劉艷麗+張紀(jì)民

摘要：伴隨著城鎮(zhèn)化的加速發(fā)展和人口的急速增加，城市的犯罪案件也有不斷上升的趨勢，如何在案件發(fā)生的第一時間跟蹤目標(biāo)行人的運(yùn)動軌跡，從而快速鎖定搜索范圍，提高偵查的效率顯得至關(guān)重要，融合HSV顏色模型和SURF算法的特點(diǎn)，選取VIPeR數(shù)據(jù)庫中的圖像進(jìn)行識別，在準(zhǔn)確度和測試時間上都有明顯的提高。

關(guān)鍵詞：SURF算法；HSV顏色模型；行人重識別

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2016）22-0167-02

隨著城市的現(xiàn)代化發(fā)展的步伐，越來越多的攝像頭出現(xiàn)在各個城市，它們時刻關(guān)注著人們在公共場所的一舉一動。英國是最早建立并使用視頻監(jiān)控系統(tǒng)的國家，如今歐美國家已經(jīng)在公共場所建立了一系列視頻監(jiān)控[1]，如地鐵站，每隔幾米就有1-2個攝像頭，為居民的人身安全提供了重要的保障。2005年9月我國公安部正式啟動城市聯(lián)網(wǎng)報警與監(jiān)控系統(tǒng)建設(shè)，正式啟動城市聯(lián)網(wǎng)報警與監(jiān)控系統(tǒng)建設(shè)，在全國推行“平安城市”建設(shè)。當(dāng)今城鎮(zhèn)化的快速發(fā)展，使得社會治安變的日趨復(fù)雜，公共安全問題不斷凸顯。目前我國的在刑事案件偵破中，以人力搜捕為主，視頻監(jiān)控為輔的模式，大大地影響了工作效率，同時也耗費(fèi)了很多的人力和物力。如何充分利用視頻監(jiān)控系統(tǒng)，建立對目標(biāo)人物的快速定位、跟蹤和追捕的偵查系統(tǒng)顯得尤為重要。本課題研究如何快速地在事件發(fā)生后，對目標(biāo)行人的運(yùn)動軌跡進(jìn)行定位，使公安部門及時鎖定目標(biāo)人物的方位，從而有效地減少搜索范圍，從而減少人力和物理的浪費(fèi)。

當(dāng)前，已有的行人重識別方法是基于特征描述和基于距離度量方法，這兩種方法分別從圖像的兩個方面進(jìn)行識別，存在訓(xùn)練時間長，復(fù)雜度高，存儲開銷大的問題。針對這些問題，本文提出一種基于SURF的行人重識別方法。首先在HSV顏色空間對行人圖像進(jìn)行初次識別，建立備選圖像集，然后使用SURF算法對備選圖像集提取特征點(diǎn)，進(jìn)行精確識別。

1 HSV顏色模型建立備選圖像集

一般，通過攝像機(jī)獲得的圖像是RGB顏色模型，而RGB顏色模型容易受到強(qiáng)光，弱光，陰影等因素的影響，使它的穩(wěn)定性受到影響，并且是面向硬件的，不是面向用戶的。1978年A. R. Smith在創(chuàng)建了HSV顏色模型[2]， 也稱六角錐體模型（Hexcone Model），HSV是基于人的眼睛對色彩的識別，是一種從視覺的角度定義的顏色模式。將色彩分解為色調(diào)，飽和度及亮度，是一種針對用戶觀感的顏色模型。RGB轉(zhuǎn)換到HSV顏色空間的關(guān)系如上。

因?yàn)槟繕?biāo)行人在不同的攝像頭下獲得的圖片亮度會有些差異，為了提高檢測的準(zhǔn)確性和效率，舍棄圖像中表示亮度的V特征，只提取圖像的H和S特征，由于HSV顏色空間中的顏色比較豐富，本文只提取圖像中出現(xiàn)頻率超過50%顏色的H和S特征，并且選取圖像橫向20%-80%，縱向20%-40%作為上衣的特征提取區(qū)域；選取像橫向30%-70%，縱向55%-65%作為褲子的特征提取區(qū)域[3]如圖1，顏色特征提取流程如圖2：

2基于SURF的特征點(diǎn)提取

SURF算法是SpeededUp Robust Features的縮寫，就是“加速版的具有魯棒性的特征“算法，由Bay在2006年首次提出。SURF是尺度不變特征變換算法（SIFT算法）的加速版[4]。在多幅圖片下具比SIFT更好的穩(wěn)定性。因?yàn)椴捎昧薶arr特征以及積分圖像的概念，使程序的運(yùn)行時間顯著的提高。

2.1提取特征點(diǎn)

對圖像中每一個像素點(diǎn)，可以求出Hessian矩陣，如下：

由于提取出的特征點(diǎn)需要具備尺度無關(guān)性，所以在進(jìn)行Hessian矩陣構(gòu)造前，需要對其進(jìn)行高斯濾波。這樣，經(jīng)過濾波后在進(jìn)行Hessian的計算，其公式如下：

H矩陣的特征值就是判別式的值，根據(jù)判別式的值的正負(fù)，來判斷該點(diǎn)是否為極值點(diǎn)。

det（Happrox）=DxxDyy-（0.9Dxy）2

2.2特征點(diǎn)描述

統(tǒng)計特征點(diǎn)領(lǐng)域內(nèi)的harr小波特征，得到最大的harrx和最大的harry，組成了主方向向量。在特征點(diǎn)周圍取一個正方形框，框的邊長為20s（s是所檢測到該特征點(diǎn)所在的尺度）。該框方向當(dāng)特征點(diǎn)的主方向。然后把該框分為16個子區(qū)域，每個子區(qū)域統(tǒng)計25個像素的水平方向和垂直方向的haar小波特征。該haar小波特征為水平方向值之和，水平方向絕對值之和，垂直方向之和，垂直方向絕對值之和。每個小區(qū)域就有4個值，所以每個特征點(diǎn)就是16*4=64維的向量。

2.3特征點(diǎn)匹配

取一幅圖像中的一個SIFT關(guān)鍵點(diǎn)，并找出其與另一幅圖像中歐式距離最近的前兩個關(guān)鍵點(diǎn)，在這兩個關(guān)鍵點(diǎn)中，如果最近的距離除以次近的距離得到的比率ratio少于某個閾值T，則接受這一對匹配點(diǎn)，ratio取值在0. 4～0. 6 之間最佳。

3實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)采用VIPeR數(shù)據(jù)庫，VIPeR數(shù)據(jù)庫中的圖像有873幅，是從戶外兩個不同的攝像頭下獲得，在戶外光線、拍攝視角、人物背景等方面都發(fā)生了變化，庫中圖像大小歸一化為128X48像素。下面以一組圖像為例進(jìn)行識別，如圖3。

圖像3左邊的圖像來自A攝像頭，在經(jīng)過HSV顏色空間篩選后，在右側(cè)B攝像頭獲得的873幅圖像中獲得35幅圖像作為備選圖像，利用SURF算法后獲得的特征點(diǎn)的主向量和方向如下圖4，匹配結(jié)果如圖5：

從圖5可以看出，同一人的匹配對數(shù)和正確率都比較高，不同人的匹配對數(shù)和這確率則較低。從圖6可以看出，基于SIFT算法的匹配對數(shù)和正確率都明顯比SURF算法的低。在VIPeR數(shù)據(jù)庫中抽取20對圖像進(jìn)行測試結(jié)果顯示，SURF算法的正確率明顯提高，且檢測的時間有效地減少，所以本實(shí)驗(yàn)?zāi)苡行У靥岣邔π腥说淖R別效率和準(zhǔn)確度。

參考文獻(xiàn)：

[1] 賴銀漢，周軍 英國視頻監(jiān)控系統(tǒng)建設(shè)情況考察報告[J]. 廣東公安科技， 2006（1）：102-104.200.

[2] 蔡式東 一種基于HSV空間和粗糙集的彩色圖像分割方法[J]. 光電子技術(shù)2011，1（31）：5-9.

[3] 彭志勇 基于HSV模型和特征點(diǎn)匹配的行人重識別算法[J]. 光電子.激光2015，8（26）：1575-1581.

[4] 王鐵建，劉艷麗 基于加速魯棒特征的廣角圖像自動拼接矯正算法[J]. 計算機(jī)應(yīng)用 2012，32（9）：2576-2579.