论文部分内容阅读
在多摄像机监控跟踪网络中,由于被跟踪目标的不确定性因素过多,如监控视角、环境光照、目标姿态变化等,如何对目标进行再识别是一个难点。提取一种稳健的外观统计特征是目标再识别问题的核心。本文提出一种基于注意力特征匹配的目标再识别方法,首先提取各相机中目标图像局部的颜色纹理特征(ColorSIFT),之后根据局部的颜色纹理特征按一定准则进行搜索,生成目标图像的注意力显著图,最后结合显著图与ColorSIFT特征进行双向判别,完成目标的识别。论文的主要工作和创新如下:
(l)通过对国内外学者的大量研究工作的分析,总结出了多视点协同跟踪中的更关键点问题,即如何建立一种目标外观模型,使其在多个相机中可以保持稳定或较小变化,并且如何针对此外观模型进行相似度量。本文介绍了几种常用的目标外观模型和相似度量方法,总结了目前国内外的研究现状,并提出了一种首先通过校正相机间的成像差异,然后通过提取目标视觉注意力特征进行再识别的方法。
(2)由于摄像机本身成像参数、摄像机拍摄角度、场景光照条件等多个方面的影响,造成了目标在多个相机中成像的差异。颜色特征作为目标再识别问题中的重要线索受到了极大影响,本文引入一种亮度转移函数(BTF)概念,通过事先的学习得到了多个相机之间的颜色空间转移模型,依照此模型将同一目标多个相机中的成像差异减小,为提取目标的特征生成注意力打下良好基础。
(3)通过对视觉注意力的分析,并仿照人眼视觉总能快速地找出感兴趣的目标这一特征特性,本文提出一种基于注意力特征匹配的目标再识别方法,首先提取各相机中目标图像局部的颜色纹理特征(ColorSIFT),然后根据局部的颜色纹理特征按一定准则进行搜索,生成目标图像的注意力显著图,最后结合显著图与ColorSIFT特征进行判别。实验结果表明,由于采用注意力信息的识别,对背景噪声不敏感,可在极大程度上忽略由于目标提取过程中引入的复杂背景噪声,同时注意力的生成阶段对目标的姿态变化宽容度较高,可以有效克服姿态变化对识别的影响,实验结果表明,本算法受背景噪声以及目标姿态、光照变化的影响较小,具有较高的识别率。
(l)通过对国内外学者的大量研究工作的分析,总结出了多视点协同跟踪中的更关键点问题,即如何建立一种目标外观模型,使其在多个相机中可以保持稳定或较小变化,并且如何针对此外观模型进行相似度量。本文介绍了几种常用的目标外观模型和相似度量方法,总结了目前国内外的研究现状,并提出了一种首先通过校正相机间的成像差异,然后通过提取目标视觉注意力特征进行再识别的方法。
(2)由于摄像机本身成像参数、摄像机拍摄角度、场景光照条件等多个方面的影响,造成了目标在多个相机中成像的差异。颜色特征作为目标再识别问题中的重要线索受到了极大影响,本文引入一种亮度转移函数(BTF)概念,通过事先的学习得到了多个相机之间的颜色空间转移模型,依照此模型将同一目标多个相机中的成像差异减小,为提取目标的特征生成注意力打下良好基础。
(3)通过对视觉注意力的分析,并仿照人眼视觉总能快速地找出感兴趣的目标这一特征特性,本文提出一种基于注意力特征匹配的目标再识别方法,首先提取各相机中目标图像局部的颜色纹理特征(ColorSIFT),然后根据局部的颜色纹理特征按一定准则进行搜索,生成目标图像的注意力显著图,最后结合显著图与ColorSIFT特征进行判别。实验结果表明,由于采用注意力信息的识别,对背景噪声不敏感,可在极大程度上忽略由于目标提取过程中引入的复杂背景噪声,同时注意力的生成阶段对目标的姿态变化宽容度较高,可以有效克服姿态变化对识别的影响,实验结果表明,本算法受背景噪声以及目标姿态、光照变化的影响较小,具有较高的识别率。