BOF特征提取算法的改進及在行人再識別問題上的應用研究.pdf

1、隨著社會經(jīng)濟的日益發(fā)展，人們安全意識的日益提高，大量的監(jiān)控攝像頭被安裝到公共場所用于日常安全監(jiān)控。面對海量增長的監(jiān)控視頻數(shù)據(jù)，人工早已無法應對，利用計算機技術對視頻數(shù)據(jù)自動識別和處理的需求應運而生。在監(jiān)控視頻中，人向來是被重點關注的對象。行人再識別問題是指，在光照、攝像頭監(jiān)控環(huán)境以及行人姿態(tài)等條件會發(fā)生變化的前提下，如何確認不同位置的攝像頭在不同時刻發(fā)現(xiàn)的目標是否為同一個人。這對于刑事案件偵查破解、公共場合尋找丟失的小孩、行人的檢索、個

2、人相冊管理、多攝像機行人跟蹤和行為分析、電子商務等領域都具有重要的研究意義。
　　行人再識別問題是圖像處理、計算機視覺領域最具挑戰(zhàn)性的問題之一。行人再識別問題之所以具有挑戰(zhàn)性，主要有兩個方面的因素，第一，其處理流程非常復雜。行人再識別的總體流程首先是前景提取，即將待處理的行人從圖像背景中分離出來；然后針對前景提取有辨別力的特征（如顏色、紋理或者超像素特征等），并對提取的特征進行有效融合；最后通過相似性度量判別兩幅行人圖像是否為同一

3、個人。任何一步出現(xiàn)問題，都會影響最終的識別效果。第二，其處理過程面臨諸多的挑戰(zhàn)。由于不同監(jiān)控環(huán)境下攝像頭參數(shù)不同，行人外貌特征會發(fā)生變化，視頻圖像的傳輸過程可能會受到干擾，拍攝環(huán)境以及光照等也會發(fā)生變化，使得最終的識別準確度通常不高。
　　針對上述問題，本論文提出了改進的BOF（Bag of Feature）特征提取算法，并融合協(xié)方差描述符，應用于行人再識別問題中。本論文的主要工作與創(chuàng)新如下：
　　首先，針對BOF算法的缺點

4、，通過SURF(Speeded Up Robust Feature)算法來對其進行改進。SURF算法提取圖像初步的特征描述符并生成視覺詞典，應對光照、尺度不變等影響因素，并通過 PCA降維來降低算法復雜度，提高運行效率，以及解決存儲要求過高的問題。結合提取的SURF特征和K-Means聚類，對圖像劃分多層，應用空間金字塔匹配原理對生成的視覺詞典進行直方圖表示，充分利用圖像的空間信息，以提高行人再識別匹配分類的準確度。
　　其次，結

5、合了LIBSVM改進BOF算法，設計出了有效的分類器。通過改進的BOF算法提取出的高魯棒性特征，使用高效的LIBSVM分類器融入到行人再識別算法中，提高了行人再識別的效率。
　　再次，加入?yún)f(xié)方差描述符的構造方法，提高特征魯棒性。通過使用SURF算法以及空間金字塔匹配原理代替簡單的顏色、梯度等特征，不僅保留了改進的BOF算法對于特征提取的優(yōu)點，也同時加入了協(xié)方差描述符高魯棒性的優(yōu)點。通過LIBSVM進行最后的行人再識別的匹配驗證，對