[發明專利]基于稀疏編碼的監控車輛特征表示及分類方法

有效

• 申請號: 201410396296.3
• 申請日: 2014-08-12
• 公開（公告）號: CN104134068B
• 公開（公告）日: 2017-11-14
• 發明（設計）人: 陳湘軍;張杰;龍高燕
• 申請（專利權）人: 江蘇理工學院
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G08G1/01
• 代理公司: 北京三聚陽光知識產權代理有限公司11250
• 代理人: 張建綱

1.一種基于稀疏編碼的監控車輛特征表示及分類方法，其特征在于：采用稀疏特征表示車輛圖像，獲取目標圖像本質的字典基和稀疏表示，并進行特征表示及目標分類識別，包括如下步驟：

一、GMM背景建模及目標提取：通過視覺傳感方法提取監控視頻的運動目標，以GMM提取出背景，將視頻中新出現幀與所提取背景差分，得出運動目標；

二、車輛稀疏特征表示：使用L1正則限制，通過損失函數最小求解圖像的特征基向量及稀疏系數；

三、線性SVM訓練與車輛分類：將稀疏特征輸入SVM分類器，將分類錯誤的樣本重新加入到訓練集中，對字典和SVM模型進行重新訓練，經50次左右迭代，提取最佳訓練結果條件下的字典集及SVM分類模型；

在步驟一中，提取背景時，采用像素似然決策，式(1)是它的決策函數：

其中固定的閾值C>1意味著該像素點屬于背景，

車輛圖片中的像素點滿足混合高斯分布，如式(2)所示：

其中t代表更新的適應時間，代表均值估計，代表高斯分布的方差。

2.如權利要求1所述的基于稀疏編碼的監控車輛特征表示及分類方法，其特征在于：在線性車輛圖像表示中，車輛圖像X用式(3)表示：

其中W是字典系數，h是對應X的編碼向量，

W和h用式(4)損失函數得到：

在式(4)中增加正則約束項，并用L1約束，將參數W大部分值限制為0，達到稀疏編碼效果，如式(5)所示：

其中||h_i||₁是L1懲罰項，通過L1約束，λ參數可限制稀疏程序，通過訓練求出車輛圖像最優的特征基向量，并由式 (5)求出車輛圖像的稀疏編碼表示。

3.如權利要求1所述的基于稀疏編碼的監控車輛特征表示及分類方法，其特征在于：線性SVM訓練中，模型的判決參數符合凸優化問題，局部解可以作為全局最優解，對于給定的訓練集，對于給定的訓練集{x_i∈Rⁿ；y_i∈R^{0,1}}，代價函數的定義如式(6)所示：

服從

其中φ(x_i)將x_i映射到一個高維空間，并且正則化參數C>0，

最優化問題通過式(7)的對偶問題求解：

服從

其中e＝[1,...,]^T是一個全1的向量，Q是一個半正定的矩陣Q_ij≡y_iy_jK(x_i,x_j)，K(x_i,x_j)≡φ(x_i)^Tφ(x_j)是核函數，決策函數如式(8)所示：

sng(ω^Tφ(x_i)+b)＝sng(y_iα_iK(x_i,x)+b) (8)。

4.如權利要求1或3所述的基于稀疏編碼的監控車輛特征表示及分類方法，其特征在于：將分類錯誤的樣本重新加入到訓練集中，對字典和SVM模型進行重新訓練，訓練過程引入式(9)所示分類正確率計算公式，并以正確率變化率：

式(10)作為訓練終止閾值：

ε＝|correctionrate_{t_num}-correctionrate_{t_num-1}|＜10^-3 (10)

分類輸出為測試樣本標簽號。