專利名稱:一種智能交通監(jiān)控中車輛和行人的目標(biāo)分類方法
技術(shù)領(lǐng)域:
本發(fā)明屬于數(shù)字圖像處理技術(shù)領(lǐng)域,具體涉及一種智能交通監(jiān)控中車輛和行人的目標(biāo)分類方法,對輸入的交通視頻中的運動目標(biāo)正確分類;主要應(yīng)用于高速公路、紅綠燈處和各治安卡口,對出現(xiàn)的目標(biāo)進行分類。
背景技術(shù):
智能視頻監(jiān)控就是實時地觀測被監(jiān)視場景的運動目標(biāo),并且分析其行為,在一定條件下給予報警。視頻監(jiān)控系統(tǒng)能對場景中的目標(biāo)行為進行分析判斷,目標(biāo)分類是目標(biāo)行為理解中非常重要的一步,為了讓一個計算機正確分析目標(biāo)行為,需要對目標(biāo)進行分類,如交通系統(tǒng)中,需要先判斷目標(biāo)是行人還是車輛等。運動目標(biāo)分類是指從視頻序列中分割出運動目標(biāo)、提取運動目標(biāo)的特征、并用訓(xùn)練好的分類器進行圖像分類識別的過程。目標(biāo)分類的關(guān)鍵在于兩個方面第一,特征向量的選?。坏诙?,分類器的構(gòu)造。因此選擇一組可靠、獨立且具有辨認(rèn)能力的特征向量是目標(biāo)分類的前提條件。在智能交通視頻監(jiān)控系統(tǒng)中,主要的運動目標(biāo)為行人和車輛,因此準(zhǔn)確地將行人和車輛分類,對于及時跟蹤分析這些目標(biāo)的特征,預(yù)測目標(biāo)行為都有非常重要的作用。識別分類系統(tǒng)中運動物體的特征空間的表達問題是實現(xiàn)其有效分類的必要前提, 特征的表達是一個逐步優(yōu)化的過程,包括特征選擇和特征提取。特征選擇是指對原始數(shù)據(jù)進行抽取,抽取那些對區(qū)別不同類別最為重要的特征,而舍去那些對分類并無多大貢獻的特征,得到能夠反映分類本質(zhì)的特征。例如,運動目標(biāo)的顏色紋理、物理特性、運動狀態(tài)等信息,這樣可以充分利用各種有用的信息,并從中選取最合適的一個或幾個特征作為分類指標(biāo)。特征提取是通過一種映射變換改造原來的特征空間,通過變換實現(xiàn)降維,并能夠使分類效果更加理想。目前,常用的目標(biāo)分類法是采用支持向量機(SVM)進行分類,支持向量機主要用于解決小樣本、非線性以及高維識別等分類問題,屬于機器學(xué)習(xí)方法,根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷,以期獲得最好的推廣能力。這種方法是從訓(xùn)練集中選擇一種特征子集,使得對特征子集的線性劃分等價于對整個數(shù)據(jù)集的分割。支持向量機能很好地解決有限數(shù)量樣本的高維模型的構(gòu)造問題,而且所構(gòu)造的模型具有很好的預(yù)測性能。但是支持向量機分類存在以下缺點每次訓(xùn)練時都要對所有的訓(xùn)練樣本進行訓(xùn)練,導(dǎo)致訓(xùn)練時間增加、訓(xùn)練速度下降,從而使整個目標(biāo)分類的時間延長,精度下降。
發(fā)明內(nèi)容
本發(fā)明目的是為克服上述技術(shù)的不足,采用改進的支持向量機目標(biāo)分類方法,可以對交通監(jiān)控中提取出的車輛和行人圖像運動目標(biāo)進行精確分類,具有更快的訓(xùn)練速度和更高的分類效率。本發(fā)明采用的技術(shù)方案是包括如下步驟(1)從采集到的視頻圖像序列里提取出N個訓(xùn)練樣本作為待測試視頻序列建立訓(xùn)練模型,采用常用的
3支持向量機分類器對N個訓(xùn)練樣本進行訓(xùn)練,將訓(xùn)練樣本中的車輛樣本類 ^ ,非車輛樣本類瓦作為輸入樣本訓(xùn)練車輛分類器H1 ,同時將訓(xùn)練樣本中的行人樣本
類頭,非行人樣本類石作為輸入樣本訓(xùn)練行人分類器^i2,用這2個分類器對運動目標(biāo)
進行分類,得到車輛和行人的初始樣本庫;(2)將訓(xùn)練樣本隨機分為M個子集,根據(jù)所述初始樣本庫中的運動目標(biāo)前景,分別提取運動目標(biāo)的樣本特征組成特征向量,將所組成的特征向量輸入到支持向量機分類器,對訓(xùn)練樣本的M個子集依次進行測試并分類,取M次測試中分類正確率的平均值,驗證分類器的準(zhǔn)確度,將每次測試得到的分類正確率與此平均值比較,選取最接近該平均值的一個子集作為車輛和行人的最終樣本庫,構(gòu)成一個改進的支持向量機分類器;(3)采用DSP數(shù)字信號處理器對采集的運動目標(biāo)視頻幀序列進行檢測,提取最新收到的前景幀并進行二值化處理得到的運動目標(biāo)的樣本特征,組成這幀運動目標(biāo)前景的特征向量,并將其輸入所述改進的支持向量機分類器,改進的支持向量機分類器將輸入的這幀運動目標(biāo)前景的特征向量和最終樣本庫對比,對運動目標(biāo)進行最終分類。本發(fā)明在構(gòu)造支持向量機分類器訓(xùn)練樣本時,首先從采集到的視頻圖像序列里選擇具有不同樣本特征的樣本數(shù)據(jù),確保了訓(xùn)練樣本的多樣性,然后對訓(xùn)練樣本子集進行測試,驗證訓(xùn)練樣本分類器的準(zhǔn)確度,即得到訓(xùn)練好的改進的支持向量機分類器,最后對從采集到的視頻圖像序列中提取出的運動目標(biāo)利用改進的支持向量機分類器進行分類。本發(fā)明無需對所有的訓(xùn)練樣本進行訓(xùn)練,縮短了分類時間,實現(xiàn)了運動目標(biāo)的精確分類,同時具有較高的識別分類率。
圖1是訓(xùn)練樣本構(gòu)造改進的支持向量機分類器的流程圖2是采用訓(xùn)練好的改進的支持向量機分類器對運動目標(biāo)分類的流程圖。
具體實施例方式本發(fā)明用改進的支持向量機分類方法對檢測到的運動目標(biāo)進行分類,將分類結(jié)果輸出判別,也可產(chǎn)生報警信號。本發(fā)明的實現(xiàn)過程分為兩大步驟,第一步是對樣本進行訓(xùn)練,構(gòu)造改進的支持向量機分類器;第二步是提取運動目標(biāo)的樣本特征,利用第一步得到的改進的支持向量機分類器進行分類。具體如下
如圖1所示,從采集到的視頻圖像序列里提取出N個訓(xùn)練樣本作為待測試視頻序列建立訓(xùn)練模型(S101),這N個訓(xùn)練樣本中包含車輛線類、行人^類這兩類樣本。定
義訓(xùn)練樣本集ihJ = 1.2,3.^ 中的每個樣本都屬于車輛而類和行人&類這兩類中
的一類,相應(yīng)的標(biāo)記為巧=±1,仏是類別標(biāo)號,i為訓(xùn)練的每個樣本。判別函數(shù)表示為
/( )=於,其中α是函數(shù)的廣義參數(shù),於為閾值,ere Rd,應(yīng)eR,R表示實數(shù),
Rd表示實數(shù)的子集訓(xùn)練樣本滿足判別函數(shù),線性可分,判決規(guī)則如下對樣本判決函數(shù) /( ) >0時,有^ =+1卯練樣本則判別為車輛各類;對于判決函數(shù)/U) <0的訓(xùn)練樣
本,有巧1,訓(xùn)練樣本則判別為行人類。對于所有的訓(xùn)練樣本,若巧^cCai ^ +歷> O,則訓(xùn)練樣本被正確分類。采用常用的支持向量機分類器對N個訓(xùn)練樣本進行訓(xùn)練(S102),得到車輛和行人的初始樣本庫。訓(xùn)練方法如下將訓(xùn)練樣本中的車輛樣本作為類而,非車輛樣本作為類瓦, 將這些樣本作為輸入樣本來訓(xùn)練車輛分類器STM1,得到相應(yīng)的分類平面,用來區(qū)分車輛類與非車輛類。同時,將訓(xùn)練樣本中的行人樣本作為類《,非行人樣本作為類石,將這些樣本
作為輸入樣本來訓(xùn)練行人分類器S^V2,得到相應(yīng)的分類平面,用來區(qū)分行人類與非行人
類。訓(xùn)練時保留具有明顯反映車輛和行人分類本質(zhì)特征的樣本,剔除那些攜帶的特征對分類無多大貢獻的樣本。這樣,訓(xùn)練得到車輛分類器SW1和行人分類器< ^2這2個分類器,用來對運動目標(biāo)進行分類。這2個分類器對運動目標(biāo)分類方法是若一個分類器SFMi ¢ = 1, 將運動目標(biāo)分類到相應(yīng)的類ι中,另一個分類器將其分到相應(yīng)的類=中,則判斷此目標(biāo)屬于類爲(wèi)。若2個分類器同時將該運動目標(biāo)分到相應(yīng)的類馬中,則判斷為錯誤分
類。若兩個分類器都將目標(biāo)分到相應(yīng)的類瓦,則說明此目標(biāo)不屬于這兩類中的任何一類,
屬于其他。這樣,就得到了車輛和行人的初始樣本庫,此時車輛和行人的初始樣本庫中樣本的個數(shù)為K個(K<N)。根據(jù)車輛和行人的初始樣本庫中的運動目標(biāo)前景,分別提取運動目標(biāo)的樣本特征組成特征向量(S103),這里特征向量主要是選取運動目標(biāo)的圖像平面速度(像素/秒)、輪廓邊緣、不變矩、形狀特征、長寬比、幀間變化率等,其中圖像平面速度在目標(biāo)的運動跟蹤過程中提取。將所組成的特征向量輸入到支持向量機分類器進行訓(xùn)練(S104),只對訓(xùn)練樣本的子集進行訓(xùn)練,訓(xùn)練樣本的子集是將步驟S102中的訓(xùn)練樣本隨機的分為M等分,得到M個子集,對所有子集依次進行測試和分類,進行測試的分類器模型可通過訓(xùn)練其余的M-I個子集得到,重復(fù)M次,取M次測試中分類正確率的平均值,驗證訓(xùn)練樣本分類器的準(zhǔn)確度。將每次測試得到的分類正確率與此平均值比較,選取最接近該平均值的一個子集作為車輛和行人的最終樣本庫,這樣一個改進的支持向量機分類器就訓(xùn)練好。其中,測試的過程就是對
子集進行分類的過程,對子集進行分類方法如下若分類器Hi 0 = 12)將目標(biāo)分類到相應(yīng)的類J,中,另一個將其分到相應(yīng)的類^C/= Ufij5^)中,則判斷此目標(biāo)屬于爲(wèi)類。若同時有兩個SVM將該目標(biāo)分到相應(yīng)的類Si中,則判斷為錯誤分類。若兩個SVM都將目標(biāo)分到
相應(yīng)的頭—則說明此目標(biāo)不屬于這兩類中的任何一類,屬于其他。如圖2所示,對運動目標(biāo)進行分類時,先采用DSP數(shù)字信號處理器對采集的運動
目標(biāo)視頻幀序列進行檢測(S201 ),根據(jù)最新收到的運動目標(biāo)前景幀對其進行二值化處理,
得到二值化后的運動目標(biāo)前景(S202),提取二值化后的運動目標(biāo)前景的運動目標(biāo)的樣本
特征(S203),組成這幀運動目標(biāo)前景的特征向量,并將其輸入到上述訓(xùn)練好的改進的支
持向量機分類器,利用訓(xùn)練好的改進的支持向量機分類器對運動目標(biāo)進行分類(S204)。改進的支持向量機分類器根據(jù)輸入的運動目標(biāo)的的特征向量,對比分類器的運動目標(biāo)的最終樣本庫,對比后得到屬于哪一類運動目標(biāo),也就實現(xiàn)了運動目標(biāo)的分類。分類方法如下若Sraii ¢ = ^)將目標(biāo)分類到相應(yīng)的類兩中,另一個SVM將其分到相應(yīng)的類
= W且J 中,則判斷此目標(biāo)屬于兩類;若同時有兩個SVM將該目標(biāo)分到相應(yīng)的類
Si中,則判斷為錯誤分類;若兩個SVM都將目標(biāo)分到相應(yīng)的,則說明此目標(biāo)不屬于這兩類中的任何一類,屬于其他。 分類后根據(jù)分類結(jié)果判斷是否對檢測到的目標(biāo)進行報警處理(S205),如果需要報警進入此步驟報警,并對警報進行處理(S206),將DSP經(jīng)分類處理后的圖像信息通過 Internet或GPRS進行傳輸,將DSP處理的分類結(jié)果和報警結(jié)果傳送至PC機桌面,顯示給用戶,以待處理,至此完成整個運動目標(biāo)分類過程。
權(quán)利要求
1.一種智能交通監(jiān)控中車輛和行人的目標(biāo)分類方法,其特征是包括如下步驟(1)從采集到的視頻圖像序列里提取N個訓(xùn)練樣本作為待測試視頻序列建立訓(xùn)練模型,采用常用的支持向量機分類器對N個訓(xùn)練樣本進行訓(xùn)練,將訓(xùn)練樣本中的車輛樣本類爲(wèi)和非車輛樣本類ξ"作為輸入樣本訓(xùn)練車輛分類器SWf1,同時將訓(xùn)練樣本中的行人樣本類而和非行人樣本類&作為輸入樣本訓(xùn)練行人分類器^i2,用這2個分類器對運動目標(biāo)進行分類,得到車輛和行人的初始樣本庫;(2)將訓(xùn)練樣本隨機分為M個子集,根據(jù)所述初始樣本庫中的運動目標(biāo)前景,分別提取運動目標(biāo)的樣本特征組成特征向量,將所組成的特征向量輸入到支持向量機分類器,對M 個子集依次進行測試并分類,取M次測試中分類正確率的平均值,驗證分類器的準(zhǔn)確度,將每次測試得到的分類正確率與此平均值比較,選取最接近該平均值的一個子集作為車輛和行人的最終樣本庫,構(gòu)成改進的支持向量機分類器;(3)采用DSP數(shù)字信號處理器對采集的運動目標(biāo)視頻幀序列進行檢測,提取最新收到的前景幀并進行二值化處理得到的運動目標(biāo)的樣本特征,組成這幀運動目標(biāo)前景的特征向量,并將其輸入所述改進的支持向量機分類器,改進的支持向量機分類器將輸入的這幀運動目標(biāo)前景的特征向量和最終樣本庫對比,對運動目標(biāo)進行最終分類。
2.根據(jù)權(quán)利要求1所述的一種智能交通監(jiān)控中車輛和行人的目標(biāo)分類方法,其特征是步驟(1)- (3)所述的分類方法是若其中的一個分類器SKlii J = U,將運動目標(biāo)分類到相應(yīng)的類線中,且另一個分類器將其分到相應(yīng)的類ξ,./ = 1,2且Jh,中,則判斷此運動目標(biāo)屬于類錢;若兩個分類器同時將運動目標(biāo)分到相應(yīng)的類4中,則為錯誤分類;若兩個分類器都將運動目標(biāo)分到相應(yīng)的頭―,則此運動目標(biāo)不屬于這兩類中的任一類。
3.根據(jù)權(quán)利要求2所述的一種智能交通監(jiān)控中車輛和行人的目標(biāo)分類方法,其特征是車輛樣本類而和行人樣本類爲(wèi)的判別函數(shù)/( )= CT1Ji +於,/( ) >0時是車輛樣本類兩;/(不)<0是行人樣本類爲(wèi),^體、+歷>0時訓(xùn)練樣本被正確分類;;3;是函數(shù)的廣義參數(shù),應(yīng)為閾值,ere Rd,,ie R,R表示實數(shù),Rd表示實數(shù)的子隼” =±l,i為訓(xùn)練的每個樣本。
全文摘要
本發(fā)明公開一種智能交通監(jiān)控中車輛和行人的目標(biāo)分類方法,從采集到的視頻圖像序列里提取出訓(xùn)練樣本作為待測試視頻序列建立訓(xùn)練模型,采用常用的支持向量機分類器訓(xùn)練得到車輛和行人的初始樣本庫;將訓(xùn)練樣本隨機分為M個子集,根據(jù)初始樣本庫中的目標(biāo)前景分別提取樣本特征組成特征向量輸入到支持向量機分類器,對M個子集依次進行測試并分類得到最終樣本庫,構(gòu)成改進的支持向量機分類器;提取最新收到的前景幀的樣本特征組成特征向量輸入改進的支持向量機分類器,對比輸入的特征向量和最終樣本庫,對運動目標(biāo)進行最終分類;本發(fā)明無需對所有的訓(xùn)練樣本進行訓(xùn)練,縮短分類時間,實現(xiàn)運動目標(biāo)的精確分類。
文檔編號G06K9/66GK102360434SQ20111030091
公開日2012年2月22日 申請日期2011年10月9日 優(yōu)先權(quán)日2011年10月9日
發(fā)明者吳朝輝, 宋雪樺, 尹康民, 楊慶慶, 沈廷根, 王利國, 王昌達, 袁昕, 陳景柱 申請人:江蘇大學(xué)