设定阈值),最小对应的候选行人与最小对应的候选行人两者的与目标行人匹配差值的差小于设定的阈值时,尽管最小对应的候选行人的目标行人特征匹配差值并不是最小的,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,根据高斯权重函数计算像素点、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,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及梯度方向:, ,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,是计算的粒子点的位置,是粒子运动速度向量,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:
其中,,是粒子和轨迹重叠所占的时间,权重系数是通过重叠时间和粒子、更长的存在时间来计算,其他权重系数、、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: 其中为颜色直方图区域,为HOG特征所在区域。并通过差值与设定阈值的比较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。
(一)当(为设定阈值),最小对应的候选行人与最小对应的候选行人两者的与目标行人匹配差值的差小于设定的阈值时,尽管最小对应的候选行人的目标行人特征匹配差值并不是最小的,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。
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,是计算的粒子点的位置,是粒子运动速度向量,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:
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。
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)
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)
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 |
-
2014
- 2014-02-20 CN CN201410057440.0A patent/CN103810476B/zh active Active
Non-Patent Citations (4)
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)
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 |