【摘要】：行人再識別過程中,由于姿勢和光照等因素的變化使不同相機(jī)中所得行人的外形具有明顯變化,較難提取不變性特征,導(dǎo)致識別率偏低.鑒于此種情況,文中提出基于融合特征的行人再識別方法,提取的特征包括HSV顏色特征、顏色直方圖特征及梯度方向直方圖特征,行人再識別過程分為訓(xùn)練階段和識別階段.在訓(xùn)練階段,首先對訓(xùn)練圖像集中每幅圖像進(jìn)行特征提取,然后利用典型相關(guān)分析獲得2部相機(jī)拍攝同一行人的圖像特征之間的相關(guān)性,生成相關(guān)性矩陣.在識別階段,首先對參考圖像集和測試圖像集中每幅圖像進(jìn)行特征提取,然后將各自特征向量利用相關(guān)性矩陣進(jìn)行變換,最后進(jìn)行相似度度量,得到識別結(jié)果.在3個圖像庫上的實(shí)驗(yàn)表明,文中方法可以提高行人再識別的識別率.
【圖文】：

綜合表2展示的效果，本文將H、S、V三分量的值作為行人顏色特征的第一部分，記為f1．為了充分利用行人圖像的顏色信息，進(jìn)一步提取行人圖像的HSV顏色直方圖信息．首先，對圖像進(jìn)行HSV空間的非等間隔量化，其中H，S，V分別量化為7∶2∶2部分．然后，將3部分合成為包含36個值的特征向量L，，且L=4H+2S+V+8．最后，計算L的直方圖，并返回一個36維的顏色直方圖特征．圖1為HSV顏色直方圖的生成過程．本文將顏色直方圖作為行人顏色特征的第2部分，記為f2．圖1HSV顏色直方圖生成過程Fig．1GenerationprocessofHSVcolorhistogramfeaturevector最終，每幅圖像的顏色特征Y由2部分融合而成:Y=［f1，f2］T．1．2紋理特征提取本文使用梯度方向直方圖(HistogramofOrientedGradient，HOG)［6，9］提取行人的紋理特征．提取HOG紋理特征時，首先將圖像灰度化，使用伽馬校正法調(diào)節(jié)圖像的對比度，降低光照變化造成的影響和抑制噪聲的干擾．然后計算每個像素的梯度，獲得行人輪廓信息．再將圖像按16×16組成一個單元，統(tǒng)計每個單元的HOG(每個單元分9個方向)，形成每個單元的特征描述子，并將每2×2個單元組成1個塊，串聯(lián)塊內(nèi)每個單元的特征向量，得到該塊的HOG特征描述子．最后，串聯(lián)圖像內(nèi)所有塊的HOG特征描述子，得到供分類使用的紋理特征向量．本文將所得HOG特征向量作為行人圖像的紋理特征，記為f3．圖2為本文HOG紋理特征向量生成過程．圖2HOG紋理特征向量生成過程Fig．2GenerationprocessofHOGtexturefeaturevector1．3特征融合為了使行人圖像的特征描述子更具有區(qū)分性，本文融合行人圖像的2種顏色特征和梯度方向直方圖，描述行人圖像．具體行人

灰度化，使用伽馬校正法調(diào)節(jié)圖像的對比度，降低光照變化造成的影響和抑制噪聲的干擾．然后計算每個像素的梯度，獲得行人輪廓信息．再將圖像按16×16組成一個單元，統(tǒng)計每個單元的HOG(每個單元分9個方向)，形成每個單元的特征描述子，并將每2×2個單元組成1個塊，串聯(lián)塊內(nèi)每個單元的特征向量，得到該塊的HOG特征描述子．最后，串聯(lián)圖像內(nèi)所有塊的HOG特征描述子，得到供分類使用的紋理特征向量．本文將所得HOG特征向量作為行人圖像的紋理特征，記為f3．圖2為本文HOG紋理特征向量生成過程．圖2HOG紋理特征向量生成過程Fig．2GenerationprocessofHOGtexturefeaturevector1．3特征融合為了使行人圖像的特征描述子更具有區(qū)分性，本文融合行人圖像的2種顏色特征和梯度方向直方圖，描述行人圖像．具體行人圖像的特征描述子為串272模式識別與人工智能第30卷
【作者單位】： 北京科技大學(xué)自動化學(xué)院;
【基金】：國家自然科學(xué)基金項(xiàng)目(No.61300075)資助~~
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 曾春;李曉華;周激流;;基于感興趣區(qū)梯度方向直方圖的行人檢測[J];計算機(jī)工程;2009年24期

2 倪愷;肖志濤;張芳;;基于梯度方向直方圖的行人檢測方法研究[J];電視技術(shù);2011年05期

3 陳銳;彭啟民;;基于穩(wěn)定區(qū)域梯度方向直方圖的行人檢測方法[J];計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報;2012年03期

4 王宇新;唐琳;郭禾;賈棋;;基于金字塔梯度方向直方圖的分層投票方法[J];計算機(jī)工程;2012年08期

5 陳家波;趙勛杰;許崢;;基于梯度方向直方圖特征和粒子濾波算法融合的目標(biāo)跟蹤[J];小型微型計算機(jī)系統(tǒng);2012年08期

6 霍亞松;張錕;;非重疊低維度梯度方向直方圖[J];模式識別與人工智能;2014年03期

7 孟鋼;姜志國;趙丹培;;梯度方向直方圖和子流形在目標(biāo)跟蹤中的應(yīng)用[J];紅外與激光工程;2012年06期

8 李林;張麗紅;;基于改進(jìn)梯度方向直方圖的多尺度的行人檢測[J];計算機(jī)應(yīng)用;2012年S2期

9 張小虎;李由;李立春;王鯤鵬;于起峰;;一種基于梯度方向直方圖的直線輪廓提取新方法[J];光學(xué)技術(shù);2006年06期

10 周顯國;;基于梯度方向直方圖特征和支持向量機(jī)的醫(yī)學(xué)影像分類方法[J];中國醫(yī)療設(shè)備;2014年02期

相關(guān)會議論文 前1條

1 曹劍;高愛華;秦文罡;;一種快速的行人檢測算法[A];2010年西部光子學(xué)學(xué)術(shù)會議摘要集[C];2010年

相關(guān)碩士學(xué)位論文 前10條

1 黃焱;基于多層次的目標(biāo)檢測方法研究[D];上海交通大學(xué);2015年

2 奉俊鵬;基于非下采樣Contourlet梯度方向直方圖的人臉識別方法研究[D];湘潭大學(xué);2015年

3 朱龍;基于多部位聯(lián)合的行人檢測方法研究[D];廣東工業(yè)大學(xué);2016年

4 方軼;零件視覺檢測系統(tǒng)的開發(fā)與研究[D];上海工程技術(shù)大學(xué);2016年

5 胡秋晨;復(fù)雜背景下的人手定位方法研究[D];沈陽航空航天大學(xué);2016年

6 閆賀;基于共生梯度方向直方圖的實(shí)時人手檢測系統(tǒng)[D];天津大學(xué);2012年

7 孫麗娟;基于邊緣梯度方向直方圖的中國靜態(tài)手語識別[D];西安建筑科技大學(xué);2009年

8 劉超;基于梯度方向直方圖的行人計數(shù)方法研究[D];北京郵電大學(xué);2010年

9 薛冠超;基于機(jī)器視覺的行人快速檢測方法研究[D];吉林大學(xué);2012年

10 張旭東;行人檢測技術(shù)研究[D];電子科技大學(xué);2011年

本文編號：2549809