基于步态识别的行人再标识技术研究.PDFVIP

摘要 摘要 随着城市视频监控系统规模的不断增长，如何从海量监控图像视频数据中“快速 找到想要的目标或对象”就成为视频分析与理解技术领域所面临的重大挑战。对象再 标识技术是解决这一监控视频数据中“找不到”难题的关键：它通过将多个监控摄像 头所监测到的、位于不同位置的同一个目标（如行人）关联起来，从而形成一个准确 和稳定的人体（行人）身份。基于视觉表观特征的相似性匹配是目前对象再标识技术 所采用的主要技术路线；但当视觉表观特征不可靠时（例如嫌疑人进行了化妆），基于 行为特征（如步态）的分析就成为人体再标识问题的可选解决方案。然而，由于不同 摄像机视角差异和监控场景不同，以及行人背包、携物、穿大衣等因素，导致了在不 同监控摄像机视域下行人前景剪影形态特征会产生剧烈的变化，因而基于步态识别的 行人再标识问题同样具有极大的技术挑战性。针对多角度、多协变量等复杂情况，本 ① 文 对基于步态识别的行人再标识技术进行了研究，取得的主要创新成果如下： 第一，针对训练数据缺失情况的多角度步态识别问题，提出了基于视角特征恢复 模型 （VFRM ）的步态识别算法。一般地，解决多角度步态识别问题通常需利用大量 对象所有角度的步态特征来训练角度转换模型 （VTM ）。然而在现实场景中，很难同时 采集大量对象的多个角度数据。因此，本文将这种 “多角度训练数据不完全”情况建 模为 “训练数据缺失”问题，并针对此问题提出了视角特征恢复模型 VFRM ，可以在 多角度训练数据不完全的情况下来学习得到健壮的角度转换模型VTM 。VFRM 利用基 于测地距离的K 近邻方法度量行人临近关系，并通过度量得到行人K 近邻填补对象缺 失角度下的步态特征。当应用VTM 模型到现实场景中的步态识别问题时，本文还提出 基于步态前景剪影自相关函数的步态周期提取算法，并提出步行轨迹拟合算法（WTF ） 来进行自动角度识别。在PKU 及CASIA-B 数据集上的实验结果表明，WTF 算法能够 实现高准确率的自动角度识别，且基于VFRM 的步态识别算法能在多角度训练数据不 完全的情况下实现对现实场景中的不同视角步态进行有效识别。 第二，针对存在多协变量影响的复杂场景下步态识别问题，提出了基于瑞士轮赛 制的多层排序模型。除角度变化以外，行人对象是否携包、对象衣鞋款式等多种条件 变化也会影响步态识别的准确率，本文将这些会引起步态变化进而影响识别准确率的 条件变化统称为 “协变量”。针对多种未知协变量情况下的步态识别问题，本文采用多 种特征来对行人的步态进行描述，并将步态识别建模为排序问题，即给定一个查询图 ① 本研究得到国家重点基础研究计划项目（编号：2015CB351806 ）和国家自然科学基金（编号61035001， ）资助。 I 北京大学硕士学位论文 像，以排序而非绝对分数的形式从候选图像库中返回匹配的结果。为了更好地组合不 同的特征得到更好的再标识结果，本文提出了基于瑞士轮多回合竞争模型的级联排序 算法：将一系列对应于不同特征或特征组合的排序器以级联方式进行组合，其中前面 的排序器用于快速删除大量不正确的样例，而后续的排序器则以计算开销为代价使用 更多的特征来删除不正确的样例；通过类似的多回合竞争，最终能高效地进行人体再 标识。在室内人为控制数据集CASIA-B ，室外人为控制数据集Soton Large 以及室外完 全无人为控制实际监控场景数据集PKU 三个数据集上的实验结果表明，基于瑞士轮赛 制的多层排序模型能有效提升各种不同场景下的步态识别性能。 第三，针对监控视频场景中行人再标识需求，实现了一个基于步态的行人再标识 系统。该系统包括目标对象步态特征提取和对象再标识两个子模块，目标对象步态特 征提取模块通过前景检测对象并提取目标对象剪影、步态周期和步行角度，最终融合 步态特征送入对象再标识模块。对象再标识模块在候选对象收据集中寻找与目标对象 最为匹配的前三名再标识结果，将结果显示在系统界面中以完成用户指定的再标识任 务。本文通过多个数据场景测试证明了系统良好的应用性能。 综上所述，本文针对基于步态识别的行人再标识技术所面临的两个重要问题进行了 研究，同时对基于步态识别的行人再标识技术在实际监控视频场景中的应用作了初步