CN109344800B - 一种基于小运动目标的快速分类与识别方法 - Google Patents

一种基于小运动目标的快速分类与识别方法 Download PDF

Info

Publication number
CN109344800B
CN109344800B CN201811250788.6A CN201811250788A CN109344800B CN 109344800 B CN109344800 B CN 109344800B CN 201811250788 A CN201811250788 A CN 201811250788A CN 109344800 B CN109344800 B CN 109344800B
Authority
CN
China
Prior art keywords
contour
fitting
area
target
moving
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.)
Active
Application number
CN201811250788.6A
Other languages
English (en)
Other versions
CN109344800A (zh
Inventor
孙文华
吴立峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanchang Institute of Technology
Original Assignee
Nanchang Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanchang Institute of Technology filed Critical Nanchang Institute of Technology
Priority to CN201811250788.6A priority Critical patent/CN109344800B/zh
Publication of CN109344800A publication Critical patent/CN109344800A/zh
Application granted granted Critical
Publication of CN109344800B publication Critical patent/CN109344800B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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

Abstract

本发明公开了一种基于小运动目标的快速分类与识别方法，涉及图像处理技术领域，根据小目标的特点，提出先提取运动目标的轮廓，再对其轮廓进行矩形拟合和椭圆拟合，将轮廓、拟合矩形、拟合椭圆三者的形状描述特征参数相结合作为新的鲁棒性比较强的目标形状描述算子。最后，设计可扩展性较强的树形分类器，对运动目标进行分类，将运动目标分为行人、骑车的人和汽车三大类，树形分类器不但具有较低的时间复杂度，而且能够在保证分类准确性的前提下，同时提高在不同情况下的鲁棒性。

Description

一种基于小运动目标的快速分类与识别方法
技术领域
本发明涉及图像处理技术领域，特别是涉及一种基于小运动目标的快速分类与识别方法。
背景技术
视频监控系统的最终目的是对场景中出现的运动目标进行行为分析和行为理解，在智能安全监控、安防系统、交通道路监管系统等方面都具有广泛的应用。例如：在智能安全监控系统中，需要对监控场景中出现的运动目标的行为做出分析和判断，首先就需要对检测到的运动目标进行分类识别，对不同种类的运动目标采取不同的处理方式。例如：当目标“人”进入某一特定场景的敏感区域时发生报警；当“汽车”进入场景某一特定区域后进行跟踪、车牌识别、测速等处理。
国内外的学者已经就目标分类的问题进行了比较多的研究，目前主流的三种方法是：基于形状信息的分类、基于运动特性的分类和以上两种的结合。
基于形状信息的分类主要是利用观察者角度的视觉特征，视觉特征主要包括两大类：全局特征和细节特征。全局特征包括颜色、纹理、形状等信息；细节特征包括了诸如人脸、指纹、瞳孔等基于应用的特征。目前研究比较多的主要是采用运动目标的离散度、面积、长宽比、傅里叶描述子等形状信息，结合神经网络、支持向量机、模板匹配等进行运动目标的分类。其优点在于对已有样本或模板的运动目标具有较好的分类效果，缺点在于样本训练和模板的匹配运算量较大，样本或模板的数量越多，分类的准确性就越高，但同时分类速度也会越慢，并且对于没有样本或模板的运动目标的分类准确性较低。
基于运动特性的分类就是利用目标运动的周期性或运动的相关特性进行目标分类。由于人的运动具有周期性，其运动具有自相关性，因此通过时频化方法分析目标是否存在周期性的运动特征就可以将“人”识别出来。Culter与Davis跟踪感兴趣的运动目标，计算出目标随着时间变化的自相关特性来进行目标的分类识别；由于非刚性人的运动相比于刚性的车辆运动而言具有更高的平均残余光流，同时它也能呈现出周期性的运动特性，Lipton通过计算运动区域的残余光流来分析运动实体的刚性和周期性，也可以将人与其他运动目标区分开来。Yang Ran和Tsaac Weiss也是采用运动特性的周期性来区分人和车辆。上述基于运动特性的分类对于单纯的周期性和非周期性运动目标具有很好的分类效果，但对多种周期性和多种非周期性的运动目标分类效果较差。同时，目标的周期性计算较复杂，提取周期性对观察目标的角度有一定难度。
发明内容
本发明实施例提供了一种基于小运动目标的快速分类与识别方法，可以解决现有技术中存在的问题。
本发明提供了一种基于小运动目标的快速分类与识别方法，其特征在于，所述方法包括以下步骤：
提取目标的轮廓，每个轮廓对应于一个检测到的目标；
分别计算所述轮廓的面积、周长和轮廓包含的节点数，根据轮廓包含的节点数和轮廓面积判断目标是否为运动目标；
对确定为运动目标的轮廓进行拟合，并提取拟合图形的参数；
根据拟合图形的参数计算运动目标的形状特征；
将所述形状特征输入分类器，对运动目标进行分类。
本发明实施例中的一种基于小运动目标的快速分类与识别方法，根据小目标的特点，提出先提取运动目标的轮廓，再对其轮廓进行矩形拟合和椭圆拟合，将轮廓、拟合矩形、拟合椭圆三者的形状描述特征参数相结合作为新的鲁棒性比较强的目标形状描述算子。最后，设计可扩展性较强的树形分类器，对运动目标进行分类，将运动目标分为行人、骑车的人(包括骑自行车的人和骑三轮车的人)和汽车三大类，树形分类器不但具有较低的时间复杂度，而且能够在保证分类准确性的前提下，同时提高在不同情况下的鲁棒性。
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地介绍，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为本发明实施例一种基于小运动目标的快速分类与识别方法的流程图；
图2为采用矩形拟合时的示意图；
图3为采用椭圆拟合时的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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。
参照图1，本发明实施例提供了一种基于小运动目标的快速分类与识别方法，该方法包括以下步骤：
步骤1，提取目标的轮廓，每个轮廓对应于一个检测到的目标。提取的轮廓分为两层：连通域的外围边界和洞的内层边界。对目标进行连通域分析可以描绘出外围边界，得到目标的整体轮廓。内层边界可以描述出目标的轮廓的复杂性，也可以作为一个很好的分类因子。
步骤2，分别计算所述轮廓的面积CArea、周长CLength和轮廓包含的节点数CCount。可以通过预设的轮廓包含的节点数和轮廓的面积来设定一个目标检测的灵敏度，即仅当计算得到的目标的轮廓所包含的节点数不小于预设的节点数阈值，且计算得到的轮廓面积不小于预设的面积阈值的目标才视为运动目标，其他都视为背景的斑点噪声，即要求满足：
CCount＞Const1,CArea＞Const2 (1)
其中，Const1和Const2分别用来表示轮廓中节点数的阈值和轮廓面积的阈值，这样一方面可以滤除由于运动目标检测带来的少许噪声，例如树叶的晃动斑点噪声等，另一方面接下来的拟合工作就只针对确定为运动目标轮廓中的节点数，即像素值，减少计算量，降低算法的时间复杂度。本发明轮廓中的节点数阈值Const1为10，轮廓面积阈值Const2为30。
步骤3，对确定为运动目标的轮廓进行拟合，并提取拟合图形的参数。本发明中进行的拟合操作包括矩形拟合和椭圆拟合，提取的拟合图形的参数为拟合矩形的长RHeight、宽RWidth和长宽比
Figure BDA0001841641560000041
以及提取拟合椭圆的长轴长EHeight、短轴长EWidth和长轴与水平轴X轴之间的夹角EAngle。矩形拟合和椭圆拟合的过程分别如图2和3所示。
步骤4，根据拟合图形的参数计算运动目标的形状特征，该形状特征包括离散度Dispersion、拟合矩形的长宽比Rratio、拟合椭圆的长轴旋转角度EAngle、轮廓面积CArea、拟合矩形和拟合椭圆的长之比和他们的宽之比之间的差值Different，其中：
Figure BDA0001841641560000042
Figure BDA0001841641560000043
步骤5，将所述形状特征输入分类器，对运动目标进行分类。所述分类器为两层的树形分类器，第一层主要将运动目标分为人和汽车两大类，第二层主要将人进一步细分为行人和骑车的人(包括骑自行车和骑三轮车的人)。第一层分类器主要利用其长宽比、拟合椭圆长轴旋转角度、轮廓面积、拟合矩形与拟合椭圆的长宽比之差作为判断因子，第二层分类器主要利用轮廓面积、长宽比和离散度作为判断因子。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (3)

1.一种基于小运动目标的快速分类与识别方法，其特征在于，所述方法包括以下步骤：
提取目标的轮廓，每个轮廓对应于一个检测到的目标；
分别计算所述轮廓的面积、周长和轮廓包含的节点数，根据轮廓包含的节点数和轮廓面积判断目标是否为运动目标；
对确定为运动目标的轮廓进行拟合，并提取拟合图形的参数；
根据拟合图形的参数计算运动目标的形状特征；
将所述形状特征输入分类器，对运动目标进行分类；
其中，对运动目标的轮廓进行的拟合包括矩形拟合和椭圆拟合，提取的拟合图形的参数为拟合矩形的长RHeight、宽RWidth和长宽比
Figure FDA0002717859480000011
以及拟合椭圆的长轴长EHeight、短轴长EWidth和长轴与水平轴X轴之间的夹角EAngle；
所述形状特征包括离散度Dispersion、拟合矩形和拟合椭圆的长之比和他们的宽之比之间的差值Different，即：
Figure FDA0002717859480000012
Figure FDA0002717859480000013
其中，CLength和CArea分别表示轮廓的周长和面积。
2.如权利要求1所述的基于小运动目标的快速分类与识别方法，其特征在于，将计算得到的轮廓面积与预设的面积阈值进行比较，并将计算得到的轮廓包含的节点数与预设的节点数阈值进行比较，当计算得到的轮廓面积大于或等于预设的面积阈值，且计算得到的轮廓包含的节点数大于或等于预设的节点数阈值时，确定目标为运动目标。
3.如权利要求1所述的基于小运动目标的快速分类与识别方法，其特征在于，所述分类器为两层的树形分类器，第一层将运动目标分为人和汽车两大类，第二层将人进一步细分为行人和骑车的人。
CN201811250788.6A 2018-10-25 2018-10-25 一种基于小运动目标的快速分类与识别方法 Active CN109344800B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811250788.6A CN109344800B (zh) 2018-10-25 2018-10-25 一种基于小运动目标的快速分类与识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811250788.6A CN109344800B (zh) 2018-10-25 2018-10-25 一种基于小运动目标的快速分类与识别方法

Publications (2)

Publication Number Publication Date
CN109344800A CN109344800A (zh) 2019-02-15
CN109344800B true CN109344800B (zh) 2020-11-20

Family

ID=65312175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811250788.6A Active CN109344800B (zh) 2018-10-25 2018-10-25 一种基于小运动目标的快速分类与识别方法

Country Status (1)

Country Link
CN (1) CN109344800B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001344A (zh) * 2020-08-31 2020-11-27 深圳市豪恩汽车电子装备股份有限公司 机动车目标检测装置及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101389004A (zh) * 2007-09-13 2009-03-18 中国科学院自动化研究所 一种基于在线学习的运动目标分类方法
CN101739685A (zh) * 2009-02-11 2010-06-16 北京智安邦科技有限公司 运动目标分类方法及其系统
CN101872414A (zh) * 2010-02-10 2010-10-27 杭州海康威视软件有限公司 可去除虚假目标的人流量统计的方法及系统
CN102521563A (zh) * 2011-11-19 2012-06-27 江苏大学 基于椭圆拟合的猪行走姿态识别方法
CN104599502A (zh) * 2015-02-13 2015-05-06 重庆邮电大学 一种基于视频监控的车流量统计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10176642B2 (en) * 2015-07-17 2019-01-08 Bao Tran Systems and methods for computer assisted operation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101389004A (zh) * 2007-09-13 2009-03-18 中国科学院自动化研究所 一种基于在线学习的运动目标分类方法
CN101739685A (zh) * 2009-02-11 2010-06-16 北京智安邦科技有限公司 运动目标分类方法及其系统
CN101872414A (zh) * 2010-02-10 2010-10-27 杭州海康威视软件有限公司 可去除虚假目标的人流量统计的方法及系统
CN102521563A (zh) * 2011-11-19 2012-06-27 江苏大学 基于椭圆拟合的猪行走姿态识别方法
CN104599502A (zh) * 2015-02-13 2015-05-06 重庆邮电大学 一种基于视频监控的车流量统计方法

Also Published As

Publication number Publication date
CN109344800A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN109829403B (zh) 一种基于深度学习的车辆防碰撞预警方法及系统
CN103198332B (zh) 一种实时鲁棒的远红外车载行人检测方法
Silva et al. Automatic detection of motorcyclists without helmet
CN105631414B (zh) 一种基于贝叶斯分类器的车载多障碍物分类装置及方法
KR100912746B1 (ko) 교통 표지판 탐지를 위한 방법
Chen et al. Vehicle detection, tracking and classification in urban traffic
CN110119726B (zh) 一种基于YOLOv3模型的车辆品牌多角度识别方法
CN105760847B (zh) 一种对摩托车驾驶员头盔佩戴情况的视觉检测方法
Li et al. Autonomous flame detection in videos with a Dirichlet process Gaussian mixture color model
CN106022243B (zh) 一种基于图像处理的机动车道车辆逆行识别方法
Derpanis et al. Classification of traffic video based on a spatiotemporal orientation analysis
Silva et al. Detection of helmets on motorcyclists
CN109711264A (zh) 一种公交车道占道检测方法及装置
CN111832461B (zh) 一种基于视频流的非机动车骑行人员头盔佩戴检测方法
Hechri et al. Robust road lanes and traffic signs recognition for driver assistance system
CN103400113B (zh) 基于图像处理的高速公路隧道行人检测方法
CN106778742B (zh) 一种基于Gabor滤波器背景纹理抑制的车标检测方法
Sharma et al. Object detection using OpenCV and python
Bhowmick et al. Stereo vision based pedestrians detection and distance measurement for automotive application
CN103034852A (zh) 静止摄像机场景下特定颜色行人的检测方法
CN109858438A (zh) 一种基于模型拟合的车道线检测方法
CN108520528B (zh) 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法
CN111553214A (zh) 一种驾驶员吸烟行为检测方法及系统
CN106951820B (zh) 基于环形模板和椭圆拟合的客流统计方法
CN109344800B (zh) 一种基于小运动目标的快速分类与识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant