專利名稱：物體分類模型的訓(xùn)練方法及利用該模型的識別方法
物體分類模型的訓(xùn)練方法及利用該模型的識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及模式識別技術(shù)領(lǐng)域，特別涉及物體分類模型的訓(xùn)練和利用該模型的識 別方法。
背景技術(shù)：
物體類型識別是智能視頻監(jiān)控領(lǐng)域的一個重要研究課題，是計算機圖像處理技術(shù) 和模式識別技術(shù)在智能視頻監(jiān)控領(lǐng)域的應(yīng)用。物體類型識別技術(shù)廣泛應(yīng)用于道路監(jiān)控、金 融銀行、航道管理等行業(yè)。在現(xiàn)有的物體類型識別技術(shù)中，包括有多種不同方式的物體類型識別技術(shù)，例如 基于啟發(fā)式規(guī)則方式的物體類型識別技術(shù)，多采用物體的形狀、大小、比例等簡單信息對提 取的前景物體進行分析，得到物體類型，這種方法比較簡單，但是效果較差，且抗干擾能力較差。而基于訓(xùn)練模型方式的物體類型識別技術(shù)，一般采用采集割取各類別物體的樣 本，采用離線訓(xùn)練的方式，訓(xùn)練得到能夠區(qū)分樣本類別的分類器，再采用訓(xùn)練模型將監(jiān)控場 景中提取的前景進行分類。大體上，所述物體類型訓(xùn)練識別方法一般分為兩個階段模型訓(xùn) 練階段和根據(jù)模型識別階段。第一階段，訓(xùn)練物體分類模型，訓(xùn)練過程如下首先，進行圖像采集，并從采集到的圖像中提取前景物體區(qū)域；其次，計算提取的前景物體區(qū)域的特征；最后，將計算得到的特征送入物體類型訓(xùn)練模型進行訓(xùn)練，得到物體類型訓(xùn)練模型。第二階段，根據(jù)第一階段訓(xùn)練的物體分類模型對圖像進行物體類型識別，識別過 程如下首先，采集圖像，并提取圖像中的前景物體區(qū)域；其次，采用訓(xùn)練好的模型識別前景物體區(qū)域，得到物體類型。近來，有人在這種物體類型訓(xùn)練識別方法中采用分塊局部二值模式(Local Binary Pattern, LBP)計算樣本特征，雖然分塊LBP在一定程度上表示了物體的鄰域信息， 該種方法在一些圖像中也能夠達到良好的效果，但是這種方法還沒有很好的利用幀間信 息。另一方面，現(xiàn)有的物體類型訓(xùn)練識別方法中，對于前景物體區(qū)域的提取只是簡單地進行 縮放，并沒有去考慮圖像中不同視角對物體特征的影響。因此，有必要提出一種新的技術(shù)方案來解決上述缺點。

發(fā)明內(nèi)容本部分的目的在于概述本發(fā)明的實施例的一些方面以及簡要介紹一些較佳實施 例。在本部分以及本申請的說明書摘要和發(fā)明名稱中可能會做些簡化或省略以避免使本部 分、說明書摘要和發(fā)明名稱的目的模糊，而這種簡化或省略不能用于限制本發(fā)明的范圍。
本發(fā)明的一個目的在于提供一種物體分類模型的訓(xùn)練方法，其不僅利用了圖像間 的幀間信息，還盡量消除不同視角因素對圖像中的物體特征的影響。本發(fā)明的另一個目的在于提供一種物體類型識別方法，利用了本發(fā)明提供的物體 分類模型進行物體類型識別。為了達到本發(fā)明的目的，根據(jù)本發(fā)明的一方面，本發(fā)明提供一種物體分類模型的 訓(xùn)練方法，所述訓(xùn)練方法包括采集若干幀圖像并從所述圖像中確定初始前景物體區(qū)域； 對不同幀圖像中的初始前景物體區(qū)域進行主軸歸一化變換；通過對不同幀圖像中的對應(yīng)的 經(jīng)主軸歸一化變換后的初始前景物體區(qū)域進行對齊處理而獲得最終前景物體區(qū)域；對所述 最終前景物體區(qū)域提取特征；和利用提取的特征訓(xùn)練物體分類模型。進一步地，所述主軸歸一化變換包括將初始前景物體區(qū)域上的各個像素點的橫 坐標和縱坐標作為樣本點構(gòu)建二維樣本空間；獲取初始前景物體區(qū)域的各個像素點在此二 維樣本空間內(nèi)的主軸方向以及與主軸方向垂直的副軸方向；用所述主軸方向和所述副軸方 向構(gòu)建二維特征空間；和將不同幀圖像中的初始前景物體區(qū)域投影到所述二維特征空間。進一步地，所述主軸方向和所屬副軸方向通過主成分分析方法獲取。進一步地，所述對齊處理包括將不同幀圖像中對應(yīng)的經(jīng)主軸歸一化變換后的初 始前景物體區(qū)域的對應(yīng)像素點的值累加；判斷所述累加值是否達到預(yù)定閥值，如果是，則保 留該位置上的像素點，如果不是，則舍棄該位置上的像素點；根據(jù)保留的像素點確定有效前 景目標區(qū)域；和根據(jù)確定的有效前景目標區(qū)域獲取每幀圖像中的最終前景物體區(qū)域。進一步地，所述提取特征的方式為以下三種方式中的一種第一種方式是對不同 幀圖像中對應(yīng)的最終前景物體區(qū)域的平均前景物體區(qū)域提取特征；第二種方式是直接對不 同幀圖像中對應(yīng)的最終前景物體區(qū)域提取特征；第三種方式是采用第一種方式和第二種方 式的組合提取特征。進一步地，所述第一種方式采用分塊局部二值模式方法對所述平均前景物體區(qū)域 提取特征，所述分塊局部二值模式方法提取的特征為
權(quán)利要求
1.一種物體分類模型的訓(xùn)練方法，其特征在于，其包括 采集若干幀圖像并從所述圖像中確定初始前景物體區(qū)域； 對不同幀圖像中的初始前景物體區(qū)域進行主軸歸一化變換；通過對不同幀圖像中的對應(yīng)的經(jīng)主軸歸一化變換后的初始前景物體區(qū)域進行對齊處 理而獲得最終前景物體區(qū)域；對所述最終前景物體區(qū)域提取特征；和 利用提取的特征訓(xùn)練物體分類模型。
2.根據(jù)權(quán)利要求1所述的訓(xùn)練方法，其特征在于，所述主軸歸一化變換包括 將初始前景物體區(qū)域上的各個像素點的橫坐標和縱坐標作為樣本點構(gòu)建二維樣本空間；獲取初始前景物體區(qū)域的各個像素點在此二維樣本空間內(nèi)的主軸方向以及與主軸方 向垂直的副軸方向；用所述主軸方向和所述副軸方向構(gòu)建二維特征空間；和 將不同幀圖像中的初始前景物體區(qū)域投影到所述二維特征空間。
3.根據(jù)權(quán)利要求2所述的訓(xùn)練方法，其特征在于，所述主軸方向和所屬副軸方向通過 主成分分析方法獲取。
4.根據(jù)權(quán)利要求1所述的訓(xùn)練方法，其特征在于，所述對齊處理包括將不同幀圖像中對應(yīng)的經(jīng)主軸歸一化變換后的初始前景物體區(qū)域的對應(yīng)像素點的值 累加；判斷所述累加值是否達到預(yù)定閥值，如果是，則保留該位置上的像素點，如果不是，則 舍棄該位置上的像素點；根據(jù)保留的像素點確定有效前景目標區(qū)域；和根據(jù)確定的有效前景目標區(qū)域獲取每幀圖像中的最終前景物體區(qū)域。
5.根據(jù)權(quán)利要求1所述的訓(xùn)練方法，其特征在于，所述提取特征的方式為以下三種方 式中的一種第一種方式是對不同幀圖像中對應(yīng)的最終前景物體區(qū)域的平均前景物體區(qū)域 提取特征；第二種方式是直接對不同幀圖像中對應(yīng)的最終前景物體區(qū)域提取特征；第三種 方式是采用第一種方式和第二種方式的組合提取特征。
6.根據(jù)權(quán)利要求5所述的訓(xùn)練方法，其特征在于，所述第一種方式采用分塊局部二值 模式方法對所述平均前景物體區(qū)域提取特征，所述分塊局部二值模式方法提取的特征為MB_LBP(j\i)= X B(j,hn,mW其中，MB_LBP(j，i)為矩形區(qū)域R(j，i)的分塊局部二值模式特征；R(j，i)為中心矩形 區(qū)域，其八鄰域矩形區(qū)域分別為 R(j_l，i_l)、R(j，i-1)、R(j+l，i_l)、R(j_l，i)、R(j+l，i)、 R(j-l，i+l)、R(j，i+l)和 R(j+l，i+l) ;sum(R(j,i))為矩形區(qū)域 R(j，i)內(nèi)的像素亮度和。
7.根據(jù)權(quán)利要求6所述的訓(xùn)練方法，其特征在于，所述矩形區(qū)域的寬度和高度的取值 不同，根據(jù)不同的寬度和高度取值、不同的矩形區(qū)域位置可得到不同的分塊局部二值模式(1 sum{R(J + n-\,i + m-\))> sum{R(J,/)) 0 sum{R{j + η - + πι - \)) < sum{R{j,/))特征。
8.根據(jù)權(quán)利要求5所述的訓(xùn)練方法，其特征在于，所述第二種方式采用幀間分塊局部 二值模式方法對不同幀圖像中的最終前景物體區(qū)域提取特征，所述幀間分塊局部二值模式 方法提取的特征為
9.根據(jù)權(quán)利要求8所述的訓(xùn)練方法，其特征在于，所述矩形區(qū)域的寬度和高度的取值 不同，根據(jù)不同的寬度和高度取值、不同的矩形區(qū)域位置和不同的相鄰幀幀數(shù)可得到不同 的幀間分塊局部二值模式特征。
10.根據(jù)權(quán)利要求1所述的訓(xùn)練方法，其特征在于，所述物體分類模型由adaboost算法 訓(xùn)練得到。
11.一種物體類型識別方法，采用的物體分類模型由權(quán)利要求1至10任一所述的訓(xùn)練 方法得到，其特征在于，其包括采集若干幀圖像并從所述圖像中確定初始前景物體區(qū)域；對不同幀圖像中的初始前景物體區(qū)域進行主軸歸一化變換；通過對不同幀圖像中的對應(yīng)的經(jīng)主軸歸一化變換后的初始前景物體區(qū)域進行對齊處 理而獲得最終前景物體區(qū)域；提取所述最終前景物體區(qū)域的特征；和根據(jù)物體分類模型對提取的特征進行分類。
全文摘要
本發(fā)明揭露了一種物體分類模型的訓(xùn)練方法，所述方法包括采集若干幀圖像并從所述圖像中確定初始前景物體區(qū)域；對不同幀圖像中的初始前景物體區(qū)域進行主軸歸一化變換；通過對不同幀圖像中的對應(yīng)的經(jīng)主軸歸一化變換后的初始前景物體區(qū)域進行對齊處理而獲得最終前景物體區(qū)域；對所述最終前景物體區(qū)域提取特征；利用提取的特征訓(xùn)練物體分類模型。本發(fā)明對提取的前景物體區(qū)域進行主軸歸一化變換，克服了不同視角對于前景物體區(qū)域形狀的影響，減少了類內(nèi)距離；同時，采用塊匹配技術(shù)對不同幀圖像上的前景物體區(qū)域進行對齊處理，提取的前景物體區(qū)域中有效的物體前景區(qū)域作為最終前景物體區(qū)域。
文檔編號G06K9/66GK102004925SQ20101053635
公開日2011年4月6日 申請日期2010年11月9日 優(yōu)先權(quán)日2010年11月9日
發(fā)明者鄧亞峰 申請人:無錫中星微電子有限公司