CN104102914A - 基于差分链码直方图的目标分类方法及装置 - Google Patents
基于差分链码直方图的目标分类方法及装置 Download PDFInfo
- Publication number
- CN104102914A CN104102914A CN201310113666.3A CN201310113666A CN104102914A CN 104102914 A CN104102914 A CN 104102914A CN 201310113666 A CN201310113666 A CN 201310113666A CN 104102914 A CN104102914 A CN 104102914A
- Authority
- CN
- China
- Prior art keywords
- target
- chain code
- training
- carried out
- foreground
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于差分链码直方图的目标分类方法及装置，所述方法包括：对训练图像集进行离线分类器训练，得到相应的目标类别判别函数及其参数；对输入的视频序列图像进行前景目标检测；对检测的前景目标进行目标特征提取；将提取的目标特征作为输入，并利用训练得到的目标类别判别函数及其参数对视频序列图像中的前景目标进行在线类别判定。本发明通过提取前景目标的一阶差分链码直方图特征，计算量少，而且该特征具有目标平移、尺度和旋转不变性。
Description
技术领域
本发明属于模式识别领域，涉及图像处理和计算机视觉技术领域，具体而言，尤其涉及一种视频监控中的基于差分链码直方图的目标分类方法及装置。
背景技术
目标分类是智能视频分析技术中的一个重要内容，智能只能视频分析的实际应用场合中，视频序列图像中的不同前景区域可能对应不同的运动目标，为了更好的理解不同目标的行为，就需要正确地将类别标志与目标区域联系起来，例如，为了理解停车场人的行为，或计算高速公路上不同类型车辆的流速等。
目前，目标分类在智能安全监控、交通道路监管、虚拟现实、运动分析等方面有广泛的应用。例如，在智能安全监控系统中，为监视区域报告感兴趣目标的活动，首先需要将检测到的目标进行分类，然后根据目标类别的不同做相应的处理，实现监控系统的自动化与智能化，从而节省了安检人员很大一部分工作量。基于此，准确的目标分类是有针对性地对目标进行行为分析的前提，是智能视频监控系统完全必要的基础工作。因此，要使计算机理解真实环境中的目标行为及事件，目标的分类与识别是第一步。
目标分类主要是对特征的理解，特征提取的好坏决定了分类准确度的高低。本发明的发明人在对现有技术进行研究时发现：在以目标形状的高宽比、轮廓周长比率等为特征的目标分类方法中，通常会在视频捕捉设备发生视觉改变时，某一程度上影响了目标类型的区分性；另外，在以Hu不变矩等以矩为特征的目标分类方法中，虽然其具有较强的平移、尺度和旋转不变性，但其运算复杂，某一程度上影响了视频分析的实时性。
所以，目前亟待提出一种运算量即不复杂、目标类型区分性良好、同时又能使目标具有平移、尺度和旋转不变性的目标分类方法。
发明内容
为了得到一种运算即不复杂，又能提高目标类型的区分性，同时还具有目标平移、尺度和旋转不变性的目标分类方法，本发明提供了一种基于差分链码直方图的目标分类方法及装置。
为了达到本发明的目的，本发明采用以下技术方案实现：
一种基于差分链码直方图的目标分类方法，包括：
对训练图像集进行离线分类器训练，得到相应的目标类别判别函数及其参数；
对输入的视频序列图像进行前景目标检测；
对检测的前景目标进行目标特征提取；
将提取的目标特征作为输入，并利用训练得到的目标类别判别函数及其参数对视频序列图像中的前景目标进行在线类别判定。
优选地，对训练图像集进行离线分类器训练以得到相应的目标类别判别函数及其参数的步骤包括：
对训练图像集中的每一个前景目标进行目标特征提取；
对训练图像集中的每一个前景目标进行目标类别符标定；
将标定好的目标类别符及其相应的目标特征作为输入参数，进行离线训练，从而得到相应的目标类别判别函数及其参数。
优选地，对检测的前景目标进行目标特征提取的步骤包括：
对前景目标进行边界链码表达；
对链码进行一阶差分；
对一阶差分链码进行直方图统计；
对统计出的直方图中每一分量进行归一化；
用归一化后的每个分量所对应的值作为目标特征值。
优选地，采用Freeman链码或顶点链码对前景目标进行边界链码表达，链码方式可以采用4方向或8方向链码。
优选地，对一阶差分链码进行直方图统计时，对一阶差分链码在各方向上分别进行直方图统计。
一种基于差分链码直方图的目标分类装置，包括：
离线训练模块，对训练图像集进行离线分类器训练，得到相应的目标类别判别函数及其参数；
在线判定模块，用于对输入的视频序列图像进行前景目标检测，进一步对检测的前景目标进行目标特征提取，以及更进一步将提取的目标特征作为输入，并利用训练得到的目标类别判别函数及其参数对视频序列图像中的前景目标进行在线类别判定。
优选地，所述离线训练模块包括：
第一特征提取模块，用于对训练图像集中的每一个前景目标进行目标特征提取；
训练模块，用于对训练图像集中的每一个前景目标进行目标类别符标定，并将标定好的目标类别符及其相应的目标特征作为输入参数，进行离线训练，从而得到相应的目标类别判别函数及其参数。
优选地，所述在线判定模块包括：
目标检测模块，用于对输入的视频序列图像进行前景目标检测；
第二特征提取模块，用于对检测的前景目标进行目标特征提取；
分类器决策模块，用于将提取的目标特征作为输入，并利用训练得到的目标类别判别函数及其参数对视频序列图像中的前景目标进行在线类别判定。
优选地，第一特征提取模块或第二特征提取模块对检测的前景目标进行目标特征提取的方法为：
对前景目标进行边界链码表达；
对链码进行一阶差分；
对一阶差分链码进行直方图统计；
对统计出的直方图中每一分量进行归一化；
用归一化后的每个分量所对应的值作为目标特征值。
优选地，采用Freeman链码或顶点链码对前景目标进行边界链码表达，链码方式可以采用4方向或8方向链码；以及，对一阶差分链码进行直方图统计时，对一阶差分链码在各方向上分别进行直方图统计。
通过上述本发明的技术方案可以看出，本发明通过提取前景目标的一阶差分链码直方图特征，计算量少，而且该特征具有目标平移、尺度和旋转不变性。
附图说明
图1是本发明实施例提供的基于差分链码直方图的目标分类方法流程示意图；
图2是本发明实施例提供的链码的定义图；
图3是本发明实施例提供的8方向原链码及其一阶差分链码示意图；
图4是本发明实施例提供的8方向原链码直方图及其归一化直方图；
图5是本发明实施例提供的基于差分链码直方图的目标分类装置结构示意图。
本发明目的的实现、功能特点及优异效果，下面将结合具体实施例以及附图做进一步的说明。
具体实施方式
下面结合附图和具体实施例对本发明所述技术方案作进一步的详细描述，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
如图1所示，本发明实施例提供了一种基于差分链码直方图的目标分类方法，其主要包括如下具体实现步骤：
S101、对训练图像集进行离线分类器训练，得到相应的目标类别判别函数及其参数；
S102、对输入的视频序列图像进行前景目标检测；
S103、对检测的前景目标进行目标特征提取；
S104、将提取的目标特征作为输入，并利用训练得到的目标类别判别函数及其参数对视频序列图像中的前景目标进行在线类别判定。
优选实施方式下，在所述步骤S101中，对训练图像集进行离线分类器训练以得到相应的目标类别判别函数及其参数的步骤包括：
S1011、对训练图像集中的每一个前景目标进行目标特征提取；
S1012、对训练图像集中的每一个前景目标进行目标类别符标定；
S1013、将标定好的目标类别符及其相应的目标特征作为输入参数，进行离线训练，从而得到相应的目标类别判别函数及其参数。
优选实施方式下，在所述步骤S1011或S103中，对检测的前景目标进行特征提取的处理步骤包括：
步骤1、对前景目标进行边界链码表达；
步骤2、对链码进行一阶差分；
步骤3、对一阶差分链码进行直方图统计；
步骤4、对统计出的直方图中每一分量进行归一化；
步骤5、用归一化后的每个分量所对应的值作为目标特征值。
具体实施时，对目标进行边界链码表达，可以采用Freeman编码或顶点链码或其他类似链码，链码方式可以采用4方向或8方向或其他类似形式方向链码，具体地，4方向和8方向链码定义可以参见图2所示。
例如，以8方向Freeman链码为例，目标边界如图3左图所示，选择图中边界小实心圆点为边界起始点后，则可得到的Freeman原链码S为：21077544422；
具体实施时，链码一阶差分可用相邻2个方向数两两相减得到，如果减数为负数，则将其加上链码最大方向值。如图3的右图下行是原链码S得到的一阶差分C为：06670560050。
具体实施时，为了避免链码起始点对编码的影响，在所有链码方向上，对一阶差分链码在各方向上进行直方图统计。一阶差分链码C所对应的直方图统计如图4左图所示。
具体实施时，为了避免目标尺寸影响直方图的统计结果，对其进行归一化，即将链码各个方向上统计的结果值除以链码串总长。如图4右图是左侧直方图所对应的归一化后的结果图。
优选实施方式下，在所述的S104中，对视频序列图像中的前景目标进行在线类别判定的处理步骤包括：
S1041、对视频帧序列图像中的每一个目标进行特征提取；
S1042、将提取的目标特征值作为SVM分类器的输入参数，利用离线训练好的最优线性超平面进行类别判定。
相应地，本发明实施例还提供了一种基于差分链码直方图的目标分类装置，参考图5，其主要包括以下几个大模块：
离线训练模块，对训练图像集进行离线分类器训练，得到相应的目标类别判别函数及其参数；
在线判定模块，用于对输入的视频序列图像进行前景目标检测，进一步对检测的前景目标进行目标特征提取，以及更进一步将提取的目标特征作为输入，并利用训练得到的目标类别判别函数及其参数对视频序列图像中的前景目标进行在线类别判定。
本实施例中，所述离线训练模块，包括以下几个子模块：
第一特征提取模块，用于对训练图像集中的每一个前景目标进行目标特征提取；
训练模块，用于对训练图像集中的每一个前景目标进行目标类别符标定，并将标定好的目标类别符及其相应的目标特征作为输入参数，进行离线训练，从而得到相应的目标类别判别函数及其参数。
本实施例中，所述的训练模块对训练图像集中的每一个前景目标进行目标类别符标定、并将标定好的目标类别符及其相应的目标特征作为输入参数，进行离线训练、从而得到相应的目标类别判别函数及其参数的方法包括以下几个步骤：
步骤1：对训练图像集中的每一个前景目标进行目标特征提取；
步骤2：对训练图像集中的每一个前景目标进行目标类别符标定；
步骤3：将标定好的目标类别符及其相应的目标特征值作为SVM输入参数，进行离线训练，得到一个最优线性超平面，即相应的目标类别判别函数及其参数。
本实施例中，所述在线判定模块，包括以下几个子模块：
目标检测模块，用于对输入的视频序列图像进行前景目标检测；
第二特征提取模块，用于对检测的前景目标进行目标特征提取；
分类器决策模块，用于将提取的目标特征作为输入，并利用训练得到的目标类别判别函数及其参数对视频序列图像中的前景目标进行在线类别判定。本实施例中，所述的分类器决策模块，将提取的目标特征值作为SVM分类器的输入参数，利用离线训练好的最优线性超平面进行类别判定。
本实施例中，所述的第一/第二特征提取模块对检测的前景目标进行目标特征提取的方法，包括以下几个步骤：
步骤1：对前景目标进行边界链码表达；
步骤2：对链码进行一阶差分；
步骤3：对一阶差分链码进行直方图统计；
步骤4：对统计出的直方图中每一分量进行归一化；
步骤5：用归一化后的每个分量所对应的值作为目标特征值。
具体实施时，对目标进行边界链码表达，可以采用Freeman编码或顶点链码或其他类似链码，链码方式可以采用4方向或8方向或其他类似形式方向链码，4方向和8方向链码定义可以继续参考图2所示。
例如，以8方向Freeman链码为例，目标边界如图3左图所示，选择图中边界小实心圆点为边界起始点后，则可得到的Freeman原链码S为：21077544422。
具体实施时，链码一阶差分可用相邻2个方向数两两相减得到，如果减数为负数，则将其加上链码最大方向值。如图3右图下行是原链码S得到的一阶差分C为：06670560050。
具体实施时，为了避免链码起始点对编码的影响，在所有链码方向上，对一阶差分链码在各方向上进行直方图统计。一阶差分链码C所对应的直方图统计如图4左图所示。
具体实施时，为了避免目标尺寸影响直方图的统计结果，对其进行归一化，即将链码各个方向上统计的结果值除以链码串总长。如图4右图是左侧直方图所对应的归一化后的结果图。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于差分链码直方图的目标分类方法，其特征在于，包括：
对训练图像集进行离线分类器训练，得到相应的目标类别判别函数及其参数；
对输入的视频序列图像进行前景目标检测；
对检测的前景目标进行目标特征提取；
将提取的目标特征作为输入，并利用训练得到的目标类别判别函数及其参数对视频序列图像中的前景目标进行在线类别判定。
2.如权利要求1所述的基于差分链码直方图的目标分类方法，其特征在于，对训练图像集进行离线分类器训练以得到相应的目标类别判别函数及其参数的步骤包括：
对训练图像集中的每一个前景目标进行目标特征提取；
对训练图像集中的每一个前景目标进行目标类别符标定；
将标定好的目标类别符及其相应的目标特征作为输入参数，进行离线训练，从而得到相应的目标类别判别函数及其参数。
3.如权利要求1或2所述的基于差分链码直方图的目标分类方法，其特征在于，对检测的前景目标进行目标特征提取的步骤包括：
对前景目标进行边界链码表达；
对链码进行一阶差分；
对一阶差分链码进行直方图统计；
对统计出的直方图中每一分量进行归一化；
用归一化后的每个分量所对应的值作为目标特征值。
4.如权利要求3所述的基于差分链码直方图的目标分类方法，其特征在于，采用Freeman链码或顶点链码对前景目标进行边界链码表达，链码方式可以采用4方向或8方向链码。
5.如权利要求3所述的基于差分链码直方图的目标分类方法，其特征在于，对一阶差分链码进行直方图统计时，对一阶差分链码在各方向上分别进行直方图统计。
6.一种基于差分链码直方图的目标分类装置，其特征在于，包括：
离线训练模块，对训练图像集进行离线分类器训练，得到相应的目标类别判别函数及其参数；
在线判定模块，用于对输入的视频序列图像进行前景目标检测，进一步对检测的前景目标进行目标特征提取，以及更进一步将提取的目标特征作为输入，并利用训练得到的目标类别判别函数及其参数对视频序列图像中的前景目标进行在线类别判定。
7.如权利要求6所述的基于差分链码直方图的目标分类装置，其特征在于，所述离线训练模块包括：
第一特征提取模块，用于对训练图像集中的每一个前景目标进行目标特征提取；
训练模块，用于对训练图像集中的每一个前景目标进行目标类别符标定，并将标定好的目标类别符及其相应的目标特征作为输入参数，进行离线训练，从而得到相应的目标类别判别函数及其参数。
8.如权利要求6所述的基于差分链码直方图的目标分类装置，其特征在于，所述在线判定模块包括：
目标检测模块，用于对输入的视频序列图像进行前景目标检测；
第二特征提取模块，用于对检测的前景目标进行目标特征提取；
分类器决策模块，用于将提取的目标特征作为输入，并利用训练得到的目标类别判别函数及其参数对视频序列图像中的前景目标进行在线类别判定。
9.如权利要求7或8所述的基于差分链码直方图的目标分类装置，其特征在于，第一特征提取模块或第二特征提取模块对检测的前景目标进行目标特征提取的方法为：
对前景目标进行边界链码表达；
对链码进行一阶差分；
对一阶差分链码进行直方图统计；
对统计出的直方图中每一分量进行归一化；
用归一化后的每个分量所对应的值作为目标特征值。
10.如权利要求9所述的基于差分链码直方图的目标分类装置，其特征在于，采用Freeman链码或顶点链码对前景目标进行边界链码表达，链码方式可以采用4方向或8方向链码；以及，对一阶差分链码进行直方图统计时，对一阶差分链码在各方向上分别进行直方图统计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310113666.3A CN104102914B (zh) | 2013-04-02 | 2013-04-02 | 基于差分链码直方图的目标分类方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310113666.3A CN104102914B (zh) | 2013-04-02 | 2013-04-02 | 基于差分链码直方图的目标分类方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104102914A true CN104102914A (zh) | 2014-10-15 |
| CN104102914B CN104102914B (zh) | 2019-03-29 |
Family
ID=51671054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310113666.3A Active CN104102914B (zh) | 2013-04-02 | 2013-04-02 | 基于差分链码直方图的目标分类方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104102914B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101937565A (zh) * | 2010-09-16 | 2011-01-05 | 上海交通大学 | 基于运动目标轨迹的动态图像配准方法 |
| CN102930302A (zh) * | 2012-10-18 | 2013-02-13 | 山东大学 | 基于在线序贯极限学习机的递增式人体行为识别方法 |
| CN103377376A (zh) * | 2012-04-13 | 2013-10-30 | 阿里巴巴集团控股有限公司 | 图像分类的方法和系统、图像检索的方法和系统 |
-
2013
- 2013-04-02 CN CN201310113666.3A patent/CN104102914B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101937565A (zh) * | 2010-09-16 | 2011-01-05 | 上海交通大学 | 基于运动目标轨迹的动态图像配准方法 |
| CN103377376A (zh) * | 2012-04-13 | 2013-10-30 | 阿里巴巴集团控股有限公司 | 图像分类的方法和系统、图像检索的方法和系统 |
| CN102930302A (zh) * | 2012-10-18 | 2013-02-13 | 山东大学 | 基于在线序贯极限学习机的递增式人体行为识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| 熊亮: "基于视频序列的运动检测与跟踪方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 董智超: "视频序列中的目标检测和分类研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 贺静芳: "基于形状的图像检索技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 钱瑛: "基于内容的图像检索技术的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104102914B (zh) | 2019-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111986228B (zh) | 一种基于lstm模型扶梯场景下的行人跟踪方法、装置和介质 | |
| CN109145742B (zh) | 一种行人识别方法及系统 | |
| CN102945554B (zh) | 基于学习和加速鲁棒surf特征的目标跟踪方法 | |
| Jodoin et al. | Urban tracker: Multiple object tracking in urban mixed traffic | |
| CN107123131B (zh) | 一种基于深度学习的运动目标检测方法 | |
| Hur et al. | Multi-lane detection in urban driving environments using conditional random fields | |
| CN102831618B (zh) | 基于霍夫森林的视频目标跟踪方法 | |
| CN103246896B (zh) | 一种鲁棒性车辆实时检测与跟踪方法 | |
| CN111583660B (zh) | 车辆转向行为检测方法、装置、设备及存储介质 | |
| CN105095829A (zh) | 一种人脸识别方法及系统 | |
| CN110647811A (zh) | 人脸姿态检测方法、装置及计算机可读存储介质 | |
| CN103839065A (zh) | 人群动态聚集特征提取方法 | |
| CN103150579A (zh) | 一种基于视频序列的人体异常行为检测方法 | |
| KR20210076962A (ko) | 스마트카 모션 제어 방법 및 장치, 기기 및 저장 매체 | |
| CN104077594A (zh) | 一种图像识别方法和装置 | |
| CN113297926B (zh) | 行为检测识别方法及系统 | |
| CN105096344A (zh) | 基于cd运动特征的群体行为识别方法及系统 | |
| Ma et al. | Deconvolution Feature Fusion for traffic signs detection in 5G driven unmanned vehicle | |
| CN110837760A (zh) | 目标检测方法、用于目标检测的训练方法和装置 | |
| Ismail et al. | Automated detection of spatial traffic violations through use of video sensors | |
| Li et al. | A novel framework for anomaly detection in video surveillance using multi-feature extraction | |
| CN104102914A (zh) | 基于差分链码直方图的目标分类方法及装置 | |
| Le et al. | Real-time sign detection and recognition for self-driving mini rovers based on template matching and hierarchical decision structure. | |
| CN103258433B (zh) | 一种交通视频监控中智能车牌清晰显示方法 | |
| He et al. | Efficient and Lightweight Neural Network for Hard Hat Detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 518057 the six level of energy storage building 3099, Keyuan South Road, Nanshan District, Shenzhen, Guangdong. Applicant after: Shenzhen Liwei Zhilian Technology Co., Ltd. Address before: 518057 two floor, W1-A building, science and technology south road, Nanshan District hi tech Zone, Shenzhen, Guangdong. Applicant before: Shenzhen ZTE NetView Technology Co., Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |