基于SURF的行人重识别研究.docVIP

基于SURF的行人重识别研究 　　摘要：伴随着城镇化的加速发展和人口的急速增加，城市的犯罪案件也有不断上升的趋势，如何在案件发生的第一时间跟踪目标行人的运动轨迹，从而快速锁定搜索范围，提高侦查的效率显得至关重要，融合HSV颜色模型和SURF算法的特点，选取VIPeR数据库中的图像进行识别，在准确度和测试时间上都有明显的提高。 　　关键词：SURF算法；HSV颜色模型；行人重识别 　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）22-0167-02 　　随着城市的现代化发展的步伐，越来越多的摄像头出现在各个城市，它们时刻关注着人们在公共场所的一举一动。英国是最早建立并使用视频监控系统的国家，如今欧美国家已经在公共场所建立了一系列视频监控[1]，如地铁站，每隔几米就有1-2个摄像头，为居民的人身安全提供了重要的保障。2005年9月我国公安部正式启动城市联网报警与监控系统建设，正式启动城市联网报警与监控系统建设，在全国推行“平安城市”建设。当今城镇化的快速发展，使得社会治安变的日趋复杂，公共安全问题不断凸显。目前我国的在刑事案件侦破中，以人力搜捕为主，视频监控为辅的模式，大大地影响了工作效率，同时也耗费了很多的人力和物力。如何充分利用视频监控系统，建立对目标人物的快速定位、跟踪和追捕的侦查系统显得尤为重要。本课题研究如何快速地在事件发生后，对目标行人的运动轨迹进行定位，使公安部门及时锁定目标人物的方位，从而有效地减少搜索范围，从而减少人力和物理的浪费。 　　当前，已有的行人重识别方法是基于特征描述和基于距离度量方法，这两种方法分别从图像的两个方面进行识别，存在训练时间长，复杂度高，存储开销大的问题。针对这些问题，本文提出一种基于SURF的行人重识别方法。首先在HSV颜色空间对行人图像进行初次识别，建立备选图像集，然后使用SURF算法对备选图像集提取特征点，进行精确识别。 　　1 HSV颜色模型建立备选图像集 　　一般，通过摄像机获得的图像是RGB颜色模型，而RGB颜色模型容易受到强光，弱光，阴影等因素的影响，使它的稳定性受到影响，并且是面向硬件的，不是面向用户的。1978年A. R. Smith在创建了HSV颜色模型[2]， 也称六角锥体模型（Hexcone Model），HSV是基于人的眼睛对色彩的识别，是一种从视觉的角度定义的颜色模式。将色彩分解为色调，饱和度及亮度，是一种针对用户观感的颜色模型。RGB转换到HSV颜色空间的关系如上。 　　因为目标行人在不同的摄像头下获得的图片亮度会有些差异，为了提高检测的准确性和效率，舍弃图像中表示亮度的V特征，只提取图像的H和S特征，由于HSV颜色空间中的颜色比较丰富，本文只提取图像中出现频率超过50%颜色的H和S特征，并且选取图像横向20%-80%，纵向20%-40%作为上衣的特征提取区域；选取像横向30%-70%，纵向55%-65%作为裤子的特征提取区域[3]如图1，颜色特征提取流程如图2： 　　2基于SURF的特征点提取 　　SURF算法是SpeededUp Robust Features的缩写，就是“加速版的具有鲁棒性的特征“算法，由Bay在2006年首次提出。SURF是尺度不变特征变换算法（SIFT算法）的加速版[4]。在多幅图片下具比SIFT更好的稳定性。因为采用了harr特征以及积分图像的概念，使程序的运行时间显著的提高。 　　2.1提取特征点 　　对图像中每一个像素点，可以求出Hessian矩阵，如下： 　　由于提取出的特征点需要具备尺度无关性，所以在进行Hessian矩阵构造前，需要对其进行高斯滤波。这样，经过滤波后在进行Hessian的计算，其公式如下： 　　H矩阵的特征值就是判别式的值，根据判别式的值的正负，来判断该点是否为极值点。 　　det（Happrox）=DxxDyy-（0.9Dxy）2 　　2.2特征点描述 　　统计特征点领域内的harr小波特征，得到最大的harrx和最大的harry，组成了主方向向量。在特征点周围取一个正方形框，框的边长为20s（s是所检测到该特征点所在的尺度）。该框方向当特征点的主方向。然后把该框分为16个子区域，每个子区域统计25个像素的水平方向和垂直方向的haar小波特征。该haar小波特征为水平方向值之和，水平方向绝对值之和，垂直方向之和，垂直方向绝对值之和。每个小区域就有4个值，所以每个特征点就是16*4=64维的向量。 　　2.3特征点匹配 　　取一幅图像中的一个SIFT关键点，并找出其与另一幅图像中欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离得到的比率ratio少于某个阈值T，则接受这一对匹配点，ratio取值在0.