CN105069487A - 一种运动物体识别方法 - Google Patents
一种运动物体识别方法 Download PDFInfo
- Publication number
- CN105069487A CN105069487A CN201510582196.4A CN201510582196A CN105069487A CN 105069487 A CN105069487 A CN 105069487A CN 201510582196 A CN201510582196 A CN 201510582196A CN 105069487 A CN105069487 A CN 105069487A
- Authority
- CN
- China
- Prior art keywords
- image
- moving object
- optimum
- fritter
- weak classifier
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种运动物体识别方法,该方法通过将采集的实时图像先进行梯度计算,然后将图像按宽与高的约数将图像均分成若干个小块,通过选定不同的图像中像素点对的偏移方式来对分出的每一个小块进行扫描生成一个共生的特征向量矩阵,再通过选择最优的特征向量来确定最优的分类器,利用得到的最优分类器即可快速的识别出运动中的物体,该方法过程简单,效率较高。
Description
技术领域
本发明涉及数字图像处理领域,更具体地,涉及一种运动物体识别方法。
背景技术
视频监控的目的,就是要发现那些异常的情况,因此,我们把出现异常的前端作为我们调度的规则。而作为调度的核心,就是通过算法来发现哪些前端出现异常的情况,随着视频监控等视频分析领域的发展,图像处理技术也有了长足的进步,目前运动目标的检测与跟踪已经得到了广泛的研究和应用,但是目前仍然没有一种可以应用在真实环境下的算法,现有方法的最主要的问题就是效率的问题,他们大多都计算复杂,识别物体的速度较慢。
发明内容
本发明提供一种运动物体识别方法,该方法计算过程简单,别别速度较快。
为了达到上述技术目的,本发明的技术方案如下:
一种运动物体识别方法,包括以下步骤:
S1:实时拍摄运动物体的图像,对图像进行梯度计算后再将图像分成若干小块;
S2:确定偏移方式来对每个小块进行扫描,生成一个共生矩阵即产生特征向量,所述偏移方式是图形中两个像素点之间的相对位置;
S3:对得到的特征向量进行特征训练来建立若干分类器,确定其中最优的分类器来进行运动物体识别。
本发明方法不单一地独针对采集的图像区域进行计算,而是将图像区域划分为若干个小块,对每一个小块区域的像素的每个偏移进行扫描计算从而得到一个特征向量池,从得到的特征向量池中选取最优的特征向量进行计算得到一个最好的分类器从而来识别运动物体。
与现有技术相比,本发明技术方案的有益效果是:
本发明通过将采集的实时图像先进行梯度计算,然后将图像按宽与高的约数将图像均分成若干个小块,通过选定不同的图像中像素点对的偏移方式来对分出的每一个小块进行扫描生成一个共生的特征向量矩阵,再通过选择最优的特征向量来确定最优的分类器,利用得到的最优分类器即可快速的识别出运动中的物体,该方法过程简单,效率较高。
附图说明
图1为本发明流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,一种运动物体识别方法,包括以下步骤:
S1:实时拍摄运动物体的图像,对图像进行梯度计算后再将图像分成若干小块,具体为:计算图像的梯度,然后将图像按照宽与高的约数将图像均分成m*n个小块,m为横向小块的个数,n为纵向小块的个数;
S2:确定偏移方式来对每个小块进行扫描,生成一个共生矩阵即产生特征向量,所述偏移方式是图形中两个像素点之间的相对位置;
S3:对得到的特征向量进行特征训练来建立若干分类器,确定其中最优的分类器来进行运动物体识别。
本实例中,生成共生矩阵的过程是:
对于图像中的每一个像素,将其梯度方向量化为8个方向,对分块后的图像的每个小块进行扫描,生成一个共生矩阵:
式中i和j表示两个方向,i,j∈{0,1,…,7},p和q表示水平方向和竖直方向的偏移,B为m*n个小块组成的区域,当p和q为固定值时即确定好一个偏移方式,得到一个8*8*m*n维的向量,(x,y)表示B中的像素,Ii,j(x,y,p,q)为梯度方向O(x,y)的特征函数:
对得到的特征向量进行特征训练来建立若干分类器的方法是:
S31:定义xk为训练样本图像的特征向量,yk∈(-1,1),将样本分为Nb个大小相同的子范围Rk,令xk的特征输出为f(xk):
Xk={xk|f(xk)∈Rk},k=1,2,…,Nb;
S32:确定一个弱分类器为一个表示特征向量到图像中真实物体分类的函数,根据最优的特征向量确定最优的弱分类器,利用该最优的弱分类器来识别物体:
最优的弱分类器是根据分段函数的分类错误值Z来选择:
式中ε为平滑因子,为正样本或者负样本中特征向量的概率分布,正样本表示包含一种类型物体Q的图像,负样本为不包含该类型物体Q的图像,Z越小得到的弱分类器越优。
确定最优的弱分类器的过程如下:
S51:根据不同的p和q计算出特征向量xk,然后对xk用最小二乘法训练出一个线性分类空间W*,得到xk的特征输出为:
f(xk)=w*·xk+(p,q);
S52:将得到的特征输出f(xk)代入计算出最小的Z即得到最优的特征向量X;
S53:将得到的最优特征向量X代入就得到最优的弱分类器。
通过将采集的实时图像先进行梯度计算,然后将图像按宽与高的约数将图像均分成若干个小块,通过选定不同的图像中像素点对的偏移方式来对分出的每一个小块进行扫描生成一个共生的特征向量矩阵,再通过选择最优的特征向量来确定最优的分类器,利用得到的最优分类器即可快速的识别出运动中的物体,该方法过程简单,效率较高。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种运动物体识别方法,其特征在于,包括以下步骤:
S1:实时拍摄运动物体的图像,对图像进行梯度计算后再将图像分成若干小块;
S2:确定偏移方式来对每个小块进行扫描,生成一个共生矩阵即产生特征向量,所述偏移方式是图想中两个像素点之间的相对位置;
S3:对得到的特征向量进行特征训练来建立若干分类器,确定其中最优的分类器来进行运动物体识别。
2.根据权利要求1所述的运动物体识别方法,其特征在于,所述步骤S1的具体过程如下:
计算图像的梯度,然后将图像按照宽与高的约数将图像均分成m*n个小块,m为横向小块的个数,n为纵向小块的个数。
3.根据权利要求2所述的运动物体识别方法,其特征在于,所述步骤S2的具体过程如下:
对于图像中的每一个像素,将其梯度方向量化为8个方向,对图像的每个小块进行扫描,生成一个共生矩阵:
式中i和j表示两个方向,i,j∈{0,1,...,7},p和q表示水平方向和竖直方向的偏移,B为m*n个小块组成的区域,当p和q为固定值时即确定好一个偏移方式,得到一个8*8*m*n维的向量,(x,y)表示B中的像素,Ii,j(x,y,p,q)为梯度方向O(x,y)的特征函数:
4.根据权利要求3所述的运动物体识别方法,其特征在于,所述步骤S3的具体过程如下:
S31:定义xk为训练样本图像的特征向量,yk∈(-1,1),将样本分为Nb个大小相同的子范围Rk,令xk的特征输出为f(xk):
Xk={xk|f(xk)∈Rk};
S32:确定一个弱分类器为一个表示特征向量到图像中真实物体分类的函数,根据最优的特征向量确定最优的弱分类器,利用该最优的弱分类器来识别物体:
最优的弱分类器是根据分段函数的分类错误值Z来选择:
式中k=1,2,...,Nb,ε为平滑因子,为正样本或者负样本中特征向量的概率分布,正样本表示包含一种类型物体Q的图像,负样本为不包含该类型物体Q的图像,Z越小得到的弱分类器越好。
5.根据权利要求4所述的运动物体识别方法,其特征在于,确定最优的弱分类器的过程如下:
S51:根据不同的p和q计算出特征向量xk,然后对xk用最小二乘法训练出一个线性分类空间W*,得到xk的特征输出为:
f(xk)=w*·xk+(p,q);
S52:将得到的特征输出f(xk)代入计算出最小的Z即得到最优的特征向量X;
S53:将得到的最优特征向量X代入就得到最优的弱分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510582196.4A CN105069487B (zh) | 2015-09-14 | 2015-09-14 | 一种运动物体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510582196.4A CN105069487B (zh) | 2015-09-14 | 2015-09-14 | 一种运动物体识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105069487A true CN105069487A (zh) | 2015-11-18 |
CN105069487B CN105069487B (zh) | 2019-07-23 |
Family
ID=54498848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510582196.4A Expired - Fee Related CN105069487B (zh) | 2015-09-14 | 2015-09-14 | 一种运动物体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069487B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329725A (zh) * | 2008-07-30 | 2008-12-24 | 电子科技大学 | 基于梯度投影和形态学的指纹图像分割方法 |
CN101714213A (zh) * | 2009-11-27 | 2010-05-26 | 中国科学技术大学 | 车载行人检测方法及系统 |
CN102147866A (zh) * | 2011-04-20 | 2011-08-10 | 上海交通大学 | 基于训练自适应增强和支持矢量机的目标识别方法 |
CN103646454A (zh) * | 2013-12-24 | 2014-03-19 | 深圳市捷顺科技实业股份有限公司 | 一种停车场管理系统及方法 |
CN104050460A (zh) * | 2014-06-30 | 2014-09-17 | 南京理工大学 | 多特征融合的行人检测方法 |
CN104751111A (zh) * | 2013-12-31 | 2015-07-01 | 深圳先进技术研究院 | 识别视频中人体行为的方法和系统 |
-
2015
- 2015-09-14 CN CN201510582196.4A patent/CN105069487B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329725A (zh) * | 2008-07-30 | 2008-12-24 | 电子科技大学 | 基于梯度投影和形态学的指纹图像分割方法 |
CN101714213A (zh) * | 2009-11-27 | 2010-05-26 | 中国科学技术大学 | 车载行人检测方法及系统 |
CN102147866A (zh) * | 2011-04-20 | 2011-08-10 | 上海交通大学 | 基于训练自适应增强和支持矢量机的目标识别方法 |
CN103646454A (zh) * | 2013-12-24 | 2014-03-19 | 深圳市捷顺科技实业股份有限公司 | 一种停车场管理系统及方法 |
CN104751111A (zh) * | 2013-12-31 | 2015-07-01 | 深圳先进技术研究院 | 识别视频中人体行为的方法和系统 |
CN104050460A (zh) * | 2014-06-30 | 2014-09-17 | 南京理工大学 | 多特征融合的行人检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105069487B (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108665481B (zh) | 多层深度特征融合的自适应抗遮挡红外目标跟踪方法 | |
CN110264448B (zh) | 一种基于机器视觉的绝缘子故障检测方法 | |
CN104599275B (zh) | 基于概率图模型的非参数化的rgb-d场景理解方法 | |
Islam et al. | Solid waste bin detection and classification using Dynamic Time Warping and MLP classifier | |
Li et al. | Adaptive deep convolutional neural networks for scene-specific object detection | |
US20100266175A1 (en) | Image and data segmentation | |
CN107679453B (zh) | 基于支持向量机的天气雷达电磁干扰回波识别方法 | |
Wang et al. | CenterNet-based defect detection for additive manufacturing | |
CN108107444A (zh) | 基于激光数据的变电站异物识别方法 | |
Khan et al. | An improved K-means clustering algorithm based on an adaptive initial parameter estimation procedure for image segmentation | |
CN113538331A (zh) | 金属表面损伤目标检测识别方法、装置、设备及存储介质 | |
CN108121972A (zh) | 一种局部遮挡条件下的目标识别方法 | |
CN104537381A (zh) | 一种基于模糊不变特征的模糊图像识别方法 | |
CN110276747B (zh) | 一种基于图像分析的绝缘子故障检测和故障评级方法 | |
CN113657225B (zh) | 一种目标检测方法 | |
Peng et al. | Semi-supervised bolt anomaly detection based on local feature reconstruction | |
CN110570450B (zh) | 一种基于级联的上下文感知框架的目标跟踪方法 | |
Huang et al. | Affine-consistent transformer for multi-class cell nuclei detection | |
CN110097579B (zh) | 基于路面纹理上下文信息的多尺度车辆跟踪方法及装置 | |
CN108665479B (zh) | 基于压缩域多尺度特征tld的红外目标跟踪方法 | |
Wang et al. | Unsupervised defect segmentation in selective laser melting | |
CN105069487A (zh) | 一种运动物体识别方法 | |
CN113673534B (zh) | 一种基于Faster RCNN的RGB-D图像果实检测方法 | |
Wang et al. | Defect transformer: An efficient hybrid transformer architecture for surface defect detection | |
Xu et al. | Cognitive Fusion of Graph Neural Network and Convolutional Neural Network for Enhanced Hyperspectral Target 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190723 |