一種目標(biāo)匹配檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種目標(biāo)匹配檢測(cè)方法，屬于智能視頻監(jiān)控技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 基于有監(jiān)督分類學(xué)習(xí)的目標(biāo)識(shí)別技術(shù)近年來(lái)在智能視頻監(jiān)控中的目標(biāo)匹配檢測(cè) 中引起了人們的關(guān)注。對(duì)于目標(biāo)識(shí)別的一般方法是，（1)對(duì)目標(biāo)選取合適的特征并進(jìn)行提 ??；（2)依據(jù)這些特征，選擇合適的分類判別模型，即確立合適的目標(biāo)分類器；（3)選取目標(biāo) 樣本庫(kù)進(jìn)行分類器的訓(xùn)練，得到分類模型；(4)利用分類模型對(duì)測(cè)試集樣本進(jìn)行分類，實(shí)現(xiàn) 目標(biāo)的識(shí)別。當(dāng)用于事后分析時(shí)，可以先從監(jiān)控中一段視頻提取目標(biāo)的若干樣本進(jìn)行訓(xùn)練， 從而對(duì)視頻中其他目標(biāo)進(jìn)行識(shí)別。若用于目標(biāo)的實(shí)時(shí)跟蹤監(jiān)控，則需要不斷的更新用于訓(xùn) 練的樣本集，以通過(guò)訓(xùn)練獲得更好的分類識(shí)別模型。運(yùn)動(dòng)目標(biāo)識(shí)別是智能視頻監(jiān)控系統(tǒng)中 的重要技術(shù)。隨著視頻監(jiān)控應(yīng)用范圍的逐步擴(kuò)大，要求目標(biāo)識(shí)別算法能夠適應(yīng)更加復(fù)雜的 應(yīng)用場(chǎng)景。尤其是在現(xiàn)代多攝像機(jī)監(jiān)控系統(tǒng)中，需要在諸如光照、背景、目標(biāo)姿勢(shì)，乃至攝像 機(jī)的觀測(cè)條件等一定變化條件下實(shí)現(xiàn)有效的識(shí)別，同時(shí)要避免算法過(guò)于復(fù)雜。因此提高復(fù) 雜應(yīng)用環(huán)境下目標(biāo)識(shí)別的效率和準(zhǔn)確性成為智能監(jiān)控中的研宄熱點(diǎn)之一。
[0003] 目標(biāo)識(shí)別技術(shù)的第一步是要提取待目標(biāo)的圖像特征。其中，目標(biāo)的外觀特征， 特別是目標(biāo)的顏色特征最為直觀，而且處理簡(jiǎn)單，因而成為最常用的特征，例如[Bryan Prosser, Wei-Shi Zheng.Person Re-Identification by Support Vector Ranking. British Machine Vision Conference (BMVC) ,2010]提出將 RGB、HS、YCbCr 三個(gè)顏色空間 共8個(gè)通道的顏色信息相融合，并利用SVM分類器把行人識(shí)別問(wèn)題轉(zhuǎn)換成排序問(wèn)題。但是 僅僅使用顏色特征作為識(shí)別的準(zhǔn)則在很多場(chǎng)合會(huì)出現(xiàn)誤識(shí)別，例如：場(chǎng)景中的目標(biāo)整體顏 色比較相近，或者環(huán)境光照引起色調(diào)發(fā)生變化等。為了改進(jìn)這些應(yīng)用條件下的識(shí)別性能，需 要考慮在顏色特征的基礎(chǔ)上融合運(yùn)動(dòng)目標(biāo)特有的局部特征。局部特征主要包括基于點(diǎn)匹配 的SIFT、SURF等，以及基于區(qū)域匹配的H0G、LBP等。為了提高目標(biāo)識(shí)別的準(zhǔn)確率，很多現(xiàn)有 技術(shù)將多種特征組合為目標(biāo)匹配檢測(cè)所需的圖像特征。然而，這樣做的結(jié)果是雖然提高了 目標(biāo)識(shí)別的準(zhǔn)確性，但同時(shí)也帶來(lái)了圖像特征維數(shù)過(guò)高，計(jì)算復(fù)雜度大的問(wèn)題，從而嚴(yán)重影 響了目標(biāo)識(shí)別的效率。考慮到圖像特征中的某些特征會(huì)對(duì)目標(biāo)檢測(cè)識(shí)別產(chǎn)生較大影響，而 另一些特征則不會(huì)，因此可以對(duì)圖像特征進(jìn)行降維，找出最優(yōu)或較優(yōu)的圖像特征子集，從而 降低計(jì)算量。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的技術(shù)問(wèn)題在于克服現(xiàn)有技術(shù)所存在的計(jì)算量大、實(shí)時(shí)性差的不 足，提供一種目標(biāo)匹配檢測(cè)方法，利用粒子群優(yōu)化算法與分類器訓(xùn)練相結(jié)合的方法，同時(shí)實(shí) 現(xiàn)圖像特征的有效降維及最優(yōu)分類模型的選擇，該方法不但可有效提高目標(biāo)匹配檢測(cè)的準(zhǔn) 確性，同時(shí)大幅減少了處理時(shí)間。
[0005] 本發(fā)明的技術(shù)方案具體如下：
[0006] -種目標(biāo)匹配檢測(cè)方法，利用分類器對(duì)目標(biāo)進(jìn)行匹配檢測(cè)，包括訓(xùn)練階段和識(shí)別 階段；
[0007] 所述訓(xùn)練階段包括以下步驟：
[0008] 步驟A、提取圖像序列訓(xùn)練樣本的初始圖像特征；
[0009] 步驟B、利用二進(jìn)制粒子群優(yōu)化方法獲取最優(yōu)的分類器及最優(yōu)的用于初始圖像特 征降維的特征掩碼，具體如下：
[0010] 步驟B1、初始化粒子群，其中二進(jìn)制粒子的編碼方法具體如下：所述二進(jìn)制粒子 由兩部分組成，一部分為分類器參數(shù)，另一部分為特征掩碼；特征掩碼部分的長(zhǎng)度與初始圖 像特征的維數(shù)相同，且特征掩碼的各二進(jìn)制位與初始圖像特征的各維特征一一對(duì)應(yīng)，特征 掩碼中的二進(jìn)制位為1，表示初始圖像特征中與其相對(duì)應(yīng)的特征被包含在降維后的特征子 集中；
[0011] 步驟B2、對(duì)于當(dāng)前的每個(gè)二進(jìn)制粒子，按照該二進(jìn)制粒子的分類器參數(shù)部分構(gòu)建 相應(yīng)的分類器，并按照該二進(jìn)制粒子的特征掩碼部分對(duì)圖像序列訓(xùn)練樣本的初始圖像特征 進(jìn)行降維；然后利用特征降維后的圖像序列訓(xùn)練樣本對(duì)該分類器進(jìn)行訓(xùn)練并記錄分類精 度；最后根據(jù)以下的適應(yīng)度函數(shù)計(jì)算該二進(jìn)制粒子的適應(yīng)度：
【主權(quán)項(xiàng)】
1. 一種目標(biāo)匹配檢測(cè)方法，利用分類器對(duì)目標(biāo)進(jìn)行匹配檢測(cè)，包括訓(xùn)練階段和識(shí)別階 段；其特征在于， 所述訓(xùn)練階段包括W下步驟： 步驟A、提取圖像序列訓(xùn)練樣本的初始圖像特征； 步驟B、利用二進(jìn)制粒子群優(yōu)化方法獲取最優(yōu)的分類器及最優(yōu)的用于初始圖像特征降 維的特征掩碼，具體如下： 步驟B1、初始化粒子群，其中二進(jìn)制粒子的編碼方法具體如下；所述二進(jìn)制粒子由兩 部分組成，一部分為分類器參數(shù)，另一部分為特征掩碼；特征掩碼部分的長(zhǎng)度與初始圖像 特征的維數(shù)相同，且特征掩碼的各二進(jìn)制位與初始圖像特征的各維特征一一對(duì)應(yīng)，特征掩 碼中的二進(jìn)制位為1，表示初始圖像特征中與其相對(duì)應(yīng)的特征被包含在降維后的特征子集 中； 步驟B2、對(duì)于當(dāng)前的每個(gè)二進(jìn)制粒子，按照該二進(jìn)制粒子的分類器參數(shù)部分構(gòu)建相應(yīng) 的分類器，并按照該二進(jìn)制粒子的特征掩碼部分對(duì)圖像序列訓(xùn)練樣本的初始圖像特征進(jìn)行 降維；然后利用特征降維后的圖像序列訓(xùn)練樣本對(duì)該分類器進(jìn)行訓(xùn)練并記錄分類精度；最 后根據(jù)W下的適應(yīng)度函數(shù)計(jì)算該二進(jìn)制粒子的適應(yīng)度：
式中，F(xiàn)itness為該二進(jìn)制粒子的適應(yīng)度，accuracy為該二進(jìn)制粒子所對(duì)應(yīng)的分類精 度，F(xiàn)eETtureNum為該二進(jìn)制粒子的特征掩碼部分中值為1的二進(jìn)制位數(shù)，wl、w2為兩個(gè)預(yù) 設(shè)的權(quán)值； 步驟B3、根據(jù)粒子適應(yīng)度，更新粒子的局部最優(yōu)值及整個(gè)粒子群的全局最優(yōu)值； 步驟B4、對(duì)二進(jìn)制粒子進(jìn)行更新； 步驟B5、判斷是否達(dá)到迭代終止條件，如是，則轉(zhuǎn)步驟B6,如否，則轉(zhuǎn)至B2,進(jìn)行下一次 迭代； 步驟B6、將當(dāng)前的全局最優(yōu)值進(jìn)行解碼，得到最優(yōu)的分類器及最優(yōu)的特征掩碼； 所述識(shí)別階段包括W下步驟： 步驟C、提取圖像序列測(cè)試樣本的初始圖像特征； 步驟D、利用訓(xùn)練階段得到的最優(yōu)的特征掩碼對(duì)圖像序列測(cè)試樣本的初始圖像特征進(jìn) 行降維，并將其輸入最優(yōu)的分類器，得到目標(biāo)匹配檢測(cè)結(jié)果。
2. 如權(quán)利要求1所述目標(biāo)匹配檢測(cè)方法，其特征在于，所述初始圖像特征是由顏色特 征和梯度直方圖特征融合得到。
3. 如權(quán)利要求2所述目標(biāo)匹配檢測(cè)方法，其特征在于，所述顏色特征包括改進(jìn)的顏色 聚合向量特征；所述改進(jìn)的顏色聚合向量特征的提取方法具體如下：在RGB顏色空間中，首 先對(duì)目標(biāo)圖像的R、G、B S個(gè)分量進(jìn)行歸一化，然后對(duì)歸一化后的R、G、B S個(gè)分量進(jìn)行顏色 聚合，得到改進(jìn)的顏色聚合向量特征。
4. 如權(quán)利要求3所述目標(biāo)匹配檢測(cè)方法，其特征在于，所述顏色特征還包括HSV空間的 H、S分量的顏色直方圖統(tǒng)計(jì)特征。
5. 如權(quán)利要求2?4任一項(xiàng)所述目標(biāo)匹配檢測(cè)方法，其特征在于，所述梯度直方圖特征 是指RGB顏色空間中G分量平面上的梯度直方圖特征。
6.如權(quán)利要求1所述目標(biāo)匹配檢測(cè)方法，其特征在于，所述分類器為SVM分類器，所述 分類器參數(shù)為懲罰因子、核函數(shù)參數(shù)。
【專利摘要】本發(fā)明公開了一種目標(biāo)匹配檢測(cè)方法，屬于智能視頻監(jiān)控技術(shù)領(lǐng)域。該方法利用粒子群優(yōu)化算法與分類器訓(xùn)練相結(jié)合的方式，一次性獲得特征選擇（即特征降維）參數(shù)和最優(yōu)分類模型，從而降低訓(xùn)練耗時(shí)；然后在測(cè)試階段利用所獲得的特征選擇參數(shù)進(jìn)行圖像特征的降維，并利用最優(yōu)分類模型進(jìn)行分類，從而得到最終的目標(biāo)匹配檢測(cè)結(jié)果。本發(fā)明進(jìn)一步在顏色特征中加入了顏色的空間分布信息，并與一種改進(jìn)的梯度方向直方圖(HOG)特征相融合，生成初始圖像特征。相比現(xiàn)有技術(shù)，不但可有效提高目標(biāo)匹配檢測(cè)的準(zhǔn)確性，同時(shí)大幅減少了處理時(shí)間。
【IPC分類】G06K9-62, G06K9-46
【公開號(hào)】CN104598924
【申請(qǐng)?zhí)枴緾N201510017505
【發(fā)明人】胡棟, 曹金山, 王佩思, 魏巍
【申請(qǐng)人】南京郵電大學(xué)
【公開日】2015年5月6日
【申請(qǐng)日】2015年1月14日