基于差分链码直方图的目标分类方法及装置制造方法
【专利摘要】本发明公开了一种基于差分链码直方图的目标分类方法及装置，所述方法包括：对训练图像集进行离线分类器训练，得到相应的目标类别判别函数及其参数；对输入的视频序列图像进行前景目标检测；对检测的前景目标进行目标特征提取；将提取的目标特征作为输入，并利用训练得到的目标类别判别函数及其参数对视频序列图像中的前景目标进行在线类别判定。本发明通过提取前景目标的一阶差分链码直方图特征，计算量少，而且该特征具有目标平移、尺度和旋转不变性。
【专利说明】基于差分链码直方图的目标分类方法及装置
【技术领域】
[0001] 本发明属于模式识别领域，涉及图像处理和计算机视觉【技术领域】，具体而言，尤其 涉及一种视频监控中的基于差分链码直方图的目标分类方法及装置。
【背景技术】
[0002] 目标分类是智能视频分析技术中的一个重要内容，智能只能视频分析的实际应用 场合中，视频序列图像中的不同前景区域可能对应不同的运动目标，为了更好的理解不同 目标的行为，就需要正确地将类别标志与目标区域联系起来，例如，为了理解停车场人的行 为，或计算高速公路上不同类型车辆的流速等。
[0003] 目前，目标分类在智能安全监控、交通道路监管、虚拟现实、运动分析等方面有广 泛的应用。例如，在智能安全监控系统中，为监视区域报告感兴趣目标的活动，首先需要将 检测到的目标进行分类，然后根据目标类别的不同做相应的处理，实现监控系统的自动化 与智能化，从而节省了安检人员很大一部分工作量。基于此，准确的目标分类是有针对性地 对目标进行行为分析的前提，是智能视频监控系统完全必要的基础工作。因此，要使计算机 理解真实环境中的目标行为及事件，目标的分类与识别是第一步。
[0004] 目标分类主要是对特征的理解，特征提取的好坏决定了分类准确度的高低。本发 明的发明人在对现有技术进行研究时发现：在以目标形状的高宽比、轮廓周长比率等为特 征的目标分类方法中，通常会在视频捕捉设备发生视觉改变时，某一程度上影响了目标类 型的区分性；另外，在以Hu不变矩等以矩为特征的目标分类方法中，虽然其具有较强的平 移、尺度和旋转不变性，但其运算复杂，某一程度上影响了视频分析的实时性。
[0005] 所以，目前亟待提出一种运算量即不复杂、目标类型区分性良好、同时又能使目标 具有平移、尺度和旋转不变性的目标分类方法。
【发明内容】
[0006] 为了得到一种运算即不复杂，又能提高目标类型的区分性，同时还具有目标平移、 尺度和旋转不变性的目标分类方法，本发明提供了一种基于差分链码直方图的目标分类方 法及装置。
[0007] 为了达到本发明的目的，本发明采用以下技术方案实现：
[0008] -种基于差分链码直方图的目标分类方法，包括：
[0009] 对训练图像集进行离线分类器训练，得到相应的目标类别判别函数及其参数；
[0010] 对输入的视频序列图像进行前景目标检测；
[0011] 对检测的前景目标进行目标特征提取；
[0012] 将提取的目标特征作为输入，并利用训练得到的目标类别判别函数及其参数对视 频序列图像中的前景目标进行在线类别判定。
[0013] 优选地，对训练图像集进行离线分类器训练以得到相应的目标类别判别函数及其 参数的步骤包括：
[0014] 对训练图像集中的每一个前景目标进行目标特征提取；
[0015] 对训练图像集中的每一个前景目标进行目标类别符标定；
[0016] 将标定好的目标类别符及其相应的目标特征作为输入参数，进行离线训练，从而 得到相应的目标类别判别函数及其参数。
[0017] 优选地，对检测的前景目标进行目标特征提取的步骤包括：
[0018] 对前景目标进行边界链码表达；
[0019] 对链码进行一阶差分；
[0020] 对一阶差分链码进行直方图统计；
[0021] 对统计出的直方图中每一分量进行归一化；
[0022] 用归一化后的每个分量所对应的值作为目标特征值。
[0023] 优选地，采用Freeman链码或顶点链码对前景目标进行边界链码表达，链码方式 可以采用4方向或8方向链码。
[0024] 优选地，对一阶差分链码进行直方图统计时，对一阶差分链码在各方向上分别进 行直方图统计。
[0025] -种基于差分链码直方图的目标分类装置，包括：
[0026] 离线训练模块，对训练图像集进行离线分类器训练，得到相应的目标类别判别函 数及其参数；
[0027] 在线判定模块，用于对输入的视频序列图像进行前景目标检测，进一步对检测的 前景目标进行目标特征提取，以及更进一步将提取的目标特征作为输入，并利用训练得到 的目标类别判别函数及其参数对视频序列图像中的前景目标进行在线类别判定。
[0028] 优选地，所述离线训练模块包括：
[0029] 第一特征提取模块，用于对训练图像集中的每一个前景目标进行目标特征提取；
[0030] 训练模块，用于对训练图像集中的每一个前景目标进行目标类别符标定，并将标 定好的目标类别符及其相应的目标特征作为输入参数，进行离线训练，从而得到相应的目 标类别判别函数及其参数。
[0031] 优选地，所述在线判定模块包括：
[0032] 目标检测模块，用于对输入的视频序列图像进行前景目标检测；
[0033] 第二特征提取模块，用于对检测的前景目标进行目标特征提取；
[0034] 分类器决策模块，用于将提取的目标特征作为输入，并利用训练得到的目标类别 判别函数及其参数对视频序列图像中的前景目标进行在线类别判定。
[0035] 优选地，第一特征提取模块或第二特征提取模块对检测的前景目标进行目标特征 提取的方法为 ：
[0036] 对前景目标进行边界链码表达；
[0037] 对链码进行一阶差分；
[0038] 对一阶差分链码进行直方图统计；
[0039] 对统计出的直方图中每一分量进行归一化；
[0040] 用归一化后的每个分量所对应的值作为目标特征值。
[0041] 优选地，采用Freeman链码或顶点链码对前景目标进行边界链码表达，链码方式 可以采用4方向或8方向链码；以及，对一阶差分链码进行直方图统计时，对一阶差分链码 在各方向上分别进行直方图统计。
[0042] 通过上述本发明的技术方案可以看出，本发明通过提取前景目标的一阶差分链码 直方图特征，计算量少，而且该特征具有目标平移、尺度和旋转不变性。
【专利附图】
【附图说明】
[0043] 图1是本发明实施例提供的基于差分链码直方图的目标分类方法流程示意图；
[0044] 图2是本发明实施例提供的链码的定义图；
[0045] 图3是本发明实施例提供的8方向原链码及其一阶差分链码示意图；
[0046] 图4是本发明实施例提供的8方向原链码直方图及其归一化直方图；
[0047] 图5是本发明实施例提供的基于差分链码直方图的目标分类装置结构示意图。
[0048] 本发明目的的实现、功能特点及优异效果，下面将结合具体实施例以及附图做进 一步的说明。
【具体实施方式】
[0049] 下面结合附图和具体实施例对本发明所述技术方案作进一步的详细描述，以使本 领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限 定。
[0050] 如图1所示，本发明实施例提供了 一种基于差分链码直方图的目标分类方法，其 主要包括如下具体实现步骤：
[0051] S101、对训练图像集进行离线分类器训练，得到相应的目标类别判别函数及其参 数；
[0052] S102、对输入的视频序列图像进行前景目标检测；
[0053] S103、对检测的前景目标进行目标特征提取；
[0054] S104、将提取的目标特征作为输入，并利用训练得到的目标类别判别函数及其参 数对视频序列图像中的前景目标进行在线类别判定。
[0055] 优选实施方式下，在所述步骤S101中，对训练图像集进行离线分类器训练以得到 相应的目标类别判别函数及其参数的步骤包括：
[0056] S1011、对训练图像集中的每一个前景目标进行目标特征提取；
[0057] S1012、对训练图像集中的每一个前景目标进行目标类别符标定；
[0058] S1013、将标定好的目标类别符及其相应的目标特征作为输入参数，进行离线训 练，从而得到相应的目标类别判别函数及其参数。
[0059] 优选实施方式下，在所述步骤S1011或S103中，对检测的前景目标进行特征提取 的处理步骤包括：
[0060] 步骤1、对前景目标进行边界链码表达；
[0061] 步骤2、对链码进行一阶差分；
[0062] 步骤3、对一阶差分链码进行直方图统计；
[0063] 步骤4、对统计出的直方图中每一分量进行归一化；
[0064] 步骤5、用归一化后的每个分量所对应的值作为目标特征值。
[0065] 具体实施时，对目标进行边界链码表达，可以采用Freeman编码或顶点链码或其 他类似链码，链码方式可以采用4方向或8方向或其他类似形式方向链码，具体地，4方向和 8方向链码定义可以参见图2所示。
[0066] 例如，以8方向Freeman链码为例，目标边界如图3左图所示，选择图中边界小实 心圆点为边界起始点后，则可得到的Freeman原链码S为：21077544422 ;
[0067] 具体实施时，链码一阶差分可用相邻2个方向数两两相减得到，如果减数为负 数，则将其加上链码最大方向值。如图3的右图下行是原链码S得到的一阶差分C为： 06670560050〇
[0068] 具体实施时，为了避免链码起始点对编码的影响，在所有链码方向上，对一阶差分 链码在各方向上进行直方图统计。一阶差分链码C所对应的直方图统计如图4左图所示。 [0069] 具体实施时，为了避免目标尺寸影响直方图的统计结果，对其进行归一化，即将链 码各个方向上统计的结果值除以链码串总长。如图4右图是左侧直方图所对应的归一化后 的结果图。
[0070] 优选实施方式下，在所述的S104中，对视频序列图像中的前景目标进行在线类别 判定的处理步骤包括：
[0071] S1041、对视频帧序列图像中的每一个目标进行特征提取；
[0072] S1042、将提取的目标特征值作为SVM分类器的输入参数，利用离线训练好的最优 线性超平面进行类别判定。
[0073] 相应地，本发明实施例还提供了一种基于差分链码直方图的目标分类装置，参考 图5,其主要包括以下几个大模块：
[0074] 离线训练模块，对训练图像集进行离线分类器训练，得到相应的目标类别判别函 数及其参数；
[0075] 在线判定模块，用于对输入的视频序列图像进行前景目标检测，进一步对检测的 前景目标进行目标特征提取，以及更进一步将提取的目标特征作为输入，并利用训练得到 的目标类别判别函数及其参数对视频序列图像中的前景目标进行在线类别判定。
[0076] 本实施例中，所述离线训练模块，包括以下几个子模块：
[0077] 第一特征提取模块，用于对训练图像集中的每一个前景目标进行目标特征提取；
[0078] 训练模块，用于对训练图像集中的每一个前景目标进行目标类别符标定，并将标 定好的目标类别符及其相应的目标特征作为输入参数，进行离线训练，从而得到相应的目 标类别判别函数及其参数。
[0079] 本实施例中，所述的训练模块对训练图像集中的每一个前景目标进行目标类别符 标定、并将标定好的目标类别符及其相应的目标特征作为输入参数，进行离线训练、从而得 到相应的目标类别判别函数及其参数的方法包括以下几个步骤：
[0080] 步骤1 :对训练图像集中的每一个前景目标进行目标特征提取；
[0081] 步骤2 :对训练图像集中的每一个前景目标进行目标类别符标定；
[0082] 步骤3 :将标定好的目标类别符及其相应的目标特征值作为SVM输入参数，进行离 线训练，得到一个最优线性超平面，即相应的目标类别判别函数及其参数。
[0083] 本实施例中，所述在线判定模块，包括以下几个子模块：
[0084] 目标检测模块，用于对输入的视频序列图像进行前景目标检测；
[0085] 第二特征提取模块，用于对检测的前景目标进行目标特征提取；
[0086] 分类器决策模块，用于将提取的目标特征作为输入，并利用训练得到的目标类别 判别函数及其参数对视频序列图像中的前景目标进行在线类别判定。本实施例中，所述的 分类器决策模块，将提取的目标特征值作为SVM分类器的输入参数，利用离线训练好的最 优线性超平面进行类别判定。
[0087] 本实施例中，所述的第一 /第二特征提取模块对检测的前景目标进行目标特征提 取的方法，包括以下几个步骤：
[0088] 步骤1 :对前景目标进行边界链码表达；
[0089] 步骤2 :对链码进行一阶差分；
[0090] 步骤3 :对一阶差分链码进行直方图统计；
[0091] 步骤4 :对统计出的直方图中每一分量进行归一化；
[0092] 步骤5 :用归一化后的每个分量所对应的值作为目标特征值。
[0093] 具体实施时，对目标进行边界链码表达，可以采用Freeman编码或顶点链码或其 他类似链码，链码方式可以采用4方向或8方向或其他类似形式方向链码，4方向和8方向 链码定义可以继续参考图2所示。
[0094] 例如，以8方向Freeman链码为例，目标边界如图3左图所示，选择图中边界小实 心圆点为边界起始点后，则可得到的Freeman原链码S为：21077544422。
[0095] 具体实施时，链码一阶差分可用相邻2个方向数两两相减得到，如果减数为负 数，则将其加上链码最大方向值。如图3右图下行是原链码S得到的一阶差分C为： 06670560050〇
[0096] 具体实施时，为了避免链码起始点对编码的影响，在所有链码方向上，对一阶差分 链码在各方向上进行直方图统计。一阶差分链码C所对应的直方图统计如图4左图所示。
[0097] 具体实施时，为了避免目标尺寸影响直方图的统计结果，对其进行归一化，即将链 码各个方向上统计的结果值除以链码串总长。如图4右图是左侧直方图所对应的归一化后 的结果图。
[〇〇98] 以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用 本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关 的【技术领域】，均同理包括在本发明的专利保护范围内。
【权利要求】
1. 一种基于差分链码直方图的目标分类方法，其特征在于，包括： 对训练图像集进行离线分类器训练，得到相应的目标类别判别函数及其参数； 对输入的视频序列图像进行前景目标检测； 对检测的前景目标进行目标特征提取； 将提取的目标特征作为输入，并利用训练得到的目标类别判别函数及其参数对视频序 列图像中的前景目标进行在线类别判定。
2. 如权利要求1所述的基于差分链码直方图的目标分类方法，其特征在于，对训练图 像集进行离线分类器训练以得到相应的目标类别判别函数及其参数的步骤包括： 对训练图像集中的每一个前景目标进行目标特征提取； 对训练图像集中的每一个前景目标进行目标类别符标定； 将标定好的目标类别符及其相应的目标特征作为输入参数，进行离线训练，从而得到 相应的目标类别判别函数及其参数。
3. 如权利要求1或2所述的基于差分链码直方图的目标分类方法，其特征在于，对检测 的前景目标进行目标特征提取的步骤包括： 对前景目标进行边界链码表达； 对链码进行一阶差分； 对一阶差分链码进行直方图统计； 对统计出的直方图中每一分量进行归一化； 用归一化后的每个分量所对应的值作为目标特征值。
4. 如权利要求3所述的基于差分链码直方图的目标分类方法，其特征在于，采用 Freeman链码或顶点链码对前景目标进行边界链码表达，链码方式可以采用4方向或8方向 链码。
5. 如权利要求3所述的基于差分链码直方图的目标分类方法，其特征在于，对一阶差 分链码进行直方图统计时，对一阶差分链码在各方向上分别进行直方图统计。
6. -种基于差分链码直方图的目标分类装置，其特征在于，包括： 离线训练模块，对训练图像集进行离线分类器训练，得到相应的目标类别判别函数及 其参数； 在线判定模块，用于对输入的视频序列图像进行前景目标检测，进一步对检测的前景 目标进行目标特征提取，以及更进一步将提取的目标特征作为输入，并利用训练得到的目 标类别判别函数及其参数对视频序列图像中的前景目标进行在线类别判定。
7. 如权利要求6所述的基于差分链码直方图的目标分类装置，其特征在于，所述离线 训练模块包括： 第一特征提取模块，用于对训练图像集中的每一个前景目标进行目标特征提取； 训练模块，用于对训练图像集中的每一个前景目标进行目标类别符标定，并将标定好 的目标类别符及其相应的目标特征作为输入参数，进行离线训练，从而得到相应的目标类 别判别函数及其参数。
8. 如权利要求6所述的基于差分链码直方图的目标分类装置，其特征在于，所述在线 判定模块包括： 目标检测模块，用于对输入的视频序列图像进行前景目标检测； 第二特征提取模块，用于对检测的前景目标进行目标特征提取； 分类器决策模块，用于将提取的目标特征作为输入，并利用训练得到的目标类别判别 函数及其参数对视频序列图像中的前景目标进行在线类别判定。
9. 如权利要求7或8所述的基于差分链码直方图的目标分类装置，其特征在于，第一特 征提取模块或第二特征提取模块对检测的前景目标进行目标特征提取的方法为： 对前景目标进行边界链码表达； 对链码进行一阶差分； 对一阶差分链码进行直方图统计； 对统计出的直方图中每一分量进行归一化； 用归一化后的每个分量所对应的值作为目标特征值。
10. 如权利要求9所述的基于差分链码直方图的目标分类装置，其特征在于，采用 Freeman链码或顶点链码对前景目标进行边界链码表达，链码方式可以采用4方向或8方向 链码；以及，对一阶差分链码进行直方图统计时，对一阶差分链码在各方向上分别进行直方 图统计。
【文档编号】G06K9/62GK104102914SQ201310113666
【公开日】2014年10月15日 申请日期:2013年4月2日 优先权日:2013年4月2日
【发明者】徐庆华, 林彬, 吴贻刚 申请人:深圳中兴力维技术有限公司