[發明專利]基于目標邊緣方向的目標分類方法和系統

有效

• 申請號: 201110236999.6
• 申請日: 2011-08-18
• 公開（公告）號: CN102243706A
• 公開（公告）日: 2011-11-16
• 發明（設計）人: 車軍;張繼霞;賈永華
• 申請（專利權）人: 杭州海康威視軟件有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 上海一平知識產權代理有限公司 31266
• 代理人: 成春榮;竺云

技術領域

本發明涉及視頻圖像處理領域，特別涉及監控視頻中目標自動分類技術。

背景技術

目前，交通事故是導致行人死亡的一個主要因素之一，由于自行車騎車人和行人在交通事故中常常處于弱勢地位，一旦與機動車發生交通事故，很容易受到傷害。因此，行人檢測技術成為近年來智能分析領域研究中備受關注的研究方向，尤其對于智能交通視頻分析領域，對目標的分類和檢測，對道路的管理和交通安全有至關重要的作用，

本發明的發明人發現，目前目標分類的主要方法有如下相應不足之處：

1.背景提取和形狀模型匹配的方法，該方法主要是通過對當前圖像與參考背景的像素進行逐個做差來得到運動目標，通過運動目標與相應已知目標的形狀模型進行匹配來進行判別。然而，行人具有的多態性和車輛的多樣性決定了通過模型匹配不能達到較理想的結果。

2.應用Harr型特征的方法，該方法通過從大量訓練樣本中提取Haar型特征，對這些特征進行訓練得到強分類器，最后通過強分類器來進行目標的識別和分類。Harr型特征檢測方法成功的應用在人臉檢測，速度很快，精度較高，已經廣泛應用，但是行人檢測不同于人臉檢測，Harr特征主要是基于灰度分布的區域特征，人臉在這方面非常穩定，所以有很高的檢測精度，但應用于戶外公路行人和車輛時，由于色彩多樣，光線、天氣變化等因素影響，行人和車輛圖像在灰度分布的區域上并沒有明顯的特征，因此利用Harr特征進行分類也不能達到很好的效果。

3.利用梯度方向直方圖特征的方法，它提取了圖像中局部區域的梯度方向直方圖特征，通過對樣本中該特征進行訓練，然后用模式識別中的方法形成分類器，從而實現目標檢測和分類。但在實際應用中，根據不同的場景和不同的實際情況，相機假設的高度，角度不盡相同，因此利用分類器魯棒性不高，針對不同場景往往需要訓練相應的訓練器；在實際監控中需要實時對視頻序列進行處理，并且需要對目標進行跟蹤，利用分類器并不能很好的滿足實時的要求，并且不同視頻場景不同，無法確定統一的檢測區域，在使用上帶來不便。

所以，亟待提出一種簡單有效，適應性更強，計算量更小的目標分類方法。

發明內容

本發明的目的在于提供一種基于目標邊緣方向的目標分類方法和系統，根據目標邊緣方向分布的特征對目標進行自動分類，使得運動目標分類容易實現，準確度高，計算復雜度低，實時性強，有效區別道路上的行人和車輛，幫助高速公路管理部門對道路智能管理，預防惡性事件的發生。

為解決上述技術問題，本發明的實施方式提供了一種監控視頻中目標自動分類方法，包括以下步驟：

根據當前幀和背景圖像的差獲取當前圖像中的運動目標區域；

對運動目標區域內的圖像計算邊緣梯度方向；

對邊緣梯度方向按方向角度進行統計，得到方向直方圖；

根據方向直方圖確定運動目標的類型。

本發明的實施方式還提供了一種監控視頻中目標自動分類系統，監控視頻中目標自動分類系統，包括以下模塊：

獲取模塊，用于根據當前幀和背景圖像的差獲取當前圖像中的運動目標區域；

計算模塊，用于對獲取模塊獲取的運動目標區域內的圖像計算邊緣梯度方向；

統計模塊，用于對計算模塊計算的邊緣梯度方向按方向角度進行統計，得到方向直方圖；

分類模塊，用于根據統計模塊統計的方向直方圖確定運動目標的類型。

本發明實施方式與現有技術相比，主要區別及其效果在于：

根據目標邊緣方向分布的特征對目標進行自動分類，使得運動目標分類容易實現，準確度高，計算復雜度低，實時性強，有效區別道路上的行人和車輛，幫助高速公路管理部門對道路智能管理，預防惡性事件的發生。

進一步地，基于梯度和邊緣檢測算子的邊緣檢測方法，可以對圖像噪聲更為敏感，通過利用多高斯模型快速算法，圖像邊緣檢測大幅度地減少了不相關的數據量，使得計算量減少，節省運算代價，并且剔除了可以認為不相關的信息，保留了圖像中的運動目標區域內的圖像邊緣的結構屬性，提高檢測準確性。

進一步地，對邊緣梯度方向直方圖的歸一化處理，可以消除“角度”這一量綱縮小量值，從而簡化監控視頻中目標自動分類的計算。