CN105069487B - 一种运动物体识别方法 - Google Patents

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

一种运动物体识别方法

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，I_i,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x_k为训练样本图像的特征向量，y_k∈(-1,1)，将样本分为N_b个大小相同的子范围R_k，令x_k的特征输出为f(x_k)：

X_k＝{x_k|f(x_k)∈R_k},k＝1,2,…,N_b；

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x_k，然后对x_k用最小二乘法训练出一个线性分类空间W*，得到x_k的特征输出为：

f(x_k)＝w^*·x_k+(p,q)；

S52：将得到的特征输出f(x_k)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 (2)

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，所述偏移方式是图像 中两个像素点之间的相对位置；

S3：对得到的特征向量用最小二乘法训练出线性分类空间得到特征向量的特征输出，计算出最优的特征向量，通过计算得到的最优的特征向量确定最优的弱分类器用于进行运动物体识别；

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；

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为固定值时机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，I_i,j(x,y,p,q)为梯度方向O(x,y)的特征函数：

所述步骤S3的具体过程如下：

S31：定义x_k为训练样本图像的特征向量，y_k∈(-1,1)，将样本分为N_b个大小相同的子范围R_k，令x_k的特征输出为f(x_k)：

X_k＝{x_k|f(x_k)∈R_k}；

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,...,N_b，ε为平滑因子，W^k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。

2.根据权利要求1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x_k，然后对x_k用最小二乘法训练出一个线性分类空间W*，得到x_k的特征输出为：

f(x_k)＝w^*·x_k+(p,q)；

S52：将得到的特征输出f(x_k)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。