基于显著性特征和迁移增量学的多摄像机目标识别方法

摘要

本发明公开了一种基于显著特征和迁移增量学的多摄像机目标识别方法,包括如下步骤：步骤1提取灰度直方图特征并归一化，步骤2提取显著性特征，步骤3特征融合，步骤4分类识别。本发明融合显著性特征和灰度直方图特征构造目标的外观特征模型，采用基于迁移增量学的方法作为分类器，在摄像机之间时空关联信息未知，无需摄像机标定的情况下，解决了摄像机视野不重叠时的目标识别问题。本发明的特点主要有一下两点：1)仅需要少量的训练样本，就能得到一个高效、鲁棒的目标识别模型；2)能够准确地识别新的目标。本发明适用于实时的无重叠域多摄像机长距离目标跟踪。

主权项

基于显著特征和迁移增量学习的多摄像机目标识别方法，包括以下步：步骤1提取灰度直方图特征并归一化：p(r_k)＝n_k/MN其中r_k是第k级灰度级，n_k是图像中灰度为r_k的像素个数，M和N分别为图像的行和列的维数，p(r_k)是灰度级r_k在图像中出现的概率；灰度直方图特征：$\overrightarrow{F_h}=\left(p\right(r_0),p(r_1),...,p(r_{255}\left)\right)$步骤2提取显著性特征：显著性特征是基于区域对比度的视觉显著性区域检测算法，同时考虑了全局对比度和空间相干性；其步骤如下，(2.1)计算图像像素显著值，得到显著图像；这里采用带权值的区域对比度方法，来增强区域的空间影响效果，简单地说，就是近邻的区域影响增大，较远的区域影响减小，对于任意区域r_k，显著性值定义为：$\begin{array}{c}S\left(r_k\right)=\\ {\Sigma }_{r_k\ne r_i}\exp (-D_s(r_k,r_i)/{\sigma }_s^2)\omega \left(r_i\right)D_r(r_k,r_i)\end{array}$其中，ω(r_i)为区域ri的权值，D_s(r_k,r_i)为区域r_k和r_i的空间距离，D_r(r_k,r_i)为两个区域r_k和r_i的颜色距离：$D_r(r_1,r_2)={\Sigma }_{i=1}^{n_1}{\Sigma }_{j=1}^{n_2}f\left(c_{1,i}\right)f\left(c_{2,j}\right)D(c_{1,i},c_{2,j})$其中，f(c_k,i)为第i个颜色c_k,i在第k个区域r_k的所有n_k种颜色中出现的概率；(2.2)将显著性图像转换为特征向量；用p_i,j表示(2.1)中显著性图像的第i行,第j列的像素；显著性特征向量:$\overrightarrow{F_s}=(p_{0,0},p_{0,1},...,p_{i,j},...,p_{M-1,N-1})$其中，M和N分别表示为显著性图行和列的维数；(2.3)显著性特征向量归一化；步骤3特征融合：将上述步骤(2.1)(2.2)得到的两个特征向量合并在一起，得到：$\overrightarrow{F}=(\overrightarrow{F_s},\overrightarrow{F_h})$步骤4分类识别：采用迁移增量学习的方法，基于LSSVM算法的改进，其核心是求解：$\begin{array}{c}{\min }_{W,w_{N+1},b}\frac{1}{2}\left|\right|W-W^{\prime }|{|}_F^2+\frac{1}{2}||W_{N+1}-W^{\prime }\beta |{|}_F^2\\ +\frac{C}{2}{\Sigma }_{i=1}^M{\Sigma }_{n=1}^{N+1}{\left(W_n^T\overrightarrow{F}+b_n-Y_{in}\right)}^2\end{array}$其中，W′＝[w′₁,…w′_N]表示是由源样本经过LSSVM方法得到的超平面，W＝[w₁,…,w_N]表示由训练样本经过上面公式得到的超平面；w_N,w′_N表示从N个类别里面分离出一个来的超平面；β是每个源模型的权重系数；Y是类别标签矩阵,b_n是常量，||*||_F表示弗罗宾尼斯范数。