[發明專利]一種基于在線訓練的視頻運動目標分類方法與系統

有效

• 申請號: 201410228426.2
• 申請日: 2014-05-27
• 公開（公告）號: CN104050684A
• 公開（公告）日: 2014-09-17
• 發明（設計）人: 何翼;桑農;高常鑫;李冠萍;徐俊;劉海斌;劉潔
• 申請（專利權）人: 華中科技大學
• 主分類號: G06T7/20
• 分類號: G06T7/20;G06K9/66;H04N7/18
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 梁鵬

技術領域

本發明屬于模式識別技術領域，更具體地，涉及一種基于在線訓練的視頻運動目標分類方法與系統。

背景技術

在現今的監控視頻系統中，常常能夠檢測到大量的目標數據，這些目標數據通常分為行人目標和車輛目標。為了達到監控視頻系統的智能化需求，需要對行人和車輛兩種目標進行分類。運動目標分類的準確性關系到智能視頻監控系統中更高層的語義理解，因此運動目標分類技術成為視頻監控系統中一大關鍵。

現有的運動目標分類的方法主要分為兩類：(1)基于樣本或模板的方法，通過檢測圖像的局部特征形成特征向量輸入分類器完成分類過程，但是需要大量的訓練樣本，同時高維的特征向量增加了分類過程計算時間，在視頻監控系統中適應性較差；(2)基于形狀特征的方法，該方法主要是通過對當前圖像與參考圖像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。這種方法的缺陷在于：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。

發明內容

針對現有技術的缺陷，本發明的目的在于提供一種基于在線訓練的視頻運動目標分類方法與系統，旨在解決現有方法中存在的分類效果差、算法復雜度高、面對多種監控視頻進行運動目標分類適應性差等問題。

為實現上述目的，按照本發明的一個方面，提供了一種基于在線訓練的視頻運動目標分類方法，包括以下步驟：

(1)將原始視頻中的圖像序列進行分析，通過混合高斯模型建模得到圖像序列中的運動目標，將檢測到的運動目標通過基于位置特征的方法進行最近鄰關聯從而實現運動目標的跟蹤，獲得運動目標總數為TubeNum；

(2)對原始視頻中檢測到的運動目標進行特征提取，提取的特征包括對運動目標篩選后標記所需的標記特征和訓練分類器并對運動目標分類所需的分類特征：

標記特征包括速度特征V、面積特征S；

分類特征包括高寬比特征Aspect、占空比特征Empty、離散度特征Disperse、梯度方向直方圖特征；

3)將所有運動目標按速度特征V由小到大進行排序，根據速度高閾值ThHSpeed和低閾值ThLSpeed對排序后的運動目標進行篩選：

將速度特征V從大到小的ThHSpeed*TubeNum個目標標記為“車輛”目標，將速度特征V從小到大的ThLSpeed*TubeNum個目標留作步驟(4)中進行二次篩選，將其余速度特征V在速度高閾值和低閾值中間的(1-ThLSpeed-ThHSpeed)*TubeNum個目標標記為“未分類樣本”；

(4)將速度特征V從小到大的ThLSpeed*TubeNum個運動目標按面積特征S從小到大進行排序，根據面積閾值ThArea對排序后的低速度目標進行二次篩選標記：

將面積特征S從小到大的ThArea*(ThLSpeed*TubeNum)個低速度目標標記為“行人”目標，將其余低速度運動目標標記為“未分類樣本”；

(5)在分類器訓練階段，將標記為“車輛”及“行人”的運動目標設為訓練集，將訓練集中運動目標已提取的分類特征包括高寬比特征Aspect、占空比特征Empty、離散度特征Disperse和梯度方向直方圖特征組合成訓練集特征向量，將訓練集與訓練集特征向量輸入支撐向量機進行訓練，得到人車分類器；

(6)在分類器測試階段，將原始視頻中檢測到的所有運動目標作為測試集，將測試集中運動目標已提取的分類特征包括高寬比特征Aspect、占空比特征Empty、離散度特征Disperse和梯度方向直方圖特征組合成測試集特征向量，將測試集特征向量輸入人車分類器進行分類，通過判別公式得到輸出結果為“行人”與“車輛”兩類；

為了避免部分物品由于視頻場景原因被分類為“行人”或“車輛”，在分類器輸出后遍歷所有目標，根據目標外接矩形計算目標自起始至結束的質心位移參數dist以及矩形外形不變性參數repeatNum，若同時滿足位移參數dist小于位移閾值ThDist并且不變性參數repeatNum大于不變性閾值ThRepeat，則將該目標作為“物品”分類。

進一步地，步驟(2)中目標特征提取計算方法具體為：

面積特征S：通過將計數器置0，在目標最小外接矩形內，從左上角開始從上到下，從左到右掃描像素點，遇到前景像素點累加計數器即可得到。

占空比特征Empty：通過公式確定。其中，S為目標面積，RectS為目標最小外接矩形面積，RectS根據目標鏈中所有目標像素橫縱坐標的最大值和最小值確定。