多监控相机场景的行人匹配.

多监控相机场景的行人匹配吴佳峻1130349065摘要课题背景，难点及应用前景三种常用的行人匹配方法•基于全身•基于部分特征•基于机器学习试验和数据分析课题背景行人匹配技术是在同一个摄像机的不同时刻、或是不同摄像机在不同角度拍摄提取的个体中，通过图像处理等方法，自动搜索出与目标人物匹配的个体的技术。目标行人寻找匹配行人难点无法进行人脸识别（分辨率低，存储问题）目标易被遮挡，提取信息较少客观条件易于变化（光照、姿势、背景）应用前景易于在存储的数据库中需找到目标人物实时监控可疑犯罪分子（匹配方法的实时性）其他用途，例如寻找走失的亲人等常用方法基于全身特征基于部分特征基于机器学习基于全身和部分特征的基本思想：（1）特征提取（2）距离计算基于全身特征基于全身：RGB颜色特征对比特征提取：红（R）、绿（G）、蓝（B）三通道φx=[Rx,Gx,Bx]𝑇距离计算：dℎ𝑖,ℎ𝑗=1−2min⁡{ℎ𝑖(𝑎),ℎ𝑗(𝑎)}𝑎ℎ𝑖𝑎+ℎ𝑗(𝑎)𝑎基于全身：LAB颜色特征对比特征提取：L表示亮度（Luminosity），a表示从洋红色至绿色的范围，b表示从黄色至蓝色的范围φx=[Lx,ax,bx]𝑇基于全身：HSV-edgel特征提取：hue（色彩）、saturation（饱和度）和edgel三个通道φx=[I𝐻x,𝐼𝑆x,∠ex,𝑒𝑅x,𝑒𝐺x,𝑒𝐵(x)]𝑇色彩特征法只表征了整个图片的颜色的统计分布，与像素的位置无关，具有一定的局限性基于全身：HOG对比提取特征：梯度信息φx=𝐻𝑂𝐺(𝛻log𝐼𝑅,𝑥)𝐻𝑂𝐺(𝛻log𝐼𝐺,𝑥)𝐻𝑂𝐺(𝛻log𝐼𝐵,𝑥)基于部分特征基于部分特征SIFT、SURFii`i``特征数量多提取速度快适用于遮挡基于部分特征基于机器学习机器学习机器学习(MachineLearning)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径。训练方法对特征训练对距离训练试验和数据分析素材来源素材及运行环境素材101组不同摄像机下的同一行人素材来源时间是2013年1月29日12:05至12:32，地点在上海火车站底下通道，方向由东向西的两个不同角度的摄像头拍摄的画面，两个画面具有大约画面1/2的重叠区域，分别从这两个摄像头画面中截出的101组同一行人的对比图片应用对比方法色彩对比法中的RBG、LAB和HSV-edgel对比法，特征点对比法中的SIFT和SURF对比法，HOG对比法数据处理将一个行人与另一个摄像机下的101个行人进行距离计算并排序，记录出匹配行人的排名，在这些排名中分别统计出第1-20名所占的比重运行环境及配置x86CPU:Intel(R)Core(TM)I5@2.50GHzRAM:2.00GBNVIDIAGeForce610M运行软件及语言VisualStudio2010，c++第n名统计个数第n名color_RBGcolor_LABcolor_HSV_edgeSIFTSURFHOG1464545565765211111026634842334722432533322161252237122231813212292011211033120111411111122102011301410014211210150102001600100117220001180110001902111020110010前n名统计个数前n名color_RBGcolor_LABcolor_HSV_edgeSIFTSURFHOG1464545565765257565558637136164596066744686661646976571696466717767271696873807737371707681874767371788397676747280841079797574808511838076758186128581767781871385828078818714878381808287158784818282871687848282828817898682828289188987838282891989898483838920909084838489前n名统计信息0102030405060708090100123456789101112131415161718192021匹配前n名所占的比重（%）名次ncolor_RBGcolor_LABcolor_HSV_edgeSIFTSURFHOG举例行人1举例行人2举例行人3举例行人4举例行人5O(∩_∩)O谢谢