多视角摄像机下的目标重识别算法的制作方法

摘要: 本发明涉及行人重识别,更具体地说,本发明涉及多视角摄像机下的目标重识别算法。背景技术:1、在公共场所安防监控系统中,多台摄像机通常以不同方位角与俯角覆盖同一区域...
多视角摄像机下的目标重识别算法的制作方法

本发明涉及行人重识别,更具体地说,本发明涉及多视角摄像机下的目标重识别算法。

背景技术:

1、在公共场所安防监控系统中,多台摄像机通常以不同方位角与俯角覆盖同一区域,当目标在摄像机间移动时,需要将不同摄像机拍摄到的目标图像关联至同一个体,此类任务即为跨摄像机目标重识别。现有跨摄像机重识别系统通常对目标整体图像提取深度特征向量,再通过计算两台摄像机下目标整体特征的相似度来判断是否为同一目标,该类系统已在诸多安防监控与行人跟踪场景中得到广泛部署与应用。

2、现有技术存在以下不足:

3、目前,现有技术对整体目标图像提取统一特征向量后直接执行跨摄像机相似度比对,缺乏对各摄像机下各部件可见状态与观测质量的独立评估,无法针对跨机视角差异筛选有效共视部件区域,容易在跨摄像机视角差异过大时产生整体相似度崩塌,导致跨摄像机目标身份关联准确率降低、虚假匹配率升高,因此,提出多视角摄像机下的目标重识别算法。

4、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、为了克服现有技术的上述缺陷,本发明的实施例提供多视角摄像机下的目标重识别算法,通过运用部件可见性状态评估与部件观测充分度量化,在跨机共视部件集合上执行有质量保障的加权特征配对,结合配对充分度总量对跨机相似度序列实施分级判定,以解决上述背景技术中提出的问题。

2、为实现上述目的,本发明提供如下技术方案,多视角摄像机下的目标重识别算法,包括以下步骤:

3、步骤s1:采集各摄像机目标边界框图像,读取部件关键点响应置信度,综合目标边界框图像以及部件关键点响应置信度分析各部件在本摄像机下的可见性状态;

4、步骤s2:检测部件像素占据比,获取部件边缘连续度,融合部件像素占据比与部件边缘连续度计算部件观测充分度,基于各摄像机的可见性状态筛选出跨机共视部件集合;

5、步骤s3:调取跨机共视部件集合下的部件级特征向量,通过部件观测充分度对部件级特征向量加权配对生成跨机相似度序列,结合部件观测充分度分析配对充分度总量;

6、步骤s4:基于配对充分度总量评估跨机匹配置信等级,针对跨机匹配置信等级对跨机相似度序列执行分级判定,依据分级判定结果输出跨机目标身份关联结果。

7、一个优选的实施方式中,在步骤s1中,各摄像机通过内置的行人检测器对当前视场内的行人目标进行框选,输出目标边界框图像;

8、将各摄像机检测到的目标边界框图像按帧序号与目标序号进行标识后合并为目标边界框图像数据集;

9、将目标边界框图像输入到预先训练好的部件关键点检测网络,读取部件关键点响应置信度;

10、以部件关键点为中心划定圆形连通区域,对圆形连通区域内每一像素计算其sobel梯度模值,取全部像素梯度模值的均值作为原始纹理响应强度,利用max-min归一化方法将该原始纹理响应强度映射获得平均纹理响应强度。

11、一个优选的实施方式中,在步骤s1中,综合部件关键点响应置信度与纹理响应强度,通过逻辑回归模型计算得到各部件关键点在本摄像机下的可见性回归输出;

12、将可见性回归输出与预设的高档设定值和低档设定值进行比较,分析可见性状态:

13、当可见性回归输出不小于高档设定值时,则可见性状态判定为完全可见级;

14、当可见性回归输出小于高档设定值且不小于低档设定值时,则可见性状态判定为部分可见级;

15、当可见性回归输出小于低档设定值时,则可见性状态判定为不可见级。

16、一个优选的实施方式中,在步骤s2中,对完全可见级或部分可见级的部件,检测部件像素占据比,部件像素占据比为部件在目标边界框图像中所覆盖的像素数量占目标边界框像素总数的比值;

17、对外轮廓上每一个像素计算其与相邻两个像素的梯度方向夹角,将夹角小于预设方向差异角的像素记为方向一致像素,方向一致像素数与外轮廓总像素数的比值作为部件边缘连续度;

18、融合部件像素占据比与部件边缘连续度计算部件观测充分度:。

19、一个优选的实施方式中,在步骤s2中,跨机共视部件集合是指对第α台摄像机与第β台摄像机的同一候选目标对,其对应部件在两台摄像机中同时处于完全可见级或部分可见级的部件构成的集合。

20、一个优选的实施方式中,在步骤s3中,针对跨机共视部件集合中的每一个部件,从预先建立的部件级特征数据库中调取部件级特征向量;

21、在跨机共视部件集合上,通过部件观测充分度对部件级特征向量执行加权配对生成跨机相似度序列:

22、对跨机共视部件集合中的候选目标对,通过候选目标对对应的部件观测充分度计算部件跨机联合观测充分度,通过部件跨机联合观测充分度计算得到跨机部件相似度分量;

23、将跨机共视部件集合中全部部件的跨机部件相似度分量汇总为跨机相似度序列。

24、一个优选的实施方式中,在步骤s3中,配对充分度总量由观测质量项和数量偏置项相加得到;

25、其中,观测质量项对跨机共视部件集合中所有跨机联合观测充分度做几何平均得到;数量偏置项对跨机共视部件集合中的部件数量与预定义部件总数之比乘以预设的数量偏置系数得到。

26、一个优选的实施方式中,在步骤s4中,当配对充分度总量不小于高档置信阈值时,跨机匹配置信等级判定为高置信等级;

27、当配对充分度总量小于高档置信阈值且不小于低档置信阈值时,跨机匹配置信等级判定为中置信等级;

28、当配对充分度总量小于低档置信阈值时,跨机匹配置信等级判定为低置信等级;

29、针对高置信等级:对跨机相似度序列中所有跨机部件相似度分量按跨机联合观测充分度做加权平均,得到跨机综合相似度;

30、针对中置信等级:对跨机相似度序列中各跨机部件相似度分量取最大值,得到跨机综合相似度;

31、针对低置信等级:不合成跨机综合相似度。

32、一个优选的实施方式中,在步骤s4中,当跨机匹配置信等级为高置信等级且跨机综合相似度不小于关联判定阈值时,跨机目标身份关联结果输出为同一目标;

33、当跨机匹配置信等级为中置信等级且跨机综合相似度不小于关联判定阈值时,跨机目标身份关联结果输出为同一目标;

34、当跨机匹配置信等级为高置信等级且跨机综合相似度小于关联判定阈值时,跨机目标身份关联结果输出为不同目标;

35、当跨机匹配置信等级为中置信等级且跨机综合相似度小于关联判定阈值时,跨机目标身份关联结果输出为不同目标;

36、当跨机匹配置信等级为低置信等级时,跨机目标身份关联结果输出为待复核关联结果。

37、本发明的技术效果和优点:

38、本发明通过综合目标边界框图像与部件关键点响应置信度分析各部件在本摄像机下的可见性状态,融合部件像素占据比与部件边缘连续度计算部件观测充分度并基于各摄像机的可见性状态筛选出跨机共视部件集合,调取跨机共视部件集合下的部件级特征向量并通过部件观测充分度对其加权配对生成跨机相似度序列、结合部件观测充分度分析配对充分度总量,基于配对充分度总量评估跨机匹配置信等级后对跨机相似度序列执行分级判定并依据分级判定结果输出跨机目标身份关联结果,多摄像机场景下的目标重识别建立在共视部件质量评估与置信等级分级判定的双重保障之上,跨摄像机目标身份关联准确率显著提升、虚假匹配得到有效抑制。