基于快速相似性網(wǎng)絡(luò)融合算法的在線目標(biāo)分類(lèi)方法與系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及的是一種在線目標(biāo)分類(lèi)方法與系統(tǒng)，具體地說(shuō)，涉及的是一種基于快 速相似性網(wǎng)絡(luò)融合算法的在線目標(biāo)分類(lèi)方法與系統(tǒng)。
【背景技術(shù)】
[0002] 隨著社會(huì)政治與經(jīng)濟(jì)的高速發(fā)展，伴隨著越來(lái)越多的社會(huì)事件及犯罪的發(fā)生，視 頻監(jiān)控受到的關(guān)注程度在不斷提高，視頻目標(biāo)分類(lèi)的研宄對(duì)于安防監(jiān)控領(lǐng)域具有重大的現(xiàn) 實(shí)意義。
[0003] 現(xiàn)有的目標(biāo)分類(lèi)方法之中，一些方法使用形狀與運(yùn)動(dòng)信息進(jìn)行分類(lèi)，這類(lèi)方法的 速度相對(duì)較快，但是，其魯棒性也受到限制，因?yàn)槟繕?biāo)在視頻中的形狀會(huì)隨著視角而發(fā)生變 化，目標(biāo)分類(lèi)準(zhǔn)確性差；另一類(lèi)方法考慮使用標(biāo)定的數(shù)據(jù)與大量未標(biāo)定數(shù)據(jù)之間的關(guān)系，雖 然提高了目標(biāo)分類(lèi)的準(zhǔn)確性，但是分類(lèi)速度慢、效率低。
[0004] 現(xiàn)有研宄中，在論文《Online Video Object Classification Using FastSimilarity Network Fusion》中作者提出一種新的基于圖的快速數(shù)據(jù)融合方法，快速 相似性網(wǎng)絡(luò)融合?？焖傧嗨菩跃W(wǎng)絡(luò)融合方法快速計(jì)算并融合從不同特征數(shù)據(jù)中獲得到相似 性網(wǎng)絡(luò)，充分發(fā)揮不同特征之間的互補(bǔ)性，用于半監(jiān)督學(xué)習(xí)。該快速相似性網(wǎng)絡(luò)融合方法 具有以下優(yōu)點(diǎn)：1.基于較少量的標(biāo)定樣本；2.在不同尺度、噪聲的情況下都有良好的表現(xiàn)； 3.可充分發(fā)揮不同類(lèi)型特征數(shù)據(jù)之間的互補(bǔ)性4.在線分類(lèi)問(wèn)題中具有較高的分類(lèi)速度。
[0005] 基于快速相似性網(wǎng)絡(luò)融合算法的以上優(yōu)點(diǎn)，適用于目標(biāo)在線分類(lèi)。目前沒(méi)有發(fā)現(xiàn) 同本發(fā)明類(lèi)似技術(shù)的說(shuō)明或報(bào)道，也尚未收集到國(guó)內(nèi)外類(lèi)似的資料。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明基于現(xiàn)有算法中的快速相似性網(wǎng)絡(luò)融合算法，實(shí)現(xiàn)一種用于在線目標(biāo)分類(lèi) 功能的在線目標(biāo)分類(lèi)方法與系統(tǒng)，通過(guò)在在線目標(biāo)分類(lèi)系統(tǒng)中加入反饋標(biāo)注訓(xùn)練模塊，使 在線目標(biāo)分類(lèi)系統(tǒng)在不同監(jiān)控場(chǎng)景下，有針對(duì)性地強(qiáng)化分類(lèi)器，達(dá)到更好的分類(lèi)性能，實(shí)現(xiàn) 快速且高效的在線目標(biāo)分類(lèi)，有效地提升了在線分類(lèi)中的分類(lèi)準(zhǔn)確度。
[0007] 為實(shí)現(xiàn)上述目的，本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的。
[0008] 根據(jù)本發(fā)明的一個(gè)方面，提供了一種基于快速相似性網(wǎng)絡(luò)融合算法的在線目標(biāo)分 類(lèi)系統(tǒng)，包括：視頻預(yù)處理模塊、快速相似性網(wǎng)絡(luò)融合分析模塊以及反饋標(biāo)注訓(xùn)練模塊；其 中：
[0009] 所述視頻預(yù)處理模塊，用于提取視頻前景目標(biāo)作為初始訓(xùn)練樣本集，并提取初始 訓(xùn)練樣本集內(nèi)目標(biāo)的圖像特征，發(fā)送至快速相似性網(wǎng)絡(luò)融合分析模塊；
[0010] 所述快速相似性網(wǎng)絡(luò)融合分析模塊，用于對(duì)目標(biāo)的圖像特征進(jìn)行融合，依據(jù)融合 后的相似性矩陣，對(duì)初初始訓(xùn)練樣本集內(nèi)目標(biāo)間相似程度進(jìn)行分析，挑選出難以分類(lèi)的樣 本，發(fā)送至反饋標(biāo)注訓(xùn)練模塊；
[0011] 所述反饋標(biāo)注訓(xùn)練模塊，用于對(duì)難以分類(lèi)的樣本進(jìn)行人工標(biāo)定，并將人工標(biāo)定后 的樣本返回至視頻預(yù)處理模塊，對(duì)初始訓(xùn)練樣本集進(jìn)行更新。
[0012] 優(yōu)選地，所述難以分類(lèi)的樣本包括：模糊樣本和/或錯(cuò)誤分類(lèi)樣本。
[0013] 優(yōu)選地，所述始訓(xùn)練樣本集內(nèi)目標(biāo)的圖像特征包括HOG特征和SIFT特征。
[0014] 根據(jù)本發(fā)明的另一個(gè)方面，提供了一種基于快速相似性網(wǎng)絡(luò)融合算法的在線目標(biāo) 分類(lèi)方法，包括如下步驟：
[0015] 基于快速相似性網(wǎng)絡(luò)融合分析，對(duì)初始訓(xùn)練樣本集內(nèi)目標(biāo)的圖像特征分別構(gòu)建相 似性矩陣并進(jìn)行快速融合；通過(guò)對(duì)相似性網(wǎng)絡(luò)融合后矩陣進(jìn)行分析，一方面進(jìn)行分類(lèi)判決， 另一方面選擇出難以分類(lèi)的樣本形成更新樣本庫(kù)；通過(guò)反饋標(biāo)注訓(xùn)練模塊，對(duì)更新樣本庫(kù) 進(jìn)行人工標(biāo)定，將更新樣本庫(kù)內(nèi)人工標(biāo)定后的樣本加入初始訓(xùn)練樣本集，更新初始訓(xùn)練樣 本集并重復(fù)快速相似性網(wǎng)絡(luò)融合分析過(guò)程，生成新的分類(lèi)器。
[0016] 優(yōu)選地，所述初始訓(xùn)練樣本集通過(guò)以下方式提?。?br>[0017] 通過(guò)視頻源預(yù)處理模塊，采用高斯背景建模首先提取視頻前景目標(biāo)，作為初始訓(xùn) 練樣本集，并進(jìn)行自動(dòng)化篩選，提取目標(biāo)的圖像特征；
[0018] 所述自動(dòng)化篩選為：對(duì)于檢測(cè)到的視頻前景目標(biāo)，依據(jù)目標(biāo)的寬高數(shù)據(jù)及寬高比 屬性進(jìn)行自動(dòng)化篩選。
[0019] 優(yōu)選地，所述快速相似性網(wǎng)絡(luò)融合分析具體為：
[0020] 通過(guò)快速相似性網(wǎng)絡(luò)融合模塊，采用快速相似性網(wǎng)絡(luò)融合算法對(duì)初始訓(xùn)練樣本集 內(nèi)目標(biāo)的圖像特征進(jìn)行特征融合，依據(jù)融合后的相似性矩陣，對(duì)初始訓(xùn)練樣本集內(nèi)目標(biāo)間 相似程度進(jìn)行分析，挑選出難以分類(lèi)的樣本。
[0021] 優(yōu)選地，所述對(duì)初始訓(xùn)練樣本集內(nèi)目標(biāo)間相似程度進(jìn)行分析具體為：
[0022] 對(duì)于融合后的矩陣，采用label propagation的方法進(jìn)行標(biāo)簽傳遞，對(duì)傳遞結(jié)果預(yù) 測(cè)矢量中的最大標(biāo)量與次大標(biāo)量進(jìn)行比較，確定目標(biāo)是否難以分類(lèi)；分析規(guī)則如下：
[0023] If ：max (Ipredict)-second (Ipredict) > thres
[0024] Label = i，滿足 IpredictQ) = max(lpredict)
[0025] Else ：
[0026] Label = -I
[0027] 其中，Label是對(duì)應(yīng)新樣本的標(biāo)簽，thres是設(shè)置的閾值，Ipraliet是對(duì)應(yīng)新樣本的預(yù) 測(cè)矢量，HiaxQ pradiJ是指取出矢量Ipraiicrt中最大標(biāo)量的數(shù)值，SecondQpradiJ是指取出矢 量U dirt中次大標(biāo)量的數(shù)值，i為對(duì)應(yīng)新樣本的預(yù)測(cè)類(lèi)別序號(hào)，ιΡΜ^α)為對(duì)應(yīng)新樣本預(yù) 測(cè)矢量中第i個(gè)標(biāo)量。
[0028] 優(yōu)選地，所述難以分類(lèi)的樣本包括模糊樣本和錯(cuò)誤分類(lèi)樣本，其中：
[0029] 所述模糊樣本是指對(duì)初始訓(xùn)練樣本集內(nèi)目標(biāo)間相似程度進(jìn)行分析得到的標(biāo)簽 Label為-1的樣本；
[0030] 所述錯(cuò)誤分類(lèi)樣本為從分類(lèi)判決結(jié)果中人工挑選得到的分類(lèi)錯(cuò)誤樣本。
[0031] 與現(xiàn)有技術(shù)相比，本發(fā)明具有如下的有益效果：
[0032] 1、本發(fā)明提供的基于快速相似性網(wǎng)絡(luò)融合算法的在線目標(biāo)分類(lèi)方法與系統(tǒng)，用于 視頻中目標(biāo)的在線分類(lèi)；本發(fā)明采用快速相似性網(wǎng)絡(luò)融合分析，并加入反饋標(biāo)注訓(xùn)練模塊， 使在線目標(biāo)分類(lèi)系統(tǒng)在不同監(jiān)控場(chǎng)景下，有針對(duì)性地強(qiáng)化分類(lèi)器；采用本發(fā)明提供的在線 目標(biāo)分類(lèi)方法與系統(tǒng)，可以有效地快速地預(yù)測(cè)視頻中新目標(biāo)的類(lèi)別。
[0033] 2、本發(fā)明提供的基于快速相似性網(wǎng)絡(luò)融合算法的在線目標(biāo)分類(lèi)方法與系統(tǒng)，實(shí) 現(xiàn)了視頻的預(yù)處理功能，通過(guò)采用混合高斯建模方法提取前景目標(biāo)，對(duì)前景目標(biāo)進(jìn)行自動(dòng) 化篩選，完成前景目標(biāo)圖像特征提?。煌ㄟ^(guò)快速相似性網(wǎng)絡(luò)融合分析，在分析中采用label propagation(標(biāo)簽傳播）的方法與規(guī)則制定，篩選出難以分類(lèi)的樣本；通過(guò)反饋標(biāo)注訓(xùn)練 模塊，將難以分類(lèi)的樣本（包括模糊樣本和錯(cuò)分類(lèi)樣本）通過(guò)人工標(biāo)定形成更新樣本，通過(guò) 更新樣本更新初始訓(xùn)練樣本集并進(jìn)行更新再訓(xùn)練，有針對(duì)性地提升分類(lèi)精度。
[0034] 3、本發(fā)明基于快速相似性網(wǎng)絡(luò)融合算法，實(shí)現(xiàn)一種基于快速相似性網(wǎng)絡(luò)融合算法 的在線目標(biāo)分類(lèi)方法與系統(tǒng)，實(shí)現(xiàn)視頻預(yù)處理功能、快速相似性網(wǎng)絡(luò)融合分析、反饋標(biāo)注訓(xùn) 練，完成目標(biāo)快速尚效的在線分類(lèi)功能。
[0035] 4、本發(fā)明提供的基于快速相似性網(wǎng)絡(luò)融合算法的在線目標(biāo)分類(lèi)方法與系統(tǒng)，可用 于視頻目標(biāo)的在線分類(lèi)，基于半監(jiān)督學(xué)習(xí)技術(shù)和快速相似性網(wǎng)絡(luò)融合分析，對(duì)于一個(gè)新樣 本數(shù)據(jù)，可以依據(jù)快速融合得到的相似性矩陣，對(duì)目標(biāo)進(jìn)行分類(lèi)；采用反饋標(biāo)注訓(xùn)練模塊， 有針對(duì)性地提升系統(tǒng)分類(lèi)準(zhǔn)確度。
【附圖說(shuō)明】
[0036] 通過(guò)閱讀參照以下附圖對(duì)非限制性實(shí)施例所作的詳細(xì)描述，本發(fā)明的其它特征、 目的和優(yōu)點(diǎn)將會(huì)變得更明顯：
[0037] 圖1