為本發(fā)明實(shí)現(xiàn)的在線目標(biāo)分類方法與系統(tǒng)主界面的示意圖。
[0038] 圖2為本發(fā)明實(shí)現(xiàn)的在線目標(biāo)分類方法與系統(tǒng)運(yùn)動(dòng)目標(biāo)分類界面的示意圖。
[0039] 圖3為本發(fā)明實(shí)現(xiàn)的在線目標(biāo)分類方法與系統(tǒng)更新樣本集樣本進(jìn)行人工標(biāo)注界 面的示意圖。
[0040] 圖4為本發(fā)明實(shí)現(xiàn)的在線目標(biāo)分類方法與系統(tǒng)人工標(biāo)注完成界面的示意圖。
[0041 ] 圖5為本發(fā)明方法流程圖。
【具體實(shí)施方式】
[0042] 下面結(jié)合具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。以下實(shí)施例將有助于本領(lǐng)域的技術(shù) 人員進(jìn)一步理解本發(fā)明，但不以任何形式限制本發(fā)明。應(yīng)當(dāng)指出的是，對(duì)本領(lǐng)域的普通技術(shù) 人員來(lái)說(shuō)，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)。這些都屬于本發(fā)明 的保護(hù)范圍。
[0043] 實(shí)施例
[0044] 本實(shí)施例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：
[0045] 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；
[0046] 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，挑選出難以分類的樣 本，發(fā)送至反饋標(biāo)注訓(xùn)練模塊；
[0047] 所述反饋標(biāo)注訓(xùn)練模塊，用于對(duì)難以分類的樣本進(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。
[0048] 進(jìn)一步地，所述難以分類的樣本包括：模糊樣本和/或錯(cuò)誤分類樣本。
[0049] 進(jìn)一步地，所述始訓(xùn)練樣本集內(nèi)目標(biāo)的圖像特征包括HOG(方向梯度直方圖）特征 和SIFT (尺寸不變性）特征。
[0050] 具體為：
[0051] 上述基于快速相似性網(wǎng)絡(luò)融合算法的在線目標(biāo)分類系統(tǒng)，包括視頻源預(yù)處理模 塊、快速相似性網(wǎng)絡(luò)融合分析模塊、反饋標(biāo)注訓(xùn)練模塊；其中：
[0052] 所述視頻預(yù)處理模塊：采用高斯背景建模提取視頻前景目標(biāo)作為初始訓(xùn)練樣本 集，并提取目標(biāo)的圖像特征；
[0053] 所述快速相似性網(wǎng)絡(luò)融合分析模塊：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)初始訓(xùn)練樣本集間相似程度進(jìn)行 分析，挑選出難以分類的樣本；
[0054] 所述反饋標(biāo)注訓(xùn)練模塊：對(duì)難以分類的樣本進(jìn)行人工標(biāo)定，用于對(duì)初始訓(xùn)練樣本 集進(jìn)行更新，更新之后再次訓(xùn)練分類器。
[0055] 所述難以分類的樣本包括：模糊樣本和/或錯(cuò)誤分類樣本。
[0056] 本實(shí)施例提供的基于快速相似性網(wǎng)絡(luò)融合算法的在線目標(biāo)分類系統(tǒng)，其在線目標(biāo) 分類方法，包括如下步驟：
[0057] 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)行分類判決， 另一方面選擇出難以分類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)快速融合分析和反饋標(biāo)注訓(xùn)練過(guò)程，生成新的分類器。
[0058] 進(jìn)一步地，所述初始訓(xùn)練樣本集通過(guò)以下方式提?。?br>[0059] 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；
[0060] 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。
[0061] 進(jìn)一步地，所述快速相似性網(wǎng)絡(luò)融合分析具體為：
[0062] 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，挑選出難以分類的樣本。
[0063] 進(jìn)一步地，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：
[0064] 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；分析規(guī)則如下：
[0065] If ：max (Ipredict)-second (Ipredict) > thres
[0066] Label = i，滿足 IpredictQ) = max(lpredict)
[0067] Else ：
[0068] Label = -I
[0069] 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Udirt中次大標(biāo)量的數(shù)值，i為對(duì)應(yīng)新樣本的預(yù)測(cè)類別序號(hào)，1 ΡΜ^α)為對(duì)應(yīng)新樣本預(yù) 測(cè)矢量中第i個(gè)標(biāo)量。
[0070] 進(jìn)一步地，所述難以分類的樣本包括模糊樣本和錯(cuò)誤分類樣本，其中：
[0071] 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；
[0072] 所述錯(cuò)誤分類樣本為從分類判決結(jié)果中人工挑選得到的分類錯(cuò)誤樣本。
[0073] 下面結(jié)合附圖對(duì)上述在線目標(biāo)分類方法做進(jìn)一步的描述。
[0074] 上述在線目標(biāo)分類方法可以分為以下三個(gè)階段進(jìn)行：
[0075] 視頻源預(yù)處理階段，如圖1所示，實(shí)現(xiàn)如圖主界面。點(diǎn)選"文件"按鈕讀取視頻源 文件，使用混合高斯建模的方法，提取前景信息，作為粗選的運(yùn)動(dòng)目標(biāo)。依據(jù)目標(biāo)的長(zhǎng)寬屬 性對(duì)目標(biāo)進(jìn)行粗選，系統(tǒng)中CP min取0. 25, CP max取2, width min取20像素 ，width max不設(shè)上限， heightmin取20像素 ，height max不設(shè)上限。篩選出視頻中的運(yùn)動(dòng)目標(biāo)后，對(duì)該運(yùn)動(dòng)目標(biāo)圖像 提取HOG特征與SIFT-BOW特征。系統(tǒng)中HOG特征參數(shù)H p= 5, SIFT-BOW特征詞袋大小B size = 600。
[0076] 快速相似性網(wǎng)絡(luò)融合分析階段，對(duì)新未知樣本計(jì)算融合后的相似性矩陣，并對(duì)融 合后的相似性矩陣進(jìn)行分析。依據(jù)分析結(jié)果采用label propagation方法執(zhí)行分類，在界 面上畫框顯示，如圖2所示。
[0077] 反饋標(biāo)注訓(xùn)練階段，每隔一天執(zhí)行一次反饋標(biāo)注訓(xùn)練。人工挑選每個(gè)類別分類錯(cuò) 誤的典型樣本圖像加入更新樣本集，此時(shí)更新樣本集包括分類錯(cuò)誤的樣本與模糊樣本組 成。對(duì)更新樣本集的樣本進(jìn)行人工標(biāo)定，標(biāo)定界段如圖3所示，完成標(biāo)定后，保存標(biāo)定結(jié)果， 如圖4所示。用更新樣本集中的人工標(biāo)定后樣本替換初始訓(xùn)練樣本集中的樣本，更新訓(xùn)練 樣本集標(biāo)簽信息，基于更新后訓(xùn)練樣本集的圖像特征采用快速相似性網(wǎng)絡(luò)融合分析進(jìn)行訓(xùn) 練得到分類器，完成訓(xùn)練樣本集的更新工作。本實(shí)施例提供的在線目標(biāo)分類方法至此結(jié)束。
[0078] 以下對(duì)上述三個(gè)階段進(jìn)行詳細(xì)說(shuō)明：
[0079] 1、視頻源預(yù)處理階段，通過(guò)視頻預(yù)處理模塊實(shí)現(xiàn)
[0080] 所述視頻源預(yù)處理階段采用如下方法：
[0081] 首先，讀取視頻源：監(jiān)控?cái)z像頭采集的視頻以文件的形式保存在硬盤中。本分類系 統(tǒng)的視頻源為本地視頻文件。
[0082] 在讀取本地視頻后，使用混合高斯建模的方法，提取前景信息，作為粗選的運(yùn)動(dòng)目 標(biāo)。混合高斯背景建?；驹硎菍?duì)視頻中背景進(jìn)行訓(xùn)練，對(duì)于每個(gè)圖像背景像素點(diǎn)訓(xùn)練 得到一個(gè)混合高斯模型。在檢測(cè)階段，對(duì)于新來(lái)的像素點(diǎn)進(jìn)行模型匹配，如果該