CN103020577A - 一种基于hog特征的运动目标识别方法及系统 - Google Patents
一种基于hog特征的运动目标识别方法及系统 Download PDFInfo
- Publication number
- CN103020577A CN103020577A CN2011102824360A CN201110282436A CN103020577A CN 103020577 A CN103020577 A CN 103020577A CN 2011102824360 A CN2011102824360 A CN 2011102824360A CN 201110282436 A CN201110282436 A CN 201110282436A CN 103020577 A CN103020577 A CN 103020577A
- Authority
- CN
- China
- Prior art keywords
- moving target
- target
- recognition methods
- system based
- hog feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于hog特征的运动目标识别方法及系统,包括用于提取运动目标区域的码本建模目标检测模块,目标区域确认的目标关联模块,以及基于hog特征的运动目标分类识别模块。该方法和系统主要应用于智能安防平台,本发明实现了任意摄像头角度的运动目标分类识别,在不同光照条件影响下仍能准确识别运动目标类型。
Description
技术领域
本发明涉及计算机视觉和机器学习领域,特别是涉及一种基于hog特征的运动目标识别方法及系统。
技术背景
在智能视频监控系统中,人们最感兴趣的是监控场景中的运动目标。为了提供基于目标类型的实时报警和事后目标检索,对目标分类识别是智能视频监控系统中非常重要的任务。通过对运动目标的类别进行识别,可以更精确的定义事件的发生和结束及特定目标的特定行为分析,降低系统的误报率。
但目标类型识别要满足如系统能够在任意的摄像头角度下工作、在不同光照条件和阴影影响下的正确区分类别以及实时处理和低内存消耗等要求是一个非常有挑战性的问题。目前智能视频监控系统中的运动目标识别方法主要分为三类:基于形状特征的识别方法、基于运动特性的识别方法以及两种特征结合的识别方法。如Lipton等人利用目标的离散度、面积、长宽比等形状特征将运动目标划分为人、人群、车和背景干扰等四类,具有一定的实用性,但基于形状的方法在描述同类目标或具有相似运动的目标时很难用统一的模型加以表征,因此在对目标进行精细分类时存在明显的不足。基于运动特性的识别方法是利用运动周期性将运动目标划分为周期性运动目标和非周期性运动目标,它对于“人”和“车”的识别有较好效果,但是对于识别多种周期性运动目标或非周期性运动目标效果较差,并且提取周期性对观察目标的角度有一定的要求。而基于两种特征结合的识别方法对提取目标轮廓的精度要求很高,而且还会使整体系统变的很复杂。
综合上述,目前急需提出一个对目标分类识别问题更加有效的解决方法。
发明内容
本发明所要解决的技术问题是提供一种基于hog特征的运动目标识别方法,使得运动目标识别能够在任意的摄像头角度下工作、在不同光照条件和阴影影响下的正确进行。
为实现上述发明目的,本发明提供技术方案如下:
步骤1:利用前N帧初始视频图像,建立基于码本(codebook)的背景模型;
步骤2:利用当前输入图像与背景模型作差,得到运动目标前景区域掩码图像,并利用形态学滤波对前景掩码图像去噪;
步骤3:目标关联,通过分析视频前后帧目标前景区域的MBB(最小矩形包围框)重叠关系进行视频中目标的关联,得到关联矩阵;
步骤4:根据关联矩阵判断目标关联状况,确定目标是否出现遮挡和分离,运动目标只有连续关联5帧以上才确定为真正的运动目标,否则为虚假目标,虚假目标不做后续目标识别处理;
步骤5:在于对确认的运动目标提取hog(梯度方向直方图)特征向量,并将特征向量送至训练好的分类器进行分类识别,最终识别运动目标为人,人群,自行车,小车,卡车,公共汽车六类。
所述的步骤2的具体过程为:
a对输入图像点的像素值与背景模型对应点的像素值做差,如果差值在一定的阈值T(一般取10)内,则该点属于背景区域,掩码图像对应点取值为0,否则该点属于运动目标前景区域,掩码图像对应点取1;
b对掩码图像采用3*3的形态学模板,做2次闭操作,1次开操作的形态学处理,滤除杂点噪声。
所述的步骤4的具体过程为:计算P矩阵的行累加值P m和列累加值Pn:
Pm表示与第m个目标相匹配的团块个数,Pn表示与第n个团块相匹配的目标个数。Pm=0时,判定第t-1时刻的目标团块m在t时刻没有关联上,没有连续5帧关联的目标团块为虚假目标团块不做后续处理;而Pm>1表明t-1时刻的第m个目标出现分离情况;Pn>1表明t时刻的第n个目标出现遮挡情况;后两种情况下做目标识别也会造成结果不准确。
所述的步骤5的具体过程为:
a.用线性插值的方法将目标区域前景归一化到48*48的大小;
b.采用[-1,0,1]算子同时在水平和垂直两个方向上对图像进行处理得到梯度图像。这里需要注意的是梯度是一个矢量,具有大小和方向;
c.梯度方向直方图的统计,直方图是根据梯度方向将0-180度(无向)平均划分为9个区间;
d.以块为单位归一化梯度直方图,块的大小为R*R,所有的这些归一化后的直方图的值就组成了hog特征向量。
e.将特征向量送至训练好的分类器进行分类识别,最终得到运动目标的类型。
本发明还提供一种基于hog特征的运动目标识别系统,包括:运动目标检测模块,用于从视频图像中提取感兴趣的运动区域;目标关联确认模块,用于建立帧与帧间的目标关联,消去虚假目标;目标分类识别模块,通过提取目标区域的hog特征向量,送给训练好的分类器进行分类识别。
由上述方案可以看出,本发明中利用运动目标hog特征进行分类,够在任意的摄像头角度下工作、在不同光照条件和阴影影响下的正确区分目标类别。同时利用目标关联的方法消除虚假目标,可以进一步提高系统的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中方法流程示意图;
图2为本发明实施例中的目标分类识别的流程示意图;
图3为本发明实施例中系统结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例中本发明提供一种基于hog特征的运动目标识别方法的具体流程如图1所示。
背景建模方法采用码本(codebook)方法进行,取前N=200帧视频图像进行背景建模,具体实现采用OPENCV开源库(OpenCV是“Open Source ComputerVision Library”的简写,是Intel开源计算机视觉库)中的Codebook.train(IplImage*img,int frmNum)完成。其中img是输入是视频图像指针,frmNum是帧序号。
检测运动目标区域的方法为利用当前输入图像与背景模型作差,具体实现为Codebook.getMask(Ipl Image*img,Ipl Image*fg,int nfrms),其中imp是输入图像指针,fg为输出运动区域掩码图像指针。
目标分类识别的具体流程如图2所示,其中的图像归一化大小为48*48,直方图区间为在0-180度内,均匀划分为9个区间。块的大小为16*16。所采用的分类器为随机森林,分类器事先通过贴好标签的特征库进行了训练,训练样本的大小为3000,每类样本个数是500。
实施例中本发明还提供一种基于hog特征的运动目标识别系统的具体结构如图3所示。包括:运动目标检测模块,用于从视频图像中提取感兴趣的运动区域;目标关联确认模块,用于建立帧与帧间的目标关联,消去虚假目标;目标分类识别模块,通过提取目标区域的hog特征向量,送给训练好的分类器进行分类识别。
以上所述仅是本发明的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于hog特征的运动目标识别方法及系统,其特征在于采用码本建模方法检测运动目标,从图像中提取感兴趣区域。
2.一种基于hog特征的运动目标识别方法及系统,其特征在于利用运动目标在视频帧与帧之间提取兴趣区域之间的关联性和一致性,确认运动目标。
3.一种基于hog特征的运动目标识别方法及系统,其特征在于对确认的运动目标提取hog(梯度方向直方图)特征向量,并将特征向量送至训练好的分类器进行分类识别,最终识别运动目标为人,人群,自行车,小车,卡车,公共汽车六类。
4.根据权利要求1所述的一种基于hog特征的运动目标识别方法及系统,其特征在于训练前N帧初始视频图像,建立码本背景模型,利用当前输入图像与背景模型作差,得到运动目标区域掩码图像。
5.根据权利要求2所述的一种基于hog特征的运动目标识别方法及系统,其特征在于通过分析视频前后帧目标前景区域的MBB(最小矩形包围框)重叠关系进行视频中目标的关联,得到关联矩阵。
6.根据权利要求3所述的一种基于hog特征的运动目标识别方法及系统,其特征在于采用梯度[-1,0,1]算子对运动区域前景进行处理得到梯度图像,根据梯度方向进行直方图的统计,并归一化后获得hog特征向量。
7.根据权利要求3所述的一种基于hog特征的运动目标识别方法及系统,其特征在于事先通过大量的贴好标签的运动目标hog特征库对分类器进行训练,训练好的分类器才用于目标识别。
8.一种基于hog特征的运动目标识别方法及系统,其特征在于基于OPENCV(开源计算机视觉)函数库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110282436.0A CN103020577B (zh) | 2011-09-20 | 2011-09-20 | 一种基于hog特征的运动目标识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110282436.0A CN103020577B (zh) | 2011-09-20 | 2011-09-20 | 一种基于hog特征的运动目标识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103020577A true CN103020577A (zh) | 2013-04-03 |
CN103020577B CN103020577B (zh) | 2015-07-22 |
Family
ID=47969170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110282436.0A Active CN103020577B (zh) | 2011-09-20 | 2011-09-20 | 一种基于hog特征的运动目标识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103020577B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104506800A (zh) * | 2014-12-15 | 2015-04-08 | 浙江宇视科技有限公司 | 一种多方向电警摄像机场景合成及综合监控方法和装置 |
CN104657712A (zh) * | 2015-02-09 | 2015-05-27 | 惠州学院 | 一种监控视频中蒙面人检测方法 |
CN104778474A (zh) * | 2015-03-23 | 2015-07-15 | 四川九洲电器集团有限责任公司 | 一种用于目标检测的分类器构建方法及目标检测方法 |
CN106203334A (zh) * | 2016-07-11 | 2016-12-07 | 电子科技大学 | 一种室内场景火苗检测方法 |
CN107123131A (zh) * | 2017-04-10 | 2017-09-01 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的运动目标检测方法 |
CN108960119A (zh) * | 2018-06-28 | 2018-12-07 | 武汉市哈哈便利科技有限公司 | 一种用于无人售货柜的多角度视频融合的商品识别算法 |
CN116109672A (zh) * | 2023-01-13 | 2023-05-12 | 北京理工大学 | 一种雪车雪橇赛道智能训练监测分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080025568A1 (en) * | 2006-07-20 | 2008-01-31 | Feng Han | System and method for detecting still objects in images |
CN101739551A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标识别方法及系统 |
CN101887587A (zh) * | 2010-07-07 | 2010-11-17 | 南京邮电大学 | 视频监控中基于运动目标检测的多目标跟踪方法 |
-
2011
- 2011-09-20 CN CN201110282436.0A patent/CN103020577B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080025568A1 (en) * | 2006-07-20 | 2008-01-31 | Feng Han | System and method for detecting still objects in images |
CN101739551A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标识别方法及系统 |
CN101887587A (zh) * | 2010-07-07 | 2010-11-17 | 南京邮电大学 | 视频监控中基于运动目标检测的多目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
梁华: "多摄像机视频监控中运动目标检测与跟踪", 《中国博士学位论文全文数据库》, 15 April 2011 (2011-04-15), pages 54 - 65 * |
赵亮: "复杂背景下监控视频对象检测算法设计与实现", 《中国优秀硕士学位论文全文数据库》, 15 March 2011 (2011-03-15) * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104506800A (zh) * | 2014-12-15 | 2015-04-08 | 浙江宇视科技有限公司 | 一种多方向电警摄像机场景合成及综合监控方法和装置 |
CN104657712A (zh) * | 2015-02-09 | 2015-05-27 | 惠州学院 | 一种监控视频中蒙面人检测方法 |
CN104778474A (zh) * | 2015-03-23 | 2015-07-15 | 四川九洲电器集团有限责任公司 | 一种用于目标检测的分类器构建方法及目标检测方法 |
CN104778474B (zh) * | 2015-03-23 | 2019-06-07 | 四川九洲电器集团有限责任公司 | 一种用于目标检测的分类器构建方法及目标检测方法 |
CN106203334A (zh) * | 2016-07-11 | 2016-12-07 | 电子科技大学 | 一种室内场景火苗检测方法 |
CN106203334B (zh) * | 2016-07-11 | 2019-04-02 | 电子科技大学 | 一种室内场景火苗检测方法 |
CN107123131A (zh) * | 2017-04-10 | 2017-09-01 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的运动目标检测方法 |
CN107123131B (zh) * | 2017-04-10 | 2020-04-17 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的运动目标检测方法 |
CN108960119A (zh) * | 2018-06-28 | 2018-12-07 | 武汉市哈哈便利科技有限公司 | 一种用于无人售货柜的多角度视频融合的商品识别算法 |
CN116109672A (zh) * | 2023-01-13 | 2023-05-12 | 北京理工大学 | 一种雪车雪橇赛道智能训练监测分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103020577B (zh) | 2015-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103020577B (zh) | 一种基于hog特征的运动目标识别方法及系统 | |
US10445567B2 (en) | Pedestrian head identification method and system | |
Benezeth et al. | Abnormal events detection based on spatio-temporal co-occurences | |
US20230289979A1 (en) | A method for video moving object detection based on relative statistical characteristics of image pixels | |
US10679067B2 (en) | Method for detecting violent incident in video based on hypergraph transition | |
Li et al. | A HOG feature and SVM based method for forward vehicle detection with single camera | |
CN104091157A (zh) | 一种基于特征融合的行人检测方法 | |
CN106384345B (zh) | 一种基于rcnn的图像检测以及流量统计方法 | |
CN105070053A (zh) | 一种识别车辆违规运动模式的智能交通监控摄像机 | |
CN103065122A (zh) | 基于面部动作单元组合特征的人脸表情识别方法 | |
Zhang et al. | A multi-feature fusion based traffic light recognition algorithm for intelligent vehicles | |
CN106355154B (zh) | 一种监控视频中检测频繁过人的方法 | |
CN111860291A (zh) | 基于行人外观和步态信息的多模态行人身份识别方法和系统 | |
Espinosa et al. | Motorcycle detection and classification in urban Scenarios using a model based on Faster R-CNN | |
CN104657724A (zh) | 一种交通视频行人检测方法 | |
Aköz et al. | Video-based traffic accident analysis at intersections using partial vehicle trajectories | |
Shirazi et al. | Contextual combination of appearance and motion for intersection videos with vehicles and pedestrians | |
Sivaraman et al. | Active learning based robust monocular vehicle detection for on-road safety systems | |
CN106096523A (zh) | 一种视频图像序列中运动目标的检出与异常行为分析算法 | |
CN111738218A (zh) | 人体异常行为识别系统及方法 | |
CN105809713A (zh) | 基于在线Fisher判别机制增强特征选择的目标跟踪方法 | |
CN112070051A (zh) | 基于剪枝压缩的疲劳驾驶快速检测方法 | |
Ghasemi et al. | A real-time multiple vehicle classification and tracking system with occlusion handling | |
CN117475353A (zh) | 基于视频的异常烟雾识别方法及系统 | |
Li et al. | Vision-based method for forward vehicle detection and tracking |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Room 306, zone 2, building 1, Fanshan entrepreneurship center, Panyu energy saving technology park, No. 832 Yingbin Road, Donghuan street, Panyu District, Guangzhou City, Guangdong Province Patentee after: Jiadu Technology Group Co.,Ltd. Address before: No.4, Jiangong Road, Tianhe Software Park, Guangzhou, Guangdong 510665 Patentee before: PCI-SUNTEKTECH Co.,Ltd. |