CN111353474B - 一种基于人体姿态不变特征的行人再识别方法 - Google Patents
一种基于人体姿态不变特征的行人再识别方法 Download PDFInfo
- Publication number
- CN111353474B CN111353474B CN202010237640.XA CN202010237640A CN111353474B CN 111353474 B CN111353474 B CN 111353474B CN 202010237640 A CN202010237640 A CN 202010237640A CN 111353474 B CN111353474 B CN 111353474B
- Authority
- CN
- China
- Prior art keywords
- data
- gait
- identification
- pedestrian
- human body
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000005021 gait Effects 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 8
- 210000003141 lower extremity Anatomy 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000011410 subtraction method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的属于图像识别技术领域,具体为一种基于人体姿态不变特征的行人再识别方法,该识别方法步骤如下:步骤一:选择移动影像,进行移动跟踪;步骤二:进行人体识别,确定移动影像特征;步骤三:进行步态特征识别,获取步态数据规律;步骤四:获取整体姿态数据,进行数据整合;步骤五:进行异常数据筛选,根据筛选数据进行图像处理;步骤六:产生图像处理数据后,与行人初始识别数据对比,即可获得再识别数据,通过步态特征识别产生的数据代入到整体的数据中,并进行一场数据处理,减少外部因素影响,从而提高数据获取的精确性,减少整体的数据差异,实现行人再识别的目的。
Description
技术领域
本发明涉及图像识别技术领域,具体为一种基于人体姿态不变特征的行人再识别方法。
背景技术
图像识别,是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术,是应用深度学习算法的一种实践应用。现阶段图像识别技术一般分为人脸识别与商品识别,人脸识别主要运用在安全检查、身份核验与移动支付中;商品识别主要运用在商品流通过程中,特别是无人货架、智能零售柜等无人零售领域。
图像的传统识别流程分为四个步骤:图像采集→图像预处理→特征提取→图像识别。图像识别软件国外代表的有康耐视等,国内代表的有图智能、海深科技等。另外在地理学中指将遥感图像进行分类的技术。
基于人体姿态不变特征的行人再识别方法是基于图像处理的一种比较先进的方法,该方法通过分析人体姿态不变特征,来进行人体识别,从而达到行人识别的目的,在人体姿态不变特征中,步态特征是相较于其他特征中,具有较大优势的一种生物特征,如可远距离获取、不易伪装和非接触即可获得等,现有技术中,针对步态特征,常用的方法中,并不能够得到有效的整体数据,如受人体携带物品影响,造成在获取步态特征数据后,其整体数据差异较大,造成获得的步态特征数据被系统否定,而重新进行数据获取,最终导致无法得出有效的数据,不能够进行行人再识别。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有基于人体姿态不变特征的行人再识别方法中存在的问题,提出了本发明。
因此,本发明的目的是提供一种基于人体姿态不变特征的行人再识别方法,能够减少携带物体对整体数据的影响,从而根据步态特征进行数据整体,提高行人识别的准确性。
为解决上述技术问题,根据本发明的一个方面,本发明提供了如下技术方案:
一种基于人体姿态不变特征的行人再识别方法,该识别方法步骤如下:
步骤一:选择移动影像,进行移动跟踪;
步骤二:进行人体识别,确定移动影像特征;
步骤三:进行步态特征识别,获取步态数据规律;
步骤四:获取整体姿态数据,进行数据整合;
步骤五:进行异常数据筛选,根据筛选数据进行图像处理;
步骤六:产生图像处理数据后,与行人初始识别数据对比,即可获得再识别数据。
作为本发明所述的一种基于人体姿态不变特征的行人再识别方法的一种优选方案,其中:所述步骤一种移动影像选择基于灰度图像的检测算法实现,所述影像移动跟踪基于评价函数的跟踪算法实现。
作为本发明所述的一种基于人体姿态不变特征的行人再识别方法的一种优选方案,其中:所述步骤二中人体识别、人体影像特征确定和步骤四中整体姿态数据均基于kinect获得,其主要包括关节点相对距离系数计算和关节角度定义及计算。
作为本发明所述的一种基于人体姿态不变特征的行人再识别方法的一种优选方案,其中:所述步骤三中步态特征识别的具体方法如下:
步骤一:对产生的步态序列图像进行预处理,采用背景减除法实现步态序列的检测;
步骤二:采用基于下肢所围闭区域面积特征的步态识别方法来提取下肢所围成的闭区域面积作为步态特征,然后利用小波分析对特征数据进行分析,从而获得步态特征数据,按照此种方法进行多次处理,即可获得步态数据规律。
作为本发明所述的一种基于人体姿态不变特征的行人再识别方法的一种优选方案,其中:所述步骤四中数据整合具体为将产生的步态特征数据与整体姿态数据进行整体,将步态特征数据代入到整体姿态数据中,替换到原有的步态特征数据里。
作为本发明所述的一种基于人体姿态不变特征的行人再识别方法的一种优选方案,其中:所述步骤五中异常数据筛选包括携带物体数据、非规律性动作数据、外界行人影响数据和非人为状态下的环境影响数据,所述异常数据由kinect获取。
作为本发明所述的一种基于人体姿态不变特征的行人再识别方法的一种优选方案,其中:所述步骤六中图像处理数据由步骤四中整合数据去除步骤五中产生异常数据获得,所述步骤六中行人初始数据为行人初次识别数据,再识别数据的获取基于行人初次识别数据与再识别数据产生的类似值大于90%。
与现有技术相比:常用的方法中,并不能够得到有效的整体数据,如受人体携带物品影响,造成在获取步态特征数据后,其整体数据差异较大,造成获得的步态特征数据被系统否定,而重新进行数据获取,最终导致无法得出有效的数据,不能够进行行人再识别,本申请文件中,通过步态特征识别产生的数据代入到整体的数据中,并进行一场数据处理,减少外部因素影响,从而提高数据获取的精确性,减少整体的数据差异,实现行人再识别的目的。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将结合附图和详细实施方式对本发明进行详细说明,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一种基于人体姿态不变特征的行人再识别方法的流程结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施方式的限制。
其次,本发明结合示意图进行详细描述,在详述本发明实施方式时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明提供一种基于人体姿态不变特征的行人再识别方法,该识别方法步骤如下:
步骤一:选择移动影像,进行移动跟踪;
步骤二:进行人体识别,确定移动影像特征;
步骤三:进行步态特征识别,获取步态数据规律;
步骤四:获取整体姿态数据,进行数据整合;
步骤五:进行异常数据筛选,根据筛选数据进行图像处理;
步骤六:产生图像处理数据后,与行人初始识别数据对比,即可获得再识别数据。
请再次参阅图1,所述步骤一种移动影像选择基于灰度图像的检测算法实现,所述影像移动跟踪基于评价函数的跟踪算法实现,具体步骤如下:
步骤一:相邻图像相差后得到M*N的图像I,非零的那些像素大部分是头部的运动边缘,通过对差分图的分析就可以定位运动目标;
步骤二:求出差分图像I的水平及垂直投影分别用H和V表示,显示了两相邻帧和差分后的水平投影值的分布,水平投影的计算如下:
步骤三:如果运动物体存在,那么在向量V中肯定存在具有足够多的灰度值大于分割阈值的像素点的段。我们将图像I分成n个域(n就是段数),每一个域都位于相应段的中心并且具有一定的宽度。那么这就检测出具有n个运动目标;
步骤四:假设每个域有一组纵向目标。对每个域进行水平投影得到Hi(i=1,2,3,...n,),然后进行中值滤波,如果在第i个域中存在m个目标,那么在iH中一定具有m个显著的值(峰值)。再进行中值滤波并且利用另外一个阈值将域中的一组目标分割开。这样就得到了当前帧中可能的目标的坐标值,然后用外接矩形画出运动目标的边界。
请再次参阅图1,所述步骤二中人体识别、人体影像特征确定和步骤四中整体姿态数据均基于kinect获得,其主要包括关节点相对距离系数计算和关节角度定义及计算,具体如下:
关节点相对距离系数计算:对于任意两点Pi(Xi,Yi,Zi)与Pj(Xj,Yj,Zj),通过以下公式计算:
于是我们就可以通过Kinect获取需要计算的某两个关节点的坐标,再计算出相应的距离,即可获得姿态;
关节角度定义及计算:计算各关节点的角度主要有两种方法,一种是三点法,选取需要计算的三个人体关节点Pi、Pj、Pk,利用上个公式计算出两两之间的距离dij、dik、djk,在使用余弦定理即可求出各个关节点两两连接后的夹角;
余弦定理:
此外还有两点法,每一组角度只用到两个关节点Pi和Pj,以Pi为基准点,计算出两个关节点连接线的基准点X轴方向的夹角,公式如下:
请再次参阅图1,所述步骤三中步态特征识别的具体方法如下:
步骤一:对产生的步态序列图像进行预处理,采用背景减除法实现步态序列的检测;
步骤二:采用基于下肢所围闭区域面积特征的步态识别方法来提取下肢所围成的闭区域面积作为步态特征,然后利用小波分析对特征数据进行分析,从而获得步态特征数据,按照此种方法进行多次处理,即可获得步态数据规律。
请再次参阅图1,所述步骤四中数据整合具体为将产生的步态特征数据与整体姿态数据进行整体,将步态特征数据代入到整体姿态数据中,替换到原有的步态特征数据里。
请再次参阅图1,所述步骤五中异常数据筛选包括携带物体数据、非规律性动作数据、外界行人影响数据和非人为状态下的环境影响数据,所述异常数据由kinect获取。
请再次参阅图1,所述步骤六中图像处理数据由步骤四中整合数据去除步骤五中产生异常数据获得,所述步骤六中行人初始数据为行人初次识别数据,再识别数据的获取基于行人初次识别数据与再识别数据产生的类似值大于90%。
虽然在上文中已经参考实施方式对本发明进行了描述,然而在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并不局限于文中公开的特定实施方式,而是包括落入权利要求的范围内的所有技术方案。
Claims (4)
1.一种基于人体姿态不变特征的行人再识别方法,其特征在于:该识别方法步骤如下:
步骤一:选择移动影像,进行移动跟踪;
步骤二:进行人体识别,确定移动影像特征;
所述步骤二中人体识别、人体影像特征确定和步骤四中整体姿态数据均基于kinect获得,其主要包括关节点相对距离系数计算和关节角度定义及计算;
步骤三:进行步态特征识别,获取步态数据规律;
所述步骤三中步态特征识别的具体方法如下:
步骤一:对产生的步态序列图像进行预处理,采用背景减除法实现步态序列的检测;
步骤二:采用基于下肢所围闭区域面积特征的步态识别方法来提取下肢所围成的闭区域面积作为步态特征,然后利用小波分析对特征数据进行分析,从而获得步态特征数据,按照此种方法进行多次处理,即可获得步态数据规律;
步骤四:获取整体姿态数据,进行数据整合;
所述步骤四中数据整合具体为将产生的步态特征数据与整体姿态数据进行整合,将步态特征数据代入到整体姿态数据中,替换到原有的步态特征数据里;
步骤五:进行异常数据筛选,根据筛选数据进行图像处理;
步骤六:产生图像处理数据后,与行人初始识别数据对比,即可获得再识别数据。
2.根据权利要求1所述的一种基于人体姿态不变特征的行人再识别方法,其特征在于:所述步骤一种移动影像选择基于灰度图像的检测算法实现,所述影像移动跟踪基于评价函数的跟踪算法实现。
3.根据权利要求1所述的一种基于人体姿态不变特征的行人再识别方法,其特征在于:所述步骤五中异常数据筛选包括携带物体数据、非规律性动作数据、外界行人影响数据和非人为状态下的环境影响数据,所述异常数据由kinect获取。
4.根据权利要求1所述的一种基于人体姿态不变特征的行人再识别方法,其特征在于:所述步骤六中图像处理数据由步骤四中整合数据去除步骤五中产生异常数据获得,所述步骤六中行人初始数据为行人初次识别数据,再识别数据的获取基于行人初次识别数据与再识别数据产生的类似值大于90%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010237640.XA CN111353474B (zh) | 2020-03-30 | 2020-03-30 | 一种基于人体姿态不变特征的行人再识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010237640.XA CN111353474B (zh) | 2020-03-30 | 2020-03-30 | 一种基于人体姿态不变特征的行人再识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111353474A CN111353474A (zh) | 2020-06-30 |
CN111353474B true CN111353474B (zh) | 2023-12-19 |
Family
ID=71194836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010237640.XA Active CN111353474B (zh) | 2020-03-30 | 2020-03-30 | 一种基于人体姿态不变特征的行人再识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353474B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016039158A1 (ja) * | 2014-09-08 | 2016-03-17 | 日本電産株式会社 | 移動体制御装置及び移動体 |
WO2017000115A1 (zh) * | 2015-06-29 | 2017-01-05 | 北京旷视科技有限公司 | 行人再识别方法及设备 |
CN109784130A (zh) * | 2017-11-15 | 2019-05-21 | 株式会社日立制作所 | 行人重识别方法及其装置和设备 |
CN109919141A (zh) * | 2019-04-09 | 2019-06-21 | 广东省智能制造研究所 | 一种基于骨架姿态的行人再识别方法 |
-
2020
- 2020-03-30 CN CN202010237640.XA patent/CN111353474B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016039158A1 (ja) * | 2014-09-08 | 2016-03-17 | 日本電産株式会社 | 移動体制御装置及び移動体 |
WO2017000115A1 (zh) * | 2015-06-29 | 2017-01-05 | 北京旷视科技有限公司 | 行人再识别方法及设备 |
CN109784130A (zh) * | 2017-11-15 | 2019-05-21 | 株式会社日立制作所 | 行人重识别方法及其装置和设备 |
CN109919141A (zh) * | 2019-04-09 | 2019-06-21 | 广东省智能制造研究所 | 一种基于骨架姿态的行人再识别方法 |
Non-Patent Citations (2)
Title |
---|
李幼蛟 ; 卓力 ; 张菁 ; 李嘉锋 ; 张辉 ; .行人再识别技术综述.自动化学报.2018,(09),全文. * |
黄小平 ; 张健 ; 胡泽林 ; 李淼 ; 曾伟辉 ; 李华龙 ; .基于室内定位技术的人体姿态识别方法.中国科学技术大学学报.2019,(10),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111353474A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520225B (zh) | 一种基于空间变换卷积神经网络的指纹检测分类方法 | |
Huang et al. | A new building extraction postprocessing framework for high-spatial-resolution remote-sensing imagery | |
Kusakunniran et al. | Recognizing gaits across views through correlated motion co-clustering | |
Moon et al. | Optimal edge-based shape detection | |
CN109446895B (zh) | 一种基于人体头部特征的行人识别方法 | |
US9639748B2 (en) | Method for detecting persons using 1D depths and 2D texture | |
KR101433472B1 (ko) | 상황 인식 기반의 객체 검출, 인식 및 추적 장치, 방법 및 컴퓨터 판독 가능한 기록 매체 | |
CN110837768A (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
CN102496016A (zh) | 一种基于时空协同框架的红外目标检测方法 | |
Shen et al. | Adaptive pedestrian tracking via patch-based features and spatial–temporal similarity measurement | |
Zhang et al. | Fast moving pedestrian detection based on motion segmentation and new motion features | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN108038856B (zh) | 基于改进多尺度分形增强的红外小目标检测方法 | |
CN110163182A (zh) | 一种基于kaze特征的手背静脉识别方法 | |
Xiao et al. | A multi-cue mean-shift target tracking approach based on fuzzified region dynamic image fusion | |
Yang et al. | A research of feature-based image mosaic algorithm | |
Diao et al. | Image sequence measures for automatic target tracking | |
Ye et al. | Human detection based on motion object extraction and head–shoulder feature | |
Ciarelli et al. | Human automatic detection and tracking for outdoor video | |
CN111353474B (zh) | 一种基于人体姿态不变特征的行人再识别方法 | |
Wang et al. | The cat's eye effect target recognition method based on visual attention | |
Liu et al. | SAR image matching based on speeded up robust feature | |
Wang et al. | Improved morphological band-pass filtering algorithm and its application in circle detection | |
Li et al. | Real-time tracking by double templates matching based on timed motion history image with HSV feature | |
An et al. | A method of robust pedestrian tracking in video sequences based on interest point description |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |