[發明專利]基于快速相似性網絡融合算法的在線目標分類方法與系統

有效

• 申請號: 201510073405.2
• 申請日: 2015-02-11
• 公開（公告）號: CN104680193B
• 公開（公告）日: 2018-05-04
• 發明（設計）人: 張重陽;盧賢龍
• 申請（專利權）人: 上海交通大學
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 上海漢聲知識產權代理有限公司31236
• 代理人: 徐紅銀,郭國中

技術領域

本發明涉及的是一種在線目標分類方法與系統，具體地說，涉及的是一種基于快速相似性網絡融合算法的在線目標分類方法與系統。

背景技術

隨著社會政治與經濟的高速發展，伴隨著越來越多的社會事件及犯罪的發生，視頻監控受到的關注程度在不斷提高，視頻目標分類的研究對于安防監控領域具有重大的現實意義。

現有的目標分類方法之中，一些方法使用形狀與運動信息進行分類，這類方法的速度相對較快，但是，其魯棒性也受到限制，因為目標在視頻中的形狀會隨著視角而發生變化，目標分類準確性差；另一類方法考慮使用標定的數據與大量未標定數據之間的關系，雖然提高了目標分類的準確性，但是分類速度慢、效率低。

現有研究中，在論文《Online Video Object Classification Using FastSimilarity Network Fusion》中作者提出一種新的基于圖的快速數據融合方法，快速相似性網絡融合?？焖傧嗨菩跃W絡融合方法快速計算并融合從不同特征數據中獲得到相似性網絡，充分發揮不同特征之間的互補性，用于半監督學習。該快速相似性網絡融合方法具有以下優點：1.基于較少量的標定樣本；2.在不同尺度、噪聲的情況下都有良好的表現；3.可充分發揮不同類型特征數據之間的互補性4.在線分類問題中具有較高的分類速度。

基于快速相似性網絡融合算法的以上優點，適用于目標在線分類。目前沒有發現同本發明類似技術的說明或報道，也尚未收集到國內外類似的資料。

發明內容

本發明基于現有算法中的快速相似性網絡融合算法，實現一種用于在線目標分類功能的在線目標分類方法與系統，通過在在線目標分類系統中加入反饋標注訓練模塊，使在線目標分類系統在不同監控場景下，有針對性地強化分類器，達到更好的分類性能，實現快速且高效的在線目標分類，有效地提升了在線分類中的分類準確度。

為實現上述目的，本發明是通過以下技術方案實現的。

根據本發明的一個方面，提供了一種基于快速相似性網絡融合算法的在線目標分類系統，包括：視頻預處理模塊、快速相似性網絡融合分析模塊以及反饋標注訓練模塊；其中：

所述視頻預處理模塊，用于提取視頻前景目標作為初始訓練樣本集，并提取初始訓練樣本集內目標的圖像特征，發送至快速相似性網絡融合分析模塊；

所述快速相似性網絡融合分析模塊，用于對目標的圖像特征進行融合，依據融合后的相似性矩陣，對初初始訓練樣本集內目標間相似程度進行分析，挑選出難以分類的樣本，發送至反饋標注訓練模塊；

所述反饋標注訓練模塊，用于對難以分類的樣本進行人工標定，并將人工標定后的樣本返回至視頻預處理模塊，對初始訓練樣本集進行更新。

優選地，所述難以分類的樣本包括：模糊樣本和/或錯誤分類樣本。

優選地，所述始訓練樣本集內目標的圖像特征包括HOG特征和SIFT特征。

根據本發明的另一個方面，提供了一種基于快速相似性網絡融合算法的在線目標分類方法，包括如下步驟：

基于快速相似性網絡融合分析，對初始訓練樣本集內目標的圖像特征分別構建相似性矩陣并進行快速融合；通過對相似性網絡融合后矩陣進行分析，一方面進行分類判決，另一方面選擇出難以分類的樣本形成更新樣本庫；通過反饋標注訓練模塊，對更新樣本庫進行人工標定，將更新樣本庫內人工標定后的樣本加入初始訓練樣本集，更新初始訓練樣本集并重復快速相似性網絡融合分析過程，生成新的分類器。

優選地，所述初始訓練樣本集通過以下方式提取：

通過視頻源預處理模塊，采用高斯背景建模首先提取視頻前景目標，作為初始訓練樣本集，并進行自動化篩選，提取目標的圖像特征；

所述自動化篩選為：對于檢測到的視頻前景目標，依據目標的寬高數據及寬高比屬性進行自動化篩選。

優選地，所述快速相似性網絡融合分析具體為：

通過快速相似性網絡融合模塊，采用快速相似性網絡融合算法對初始訓練樣本集內目標的圖像特征進行特征融合，依據融合后的相似性矩陣，對初始訓練樣本集內目標間相似程度進行分析，挑選出難以分類的樣本。

優選地，所述對初始訓練樣本集內目標間相似程度進行分析具體為：

對于融合后的矩陣，采用label propagation的方法進行標簽傳遞，對傳遞結果預測矢量中的最大標量與次大標量進行比較，確定目標是否難以分類；分析規則如下：

If：max(l_predict)-second(l_predict)＞thres