CN105574504A - 一种适用于运动自行车再识别的相似性度量计算方法 - Google Patents

Abstract

本发明公开了一种适用于运动自行车再识别的相似性度量计算方法，包括步骤：1)获取待匹配的运动自行车样本A和B图像时间序列；2)确定分组数K；3)对运动自行车样本A和B图像时间序列进行分组；4)计算同一组内样本A和B的相似性度量S_G；5)计算运动自行车样本A和B综合相似性度量S。本发明为运动自行车之间的相似性度量计算提供新的方法，提高运动自行车再识别图片匹配的精度和可靠性，具有实际推广价值。

Description

一种适用于运动自行车再识别的相似性度量计算方法

技术领域

本发明涉及交通管理领域，尤其是指一种适用于运动自行车再识别的相似性度量计算方法。

背景技术

视频运动自行车再识别技术是指在监控视频中识别出某个特定的已经在监控网络中出现过的自行车，即对监控网络中的同一个运动自行车进行再次识别。

随着社会安全和视频采集技术的发展，大量的监控摄像头应用在公园、枢纽广场、交叉口、道路等场所。人工已难以应对海量增长的监控视频，因此利用计算机对监控视频中的自行车等进行再识别的需求应运而生。目前自行车再识别的方法和系统大多采用单一图像进行再识别匹配。

特征间相似性度量机制是自行车再识别系统中重要部分，选择或设计的好坏将直接影响到自行车再识别算法的准确度。目前用于特征相似性度量的方法主要有欧式距离、直方图相交法、巴氏系数、马氏距离等。但这些方法都是针对不同样本单一图片的特征值进行计算的。

本发明方法提出一种考虑运动自行车有多个连续图像序列，将不同运动自行车样本的多个图像序列进行科学分组，综合考虑组内和不同组之间的图像特征距离，最后得出运动自行车综合相似性度量的计算方法。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供了一种适用于运动自行车再识别的相似性度量计算方法，能够有效提高运动自行车再识别图片匹配的精度和可靠性，具有实际推广价值。

为实现上述目的，本发明所提供的技术方案为：一种适用于运动自行车再识别的相似性度量计算方法，包括以下步骤：

1)获取待匹配的运动自行车样本A和B图像时间序列；

2)确定分组数K；

3)对运动自行车样本A和B图像时间序列进行分组；

4)计算同一组内样本A和B的相似性度量S_G；

5)计算运动自行车样本A和B综合相似性度量S。

在步骤1)中，获取待匹配的运动自行车样本A和B图像时间序列，能够直接从监控摄像头录制视频文件中提取，也能够从已有视频文件中提取，按每间隔10帧来提取，并按视频时间顺序排列，且两个样本的图片序列数量均为n，n>6。

在步骤2)中，分组数K的确定由下式计算：

K＝[n/s]

其中，n为样本图像时间序列的数量；s为每组内图像序列数量，通常取3～5；[*]为向下取整函数，即为不大于[]内的数字的整数。

在步骤3)中，对运动自行车样本A和B图像时间序列进行分组，将分别进行，并采用轮盘间距法，即：

假设样本A的图像序列X^A＝{X^A ₁,X^A ₂…X^A _n}，n为序列数量，X^A _i为X^A的第i个图像，则：

X^A _i∈G^A _jifi％K＝j

且1≤i≤n，1≤j≤K

其中，n为图像序列的图像总数，i为样本编号，j为分组编号，G^A _j为第j个组，∈表示属于关系，％表示取余操作，K为总分组数；

同理，样本B的图像序列X^B的分组方式与上述图像序列X^A一样。

在步骤4)中，同一组内样本A和B的相似性度量S_G，采用以下方法：

设第j组内样本A和B的相似性度量为S_Gj，为属于G^A _j所有图像和属于G^B _j所有图像两两进行相似性距离计算得到的最小值，具体公式如下：

S_Gj＝Min{d(G^A _j.i,G^B _j.m)}

且1≤i≤s，1≤m≤s

其中，Min{*}为取最小值函数；s为j组内图像数量；G^A _j.i为样本A在j组的第i个图像，G^B _j.m为样本B在j组的第m个图像；d(*,*)为两个图片特征相似性度量计算函数；

在步骤5)中，运动自行车样本A和B综合相似性度量S为各组相似性度量S_G的最大值，即：

S＝Max{S_Gj}且1≤j≤K

其中，Max{*}为取最大值函数。

本发明与现有技术相比，具有如下优点与有益效果：

本发明方法适用范围比较广，既能从监控摄像头实时提取图像序列，也可以从已有的视频总提取。该方法充分考虑运动自行车可以获取较多图像时间序列特征，采用分组进行图像相似性距离计算比较的方法，在增加运动自行车图像样本量的同时，减少计算复杂度，提高算法效率，因此构建的运动自行车相似度度量计算方法较合理，提高运动自行车再识别的可靠性和鲁棒性，因此本发明具有很大的实际推广价值。

附图说明

图1为本发明的工作流程图。

图2为本发明进行同一组内样本A和B的相似性度量S_G计算流程图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图1所示，本实施例所述的适用于运动自行车再识别的相似性度量计算方法，包括以下步骤：

1)获取待匹配的运动自行车样本A和B图像时间序列；可以直接从监控摄像头录制视频文件中提取，也可以从已有视频文件中提取，按每间隔10帧来提取，并按视频时间顺序排列，且两个样本的图片序列数量均为n，n>6，而在本实施例具体为10。

2)确定分组数K，根据图像序列数量，定每组内图像数量s＝3，则：

K＝[n/s]

＝[10/3]＝3(组)

其中，n为样本图像时间序列的数量；s为每组内图像序列数量，通常取3～5；[*]为向下取整函数，即为不大于[]内的数字的整数。

3)对运动自行车样本A和B图像时间序列进行分组，将分别进行，并采用轮盘间距法，即：假设样本A的图像序列X^A＝{X^A ₁,X^A ₂…X^A _n}，n为序列数量，X^A _i为X^A的第i个图像，则：

X^A _i∈G^A _jifi％K＝j

且1≤i≤n，1≤j≤K

其中n为图像序列的图像总数，i为样本编号，j为分组编号，G^A _j为第j个组，∈表示属于关系，％表示取余操作，K为总分组数。

同理，样本B的图像序列X^B的分组方式与上述图像序列X^A一样。

在本实施例中，假设A＝{X^A ₁,X^A ₂…X^A ₁₀}，则：

G^A ₁＝{X^A ₁,X^A ₄,X^A ₇,X^A ₁₀}；

G^A ₂＝{X^A ₂,X^A ₅,X^A ₈}；

G^A ₃＝{X^A ₃,X^A ₆,X^A ₉}。

4)计算同一组内样本A和B的相似性度量S_G，如图2所示，采用以下方法：

设第j组内样本A和B的相似性度量为S_Gj，为属于G^A _j所有图像和属于G^B _j所有图像两两进行相似性距离计算得到的最小值，具体公式如下：

S_Gj＝Min{d(G^A _j.i,G^B _j.m)}

且1≤i≤s，1≤m≤s

其中Min{*}为取最小值函数；s为j组内图像数量；G^A _j.i为样本A在j组的第i个图像，G^B _j.m为样本B在j组的第m个图像；d(*,*)为两个图片特征相似性度量计算函数，可以是欧式距离，也可以是其他相似度计算函数。

在本实施例中，首先计算第1组内，样本A和B的每个图像两两之间的相似性距离，这里采用常用的图像特征向量的欧式距离作为相似性度量值，即：设图像X^A ₁的LPB特征向量为{2.2,5.1,9.1}，归一化后变为{0.1341,0.3110,0.5549}；图像X^B ₁的LPB特征向量为{4.6,5.3,7.0}，归一化后变为{0.2805,0.3232,0.4268}；则相似性度量值为：

$\begin{array}{c}d({X^A}_{1.1},{X^B}_{1.1})=\sqrt{\frac{{(0.2805-0.1341)}^2+{(0.3232-0.3110)}^2+{(0.4268-0.5549)}^2}{3}}\\ =0.1125\end{array}$

类似地，第1组可计算获得16个欧氏距离值，为{0.1125,0.1317,0.1725,0.1651,0.0996,0.2489,0.0498,0.2254,0.1795,0.1056,0.1586,0.0726,0.1697,0.1455,0.2489,0.1651}，第1组的样本A和B的相似性度量S_G1为16个欧氏距离值中最小值，即：

S_G1＝min{0.1125,0.1317,0.1725,0.1651,0.0996,0.1489,0.0498,0.1254,0.1795,0.1056,0.1586,0.0726,0.1697,0.1455,0.1489,0.1651}＝0.0498。

同样，计算得S_G2＝0.0628，S_G3＝0.0752。

5)计算运动自行车样本A和B综合相似性度量S，即为各组相似性度量S_G的最大值，如下：

S＝Max{S_Gj}

＝Max{0.0498,0.0628,0.0752}＝0.0752

其中Max{*}为取最大值函数。

综上所述，本发明为运动自行车之间的相似性度量计算提供新的方法，提高运动自行车再识别图片匹配的精度和可靠性，具有实际推广价值，值得推广。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (5)

1.一种适用于运动自行车再识别的相似性度量计算方法，其特征在于，包括以下步骤：

1)获取待匹配的运动自行车样本A和B图像时间序列；

2)确定分组数K；

3)对运动自行车样本A和B图像时间序列进行分组；

4)计算同一组内样本A和B的相似性度量S_G；

5)计算运动自行车样本A和B综合相似性度量S。

2.根据权利要求1所述的一种适用于运动自行车再识别的相似性度量计算方法，其特征在于：在步骤1)中，获取待匹配的运动自行车样本A和B图像时间序列，能够直接从监控摄像头录制视频文件中提取，也能够从已有视频文件中提取，按每间隔10帧来提取，并按视频时间顺序排列，且两个样本的图片序列数量均为n，n>6。

3.根据权利要求1所述的一种适用于运动自行车再识别的相似性度量计算方法，其特征在于：在步骤2)中，分组数K的确定由下式计算：

K＝[n/s]

其中，n为样本图像时间序列的数量；s为每组内图像序列数量，通常取3～5；[*]为向下取整函数，即为不大于[]内的数字的整数。

4.根据权利要求1所述的一种适用于运动自行车再识别的相似性度量计算方法，其特征在于：在步骤3)中，对运动自行车样本A和B图像时间序列进行分组，将分别进行，并采用轮盘间距法，即：

假设样本A的图像序列X^A＝{X^A ₁,X^A ₂…X^A _n}，n为序列数量，X^A _i为X^A的第i个图像，则：

X^A _i∈G^A _jifi％K＝j

且1≤i≤n，1≤j≤K

其中，n为图像序列的图像总数，i为样本编号，j为分组编号，G^A _j为第j个组，∈表示属于关系，％表示取余操作，K为总分组数；

同理，样本B的图像序列X^B的分组方式与上述图像序列X^A一样。

5.根据权利要求1所述的一种适用于运动自行车再识别的相似性度量计算方法，其特征在于：在步骤4)中，同一组内样本A和B的相似性度量S_G，采用以下方法：

设第j组内样本A和B的相似性度量为S_Gj，为属于G^A _j所有图像和属于G^B _j所有图像两两进行相似性距离计算得到的最小值，具体公式如下：

S_Gj＝Min{d(G^A _j.i,G^B _j.m)}

且1≤i≤s，1≤m≤s

其中，Min{*}为取最小值函数；s为j组内图像数量；G^A _j.i为样本A在j组的第i个图像，G^B _j.m为样本B在j组的第m个图像；d(*,*)为两个图片特征相似性度量计算函数；

在步骤5)中，运动自行车样本A和B综合相似性度量S为各组相似性度量S_G的最大值，即：

S＝Max{S_Gj}且1≤j≤K

其中，Max{*}为取最大值函数。