بازشناسي انسان در سيستم‌هاي نظارت ويدئويي با بهره‌گيري از اطلاعات زاويه‌اي

People Re-Identification in Video Surveillance Systems Using Angle Information

نظارت ويدئويي هوشمند از كاربردهاي اصلي در بينايي ماشين مي‌باشد. بازشناسي انسان به عنوان بخشي از اين سيستم‌ها از اهميت ويژه‌اي برخوردار است. به‌طوري‌كه صحت عملكرد در اين بخش منجر به كارآمدي انواع الگوريتم‌هاي نظارتي مي‌گردد. فرآيند بازشناسي در منظر ناظر انساني به‌صورت آگاهانه و برپايه اطلاعات و دانش پيشين از ويژگي‌هاي سه‌بعدي پيكره انسان انجام مي‌شود. يكي از اين ويژگي‌ها اطلاعات زاويه قرارگيري شخص نسبت به دوربين است. به عبارتي ناظر انساني در مرحله تطبيق با بهره‌گيري از اطلاعات زاويه، تخميني از ظاهر شخص در زواياي مختلف خواهد داشت. در اين پژوهش نيز فرآيند مذكور مدل‌سازي مي‌گردد. بدين ترتيب در اين پژوهش، راهكاري كاملا آگاهانه براي رفع تاثيرات مخرب تغييرات زاويه‌اي شخص در فرآيند بازشناسي، ارائه شده است. براي اين منظور بخش‌هايي از پوشش بالاتنه فرد كه تحت زواياي مختلف مي‌توانند آشكار يا نهان شوند، استخراج گرديده و در مرحله تطبيق، وزن‌دهي يا نمونه‌افزايي مي‌شوند. به منظور ارزيابي و مقايسه، روش پيشنهادي بر روي دو الگوريتم از كارآمدترين الگوريتم‌هاي بازشناسي مورد استفاده قرار گرفته است. نتايج آزمايش‌هاي انجام شده بر روي مجموعه داده‌هاي ViPer، بهبود را در نرخ تشخيصِ بازشناسي نشان مي‌دهد.

Intelligent video surveillance is one of the main applications in machine vision. People reidentification as part of these systems is of particular importance. Indeed, the accuracy in this part improves the efficiency of many types of monitoring algorithms. The re-identification task in human mind is performed consciously and is based on a prior knowledge of the 3D attributes of the human body. One of these attributes is the orientation of the body relative to the camera. In other words, a human supervisor at the matching stage uses the angle information to estimate the appearance of the person at different angles. In this research, the above process is modeled. Thus, in this research, first the body orientation is automatically extracted in the image, and accordingly, upper part of the clothing is extracted, which might be hidden at different angles. Removing or resampling these areas reduces the destructive effects on the matching process. For evaluation and comparison, the proposed method was used in two of the efficient re-identification algorithms. Experiments were performed on the ViPer dataset and the results show %1.3 percent improvements in the recognition rate for 316 people.