CN105474232A - 用于生物计量标识的系统和方法 - Google Patents

用于生物计量标识的系统和方法 Download PDF

Info

Publication number
CN105474232A
CN105474232A CN201480044687.7A CN201480044687A CN105474232A CN 105474232 A CN105474232 A CN 105474232A CN 201480044687 A CN201480044687 A CN 201480044687A CN 105474232 A CN105474232 A CN 105474232A
Authority
CN
China
Prior art keywords
image
frequency domain
coherence
personage
pixel
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.)
Pending
Application number
CN201480044687.7A
Other languages
English (en)
Inventor
H·韦克斯勒
S·阿米萨尔
R·拉多姆斯基
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.)
QUANTUMRGB Ltd
Original Assignee
QUANTUMRGB Ltd
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 QUANTUMRGB Ltd filed Critical QUANTUMRGB Ltd
Publication of CN105474232A publication Critical patent/CN105474232A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/431—Frequency domain transformation; Autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/50—Maintenance of biometric data or enrolment thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及用于生成并且比较人物的生物计量特有签名的方法和系统，其包括步骤：a)获得人物的第一图像；b)获得人物的头发部分图像；c)将头发部分图像变换为其频域图像，并且可选地将所述频域图像保存在数据库中。公开了与该方法关联的另外的应用。

Description

用于生物计量标识的系统和方法
技术领域
本发明涉及通过图像和信号处理的生物计量标识的领域。更具体地，本发明涉及通过人物的头发的谱分析标识人物。
背景技术
用于主体的图像标识的当前生物计量方法是基于干净面部、虹膜、手印等的，并且需要特殊准备以及来自特殊地安装的相机的干净照片。由于标准治安相机具有相对低的分辨率，它们通常是以高角度放置的，并且在非受控的光照条件的情况下运作，因此所有当前生物计量方法当随之使用时是不起作用的。这些缺点的结果之一是，来自这些相机的人物标识是低效的。现今，跟踪方法基于这样的事实：相机可以跟踪特定对象，直到该对象退出相机的视场。当人物退出特定相机的视场并且进入相邻相机的视场时，第一相机的跟踪终止，并且第二相机开始新的跟踪。无论第一相机跟踪如何，第二相机的跟踪都是独立地实现的。特定对象的从一个相机的视场到另一相机的视场的自动化连续跟踪包括不精确的并且频繁地往往会出故障的复杂跟踪应用。此外，非常需要一种即使当主体退出相机的视场(或受另一对象模糊)并且稍后返回时也能够进行跟踪的跟踪方法。
此外，需要当分析事后视频并且关于特定人物找寻事件的时间线时跟踪人物的下落。现今，仅有的解决方案是使得治安分析员观看视频并且手动地标记特定个体的外貌。
图1示出目的在于覆盖仓库的周围视场的现有技术相机系列(50a-50e)。每个相机覆盖特定视场。每个相机的相邻相机覆盖与其相机的视场相邻的视场。当嫌疑主体穿过一个相机的视场进入另一个相机的视场时，在远程位置处观看相机拍摄记录的治安人员将具有跟踪嫌疑主体的难度。当前系统允许在相机观看屏幕上标记主体。于是，使用适当的应用跟踪主体，直到主体退出相机的视场。治安人员将不得不在相邻相机的屏幕上再次标记嫌疑主体，归因于人物在治安相机上看起来很像的事实，这样可能是非常令人费解的。此外，沿着相机系列的持续跟踪需要频繁的手动介入。
此外，需要即使主体退出系统相机视场也跟踪并且标识他达长时间段的手段。
因此，本发明的目的是提供一种用于基于人类头发和头部轮廓以及形态的独特特质以新型生物计量特质对人物进行相干标识的方法和装置。
本发明的又一目的是提供一种用于基于特定人物的头发和颅骨结构生成具有关于他的高相干性的数字签名并且关于各种视频分析任务使用所述签名的方法和装置。
本发明的又一目的是提供一种用于对主体执行签名的方法和装置以及用于稍后当返回到系统相机视场时标识所签署的主体的装置。
本发明的又一目的是提供用于分析事后视频以在视频运行时间期间确定特定人物的下落的装置。
本发明的又一目的是根据照片集合生成用于人物的相干签名，并且于在不同时间、在线或事后分析中所生成的视频中搜索该特定人物。
根据前面的描述，本发明的其它目的和优点将变得显然。
发明内容
本发明涉及一种用于分析并且处理人物的照片图像从而获得人物的头发特征(或颅骨结构或二者)并且将人物的头发特征(或颅骨结构或二者)变换到频域中的系统和方法。所获人物的头发频率特征在该人物的特定头部定向上通常是相同的。头发的量、头发的厚度等在各个定向处是相似的，并且即使在不同的头部定向的情况下也可以进行人物的肯定性标识。各种图像处理装置用于获得头发的优化部分，并且相应地获得指示人物的仅对于该人物唯一的良好频域表示。当与(相应地受处理并且产生频域表示的)该人物的另一图像进行比较时，发现两个频率表示的相干性是高的，给出二者之间的肯定性匹配。
本发明涉及一种用于标识人物的方法，其包括以下步骤：
A)获得人物的图像；
B)获得图像中的人物的头发或颅骨部分；
C)将头发或颅骨部分图像变换到频域中，并且将其保存在数据库中；
D)对步骤C的所获频域图像与数据库中的频域图像进行比较，其中，当这两个所比较的频域图像之间的相干性大于特定阈值时，标识结果看作肯定性的。
本发明涉及一种包括连接到处理装置的一个或多个相机的系统，其中，处理装置包括：
A)数据库；
B)频域变换单元；
C)比较相干函数单元。
本发明涉及一种用于生成并且比较人物的生物计量特有签名的方法，其包括以下步骤：
A)获得人物的第一图像；
B)获得人物的头发部分图像；
C)将头发部分图像变换为其频域图像，并且可选地将所述频域图像保存在数据库中。
优选地，所述方法还包括步骤：通过对步骤C的所获频域图像与数据库中的频域图像进行比较进行标识，其中，当这两个所比较的频域图像之间的相干性大于特定阈值时，标识结果看作肯定性的。
优选地，通过还包括以下步骤中的一个或多个获得步骤B)的头发部分图像：
a.从相机获得在第一图像后不久或在第一图像前不久拍摄的第二图像；
b.将第一和第二图像变换为1-D信号；
c.对步骤b的信号执行2-D中位数函数；
d.重构表征步骤c的信号以及第一和第二图像的大小的背景2-D图像；
e.获得第一或第二图像并且将其亮度调整为步骤d的背景图像的亮度；其中，所获图像包括有界部分；
f.从步骤d的图像减去步骤e的图像(或反之亦然)；
g.对步骤f的图像执行绝对值函数，以接收对象前景；
h.获得作为对象前景的一部分的新图像，其中，所述对象前景的部分处于对应于步骤e中所提及的有界部分的位置的位置处；
i.通过头部部分模板对步骤h的图像执行FIR卷积，以接收还包括具有对应于每个图像像素的系数值的附加维度的步骤h的图像；
j.获得作为步骤i的图像的部分的新图像，其中，所述步骤i的图像的部分包括具有大于阈值的对应系数值的像素；
k.通过头发部分模板对步骤j的图像执行FIR卷积，以接收还包括具有对应于每个图像像素的系数值的附加维度的步骤j的图像；
l.获得作为步骤k的图像的部分的新图像，其中，所述步骤k的图像的部分包括具有大于阈值的对应系数值的像素；
优选地，步骤C包括：通过在数据库中保存频域图像并且为其提供标识以执行签名。
优选地，通过以下操作进一步处理步骤g的图像：将图像转变为1-D信号；以及将信号传递通过FIR滤波器，FIR滤波器进一步对背景部分的噪声进行滤波；以及重构表征FIR滤波器的输出信号和步骤g的图像的大小的2-D图像。
优选地，在步骤g之后对于对象前景执行对比度调整。
优选地，通过将人工背景值分配给具有小于阈值的对应系数值的像素进一步修改步骤1的图像。
本发明涉及一种用于标识人物的方法，其包括以下步骤：
A)获得人物的第一图像；
B)获得人物的头发部分图像，其还包括以下步骤中的至少一个：
a.从相机获得在第一图像后不久或在第一图像前不久拍摄的第二图像；
b.将第一和第二图像变换为1-D信号；
c.对步骤b的信号执行2-D中位数函数；
d.重构表征步骤c的信号以及第一和第二图像的大小的背景2-D图像；
e.获得第一或第二图像并且将其亮度调整为步骤d的背景图像的亮度；其中，所获图像包括有界部分；
f.从步骤d的图像减去步骤e的图像(或反之亦然)；
g.对步骤f的图像执行绝对值函数，以接收对象前景；
h.获得作为对象前景的一部分的新图像，其中，所述对象前景的部分处于对应于步骤e中所提及的有界部分的位置的位置处；
i.通过头部部分模板对步骤h的图像执行FIR卷积，以接收还包括具有对应于每个图像像素的系数值的附加维度的步骤h的图像；
j.获得作为步骤i的图像的部分的新图像，其中，所述步骤i的图像的部分包括具有大于阈值的对应系数值的像素；
k.通过头发部分模板对步骤j的图像执行FIR卷积，以接收还包括具有对应于每个图像像素的系数值的附加维度的步骤j的图像；
1.获得作为步骤k的图像的部分的新图像，其中，所述步骤k的图像的部分包括具有大于阈值的对应系数值的像素；
m.界定头发区块；
n.将头发区块划分为三个区带；
o.从所述区带中的每一个获得轮廓条带，其中，所述条带包括在从区带的一个边沿到另一边沿的特定方向上相邻像素的行；
p.计算轮廓条带中的最高位置像素与轮廓条带中的最低位置像素的强度值之间的比率；
q.将条带变换为频域图像，并且可选地在分配给特定主体的数据库中保存所述频域图像；
r.对所获频域图像之一与数据库中的主体的频域图像进行比较，其中，所比较的两个频域图像是具有最相近强度比率的频域图像；并且其中，标识结果当两个所比较的频域图像之间的相干性大于第一阈值时看作肯定性的，而当两个所比较的频域图像之间的相干性小于第二阈值时看作是否定性的。
优选地，如果在步骤r中相干性结果处于第一与第二阈值之间，则采取以下步骤：
s.通过轻微变动所获步骤o的轮廓条带获得新的轮廓条带；
t.将所述新的轮廓条带变换到频域中，并且对其与步骤r中的数据库主体的同一频域条带进行比较；其中，标识结果当两个所比较的频域图像之间的相干性大于第一阈值时看作是肯定性的，而当两个所比较的频域图像之间的相干性小于第二阈值时看作是否定性的；
u.如果在步骤t中相干性结果处于第一与第二阈值之间，则重复步骤s-u。
本发明涉及一种用于跟踪人物的方法，其至少包括以下步骤中的前3个：
A)从视频相机获得人物的图像；
B)获得图像中的人物的头发部分；
C)将头发部分图像变换到频域中，并且将其保存在数据库中；
D)将步骤B的图像划分为像素群组的数组；
E)将步骤D的每个群组变换到频域中；
F)对步骤E的每个群组频域与步骤C的频率图像之间的相干性进行比较；
G)获得具有最接近步骤C的图像的最高相干性的群组；
H)获得相机的连续帧(或多个帧)；
I)将步骤H的图像划分为与步骤D的数组相似的像素群组的数组，并且标记其先前帧(或先前多个帧)的最高相干性群组的位置的周围群组；
J)将步骤I的每个群组变换到频域中；
K)对步骤J的每个群组频域与步骤C的频率图像(或先前帧最高相干性群组)之间的相干性进行比较；
L)获得具有最接近步骤C的图像的最高相干性的群组(或先前帧最高相干性群组)；
M)如果步骤L的相干性大于阈值，则重复步骤H-M；如果步骤L的相干性小于阈值，则跟踪终止。
本发明涉及一种包括连接到处理装置的一个或多个相机的系统，
其中，处理装置包括：
A)数据库；
B)频域变换单元；
C)比较频率相干函数单元。
本发明涉及一种用于生成特有生物计量签名的方法，其包括：在频域中分析给定人物的头发/头部结构。
优选地，所分析的头发/头部结构是头部的一个或多个轮廓。
优选地，所述方法还包括步骤：如权利要求12所述进行的从两个不同的照片获得的两个签名之间的相干性比较。
优选地，所述方法还包括步骤：计算轮廓中的最高像素的强度与轮廓中的最低像素的强度之间的强度比率。
优选地，所述方法还包括步骤：对根据以上所计算的来自至少两个不同的照片的轮廓的两个集合之间的比率进行比较。
优选地，所述方法还包括：仅对具有强度比率的最高相干性的两个轮廓进行比较。
本发明涉及一种包括连接到处理装置的两个或更多个相机的系统，
其中，处理装置配置为基于从所述两个或更多个相机获得的图像的头部/头发形态生成生物计量签名；
并且配置为：对来自一个相机与另一相机的签名进行比较，以确定跟踪的连续性。
附图说明
在附图中通过示例的方式示出本发明，其中，相似标号一致地指示相似要素，并且其中：
图1示出现有技术系统。
图2示出本发明的系统的实施例。
图3示出本发明的处理级。
图4A-图4B示出本发明的处理级。
图4C-图4D示出图4B的处理级的示例。
图5–图7示出本发明的处理级。
图8示出本发明的ROI的实施例。
图9A-图9C、图10A-图10C、图11A-图11C示出本发明的工作示例。
图12A-图12C示出谱分析的示例。
图13A-图13B示出小波模板的示例的性质。
图14A–图14B示出主体的两个位置。
图15A-图15B示出轮廓条带的示例。
图16A-图16C示出本发明实施例的工作示例。
具体实施方式
本发明涉及一种可以根据人物的头发的部分标识他的系统。所发现的是，人类头发和颅骨结构的频域中的谱受来自使得签名按给定人物是唯一的并且特有的各个参数影响。每给定的区块的头发的色彩、厚度、头发的数目对信号有很高影响。颅骨结构也是唯一的，并且改变谱，以按颅骨的普通角度以及头发在颅骨上的分布形成唯一的谱。公知的是，给定的对象的表面区块对频域中的整个谱是有影响的。
初始地，系统分析主体的头发的图像部分，并且以签名对他进行标记。系统可以于是当获得主体的附加图像时标识他，分析附加图像并且与初始图像/签名进行比较。
由于本发明系统通常安装在高位置处以防止与行人的任何接触，因此它们尤其有利于随治安相机工作。从安装它们的高位置，它们具有人物的头发部分的更好的观看。归因于面部识别因为相机的高位置所以非常受限的事实，本发明头发识别方法实际上因为高相机所以非常高效。
根据一个实现方式，本发明涉及一种包括一个或多个相机(例如标准治安相机(例如标准治安视频相机))的系统。图2示出本发明实施例，其中，相机系列(50a-50e)放置在建筑的顶部，目的在于覆盖建筑(例如仓库建筑)的周围。每个相机覆盖与相邻相机的视场相邻的特定视场。治安人员可以在远程位置处观看相机拍摄记录。系统具备跟踪能力并且允许治安人员使用适当的跟踪应用(例如NESStechnologies的“SixSense”或例如MATLAB跟踪应用)标记相机观看屏幕上的主体，以用于跟踪所述主体。
一个或多个相机50a-50e连接到处理装置55(例如标准计算机)。处理装置55适用于取得主体的采样图像并且在频域中分析主体头发性质。主体通过签名得以标记，并且存储在数据库中。系统提供能力，从而当主体进入另一相机的视场或消失并且返回到同一相机视场时，主体头发再次受分析，并且与系统主体头发数据库进行比较。系统可以然后在新测量的性质与数据库之间进行匹配，并且将该新图像主体标记为数据库的所签名的主体之一，而且向人员通知肯定性标识。
根据本发明优选实施例，图像的分析和签名实现如下。
第一阶段—获得图像的背景
当嫌疑主体进入系统相机视场之一时，治安人员可以在观看屏幕上标记嫌疑主体，产生跟踪系统的操作。跟踪系统应用是通常在使得能够(通过计算机鼠标或通过触摸屏，或自动地通过运动检测软件等)标记主体的同一处理装置上的应用软件。在跟踪(图像特征和所跟踪的主体二者)期间拍摄记录相机的两个采样的静止图像在跟踪期间保存在处理装置中，并且受分析。所述图像中的每一个包括与图像内的单个对象(例如移动人物)有关的前景以及在并非移动对象前景的部分的区块处的背景。根据优选实施例，处理装置包括缓冲器11，其将静止图像转变为1-D信号，如图3A所示。两个所采样的图像帧10a和10b传送到缓冲器11，缓冲器11将它们转变为1-D信号。2-D静止图像表示和1-D表示的像素的说明性示例可以分别见于图3B和图3C中。处理装置包括2-D中位数函数缓冲器12，其取得两个输出1-D信号并且对它们执行中位数函数，因此实际上从1-D信号移除移动对象特征，并且保留静止背景的一个图像。
根据一个实施例，中位数函数包括：求解图像基准(帧10a和10b的集合)的像素的强度值的中位数阈值。两个帧图像的背景部分中的信号几乎相同。在执行中位数函数之后，通常，具有小于阈值的强度值的像素看作背景部分。具有大于阈值的强度值的像素看作前景部分。为两个图像的前景的像素区块分配对应其它图像背景值。在RGB图像的情况下，强度是每个像素的总幅度的值。
根据本发明实施例，中位数阈值是将数据采样的上一半与下一半分离的数值。例如，计数(n)是给定的数据中的观测条目的总数目。如果n为奇数，则
中位数(M)＝第((n+1)/2)条目项的值。
如果n为偶数，则
中位数(M)＝[第((n)/2)条目项+((n)/2+1)条目项]/2的值。
示例：
对于奇数数目的值：
作为示例，计算用于以下观测集合的采样中位数：1、5、2、8、7。
首先，存储值：1、2、5、7、8。
在此情况下，由于中位数是有序列表中的中间观测，因此其为5。
中位数是第((n+1)/2)条目，其中，n是值的数目。例如，对于列表{1,2,5,7,8}，n等于5，从而中位数是第((5+1)/2)条目，
中位数＝第(6/2)条目
中位数＝第3条目
中位数＝5
对于偶数数目的值：
作为示例，计算用于以下观测集合的采样中位数：1、6、2、8、7、2。
首先，存储值：1、2、2、6、7、8。
在此情况下，两个正中项的算术均值是(2+6)/2＝4。因此，由于中位数是有序列表中的中间观测的均值，因此其为4。
我们还使用此公式：MEDIAN＝第{(n+1)/2}条目。n＝值的数目
作为以上示例，1、2、2、6、7、8；n＝6；中位数＝第{(6+1)/2}条目＝第3.5条目。在此情况下，中位数是第3数目和下一个(第四数目)的平均值。中位数是(2+6)/2，其为4。
如果A是矩阵，则中位数(A)将A的各列处理为矢量，返回中位数值的行矢量。
可选地，所跟踪的主体的多于两个的图像可以输入到缓冲器11和2-D中位数函数12中，其中，计算多于两个的图像的中位数函数，产生背景图像。
静止背景图像连同图像10b的原始图像大小一起传送到重新成形单元13，因此重新产生完整2-D背景图像15。
第二阶段—获得图像的前景
根据本发明实施例，原始图像包括用户(通过计算机鼠标等)界定的特定形状(例如矩形、圆形部分、多边形、任何封闭形状)的形式的其内的区段。用户以这样的方式界定部分：有界部分优选地仅包括一个头部部分(即正分析的图像中的人物的头部)。边界保存在帧中，并且将在稍后使用，如下文中将解释的那样。
亮度归一化应用于原始图像10a，从而其亮度受调整为整个背景图像15的亮度，如图4A所示。处理装置包括亮度归一化单元14，其适用于将输入图像的亮度改变为另一输入图像的亮度。原始图像10a和整个背景图像15传送到亮度归一化单元14，亮度归一化单元14将图像10a的亮度调整为图像15的亮度。减法单元17a从背景15减去亮度归一化单元14的输出16。处理装置包括绝对值函数单元18，其产生输入图像的绝对值。减法17b的结果(减法单元17a的输出)传送到绝对值函数单元18，并且产生减法17b的绝对值。因此，获得对象前景图像20，其包括原始图像的对象(例如人物)。
可选地，可以获得改进的对象前景20'，其包括改进的原始图像的对象(例如人物)，如图4B所示。对象前景图像20传送到缓冲器6，缓冲器6将其转变为1-D信号。1-D信号传送到FIR滤波器7，其对背景部分的噪声进行滤波。数学滤波器实现方式与经典FIR卷积滤波器相同：
其中，y是输出信号，u是输入信号，h是滤波器(系数数组，例如Sobel算子滤波器)，k是(系数数组的)滤波器元素，n是像素的指数编号，k和n按1增长。
滤波后的图像然后连同图像20的图像大小一起传递到重新成形单元8，因此重新产生整个2-D改进的前景图像20'。
图4C和图4D示出在滤波之前的图像120和在滤波之后的图像120'的示例。显见，在图4C中显现的背景部分(例如大地部分110)并不在图4D中显现。
第三阶段—获得前景对象的头发部分
下一级包括：获得图像中的人物对象的头发部分。首先，从图像前景(20或20')获得新图像200，其包括图像前景(20或20')的部分。构成图像200的图像前景的部分是原始图像的前述有界部分的区块。因此，所获图像200实际上是前述有界部分区块，而非图像前景(20或20')。
其次，可以通过本领域公知的函数完成根据头部轮廓获得头部部分。获得头部部分的一种方式是通过使用量子对称群理论，以用于选择待对图像应用的合适的滤波器/模板(例如小波模板)。可选地，可以使用小波模板群组的平均值。
在其它部分当中，对象前景一个人物图像200包括一个人物头部轮廓弧形部分。处理装置包括对比度调整单元22，其调整图像的对比度，从而其变为优化的，如本领域公知的那样(图5所示)。对比度调整单元通过对上与下限之间的像素值进行线性分级调整图像的对比度。大于或小于该范围的像素强度值分别对于上或下限值是饱和的。对比度调整单元为系统提供改进的标识结果。
图像200传送到(处理装置中所包括的)对比度调整单元22，对比度调整单元22优化其对比度。可选地，可以在适度修正的对比度调整过程之后取得有界部分。
可以使用适当的滤波器/小波模板。例如，图13A中可见普通形式的“Haiar”小波(类矩形波)。图13B可以示出(按4阶)所使用的4x4Haar小波变换矩阵的示例。
对比度调整的输出传送到处理装置中所包括的FIR卷积单元23。FIR卷积单元23(如以上解释的那样相似地)通过FIR方式将对比度调整后的图像与所选择的小波头部部分模板19进行卷积，产生具有附加系数矩阵维度的图像，其中，每个图像像素具有所述矩阵的对应系数。数学滤波器实现方式与经典FIR卷积抽取滤波器相同：
其中，y－是输出信号，u－输入信号，h－是滤波器系数，k、n－指数，其中，指数k按1增长，指数n－按抽取因子增长，其从1到2^(小波等级数目)改变。
具有(附加系数矩阵维度中的)高系数的图像的部分是前景对象的头部部分。归因于图像弧形头部部分和模板19特性的顺应性，产生高系数。(处理装置中所包括的)局部最大函数单元24切掉具有低系数的图像像素/部分，因此留下表征前景对象的头部轮廓弧形部分的图像25。图像25是包括恒定数目的像素的矩形图像，其包括留下超越头部部分的小裕量所获头部图像。可选地，矩形图像25中留下的低系数像素/部分归零，或替代地保留相同值。可选地，通过公知的分级技术放大/减小头部部分图像25，以用于更高效分析。
下一级包括：获得弧形头部部分的头发部分，如图6所示。(可选地例如从小波模板以与以上相似的方式选择的)头发位置模板26当应用时适用于切掉头部的下部分，并且保留头发位置所在的上部分。
头部前景图像25传送到处理装置中所包括的FIR卷积单元27。FIR卷积单元27以FIR方式将头部前景图像25与所选择的头发部分模板26进行卷积，产生具有附加系数矩阵维度的图像，其中，每个图像像素具有所述矩阵的对应系数。具有(附加系数矩阵维度的)高系数的图像的部分是头发部分。归因于图像头发部分和模板26特性的顺应性，产生高系数。(处理装置中所包括的)局部最大函数单元28切掉具有低系数的图像部分，因此保留表征前景对象的头发部分的图像30。图像30是包括恒定数目的像素的矩形图像，其包括留下超越头发部分的小裕量所获头发图像。可选地，矩形图像30中留下的低系数像素/部分归零，或替代地保留相同值。可选地，通过公知的分级技术放大/减小头发部分图像30，以用于更高效分析。
可选地，可以在处理期间调整图像的色调，以改进结果。
图像30传送到(处理装置中所包括的)频域变换单元32，其(例如通过傅里叶变换、短傅里叶变换、小波变换或其它变换方法)将图像30变换到频域，产生最终频率图像33，如图7所示。最后，对图像33执行签名34，在系统存储器/数据库中保存图像33及其头发频率的特性。
术语“签名”或“所签名的”或“所签署的”(过去时)指代在特定名称/标识下在处理装置数据库中保存图像。
加强签名的可靠性
在获得第一签名之后，在该相机的视场内跟踪处于其视场中的主体人物。为此，使用标准跟踪方法，例如通过背景估计和对象移动检测进行的人物跟踪。
根据人物的移动方向，系统可以通过计算在两个位置处所跟踪并且采样的主体的方向(光学流动线)推算出面对相机的大体头部定向。该方向是在两个所采样的区块之间所测量的光学流动线。相应地计算头部定向。通常，移动方向是头部的远端前面部分所在的位置。如果人物相对于相机视图朝左移动，则显示他的头部的他的左边部分。如果人物相对于相机视图朝右移动，则显示他的头部的他的右边部分。如果人物移动远离相机，则显示他的头部的他的后面部分。如果人物移动朝向相机，则显示他的头部的他的前面部分。
系统再次跟踪人物并且对他的头发进行采样，如上所述。在第一采样群组的同一签名下附加地保存第二采样群组的签名特征。通常，频域中的头发特征对于所有头部定向是相似的，并且可以相应地用于标识。
即使如此，相似定向的采样的两个群组特定地产生非常接近的结果。
本发明系统是自适应的，即，其取得多个采样，并且根据从稍后采样接收到的反馈校正其签名特征。这样改进签名的相干性(以及可信性/可靠性)。最终签名可以是所跟踪的人物的少数采样的频率性质的平均值。
如果在跟踪期间人物改变运动方向，则附加采样群组频域图像连同面对相机的新的所标记的定向(兴趣区域-ROI)一起在该特定人物的签名下保存在数据库中。数据库可以在同一签名下保存具有多于一个的兴趣区域中的采样的特定主体人物。例如，签名可以包括每主体6个或更多个ROI的ROI群组。换言之，如果主体当以对角方式移动时受跟踪，则所标记并且保存的ROI可以是例如前面－左边区域、前面－前面、后面－右边等。图8示出8个ROI的示例，每个区域是45°。其中清楚地示出区域0°-45°、45°-90°以及315°-360°，其中，头部的最前面部分处于正x轴上。最可视地面对相机的ROI是对于该采样群组所标记并且保存的ROI。
当在若干方向上移动的主体受跟踪并且在每个方向上(如上所述)被采样时，签名的可靠性增加。只要主体仍处于一个相机的视场中并且受跟踪，就可以取得附加采样。在主体离开相机视场之后，跟踪终止，并且因为一旦跟踪终止就不存在主体实际上是第一主体的确定性，所以即使主体快速返回到相机视场，在该级对于特定主体也不能取得更多采样。可以在每个帧上或每多个帧对所跟踪的主体进行采样。
标识已知的主体
本发明使得能够将进入系统相机之一视场的新的主体标识为所签名的主体之一。当人物进入系统相机视场并且受跟踪而且采样时，通过(处理装置中所包括的)比较相干函数单元对现在所采样的头发的特征与先前保存在其中的系统数据库图像进行比较。正比较的两个图像的相干函数产生指示这两个图像接近的程度的结果。例如，如果相干函数将指示各图像之间的80％或90％相似度，则将是肯定性匹配(标识)。系统用户可以选取相似度的阈值百分比，其中，大于阈值的百分比指示肯定性标识，小于阈值的百分比指示否定性标识。
新的主体受跟踪(并且因此定向ROI得以确定)并且然后受采样。为了高效快速标识，从该新的主体取得的频域图像可以与所跟踪的该新的主体的特定定向ROI的数据库的签名进行比较。这样可以通过仅与具有数据库中的相似定向ROI的其它图像进行比较减少与包括具有各个定向ROI的若干图像的签名之比较的时间。
在任何情况下，如所述那样，甚至当面对不同的ROI和/或距不同的图像某距离时，甚至一个兴趣区域中的一个主体头发的频率特性将产生与该同一主体的另一图像的高相干性和肯定性标识。具有同一主体和同一ROI的两个图像典型地仅产生更好的相干性。
可选地，如果在若干ROI处的多个图像保存在主体的签名中，并且具有该主体的这些的不同的ROI中的头发的新图像正与数据库进行比较，则各个频率图像的平均值可以与该新图像进行比较。具体地说，各个ROI的平均值增加，在非对称头部的情况下获得关于人物的良好结果。
根据优选实施例，在主体的图像头发测量之时，同一图像中的次级主体的头发同时受测量，并且二者得以“签署”，如上所述。在获得两个签名之后，(通过相干性)比较两个“所签署的”头发图像的频域图像。相干性比较包括：在各个频带等级中分析两个频域图像。每个等级的频率范围划分为从开始频率点到结束频率点的多个频带。相干性比较函数单元对每个图像进行比较，在每个等级处一个图像。如果两个图像的比较是相似的(相干性大于特定百分比阈值)，则“扔掉”该等级，即，将仅在上述配对的相干性不相似的等级中进行与新图像的任何未来比较。这将节省显著量的计算时间和努力。然而，如果仅一个主体处于相机视场中并且用于找寻适当等级的这种比较是不可能的，则将在每个等级处进行一个主体图像与该新图像之间的未来比较，并且二者之间的每个等级的仅肯定性匹配看作肯定性标识匹配。
可选地，如果仅一个主体处于相机视场中，则具有该同一相机和同一视场的主体的头发的另一图像可以用作次级主体。或者，相机视场中的未来图像主体可以用于获得次级主体，以用于求解有关等级。
可选地，相机视场中的预设区块可以确定为具有在单一方向上移动的人物，并且预设头部位置可以馈送到系统中。这样使得能够确定头部定向并且相应地分析。
根据优选实施例，等级带处于0.1kHz与2.5kHz之间。范围中的精确频率步长的数目是从256-2048(优选地512)。
本发明使得人员能够标记如上所述的用于分析以及签名的主体，并且还使得能够进行进入视场的主体的自动化标记、分析和签名以及与数据库的自动化比较。此外，头发色彩(根据RGB性质)、帽子、秃顶部分、有色衬衫、裤子、印刷图案以及可以通过RGB或图案分析容易地测量的主体的其它特性同样也可以连同签名一起得以保存，以用于高效比较和预先滤波，因此缩短并且减少处理器需求、标识比较处理，例如，如果黑色头发得以签署并且金色头发当前被检测到而且与数据库元素进行比较，则金色头发的RGB性质与数据库的RGB性质进行比较。一旦色彩比较产生失配，在该黑色头发签名主体的情况下，频率比较就将不开始(因此产生否定性标识结果)，节省处理器时间。
为了除了如上所述之外还改进结果，可以使用采用3D—图像表示、映射和来自群理论对称性和量子力学/放射物理的技术的方法。
本发明还包括：手动标记头发ROI，并且通过如上所述的相似方式以自动化方式或以手动方式将其与另一图像照片进行比较。当手动标记时，无需求解前景、背景等，而所标记的部分可以直接变换到频域并且得以签署(或所标记的部分可以部分地受处理，即亮度、对比度等)。本发明可以用于标识静止照片中的人物，而无需任何跟踪系统。此外，当足够的计算机能力存在时，可以分析每个帧或每N秒(N为自然数)一次一个帧，而不使用跟踪。
本发明可以用于在线或在事后分析期间高效地并且快速地搜索视频中的特定人物。例如，如果治安警力具有悬赏的嫌疑主体的图像，则他们可以根据本发明获得他的签名，并且与(视频相机胶卷或静止图像中的)主体头发频率特征进行比较。因为若干时间图像/视频中的主体是不可标识的，所以本发明是尤其高效的。头发频率特征可以使得能够进行肯定性标识。
系统的另一可能用途是用于商业分析，连接顾客以通过不同的商店部门进行特定跟踪，在收银机处标识同一顾客并且分析其购买情况。
本发明还使得能够连续跟踪移动通过相邻相机视场的主体。首先，在第一相机视场内跟踪主体。在从一个视场移动到另一视场之后，跟踪所拍摄的主体并且分析图像，对其进行采样并且与第一相机的几秒之前的图像进行比较。如果作出肯定性匹配(如上所述)，则所跟踪的主体看作与之前所跟踪的相同主体。
根据本发明优选实施例，签名可以用于通过以下方式跟踪主体。在从人物获得签名之后，头发图像划分为每个群组中的多个像素的群组的数组(或每个群组中的一个像素)。每个群组变换到频域中。在每个群组频域与普通图像签名之间应用相干性比较函数。选取具有最接近普通图像签名的最高相干性的群组以待跟踪。通过以下方式执行HCG(高相干性群组)的跟踪：其中，在每个连续帧图像(或每多个连续帧图像)期间，第一HCG区块的周围群组转变到频域，并且与第一发现的HCG频率(或普通签名频率图像)进行比较。如果在现在所测量的群组(第二HCG)与第一所发现的HCG频率(或普通签名频率图像)之间发现高相干性，则跟踪继续。
在连续帧图像(或多个连续帧图像)处，第二HCG区块的周围群组传送到频域，并且与第二HCG频率(或普通签名频率图像)进行比较。如果在现在所测量的群组(第三HCG)之一与第二HCG频率(或普通签名频率图像)之间发现高相干性，则跟踪继续，依此类推。
如果在连续帧图像(或多个连续帧图像)期间，在周围群组中未发现高相干性(即，所有所检查的周围群组的相干性小于阈值)，则跟踪系统在两个帧之间的给定时间帧中搜索主体的可能移动的大小中的区块中的高相干性。当发现时，标识具有高相干性的群组，并且跟踪继续。
当所跟踪的人物退出相机视场并且然后返回至其时，人物的头发受处理，并且签名和跟踪可以继续，可选地指示人物已经返回并且再一次受跟踪。
本发明使得能够标识在距相机远距位置处的人物，并且根据可以与同一人物的另一签名肯定性地比较的头发性质执行良好签名。系统用户可以(例如在他的屏幕上)标记待分析的图像中的头发的部分。给出特别良好的签名和标识结果的头发的具体位置是耳朵之上的区块。
分析头部形态和头发品质也可以得体地给出人物种族的指示，这可以有助于商业零售分析和不同的治安应用。
示例
图9A-图9C展示本发明的示例。图9A示出来自相机的图像。分析后向位置中的头发部分(见于图像中的两个人物—人物1和人物2—的正方形框中)。图9B示出人物1的签名频率/幅度曲线图结果。频带等级处于0kHz-3kHz之间。两个频率峰值示出于0.5kHz和1kHz左右。图9C示出人物2的签名频率/幅度曲线图结果。频带等级处于0kHz-3kHz之间。两个频率峰值示出于0.3kHz和0.65kHz左右。
图10A-图10C展示在图9A的同一所采样的人物的情况下的示例。图10A示出来自相机的图像。分析前向位置中的头发部分(见于图像中的两个人物—人物1和人物2—的正方形框中，图9A的同一所采样的人物)。图10B示出人物1的签名频率/幅度曲线图结果。频带等级处于0kHz-3kHz之间。两个频率峰值示出于0.5kHz和1kHz左右，恰似后向定向采样中。图10C示出人物2的签名频率/幅度曲线图结果。频带等级处于0kHz-3kHz之间。两个频率峰值示出于0.3kHz和0.65kHz左右，恰似后向定向采样中。
图11A-图11C展示在图9A和图10A的同一所采样的人物的情况下的示例。图11A示出来自相机的图像。分析侧向位置中的头发部分(见于图像中的两个人物—人物1和人物2—的正方形框中，图9A和图10A的同一所采样的人物)。图11B示出人物1的签名频率/幅度曲线图结果。频带处于0kHz-3kHz之间。两个频率峰值示出于0.5kHz和1kHz左右，恰似后向和前向采样中。图11C示出人物2的签名频率/幅度曲线图结果。频带等级处于0kHz-3kHz之间。两个频率峰值示出于0.3kHz和0.65kHz左右，恰似后向和前向采样中。
可见，即使人物1的所有三个曲线图的峰值图并非相同幅度高度和宽度的，峰值也位于近似在相同频率点处。各曲线图之间的相干性很高。相似地，对于人物2的曲线图情况亦然，其中，频率峰值点处于与人物1的频率点不同的频率点处。
人工背景
根据本发明另一实施例，为矩形图像30中留下的低系数像素/部分(即并非头发前景的空间上的像素)分配人工背景，以增加空间分析的精度。这是因为，并非头发的部分的图像30的部分(在此称为非头发区块)当变换到频域时影响签名的谱性质。即使包括相似的头发部分，两个帧的不同背景也不利地影响这两个帧之间的签名相干性。提供相似的人工背景改进所采取的相干性比较的精度。
用户(从具有图像30的大小的人工背景模板图像群组)选取适当的人工背景，并且仅为矩形图像30中留下的低系数像素/部分分配模板背景图像的对应像素。因此，获得具有人工背景的头发前景的图像。图像此后变换到频域。
图12A示出在不使用背景替换方法的情况下的两个不同的背景中的同一对象的频谱性质。可见，谱性质的普通结构即使当与同一对象有关时对于不同的背景也是不同的。图12B示出(使用背景替换方法)使用两个相同背景的同一对象的频谱性质。图12C示出使用两个相同背景的不同对象的频谱性质。可见，谱性质的普通结构对于同一对象是相似的(图12B)，并且其对于不同的对象是不同的(图12C)。
轮廓分析
当将图像30变换到频域中时，背景(即并非头发的部分的图像30的部分)当变换到频域时影响签名的谱性质。此外，特定主体的头部位置随各个图片改变。有时头部的前侧面对相机，有时头部的后侧面对相机，并且有时头部的两侧之一面对相机。当比较来自不同的位置的头发的签名时，可能存在大量丢失的必要信息，这导致初始签名与从同一人物但在不同的头部位置处取得的签名之间的非相干性(低相干性)。
因此，根据本发明另一实施例，分析图像30的头发前景的不同的部分。已经发现，头发部分的相似侧部的各频谱性质之间的相干性高于两个不同侧部之间的头发的相干性。因此，已经发现，取得头发前景的三个部分(当主体的侧部面对相机时，他的头部的前部-侧部-后部的三个部分；或当他的前部面对相机时，侧部-前部-侧部；或当他的后部面对相机时，侧部-后部-侧部)并且分析它们的谱频率性质是高效的。例如，图14A示出以某角度面对相机的主体人物，图14B示出某角度处的主体人物，其中，他的侧部面对相机。
根据该实施例，取得头发部分的“条带”(在此称为轮廓条带)，其变换到频域并且得以签名。由于轮廓条带的签名区块内部不存在背景，因此谱频率性质是更干净的，并且无需如以上实施例中所解释的人工背景。即使两个图像具有非常不同的背景，该实施例也是非常高效的。此外，主体的侧部轮廓中的至少一个总是出现在图像中。从头部的侧部部分(左边或右边)取得(优选地三个)轮廓条带中的至少一个，这样具有与数据库内的同一主体的另一所签名的侧部轮廓条带肯定性匹配的高机率。
根据该实施例，对头发前景图像30应用(例如使用上述高系数维度)标识头发并且界定头发区块的函数。头发区块划分为三个区带：左边区带、中心区带和右边区带。从每个区带取得至少一个轮廓条带。轮廓条带可以包括从区带的一端到另一端的特定方向(上/下、对角等)上的相邻像素行。
首先，计算轮廓条带中的最高位置像素与轮廓条带中的最低位置像素的强度值之间的比率。然后，在还包括最高-最低像素强度比率值的同时，轮廓条带变换到频域中并且受签名。三个频域条带均连同其前述所解出的强度比率一起保存在系统存储器/数据库中，全都在同一主体人物下得以签名。
在标识处理期间，比较签名(如上所述通过相似的方式产生高/低相干性)，以求解匹配标识。当对特定主体与数据库主体进行比较时，比较开始于求解两个最相近强度比率，即，对具有两个最相近强度比率(一个来自所述特定主体，另一个来自所述数据库主体)的条带的频率进行比较。如果频谱性质大于特定阈值，则确定肯定性标识。如果频谱性质小于特定阈值，则确定否定性标识。
如果频谱性质处于这两个阈值之间，则轮廓条带轻微变动到侧部，即，取得与第一特定主体轮廓条带相邻的新的轮廓条带。该新的轮廓条带变换到频域中，并且与数据库主体的同一频域条带进行比较。如果频谱性质大于特定阈值，则确定肯定性标识。如果频谱性质小于特定阈值，则确定否定性标识。
可选地，如果频谱性质仍处于两个阈值之间，则通过再次变动条带，比较可以继续，依此类推，直到某预定义的结束变动位置。优选地，结束变动位置是在到达两个初始条带之间的距离的中间之前。
在任何情况下，三个轮廓条带之一是从主体的侧部头发取得的“侧部轮廓条带”，而无论头部定向如何。图15A示出所取得的前部/后部轮廓条带1和所取得的侧部轮廓条带2的示例(三角形表示鼻子)。
图15A示出当取得人物处于干净侧部位置中(距相机90度)的签名的时刻以及在取得人物处于干净前部/后部位置中(距相机0或180度)的签名的时刻时各条带之间的“理想”对应性。该情况可能存在，但其仅涵盖特定“理想”情况。
图15B示出当在标识轮廓的时刻人物头部位置不是确切理想的前部/后部或侧部定向位置时的情况。其示出前部与侧部(或后部与侧部)位置之间的某中间位置。
图16A示出在两个不同的头部位置处以及在两个不同的背景(不同的相机)处的同一人物主体的各侧部轮廓条带之间的比较的示例。分别在每个图像之下的曲线图中示出条带的频域中的每一个。在x轴上表示频率，在y轴上表示频率的幅度。可见，谱特性(例如诸如第一和第二谐波等级与最小等级之间的谐波(峰值图)比率)是相同的，而无论图像中的头部位置如何。图16B和图16C示出具有不同的人物、头部位置和谱特性的图16A的相似示例。
本发明涉及一种用于标识人物的方法，其包括以下步骤：
A)获得人物的图像；
B)获得图像中的人物的头发部分；
C)将头发部分图像变换到频域中，并且优选地将其保存在数据库中；
D)对步骤C的所获频域图像与数据库中的频域图像进行比较，其中，当这两个所比较的频域图像之间的相干性大于特定阈值时，标识结果认为是肯定性的。
根据优选实施例，使用以下步骤中的一个或多个获得步骤B)的头发部分：
a.从相机获得第一和第二静止图像，所述第二图像是在所述第一之后短暂地取得的；
b.将所述图像变换为1-D信号；
c.对步骤b的信号执行2-D中位数函数；
d.重构表征步骤c的信号以及步骤a的图像的大小的背景2-D图像；
e.将步骤a的图像之一的亮度调整为步骤d的背景图像的亮度；其中，步骤a的所述图像之一包括有界部分(优选地界定主体的至少一个头部部分)；
f.从步骤d的图像减去步骤e的图像(或反之亦然)；
g.对步骤f的图像执行绝对值函数，以接收对象前景；
h.获得作为对象前景的一部分的新图像，其中，所述对象前景的部分处于对应于步骤e中所提及的有界部分的位置的位置处；
i.通过头部部分模板对步骤h的图像执行FIR卷积，以接收还包括具有对应于每个图像像素的系数值的附加维度的步骤h的图像；
j.获得作为步骤i的图像的部分的新图像，其中，所述步骤i的图像的部分包括具有大于阈值的对应系数值的像素；
k.通过头发部分模板对步骤j的图像执行FIR卷积，以接收还包括具有对应于每个图像像素的系数值的附加维度的步骤j的图像；
l.获得作为步骤k的图像的部分的新图像，其中，所述步骤k的图像的部分包括具有大于阈值的对应系数值的像素；
根据一个实施例，通过以下操作进一步处理步骤g的图像：将图像转变为1-D信号；以及将信号传递通过FIR滤波器，所述FIR滤波器进一步对背景部分的噪声进行滤波；重构表征退出FIR滤波器的信号和步骤g的图像的大小的2-D图像。可选地，此后对其执行对比度调整。
根据本发明另一实施例，通过将人工背景分配给具有小于阈值的对应系数值的像素进一步修改步骤l的图像。
本发明涉及一种用于跟踪人物的方法，其包括以下步骤：
A)从视频相机获得人物的图像；
B)获得图像中的人物的头发部分；
C)将头发部分图像变换到频域中，并且将其保存在数据库中；
D)将步骤B的图像划分为像素群组的数组；
E)将步骤D的每个群组变换到频域中；
F)对步骤E的每个群组频域与步骤C的频率图像之间的相干性进行比较；
G)获得具有最接近步骤C的图像的最高相干性的群组；
H)获得相机的连续帧(或多个帧)；
I)将步骤H的图像划分为与步骤D的数组相似的像素群组的数组，并且标记其先前帧(或先前多个帧)的最高相干性群组的位置的周围群组；
J)将步骤I的每个群组变换到频域中；
K)对步骤J的每个群组频域与步骤C的频率图像(或先前帧最高相干性群组)之间的相干性进行比较；
L)获得具有最接近步骤C的图像的最高相干性的群组(或先前帧最高相干性群组)；
M)如果步骤L的相干性大于阈值，则重复步骤H-M；如果步骤L的相干性小于阈值，则跟踪终止。
虽然已经通过说明的方式描述了本发明实施例，但显然的是，在不脱离本发明的精神或权利要求的范围的情况下，通过很多修改、变形和改动，并且通过使用处于本领域技术人员的范围内的大量等同或替选解决方案，可以实践本发明。

Claims (18)

1.一种用于生成并且比较人物的生物计量特有签名的方法，其包括以下步骤：
A)获得人物的第一图像；
B)获得人物的头发部分图像；
C)将头发部分图像变换为其频域图像，并且可选地将所述频域图像保存在数据库中。
2.如权利要求1所述的方法，其还包括步骤：通过对步骤C的所获频域图像与数据库中的频域图像进行比较进行标识，其中，当两个所比较的频域图像之间的相干性大于特定阈值时，标识结果看作肯定性的。
3.如权利要求2所述的方法，其中，通过进一步包括以下步骤中的一个或多个获得步骤B)的头发部分图像：
a.从相机获得在第一图像后不久或在第一图像前不久拍摄的第二图像；
b.将第一和第二图像变换为1-D信号；
c.对步骤b的信号执行2-D中位数函数；
d.重构表征步骤c的信号以及第一和第二图像的大小的背景2-D图像；
e.获得第一或第二图像并且将其亮度调整为步骤d的背景图像的亮度；其中，所获图像包括有界部分；
f.从步骤d的图像减去步骤e的图像(或反之亦然)；
g.对步骤f的图像执行绝对值函数，以接收对象前景；
h.获得作为对象前景的部分的新图像，其中，对象前景的所述部分处于对应于步骤e中所提及的有界部分的位置的位置处；
i.通过头部部分模板对步骤h的图像执行FIR卷积，以接收还包括具有对应于每个图像像素的系数值的附加维度的步骤h的图像；
j.获得作为步骤i的图像的部分的新图像，其中，步骤i的图像的所述部分包括具有大于阈值的对应系数值的像素；
k.通过头发部分模板对步骤j的图像执行FIR卷积，以接收还包括具有对应于每个图像像素的系数值的附加维度的步骤j的图像；
l.获得作为步骤k的图像的部分的新图像，其中，步骤k的图像的所述部分包括具有大于阈值的对应系数值的像素；
4.如权利要求2所述的方法，其中，步骤C包括：通过在数据库中保存频域图像并且对其提供标识以执行签名。
5.如权利要求3所述的方法，其中，通过以下操作进一步处理步骤g的图像：将图像转变为1-D信号；将所述信号传递通过FIR滤波器，所述FIR滤波器进一步对背景部分的噪声进行滤波，并且重构表征FIR滤波器的输出信号和步骤g的图像的大小的2-D图像。
6.如权利要求3所述的方法，其中，在步骤g后对于对象前景执行对比度调整。
7.如权利要求3所述的方法，其中，通过将人工背景值分配给具有小于所述阈值的对应系数值的像素以进一步修改步骤l的图像。
8.一种用于标识人物的方法，其包括以下步骤：
A)获得人物的第一图像；
B)获得人物的头发部分图像，其还包括以下步骤中的至少一个：
a.从相机获得在第一图像后不久或在第一图像前不久拍摄的第二图像；
b.将第一和第二图像变换为1-D信号；
c.对步骤b的信号执行2-D中位数函数；
d.重构表征步骤c的信号以及第一和第二图像的大小的背景2-D图像；
e.获得第一或第二图像并且将其亮度调整为步骤d的背景图像的亮度；其中，所获图像包括有界部分；
f.从步骤d的图像减去步骤e的图像(或反之亦然)；
g.对步骤f的图像执行绝对值函数，以接收对象前景；
h.获得作为对象前景的部分的新图像，其中，对象前景的所述部分处于对应于步骤e中所提及的有界部分的位置的位置处；
i.通过头部部分模板对步骤h的图像执行FIR卷积，以接收还包括具有对应于每个图像像素的系数值的附加维度的步骤h的图像；
j.获得作为步骤i的图像的部分的新图像，其中，步骤i的图像的所述部分包括具有大于阈值的对应系数值的像素；
k.通过头发部分模板对步骤j的图像执行FIR卷积，以接收还包括具有对应于每个图像像素的系数值的附加维度的步骤j的图像；
l.获得作为步骤k的图像的部分的新图像，其中，所述步骤k的图像的部分包括具有大于阈值的对应系数值的像素；
m.界定头发区块；
n.将头发区块划分为三个区带；
o.从所述区带中的每一个获得轮廓条带，其中，所述条带包括在从区带的一个边沿到另一边沿的特定方向上相邻像素的行；
p.计算轮廓条带中的最高位置像素与轮廓条带中的最低位置像素的强度值之间的比率；
q.将条带变换为频域图像，并且可选地在分配给特定主体的数据库中保存所述频域图像；
r.对所获频域图像之一与数据库中的主体的频域图像进行比较，其中，所比较的两个频域图像是具有最相近强度比率的频域图像；并且其中，标识结果在两个所比较的频域图像之间的相干性大于第一阈值时看作肯定性的，而在两个所比较的频域图像之间的相干性小于第二阈值时看作是否定性的。
9.如权利要求8所述的方法，其中，如果在步骤r中相干性结果处于第一与第二阈值之间，则采取以下步骤：
s.通过轻微移动所获步骤o的轮廓条带获得新的轮廓条带；
t.将所述新的轮廓条带变换到频域中，并且对其与步骤r中的数据库主体的同一频域条带进行比较；其中，标识结果在两个所比较的频域图像之间的相干性大于第一阈值时看作是肯定性的，而在两个所比较的频域图像之间的相干性小于第二阈值时看作是否定性的；
u.如果在步骤t中相干性结果处于第一与第二阈值之间，则重复步骤s-u。
10.一种用于跟踪人物的方法，其至少包括以下步骤中的前3个：
A)从视频相机获得人物的图像；
B)获得图像中的人物的头发部分；
C)将头发部分图像变换到频域中，并且将其保存在数据库中；
D)将步骤B的图像划分为像素群组的数组；
E)将步骤D的每个群组变换到频域中；
F)对步骤E的每个群组频域与步骤C的频率图像之间的相干性进行比较；
G)获得具有最接近步骤C的图像的最高相干性的群组；
H)获得相机的连续帧(或多个帧)；
I)将步骤H的图像划分为与步骤D的数组相似的像素群组的数组，并且标记其先前帧(或先前多个帧)的最高相干性群组的位置的周围群组；
J)将步骤I的每个群组变换到频域中；
K)对步骤J的每个群组频域与步骤C的频率图像(或先前帧最高相干性群组)之间的相干性进行比较；
L)获得具有最接近步骤C的图像的最高相干性的群组(或先前帧最高相干性群组)；
M)如果步骤L的相干性大于阈值，则重复步骤H-M；如果步骤L的相干性小于阈值，则跟踪终止。
11.一种包括连接到处理装置的一个或多个相机的系统，
其中，处理装置包括：
A)数据库；
B)频域变换单元；
C)比较频率相干函数单元。
12.一种用于生成特有生物计量签名的方法，其包括：在频域中分析给定人物的头发/头部结构。
13.如权利要求12所述的方法，其中，所分析的头发/头部结构是头部的一个或多个轮廓。
14.如权利要求13所述的方法，其还包括步骤：根据权利要求12进行的从两个不同照片获得的两个签名之间的相干性比较。
15.如权利要求14所述的方法，其还包括步骤：计算轮廓中的最高像素的强度与轮廓中的最低像素的强度之间的强度比率。
16.如权利要求15所述的方法，其还包括步骤：对根据权利要求15计算出的来自至少两个不同照片的轮廓的两个集合之间的比率进行比较。
17.如权利要求16所述的方法，其还包括：仅比较具有强度比率的最高相干性的两个轮廓。
18.一种包括连接到处理装置的两个或更多个相机的系统，
其中，所述处理装置配置为基于从所述两个或更多个相机获得的图像的头部/头发形态生成生物计量签名；并且配置为：对来自一个相机与另一相机的签名进行比较，以确定跟踪的连续性。
CN201480044687.7A 2013-06-17 2014-06-17 用于生物计量标识的系统和方法 Pending CN105474232A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201361835665P 2013-06-17 2013-06-17
US61/835,665 2013-06-17
PCT/IL2014/050547 WO2014203248A1 (en) 2013-06-17 2014-06-17 System and method for biometric identification

Publications (1)

Publication Number Publication Date
CN105474232A true CN105474232A (zh) 2016-04-06

Family

ID=52104052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480044687.7A Pending CN105474232A (zh) 2013-06-17 2014-06-17 用于生物计量标识的系统和方法

Country Status (4)

Country Link
US (1) US20160140407A1 (zh)
EP (1) EP3011503A4 (zh)
CN (1) CN105474232A (zh)
WO (1) WO2014203248A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3593318A4 (en) * 2017-03-08 2020-11-25 Quantum RGB Ltd. BIOMETRIC IDENTIFICATION SYSTEM AND METHOD
JP7297455B2 (ja) * 2019-01-31 2023-06-26 キヤノン株式会社 画像処理装置、画像処理方法、およびプログラム

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101018324A (zh) * 2007-02-08 2007-08-15 华为技术有限公司 一种视频监控控制器、视频监控的方法和系统
CN101854516A (zh) * 2009-04-02 2010-10-06 北京中星微电子有限公司 视频监控系统、视频监控服务器及视频监控方法
CN102103690A (zh) * 2011-03-09 2011-06-22 南京邮电大学 一种自动的头发区域分割方法
CN102147852A (zh) * 2010-02-04 2011-08-10 三星电子株式会社 检测头发区域的方法
CN102156863A (zh) * 2011-05-16 2011-08-17 天津大学 跨摄像头的多运动目标跟踪方法
CN102254169A (zh) * 2011-08-23 2011-11-23 东北大学秦皇岛分校 基于多摄像机的人脸识别方法及系统

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030059124A1 (en) * 1999-04-16 2003-03-27 Viisage Technology, Inc. Real-time facial recognition and verification system
US6970577B2 (en) * 2000-12-19 2005-11-29 Lockheed Martin Corporation Fast fourier transform correlation tracking algorithm with background correction
US6694045B2 (en) * 2002-01-23 2004-02-17 Amerasia International Technology, Inc. Generation and verification of a digitized signature
US20030044050A1 (en) * 2001-08-28 2003-03-06 International Business Machines Corporation System and method for biometric identification and response
JP4045913B2 (ja) * 2002-09-27 2008-02-13 三菱電機株式会社 画像符号化装置、画像符号化方法、および画像処理装置
WO2006086844A1 (en) * 2005-02-16 2006-08-24 Orica Explosives Technology Pty Ltd Security enhanced blasting apparatus with biometric analyzer and method of blasting
US7756325B2 (en) * 2005-06-20 2010-07-13 University Of Basel Estimating 3D shape and texture of a 3D object based on a 2D image of the 3D object
US20140125455A1 (en) * 2005-09-01 2014-05-08 Memphis Technologies, Inc. Systems and algorithms for classification of user based on their personal features
US8270682B2 (en) * 2008-11-25 2012-09-18 Eastman Kodak Company Hair segmentation
KR101619450B1 (ko) * 2009-01-12 2016-05-10 엘지전자 주식회사 뎁스 정보를 이용한 비디오 신호 처리 방법 및 장치
US20110194762A1 (en) * 2010-02-04 2011-08-11 Samsung Electronics Co., Ltd. Method for detecting hair region
EP2367128B1 (de) * 2010-03-16 2015-10-14 Stepover GmbH Verfahren und Vorrichtung zur elektronischen Signatur
US9633168B2 (en) * 2010-04-14 2017-04-25 Sleep Science Partners, Inc. Biometric identity validation for use with unattended tests for medical conditions
US20120072121A1 (en) * 2010-09-20 2012-03-22 Pulsar Informatics, Inc. Systems and methods for quality control of computer-based tests
US20130173926A1 (en) * 2011-08-03 2013-07-04 Olea Systems, Inc. Method, Apparatus and Applications for Biometric Identification, Authentication, Man-to-Machine Communications and Sensor Data Processing
US9293016B2 (en) * 2012-04-24 2016-03-22 At&T Intellectual Property I, Lp Method and apparatus for processing sensor data of detected objects
US10002297B2 (en) * 2012-06-20 2018-06-19 Imprivata, Inc. Active presence detection with depth sensing
US9740917B2 (en) * 2012-09-07 2017-08-22 Stone Lock Global, Inc. Biometric identification systems and methods
US9526412B2 (en) * 2014-01-21 2016-12-27 Kabushiki Kaisha Topcon Geographic atrophy identification and measurement
US9892247B2 (en) * 2015-12-30 2018-02-13 Motorola Mobility Llc Multimodal biometric authentication system and method with photoplethysmography (PPG) bulk absorption biometric

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101018324A (zh) * 2007-02-08 2007-08-15 华为技术有限公司 一种视频监控控制器、视频监控的方法和系统
CN101854516A (zh) * 2009-04-02 2010-10-06 北京中星微电子有限公司 视频监控系统、视频监控服务器及视频监控方法
CN102147852A (zh) * 2010-02-04 2011-08-10 三星电子株式会社 检测头发区域的方法
CN102103690A (zh) * 2011-03-09 2011-06-22 南京邮电大学 一种自动的头发区域分割方法
CN102156863A (zh) * 2011-05-16 2011-08-17 天津大学 跨摄像头的多运动目标跟踪方法
CN102254169A (zh) * 2011-08-23 2011-11-23 东北大学秦皇岛分校 基于多摄像机的人脸识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
PICARDO SANTOS等: "Improving spectroface using pre-processing and voting", 《INTELLIGENT COMPUTING AND INTELLIGENT SYSTEM，2009.ICIS 2009.IEEE，PISCATAWAY，NJ，USA》 *

Also Published As

Publication number Publication date
US20160140407A1 (en) 2016-05-19
EP3011503A4 (en) 2017-05-10
EP3011503A1 (en) 2016-04-27
WO2014203248A1 (en) 2014-12-24

Similar Documents

Publication Publication Date Title
US10635929B2 (en) Saliency-based method for extracting road target from night vision infrared image
Mitchell Image fusion: theories, techniques and applications
DE102015206178A1 (de) Ein Videoverfolgungsbasiertes Verfahren zur automatischen Reihung von Fahrzeugen in Drivethrough-Anwendungen
US9922407B2 (en) Analysis of a multispectral image
US10089536B2 (en) Analysis of a multispectral image
Ramkumar et al. An effectual face tracking based on transformed algorithm using composite mask
CN105075264B (zh) 用精确的运动信息增强运动图片
CN107248174A (zh) 一种基于tld算法的目标跟踪方法
Yao et al. Improving long range and high magnification face recognition: Database acquisition, evaluation, and enhancement
DE112017005207B4 (de) Verfahren zur Identifizierung von Lichtquellen, entsprechendes System und Computerprogrammprodukt
Srivastava et al. Statistical hypothesis pruning for identifying faces from infrared images
Shakeel et al. Automated multimodal background detection and shadow removal process using robust principal fuzzy gradient partial equation methods in intelligent transportation systems
Duan et al. Infrared and visible image fusion using multi-scale edge-preserving decomposition and multiple saliency features
US20200057908A1 (en) System and method for biometric identification
Lei et al. Evaluation and modeling of depth feature incorporated visual attention for salient object segmentation
Deza et al. Can peripheral representations improve clutter metrics on complex scenes?
Priego et al. 4DCAF: A temporal approach for denoising hyperspectral image sequences
Chang et al. Fusing continuous spectral images for face recognition under indoor and outdoor illuminants
Miller et al. Person tracking in UAV video
Hsu Registration accuracy and quality of real-life images
Chen et al. LENFusion: A Joint Low-Light Enhancement and Fusion Network for Nighttime Infrared and Visible Image Fusion
CN105474232A (zh) 用于生物计量标识的系统和方法
Yang et al. Development of a fast panoramic face mosaicking and recognition system
CN110111368B (zh) 一种基于人体姿态识别的相似移动目标的检测跟踪方法
Nirmala et al. A novel multimodal image fusion method using shift invariant discrete wavelet transform and support vector machines

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20160406

WD01 Invention patent application deemed withdrawn after publication