基于融合特征的行人再识别方法

发布时间：2019-10-15 20:00

【摘要】：行人再识别过程中,由于姿势和光照等因素的变化使不同相机中所得行人的外形具有明显变化,较难提取不变性特征,导致识别率偏低.鉴于此种情况,文中提出基于融合特征的行人再识别方法,提取的特征包括HSV颜色特征、颜色直方图特征及梯度方向直方图特征,行人再识别过程分为训练阶段和识别阶段.在训练阶段,首先对训练图像集中每幅图像进行特征提取,然后利用典型相关分析获得2部相机拍摄同一行人的图像特征之间的相关性,生成相关性矩阵.在识别阶段,首先对参考图像集和测试图像集中每幅图像进行特征提取,然后将各自特征向量利用相关性矩阵进行变换,最后进行相似度度量,得到识别结果.在3个图像库上的实验表明,文中方法可以提高行人再识别的识别率.
【图文】：

直方图,颜色直方图,生成过程,行人

综合表2展示的效果，本文将H、S、V三分量的值作为行人颜色特征的第一部分，记为f1．为了充分利用行人图像的颜色信息，进一步提取行人图像的HSV颜色直方图信息．首先，对图像进行HSV空间的非等间隔量化，其中H，S，V分别量化为7∶2∶2部分．然后，将3部分合成为包含36个值的特征向量L，，且L=4H+2S+V+8．最后，计算L的直方图，并返回一个36维的颜色直方图特征．图1为HSV颜色直方图的生成过程．本文将颜色直方图作为行人颜色特征的第2部分，记为f2．图1HSV颜色直方图生成过程Fig．1GenerationprocessofHSVcolorhistogramfeaturevector最终，每幅图像的颜色特征Y由2部分融合而成:Y=［f1，f2］T．1．2纹理特征提取本文使用梯度方向直方图(HistogramofOrientedGradient，HOG)［6，9］提取行人的纹理特征．提取HOG纹理特征时，首先将图像灰度化，使用伽马校正法调节图像的对比度，降低光照变化造成的影响和抑制噪声的干扰．然后计算每个像素的梯度，获得行人轮廓信息．再将图像按16×16组成一个单元，统计每个单元的HOG(每个单元分9个方向)，形成每个单元的特征描述子，并将每2×2个单元组成1个块，串联块内每个单元的特征向量，得到该块的HOG特征描述子．最后，串联图像内所有块的HOG特征描述子，得到供分类使用的纹理特征向量．本文将所得HOG特征向量作为行人图像的纹理特征，记为f3．图2为本文HOG纹理特征向量生成过程．图2HOG纹理特征向量生成过程Fig．2GenerationprocessofHOGtexturefeaturevector1．3特征融合为了使行人图像的特征描述子更具有区分性，本文融合行人图像的2种颜色特征和梯度方向直方图，描述行人图像．具体行人

过程图,向量生成,纹理特征,过程

灰度化，使用伽马校正法调节图像的对比度，降低光照变化造成的影响和抑制噪声的干扰．然后计算每个像素的梯度，获得行人轮廓信息．再将图像按16×16组成一个单元，统计每个单元的HOG(每个单元分9个方向)，形成每个单元的特征描述子，并将每2×2个单元组成1个块，串联块内每个单元的特征向量，得到该块的HOG特征描述子．最后，串联图像内所有块的HOG特征描述子，得到供分类使用的纹理特征向量．本文将所得HOG特征向量作为行人图像的纹理特征，记为f3．图2为本文HOG纹理特征向量生成过程．图2HOG纹理特征向量生成过程Fig．2GenerationprocessofHOGtexturefeaturevector1．3特征融合为了使行人图像的特征描述子更具有区分性，本文融合行人图像的2种颜色特征和梯度方向直方图，描述行人图像．具体行人图像的特征描述子为串272模式识别与人工智能第30卷
【作者单位】：北京科技大学自动化学院;
【基金】：国家自然科学基金项目(No.61300075)资助~~
【分类号】：TP391.41

【相似文献】