一種視頻中的人物識別、定位和統計方法
【技術領域】
[0001] 本發明涉及一種人物識別、定位和統計方法，尤其涉及一種視頻中的人物識別、定 位和統計方法。
【背景技術】
[0002] 人物識別是計算機圖像和視頻處理中的重要問題之一。圖像和視頻中的人物識別 的本質是給定訓練和測試圖像集，根據給定的前提條件對圖像中的主體進行分類和標定。 有效的目標識別可以發現圖像中的重要主體，包括人物或其他要進行識別的各類物體，從 而為進一步的識別和跟蹤提供依據和線索。目前，已經有很多文獻提出和創建了圖像或視 頻中的主體識別模型。例如，在識別具有紋理特征的物體時，可以采用常用的紋理特征算子 對物體進行分類。在另一些方法中，通過給定一些固定的場景，利用全局或局部特征來分析 相關圖像。還有一些方法提出了模仿物體各個關節部位的空間分布來進行分析，例如Weber 等人提出通過局部特征來計算目標物體關節部位空間分布的方法。Agarwal等創建了大量 的物體部位庫，利用特征分類來實現識別各個物體部位的空間分布。其他方法包括利用變 形模板或主動外觀模型等進行學習，以及結合圖分割方法和識別同步進行識別的方法等。
[0003] 上述方法都源于使用目標物體的空間分布來進行識別和分類。其中全局特征和局 部特征方法由于是較為被動地學習，需要大量訓練數據，增加了識別的難度。而通過關節空 間分布的方法由于人體先天的復雜性，因此僅限于較少部位之間識別。部位庫方法需要不 斷重復觀察空間中各個主體小部位的出現，增加了數據量和處理的復雜度。變形模板方法 需要事先做出符合人體形狀姿勢的各種模板，而應用圖分割方法目前只能識別較少的目標 物體。
【發明內容】
[0004] 本發明提供一種人物識別、定位和統計方法，目的在于克服上述方法的不足，針對 給定的視頻文件，提出基于形狀上下文特征算子匹配和基于聚類分析的行人識別、定位和 統計的方法。
[0005] 為了實現上述目的，本發明提供了一種視頻中的人物識別、定位和統計方法，包括 如下步驟：
[0006] 步驟一:提供待訓練的視頻圖像，對所述待訓練的視頻圖像進行采樣，得到各個樣 本點，計算每個樣本點的形狀上下文特征，并建立包含樣本點的形狀上下文特征的標準特 征庫；
[0007] 步驟二:提供待測試的視頻圖像，在每一幀待測試的視頻圖像中生成采樣點，將各 個采樣點與步驟一中的標準特征庫中的樣本點進行匹配，設定第一閾值，當找到匹配的樣 本點的采樣點的大于該第一閾值時，則可認定該幀待測試的視頻圖像為人物幀，并計算得 到所有待測試的視頻圖像中每個人物幀的候選中心集合；
[0008] 步驟三:采用聚類算法對候選中心集合進行聚類分析，則聚類的數目為人物幀中 人像的數目，每個聚類中心點為該人像的中心點。
[0009] 作為優選，步驟一中對待訓練的視頻圖像進行邊緣提取、均勻采樣，得到人像形狀 的樣本點集合I = {pi，P2, . . .，pk}，其中P1、P2......Pk為人像形狀上的各個樣本點，在樣本 點集合中對人像輪廓上各標準部位上的樣本點進行形狀上下文特征提取，建立包含有提取 的樣本點的形狀上下文特征的標準特征庫。
[0010] 作為優選，所述各標準部位為人物的頭部、肩部、腿部和肘部。
[0011] 作為優選，對待訓練的視頻圖像進行邊緣提取的方法為:手工分割出每一幀待訓 練的視頻圖像中未知物體的前景掩碼，得到前景掩碼的邊界及邊界的信息。
[0012] 作為優選，建立標準特征庫的方法為:在前景掩碼的邊界的各標準部位上提取樣 本點，構成包含有所有所述提取樣本點信息的標準特征庫FB= {fi}，fi= {Si，Si}，其中fi為 標準特征庫中每個樣本點的形狀上下文特征值，81是每個樣本點的形狀上下文，3,是標準特 征庫中模型物體中心的坐標。
[0013] 作為優選，步驟二中對于每一幀待測試的視頻圖像，利用索貝爾算子提取每一幀 待測試的視頻圖像中的邊界及邊界信息，并在提取的邊界上等距離生成采樣點，計算每個 采樣點的形狀上下文特征并在標準特征庫中查找與該采樣點匹配的樣本點。
[0014] 作為優選，采用x2(X，Y)來計算每個采樣點的形狀上下文特征與標準特征庫中樣 本點的匹配程度，具體為設X和Y分別是待測試的視頻圖像的視頻幀上的采樣點和標準特征 庫中任意一個樣本點的形狀上下文特征向量，其中Χ = {χι，X2，......Xi}，Y = {yi，y2, ......yd
i定x2(X，Y)的第一閾值，當x 2(X，Y)小于等于第一閾 值時，則該待測試的視頻圖像的視頻幀上的采樣點和所述標準特征庫中樣本點匹配，設定 在標準特征庫中找到匹配的樣本點的采樣點的個數的第二閾值，當相匹配的點的個數大于 設定的第二閾值時，則該待測試的視頻圖像的視頻幀為人物幀，即待測試的視頻圖像的視 頻幀上包含有人像。
[0015] 作為優選，計算在所述標準特征庫中找到匹配的樣本點的采樣點的形狀上下文特 征值，其中ru是該采樣點的形狀上下文，^則等于與該采樣點所匹配的樣本點對應 的Si，每個ei成為所述人物幀中一個候選中心，所有的候選中心組成所述人物幀的候選中心 集合C。
[00?6]作為優選，步驟三中所述聚類算法為硬聚類算法中的κ-means算法。
[0017] 與現有技術相比，本發明提供了一種視頻中的人物識別、定位和統計方法，包括如 下步驟：
[0018] 步驟一:提供待訓練的視頻圖像，對所述待訓練的視頻圖像進行采樣，得到各個樣 本點，計算每個樣本點的形狀上下文特征，并建立包含樣本點的形狀上下文特征的標準特 征庫；
[0019] 步驟二:提供待測試的視頻圖像，在每一幀待測試的視頻圖像中生成采樣點，將各 個采樣點與步驟一中的標準特征庫中的樣本點進行匹配，設定第一閾值，當找到匹配的樣 本點的采樣點的大于該第一閾值時，則可認定該幀待測試的視頻圖像為人物幀，并計算得 到所有待測試的視頻圖像中每個人物幀的候選中心集合；
[0020] 步驟三:采用聚類算法對候選中心集合進行聚類分析，則聚類的數目為人物幀中 人像的數目，每個聚類中心點為該人像的中心點。
[0021]本發明的從視頻圖像中每個點的形狀上下文的匹配的角度來實現對于視頻中行 人的識別、定位和統計，通過建立包含樣本點的形狀上下文特征的標準特征庫，與輸入的要 求識別的視頻中每一幀圖像上的采樣點進行匹配，這樣無需對標準特征庫進行大量的訓 練，只需建立包含典型的人體姿勢的標準特征庫，且即使人體具有復雜性，則將人體圖像分 割為每個采樣點，由每個采樣點與標準特征庫中的樣本點匹配，這種方法識別度較高，減少 了識別誤差，此外這種方法應用面較廣，可以進一步應用于視頻中的主體識別和主體跟蹤 等重要問題。
【附圖說明】
[0022]圖1為本發明提供的方法流程圖；
[0023]圖2為訓練過程與標準特征庫的建立過程示意圖。
【具體實施方式】
[0024]為了使本發明的內容更加清楚和易懂，下面結合具體實施例對本發明的內容進行 詳細描述。
[0025] 目前，圖像中常用的特征點有紋理特征、空間分布特征、形狀特征等。本發明采用 形狀上下文特征，它是一種利用物體表面輪廓表征物體形狀信息的特征算子，定義為特征 點周圍個半徑上的直方圖區間和πθ個角度方向上的直方圖區間，其值是一個特征向量 /?=力，/%"··，/^]：，這里hi(i = 1，2, . . .，ΜΘ)是直方圖中每個區間中像素點的數目。請參照 圖2中的特征點A，其中nr = 2，ne = 8，圖中以A為圓心形成兩個圓，外圓所包含的平面空間即 為特征點A的直方圖區間，nr X πθ = 16，則特征點A的形狀上下文特征即為h = {hi， h2,......，hl6} 〇
[0026] 請參照圖1，本發明提供的基于形狀上下文特征的視頻中行人識別與統計流程具 體步驟如下：
[0027] 步驟一:使用訓練圖像建立標準特征庫。
[0028] 提供若干待訓練的視頻圖像，對這些視頻圖像的每一幀圖像進行邊緣提取、均勻 采樣，具體為對于每一幀待訓練視頻圖像，手工分割出該視頻圖像上物體的前景掩碼，只有 處于前景掩碼中的邊界的信息才用來計算形狀上下文直方圖。然后利用上述前景掩碼的邊 界構造標準特征庫，也就是在前景掩碼的邊界上取樣本點，得到一個行人形狀圖像上的樣 本點集合I = {pi，P2, ...，Pk}，其中Ρ1、Ρ2......Pk為人像形狀上的各個樣本