从国内外当前的研究进展来看,行人识别的理论研究和实际应用已经取得了令人瞩目的成果,但仍然没有研发出一种广泛使用在各种场景下的通用识别方法,这主要是由行人的特性所决定的。行人属于非刚体,所以行人的姿态、穿着和尺度大小以及周围环境的复杂性、是否遮挡等都会对行人识别带来不同程度的难度,其难点主要表现在以下5个方面。 (1)复杂场景 复杂场景主要包括光照不均所造成的阴影目标以及雨雪大风天气等恶劣环境的影响;动态背景的影响包括波动的水流、摆动的树叶、涌动的喷泉以及转动的风扇等;识别行人时,当行人运动过慢、过快以及行人着装和周围环境相似时,都会容易造成将前景目标识别为背景,从而影响后续行人识别的准确度。另外,场景中多目标的相互遮挡以及行人尺度过小等都会给识别带来不同方面的困难。 (2)行人着装和姿态的多样化 人是属于非刚体,具有丰富的姿态特征,如坐下、站立、蹲下、骑车、躺下和拥抱等,针对不同姿态下的行人,识别算法都要具体分析,往往一个针对站立行人识别很有效的算法,可能就无法有效地识别出骑车的行人。有时候身材和着装的不同,行人的外观差异性也很大,如冬天和夏天,行人是否带围巾、眼镜、头盔和口罩,晴天和雨天,行人是否撑雨伞、穿雨衣等,一个人在不同年龄段的高矮胖瘦,衣服的颜色、穿裙子或穿裤子都会影响到头部、躯干、手部及腿部的外观。 (3)行人特征选取 常见的行人特征包括颜色特征、轮廓特征、HOG特征、Har小波特征、 Edgeley特征等,行人识别往往利用其中的一种特征或者融合其中的多个特征来联合识别行人,增加识别的准确度。但是具体需要选择哪种特征能获得比较好的识别效果,不仅与选择的特征有关,还与采用的算法、场景的复杂性、行人运动的特性,甚至和摄像头获取视频序列的属性都有关,所以很难用某种特征或通用的算法来解决行人识别问题。
(4)行人目标遮挡 行人目标遮挡是行人识别中比较难解决的问题,行人遮挡不仅表现在行人被场景内的静态物体部分遮挡或全遮挡,还表现在行人目标间的相互遮挡以及全遮挡等。遮挡极易造成行人目标信息的丢失,造成误检或漏检,从而影响识别的准确性,给后续的行人跟踪、识别带来巨大挑战。为了减少行人目标遮挡带来的歧义性,必须正确处理遮挡时所获取的特征与行人目标间的对应关系。
(5)行人识别窗口自适应调整问题 在摄像头所获取的视频帧中,当行人目标与摄像头的距离发生变化时,往往导致视场内行人的尺寸也会发生相应的变化。
在识别过程中,如何有效地调整行人识别窗口的大小,使之更符合行人尺寸大小,
是保证行人识别算法鲁棒性的重要指标,同时也是保证后续跟踪、识别算法提取更加准确信息的有力保障。
目前,行人识别方法主要有基于特征分类的行人识别方法、基于模型的行人识别方法、基于运动特性的方法、基于形状模型的方法、基于模板匹配的方法以及基于统计分类的方法等。
(1)基于特征分类的行人识别方法 基于特征分类的识别方法着重于提取行人特征,然后通过特征匹配来识别行人目标,是目前较为主流的行人识别方法,主要有基于HOG特征的行人识别方法、基于Har小波特征的行人识别方法、基于 Edgeley特征的行人识别方法、基于形状轮廓模板特征的行人识别方法、基于部件特征的行人识别方法等。
(2)基于模型的行人识别方法 基于模型的识别方法是通过建立背景模型识别行人,常用的基于背景建模的行人识别方法有混合高斯法、核密度估计法和Codebook法。
3)基于运动特性的方法 基于运动特性的行人识别就是利用人体运动的周期性特性来确定图像中的行人。该方法主要针对运动的行人进行识别,不适合识别静止的行人。基于运动特性的识别方法中,比较典型的算法有背景差分法、帧间差分法和光流法。
(4)基于形状模型的方法 基于形状模型的行人识别主要依靠行人形状特征来识别行人,避免了由于背景变化和摄像机运动带来的影响,适合于识别运动和静止的行人。
(5)基于模板的匹配方法 基于模板匹配的行人识别是通过定义行人形状模型,在图像的各个部位匹配该模型以找到目标,建立的行人形状模型主要有线性模型、轮廓模型以及立体模型等。
(6)基于统计分类的方法 基于统计分类的行人识别是从样本中训练得到人分类器,利用该分类器遍历图像各窗口进行判别,训练是离线进行的,不占用识别时间,分类器具有鲁棒性。
