行人再识别技术通过对监控视频中的行人进行关联分析,判断这些行人是否为同一个人,是当前视频处理技术研究的热点。由于视频中行人姿态、视角、光照、衣着变化,身体部分被遮挡和背景干扰等原因,行人再识别问题极具挑战。为解决上述问题,研究人员提出众多算法来提高再识别的准确率。传统方法将行人图像作为整体提取特征,但在不同的摄像机视角下,同一行人的整体外观通常有较大的变化。为此,有学者提出将行人图像分为多个局部部件,通过局部匹配融合的方法提高准确率。基于该思想,本文重点对局部部件的分割、局部部件的特征描述、局部部件匹配结果的融合开展研究。本文主要工作和研究成果如下:1.为了解决局部部件如何分割的问题,提出基于自适应聚类的人体局部部件分割方法。首先,利用启发式思想确定初始聚类中心,然后基于像素能量值的分布确定各类区域,最后利用改进的平方误差和作为聚类结束的评判标准。该方法根据图像内容自动确定局部部件的大小和数目,解决了局部部件分割规则缺乏指导的问题。实验结果表明,相对于其他分割方法,该方法能提高行人再识别的识别准确度。2.为了提高局部区域在行人再识别中的区分性能,提出了基于改进颜色分布场和韦伯局部特征算子的行人局部特征提取方法。首先,在采用颜色分布场对行人外观的颜色特征进行描述过程中,对分布场模型进行了改进,用K-means分析不同行人外观像素值的分布情况,构建层次自适应颜色分布场。其次,提出改进的韦伯局部特征算子表现行人外观的纹理特征。先用圆形邻域的差分激励表现图像的纹理特性;然后用Local Binary Pattern编码的方向分量表现图像边缘方向。最后,融合上述颜色分布场特征和韦伯局部特征算子特征对行人外观进行建模。实验结果表明,相对于其他特征,该特征具有更好的鲁棒性。3.为了基于各局部区域的识别结果实现行人再识别,提出基于图像间显著度和图像内显著度的局部匹配融合方法。图像间显著度描述局部部件在数据库所有局部区域中的重要程度,与训练集的组成和数量有关,具有不稳定性。而图像内显著度表示局部部件在图像中的重要程度,与训练集图像的组成和数量无关。文中分别利用归一化部分曲线下面积计算局部部件的图像间显著度和结构化支持向量机学习局部部件的图像内显著度,并融合两类显著度得到各局部部件的权重,作为匹配得分融合的依据。实验结果表明,本文的融合方法能有效提高行人再识别的准确率。