技術領域

本發明屬于模式識別和計算機視覺領域，特別是一種用于人體重現檢測的人體表觀模型的學習系統及方法。

背景技術

所謂人體重現檢測，就是給定一個人某一時刻在一個攝像機下的圖像幀(帶有該人的人體檢測窗口)，尋找所有其他時刻在當前攝像機或其他攝像機下該人出現過的圖像幀/序列。人體重現檢測可以通過提取當前觀察人體的表觀模型，以模型比對的方式從其它時刻在相同或不同攝像機捕獲的圖像幀中尋找能夠很好的匹配該表觀模型的人來完成。由于人體重現檢測系統通常面臨著人體姿態、視角、光照等多種因素變化的影響，以及多人遮擋、飾物佩戴(如帽子、背包)等眾多實際問題，因此如何建立一個魯棒的人體表觀模型，是人體重現系統中的重要步驟。

其中，特征提取和分類器的設計是表觀建模的兩個核心問題。傳統的人體特征提取方法主要有，全局顏色直方圖、最大顏色穩定區域特征、梯度直方圖、和Bag-of-words等，且均屬于底層語義特征表示方法。通常，同一個人體在不同視角下的表觀特征會有所不同，例如當一個人攜帶背包時，正面和背面會有較大的差異。而底層特征表示受視角影響很大，不同視角下人體的顏色、梯度等分布通常差異極大，因此直接通過計算特征之間的相似度來判斷幾個人體檢測結果是否是同一個人通常都不準確。基于此，提取更加魯棒高層語義特征，如背包、帽子、人體性別等屬性特稱成為特征提取的一個重要的解決方案。

在分類器設計方面，出于系統實際應用需要，需要動態的記錄和更新場景中活動的人體，分類器的學習應該是一個在線學習的過程。傳統的方法通常找一些背景部分作為反例樣本，這使得學習到的表觀模型在區分不同人體方面，能力較弱。根據人體表觀模型的差異，設計有效的策略來在線選擇正例和反例訓練樣本，是提高在線學習分類器在每一個時刻分類準確度的關鍵因素。由于視頻數據具有顯著的時空特性，于是，本發明通過挖掘時空限制建立更有效的正反例數據提取方法來提高分類器的效率。

發明內容

為解決上述問題，本發明提供了一種用于人體重現檢測的人體表觀模型的學習方法及系統，由于，通常同一個人體在不同視角下的表觀特征會有所不同，例如當一個人攜帶背包時，正面和背面會有較大的差異。而底層特征表示受視角影響很大，不同視角下人體的顏色、梯度等分布通常差異極大，因此直接通過計算特征之間的相似度來判斷幾個人體檢測結果是否是同一個人通常都不準確。基于此，提取在視角和光照等環境因素變化下具有不變性的，并具有語義含義的特征，如背包、帽子、人體性別等屬性特稱成為特征提取的一個重要的解決方案。

傳統的人體重現方法通常找一些背景部分作為反例樣本，這使得學習到的表觀模型在區分不同人體方面，能力較弱。根據人體表觀模型的差異，設計有效的策略來在線選擇正例和反例訓練樣本，是提高在線學習分類器在每一個時刻分類準確度的關鍵因素。由于視頻數據具有顯著的時空特性，于是，本發明通過挖掘時空限制建立更有效的正反例數據提取方法來提高分類器的效率。所述分類器是一個統計模型，輸入為提取的人體表示數據(及特征)，輸出是其對應的類別標簽。

本發明公開一種用于人體重現檢測的人體表觀模型的學習方法，包括如下步驟：

步驟1，在視頻幀的檢測窗口中提取人體表觀特征，建立人體表觀描述子；

步驟2，基于時空約束信息提取正例和反例人體表觀描述子，用于訓練人體表觀模型。

所述的用于人體重現檢測的人體表觀模型的學習方法，步驟2中還包括：

以同時在線的人體的人體表觀模型的更新和/或以在線和離線人體的人體表觀模型的更新。

所述的用于人體重現檢測的人體表觀模型的學習方法，所述步驟2時空約束信息還包括：

步驟31，以所述檢測窗口內的人體表觀特征作為正例；

步驟32，從所述檢測窗口之外位置的窗口中提取人體表觀特征作為反例，訓練人體表觀模型。

所述的用于人體重現檢測的人體表觀模型的學習方法，所述同時在線的人體表觀模型的更新，還包括：

步驟41，同時出現在視頻幀中的人體表觀特征，互為其對應的人體表觀模型的反例訓練數據；

所述的在線和離線的人體表觀模型的更新，還包括：

步驟42，當前活躍人體表觀模型對應的人體表觀特征作為用于更新非活躍人體表觀模型的反例訓練數據。

所述的用于人體重現檢測的人體表觀模型的學習方法，所述步驟1還包括：

步驟51，增加人體屬性信息作為人體表觀特征的一部分；

步驟52，將通過視頻幀識別的人體屬性信息與人體的形狀、顏色特征連接生成完整的人體表觀特征。