CN105224922B - 一种人车分类视频流式处理系统及方法 - Google Patents
一种人车分类视频流式处理系统及方法 Download PDFInfo
- Publication number
- CN105224922B CN105224922B CN201510602400.4A CN201510602400A CN105224922B CN 105224922 B CN105224922 B CN 105224922B CN 201510602400 A CN201510602400 A CN 201510602400A CN 105224922 B CN105224922 B CN 105224922B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- people
- foreground
- target
- sliding window
- 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.)
- Expired - Fee Related
Links
- 238000012545 processing Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims description 26
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 230000003044 adaptive effect Effects 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 23
- 239000000203 mixture Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 5
- 239000004744 fabric Substances 0.000 claims 2
- 239000000284 extract Substances 0.000 abstract description 5
- 230000007246 mechanism Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005111 flow chemistry technique Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010025 steaming Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种人车分类视频流式处理系统，包括前景前景目标提取模块、前景检测识别模块和人车目标分类模块；所述前景目标提取模块，用于输入视频，采用混合高斯背景建模参数自适应在线学习算法和在线EM算法对视频进行前景提取；所述前景检测识别模块，用于采用多级别可控划窗的人车目标识别算法对前景进行人车识别；所述人车目标分类模块，用于通过人车分类算法对人车识别后的前景进行人车分类测试分析，实现人车分类。相对现有技术，本发明能在复杂场景下前景准确提取前景目标，提升了目标准确性，能够稳定高效对多路视频流数据进行并行化处理。
Description
技术领域
本发明涉及机器视觉领域，特别涉及一种人车分类视频流式处理系统及方法。
背景技术
近年来，随着人们生活文化水平的逐步提高及经济的飞速发展，人口高度聚集造成的交通拥堵和社会安全问题越来越受到人们的重视，与之对应的视频监控技术也得到了极大发展。视频监控系统已经成为处理城市交通问题和社区安全问题的一种实用的基本做法。但是在高清视频数据快速膨胀的今天，对海量的视频进行人车分类视频流式处理越来越重要。
在人车分类方法实现中，针对复杂场景下前景目标的提取一般采用混合高斯背景建模，但是由于像素值在光线干扰下在中心位置停留时间较短，围绕这一中心位置波动的数据准确地来说并不属于高斯分布，因此也就无法准确地确定这些数据的中心值及方差，造成实际分割的效果并不完美。对于人车目标检测识别部分的实现中，传统的方法是针对基于HOG算子结合SVM分类器实现固定滑窗检测目标，该方法会造成过小目标的漏检、过大目标的误检的问题，目前并行处理海量大数据的流行平台是hadoop开源并行框架，但是hadoop针对离线海量视频批处理无法满足视频流式处理需求。
发明内容
本发明所要解决的技术问题是提供一种能在复杂场景下前景准确提取前景目标，提升了目标准确性，能够稳定高效对多路视频流数据进行并行化处理的人车分类视频流式处理系统及方法。
本发明解决上述技术问题的技术方案如下：一种人车分类视频流式处理系统，包括前景目标提取模块、前景检测识别模块和人车目标分类模块；
所述前景目标提取模块，用于输入视频，采用混合高斯背景建模参数自适应在线学习算法和在线EM算法对视频进行前景提取；
所述前景检测识别模块，用于采用多级别可控划窗的人车目标识别算法对前景中的人车识别；
所述人车目标分类模块，用于通过人车分类算法对人车识别后的前景进行人车分类测试分析，实现人车分类。
本发明的有益效果是：通过对高斯分布的自适应在线学习和在线EM算法能较快的获得高斯背景模型更新的最优化参数组合，有效提高了复杂场景下前景目标提取的准确性；其次通过不同级别的滑动窗口尺寸及训练对应的SVM分类器，有效提高了目标识别的准确性；最后融入人车分类算法进行测试分析，能够稳定高效的完成多路视频流数据处理。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述混合高斯背景建模参数自适应在线学习算法的具体为：通过对视频观测值的扰动进行学习来评估高斯分布数，将混合高斯模型数m迭代计算实时更新，实现混合高斯背景建模参数的自适应学习。
采用上述进一步方案的有益效果是：能更准确的获得背景信息，减少后续迭代计算的工作量，提高了复杂场景下前景目标提取的准确性。
进一步，所述多级别可控划窗的人车目标识别单元具体实现为：通过对不同级别大小的滑窗尺寸进行设定及训练对应的SVM分类器模板，进而匹配缩放后的不同大小ROI前景区域实现目标的识别。
进一步，所述前景检测识别模块包括窗口设置单元、匹配值计算单元、匹配窗口单元、前景缩放单元和检测识别单元；
所述窗口设置单元，用于设置多个不同级别尺寸的滑动窗口；
所述匹配值计算单元，用于在前景ROI区域提取运动目标轮廓组成的矩形区域，计算矩形区域的高度值W，根据矩形区域高度值W匹配多个不同级别尺寸的滑动窗口，匹配算法如下：
Ni＝W/Wi(i＝1,2,3)
其中Wi为不同级别的滑动窗口高度尺寸，Ni为匹配值；
所述匹配窗口单元，用于根据向下采样规则利用匹配值Ni选择对应尺寸的滑动窗口；
所述前景缩放单元，用于最后对前景ROI区域进行缩放处理，使之能达到对应尺寸的滑动窗口的尺寸；
所述检测识别单元，用于根据不同级别尺寸的滑窗选择训练样本，利用训练样本训练相对应的SVM分类器，通过对应尺寸的滑动窗口的SVM分类器对前景ROI区域进行人车的检测识别。
采用上述进一步方案的有益效果是：能有效避免固定滑窗检测目标过程中过小目标的漏检、过大目标的误检的问题，有效提高了目标识别的准确性。
进一步，所述人车目标分类模块基于Storm云平台的视频流式并行化处理框架，通过人车分类算法对人车识别后的前景进行人车分类测试分析，实现人车分类。
采用上述进一步方案的有益效果是：能够稳定高效的完成多路视频流数据的并行化处理，提升了视频流处理过程中数据处理的可靠性。
本发明解决上述技术问题的另一技术方案如下：一种人车分类视频流式处理方法，包括以下步骤：
步骤S1.用于输入视频，采用混合高斯背景建模参数自适应在线学习算法和在线EM算法对视频进行前景提取；
步骤S2.用于采用多级别可控划窗的人车目标识别算法对前景中的人车识别；
步骤S3.通过人车分类算法对人车识别后的前景进行人车分类测试分析，实现人车分类。
本发明的有益效果是：通过对高斯分布的自适应在线学习和在线EM算法能较快的获得高斯背景模型更新的最优化参数组合，有效提高了复杂场景下前景目标提取的准确性；其次通过不同级别的滑动窗口尺寸及训练对应的SVM分类器，有效提高了目标识别的准确性；最后融入人车分类算法进行测试分析，能够稳定高效的完成多路视频流数据处理。
进一步，所述混合高斯背景建模参数自适应在线学习算法的具体为：通过对视频观测值的扰动进行学习来评估高斯分布数，将混合高斯模型数m迭代计算实时更新，实现混合高斯背景建模参数的自适应学习。
采用上述进一步方案的有益效果是：能更准确的获得背景信息，减少后续迭代计算的工作量，提高了复杂场景下前景目标提取的准确性。
进一步，所述多级别可控划窗的人车目标识别单元具体实现为：通过对不同级别大小的滑窗尺寸设定及训练对应的SVM分类器模板，进而匹配缩放后的不同大小ROI前景区域实现目标的识别。
进一步，所述步骤S2的多级别可控划窗的人车目标识别算法的具体实现步骤为：
步骤S21.设置多个不同级别尺寸的滑动窗口；
步骤S22.在前景ROI区域提取运动目标轮廓组成的矩形区域，计算矩形区域的高度值W，根据矩形区域高度值W匹配多个不同级别尺寸的滑动窗口，匹配算法如下：
Ni＝W/Wi(i＝1,2,3)
其中Wi为不同级别的滑动窗口高度尺寸，Ni为匹配值；
步骤S23.根据向下采样规则利用匹配值Ni选择对应尺寸的滑动窗口；
步骤S24.最后对前景ROI区域进行缩放处理，使之能达到对应尺寸的滑动窗口的尺寸；
步骤S25.根据不同级别尺寸的滑窗选择训练样本，利用训练样本训练相对应的SVM分类器，通过对应尺寸的滑动窗口的SVM分类器对前景ROI区域进行人车的检测识别。
采用上述进一步方案的有益效果是：能有效避免固定滑窗检测目标过程中过小目标的漏检、过大目标的误检的问题，有效提高了目标识别的准确性。
进一步，所述人车目标分类模块基于Storm云平台的视频流式并行化处理框架，通过人车分类算法对人车识别后的前景进行人车分类测试分析，实现人车分类。
采用上述进一步方案的有益效果是：能够稳定高效的完成多路视频流数据的并行化处理，提升了视频流处理过程中数据处理的可靠性。
附图说明
图1为本发明一种人车分类视频流式处理系统的模块框图；
图2为本发明一种人车分类视频流式处理系统的方法流程图；
图3为前景检测识别模块的模块框图；
图4为Storm云平台的视频流式并行化处理框架内存共享机制图；
图5为VideoStreamSpout组件的处理流程图。
附图中，各标号所代表的部件列表如下：
1、前景目标提取模块，2、前景检测识别模块，3、人车目标分类模块；
21、窗口设置单元，22、匹配值计算单元，23、匹配窗口单元，24、前景缩放单元，25、检测识别单元。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例1：
如图1所示，一种人车分类视频流式处理系统，包括前景目标提取模块1、前景检测识别模块2和人车目标分类模块3；
所述前景目标提取模块1，用于输入视频，采用混合高斯背景建模参数自适应在线学习算法和在线EM算法对视频进行前景提取；
所述前景检测识别模块2，用于采用多级别可控划窗的人车目标识别算法对前景中的人车识别；
所述人车目标分类模块3，用于通过人车分类算法对人车识别后的前景进行人车分类测试分析，实现人车分类。
优选的，所述混合高斯背景建模参数自适应在线学习算法的具体为：通过对视频观测值的扰动进行学习来评估高斯分布数，将混合高斯模型数m迭代计算实时更新，实现混合高斯背景建模参数的自适应学习。
优选的，所述多级别可控划窗的人车目标识别单元具体实现为：通过对不同级别大小的滑窗尺寸进行设定及训练对应的SVM分类器模板，进而匹配缩放后的不同大小ROI前景区域实现目标的识别。
优选的，如图3所示，所述前景检测识别模块2包括窗口设置单元21、匹配值计算单元22、匹配窗口单元23、前景缩放单元24和检测识别单元25；
所述窗口设置单元21，用于设置多个不同级别尺寸的滑动窗口；
所述匹配值计算单元22，用于在前景ROI区域提取运动目标轮廓组成的矩形区域，计算矩形区域的高度值W，根据矩形区域高度值W匹配多个不同级别尺寸的滑动窗口，匹配算法如下：
Ni＝W/Wi(i＝1,2,3)
其中Wi为不同级别的滑动窗口高度尺寸，Ni为匹配值；
所述匹配窗口单元23，用于根据向下采样规则利用匹配值Ni选择对应尺寸的滑动窗口；
所述前景缩放单元24，用于最后对前景ROI区域进行缩放处理，使之能达到对应尺寸的滑动窗口的尺寸；
所述检测识别单元25，用于根据不同级别尺寸的滑窗选择训练样本，利用训练样本训练相对应的SVM分类器，通过对应尺寸的滑动窗口的SVM分类器对前景ROI区域进行人车的检测识别。
优选的，所述人车目标分类模块3基于Storm云平台的视频流式并行化处理框架，通过人车分类算法对人车识别后的前景进行人车分类测试分析，实现人车分类。
如图4和图5所示，拓扑是Storm流式处理平台应用程序的实现部分，本步骤实现视频数据的流式处理，需要构建符合视频数据处理的拓扑结构；
首先，自定义VideoStreamSpout组件设计，在Storm平台拓扑结构中，Spout组件是消息的生产者，负责数据的抓取；自定义VideoStreamSpout类组件，通过继承BaseRichSpout接口实现缓存视频流数据读取，获取独立的缓存视频流，当缓存流达到元组要求就以队列形式推送；open()方法打开缓存流，将数据封装成Tuple，通过nextTuple()方法不间断发送新的Tuple到消息队列。为保证数据的连续性。
其次，Storm在检测到一个元组被成功处理时调用重写的ack()方法，否者调用fail()方法，这样保证了数据处理的可靠性；
最后，自定义VideoStreamBolt类组件主要实现计算任务的处理，VideoStreamBolt组件与VideoStreamSpout组件之间通过松耦合的管道机制实现流传输，这种调度机制极大提升了并行计算的稳定性和可扩展性。VideoStreamSpout组件中通过重写excute()方法对队列推送过来的元组数据进行算法处理。通过重写prepare()方法读取配置文件，初始化资源类，在不打破Storm并行计算框架和Java应用程序环境的情况下，通过内存共享机制，调用人车分类算法动态库，实现数据同步变化，以实现在并行框架下实现视频流式的人车分类。
优选的，所述人车目标分类模块3基于Storm云平台的视频流式并行化处理框架，通过人车分类算法对人车识别后的前景进行人车分类测试分析，实现人车分类。
如图2所示，一种人车分类视频流式处理方法，包括以下步骤：
步骤S1.用于输入视频，采用混合高斯背景建模参数自适应在线学习算法和在线EM算法对视频进行前景提取；
步骤S2.用于采用多级别可控划窗的人车目标识别算法对前景中的人车识别；
步骤S3.通过人车分类算法对人车识别后的前景进行人车分类测试分析，实现人车分类。
优选的，所述混合高斯背景建模参数自适应在线学习算法的具体为：通过对视频观测值的扰动进行学习来评估高斯分布数，将混合高斯模型数m迭代计算实时更新，实现混合高斯背景建模参数的自适应学习。
优选的，所述多级别可控划窗的人车目标识别单元具体实现为：通过对不同级别大小的滑窗尺寸设定及训练对应的SVM分类器模板，进而匹配缩放后的不同大小ROI前景区域实现目标的识别。
优选的，所述步骤S2的多级别可控划窗的人车目标识别算法的具体实现步骤为：
步骤S21.设置多个不同级别尺寸的滑动窗口；
步骤S22.在前景ROI区域提取运动目标轮廓组成的矩形区域，计算矩形区域的高度值W，根据矩形区域高度值W匹配多个不同级别尺寸的滑动窗口，匹配算法如下：
Ni＝W/Wi(i＝1,2,3)
其中Wi为不同级别的滑动窗口高度尺寸，Ni为匹配值；
步骤S23.根据向下采样规则利用匹配值Ni选择对应尺寸的滑动窗口；
步骤S24.最后对前景ROI区域进行缩放处理，使之能达到对应尺寸的滑动窗口的尺寸；
步骤S25.根据不同级别尺寸的滑窗选择训练样本，利用训练样本训练相对应的SVM分类器，通过对应尺寸的滑动窗口的SVM分类器对前景ROI区域进行人车的检测识别。
实施例2：
步骤一，集群环境的搭建，本实验在操作系统为centos6.6的64位华硕服务器下实现，硬件环境如下:CPU为2个6核Intel(R)Xeon(R)CPU E5-2620处理器，内存为64Gbyte，通过KVM虚拟化技术搭建Storm集群。KVM(基于内核的虚拟机)是一种用于Linux内核的虚拟化基础设施，能在不改变系统镜像的情况下同时运行多个虚拟机，并为每个虚拟机配置网卡，CPU，磁盘，图形适配器等个性化硬件环境。
集群中设置1个Numbus节点和3个Supervisor节点，网络环境为10.0.0.1网段的局域网。各虚拟节点硬件配置如下表所示，其中每一个静态IP地址对应着一个计算机节点，采用的主要软件版本为apache-storm-0.9.2-incubating、apachemaven3.2.1、zookeeper-3.4.5。
| 虚拟机IP地址 | CPU核数 | 内存大小(Gbyte) |
| 10.0.88.55 | 3 | 8 |
| 10.0.88.56 | 3 | 4 |
| 10.0.88.57 | 3 | 4 |
| 10.0.88.58 | 3 | 4 |
开发storm应用时需要用到自身的配置文件，storm.yaml提供了Storm集群配置系统的详细信息。主要参数配置如下表所示。
在下表中，storm.zookeeper.servers配置了当前集群中所有Zookeeper机器的IP地址。supervisor.slots.ports指明一台Supervisor机器上所有可以使用的slot(资源槽)信息，由端口号表示，表明该机器上可以启动的worker数。ui.port配置了集群网页界面的端口号为8081。可以通过UI界面查看集群运行状态。
步骤二，算法与并行计算资源的融合，具体实施如下：
在不改变并行框架结构及算法效率的情况下，Java的JNI(JavaNativeInterface)接口实现了Java数据与C++本地库的数据的互联互通。
本步骤采用自己提出的一种优化的高效并行内存共享机制，可以最大化优化代码的运算速度，在该机制中，Java端作为程序的起始端，负责任务的分发及资源调度，构建并行计算环境。当有数据交互发生时，Java端开辟堆内存空间与JNI层共享，并将数据信息导入共享内存，通过地址值的传递，实现本地算法与Java端的数据交互，同时，也可以通过并行内存共享机制，将本地算法处理完成后的人车等目标信息导入Java端。
在不打破并行计算框架和Java应用程序环境的情况下，通过内存共享机制，Java端与C++本地算法实现端数据同步变化，相比于普通的数组拷贝，效率更高更快，减少了数据堵塞的产生，且适合长期使用、频繁访问的大块内存的共享。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种人车分类视频流式处理系统，其特征在于：包括前景目标提取模块(1)、前景检测识别模块(2)和人车目标分类模块(3)；
所述前景目标提取模块(1)，用于输入视频，采用混合高斯背景建模参数自适应在线学习算法和在线EM算法对视频进行前景提取；
所述前景检测识别模块(2)，用于采用多级别可控划窗的人车目标识别算法对前景中的人车识别；
所述人车目标分类模块(3)，用于通过人车分类算法对人车识别后的前景进行人车分类测试分析，实现人车分类；
所述前景检测识别模块(2)包括窗口设置单元(21)、匹配值计算单元(22)、匹配窗口单元(23)、前景缩放单元(24)和检测识别单元(25)；
所述窗口设置单元(21)，用于设置多个不同级别尺寸的滑动窗口；
所述匹配值计算单元(22)，用于在前景ROI区域提取运动目标轮廓组成的矩形区域，计算矩形区域的高度值W，根据矩形区域高度值W匹配多个不同级别尺寸的滑动窗口，匹配算法如下：
Ni＝W/Wi(i＝1,2,3)
其中Wi为不同级别的滑动窗口高度尺寸，Ni为匹配值；
所述匹配窗口单元(23)，用于根据向下采样规则利用匹配值Ni选择对应尺寸的滑动窗口；
所述前景缩放单元(24)，用于最后对前景ROI区域进行缩放处理，使之能达到对应尺寸的滑动窗口的尺寸；
所述检测识别单元(25)，用于根据不同级别尺寸的滑窗选择训练样本，利用训练样本训练相对应的SVM分类器，通过对应尺寸的滑动窗口的SVM分类器对前景ROI区域进行人车的检测识别。
2.根据权利要求1所述一种人车分类视频流式处理系统，其特征在于，所述混合高斯背景建模参数自适应在线学习算法具体为：通过对视频观测值的扰动进行学习来评估高斯分布数，将混合高斯模型数m迭代计算实时更新，实现混合高斯背景建模参数的自适应学习。
3.根据权利要求1所述一种人车分类视频流式处理系统，其特征在于，所述多级别可控划窗的人车目标识别单元具体实现为：通过对不同级别大小的滑窗尺寸进行设定及训练对应的SVM分类器模板，进而匹配缩放后的不同大小ROI前景区域实现目标的识别。
4.根据权利要求1至3任一项所述一种人车分类视频流式处理系统，其特征在于，所述人车目标分类模块(3)基于Storm云平台的视频流式并行化处理框架，通过人车分类算法对人车识别后的前景进行人车分类测试分析，实现人车分类。
5.一种人车分类视频流式处理方法，其特征在于，包括以下步骤：
步骤S1.用于输入视频，采用混合高斯背景建模参数自适应在线学习算法和在线EM算法对视频进行前景提取；
步骤S2.用于采用多级别可控划窗的人车目标识别算法对前景中的人车识别；
步骤S3.通过人车分类算法对人车识别后的前景进行人车分类测试分析，实现人车分类；
所述步骤S2的多级别可控划窗的人车目标识别算法的具体实现步骤为：
步骤S21.设置多个不同级别尺寸的滑动窗口；
步骤S22.在前景ROI区域提取运动目标轮廓组成的矩形区域，计算矩形区域的高度值W，根据矩形区域高度值W匹配多个不同级别尺寸的滑动窗口，匹配算法如下：
Ni＝W/Wi(i＝1,2,3)
其中Wi为不同级别的滑动窗口高度尺寸，Ni为匹配值；
步骤S23.根据向下采样规则利用匹配值Ni选择对应尺寸的滑动窗口；
步骤S24.最后对前景ROI区域进行缩放处理，使之能达到对应尺寸的滑动窗口的尺寸；
步骤S25.根据不同级别尺寸的滑窗选择训练样本，利用训练样本训练相对应的SVM分类器，通过对应尺寸的滑动窗口的SVM分类器对前景ROI区域进行人车的检测识别。
6.根据权利要求5所述一种人车分类视频流式处理方法，其特征在于，所述混合高斯背景建模参数自适应在线学习算法具体为：通过对视频观测值的扰动进行学习来评估高斯分布数，将混合高斯模型数m迭代计算实时更新，实现混合高斯背景建模参数的自适应学习。
7.根据权利要求5所述一种人车分类视频流式处理方法，其特征在于，所述多级别可控划窗的人车目标识别算法具体实现为：通过对不同级别大小的滑窗尺寸设定及训练对应的SVM分类器模板，进而匹配缩放后的不同大小ROI前景区域实现目标的识别。
8.根据权利要求5至7任一项所述一种人车分类视频流式处理方法，其特征在于，所述步骤S3的具体实现为：基于Storm云平台的视频流式并行化处理框架，通过人车分类算法对人车识别后的前景进行人车分类测试分析，实现人车分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510602400.4A CN105224922B (zh) | 2015-09-18 | 2015-09-18 | 一种人车分类视频流式处理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510602400.4A CN105224922B (zh) | 2015-09-18 | 2015-09-18 | 一种人车分类视频流式处理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105224922A CN105224922A (zh) | 2016-01-06 |
| CN105224922B true CN105224922B (zh) | 2018-10-16 |
Family
ID=54993882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510602400.4A Expired - Fee Related CN105224922B (zh) | 2015-09-18 | 2015-09-18 | 一种人车分类视频流式处理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105224922B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110555125A (zh) * | 2018-05-14 | 2019-12-10 | 桂林远望智能通信科技有限公司 | 一种基于局部特征的车辆检索方法 |
| CN111918025A (zh) * | 2020-06-29 | 2020-11-10 | 北京大学 | 一种场景视频的处理方法、装置、存储介质及终端 |
| CN112102353B (zh) * | 2020-08-27 | 2024-06-07 | 普联国际有限公司 | 运动目标的分类方法、装置、设备及存储介质 |
| CN113221706B (zh) * | 2021-04-30 | 2024-03-22 | 西安聚全网络科技有限公司 | 基于多进程的多路视频流的ai分析方法及系统 |
| CN114841345B (zh) * | 2022-03-28 | 2023-06-16 | 武汉理工大学 | 一种基于深度学习算法的分布式计算平台及其应用 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324955A (zh) * | 2013-06-14 | 2013-09-25 | 浙江智尔信息技术有限公司 | 一种基于视频处理的行人检测方法 |
| CN104134078A (zh) * | 2014-07-22 | 2014-11-05 | 华中科技大学 | 一种人流量统计系统中分类器的自动选择方法 |
| CN104519323A (zh) * | 2014-12-26 | 2015-04-15 | 桂林远望智能通信科技有限公司 | 一种人车目标分类系统和方法 |
-
2015
- 2015-09-18 CN CN201510602400.4A patent/CN105224922B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324955A (zh) * | 2013-06-14 | 2013-09-25 | 浙江智尔信息技术有限公司 | 一种基于视频处理的行人检测方法 |
| CN104134078A (zh) * | 2014-07-22 | 2014-11-05 | 华中科技大学 | 一种人流量统计系统中分类器的自动选择方法 |
| CN104519323A (zh) * | 2014-12-26 | 2015-04-15 | 桂林远望智能通信科技有限公司 | 一种人车目标分类系统和方法 |
Non-Patent Citations (3)
| Title |
|---|
| 一种适应运动前景的快速行人检测算法;鲁超 等;《电视技术》;20150115;第39卷(第1期);正文第1节 * |
| 基于自适应滑动窗的模糊场景行人快速检测;常庆龙 等;《电视技术》;20121015;第36卷(第19期);正文第1节 * |
| 混合高斯模型的自适应前景提取;李百惠 等;《中国图象图形学报》;20131231;第18卷(第12期);正文第2节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105224922A (zh) | 2016-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105224922B (zh) | 一种人车分类视频流式处理系统及方法 | |
| McChesney et al. | Defog: fog computing benchmarks | |
| TWI773189B (zh) | 基於人工智慧的物體檢測方法、裝置、設備及儲存媒體 | |
| Li et al. | Learning IoT in edge: Deep learning for the Internet of Things with edge computing | |
| US10769496B2 (en) | Logo detection | |
| Shi et al. | A real-time deep network for crowd counting | |
| CN105426905B (zh) | 基于梯度直方图和支持向量机的机器人障碍物识别方法 | |
| WO2022037541A1 (zh) | 图像处理模型训练方法、装置、设备及存储介质 | |
| CN110232373A (zh) | 人脸聚类方法、装置、设备和存储介质 | |
| CN110287316A (zh) | 一种告警分类方法、装置、电子设备及存储介质 | |
| Patel et al. | Machine learning based statistical prediction model for improving performance of live virtual machine migration | |
| CN111431819A (zh) | 一种基于序列化的协议流特征的网络流量分类方法和装置 | |
| Zhou et al. | EDDs: A series of Efficient Defect Detectors for fabric quality inspection | |
| Xiao et al. | A traffic classification method with spectral clustering in SDN | |
| KR20230132350A (ko) | 연합 감지 모델 트레이닝, 연합 감지 방법, 장치, 설비 및 매체 | |
| Pudasaini et al. | Scalable object detection, tracking and pattern recognition model using edge computing | |
| CN113449778B (zh) | 用于量子数据分类的模型训练方法以及量子数据分类方法 | |
| US11948356B2 (en) | Object location determination in frames of a video stream | |
| Huang et al. | A smart-decision system for realtime mobile ar applications | |
| Zhang et al. | A realtime framework for video object detection with storm | |
| Nimi et al. | Earlin: Early out-of-distribution detection for resource-efficient collaborative inference | |
| Zongqi | Transmission line inspection image recognition technology based on YOLOv2 network | |
| He et al. | Improved CenterNet for Accurate and Fast Fitting Object Detection | |
| Hu et al. | Speeding-up age estimation in intelligent demographics system via network optimization | |
| Zhang et al. | A scalable and efficient multi-label CNN-based license plate recognition on spark |
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 |
Granted publication date: 20181016 |