一种基于视频图像的目标分类方法
【技术领域】
[0001] 本发明涉及视频图像技术，特别涉及一种基于视频图像的目标分类方法。
【背景技术】
[0002] 在现有技术中，视频监控系统所获取的视频图像中存在大量的运动目标，而在所 有的运动目标中，一般都是以人员和车辆两类目标为主要关注目标。对于这两类目标的管 理要求有着明显的区别，因此在视频监控系统中存在对于这两类目标的分类需求。目前，在 研宄和开发中的主要都是采用基于统计训练的方法来对目标进行分类。但是，使用此类方 法需要收集大量的车辆和人员的图像样本，而且识别速度慢，对运算设备需求较高。由此可 知，在现有技术，上述的问题已经严重地限制了该类方法在目标识别中的应用。
【发明内容】
[0003] 有鉴于此，本发明提供一种基于视频图像的目标分类方法，从而可以有效地对视 频图像中的不同的目标进行分类，大大提高了分类操作的准确性。
[0004] 本发明的技术方案具体是这样实现的：
[0005] 一种基于视频图像的目标分类方法，该方法包括：
[0006] 步骤11，根据连续的视频图像进行监控区域的背景学习，获得监控区域静态的当 前背景图像BI ;
[0007] 步骤12,根据当前背景图像BI对当前视频帧进行逐像素背景差分操作和图像分 割操作，形成目标图像BFM k;
[0008] 步骤13，从目标图像BFMk中提取目标区域；
[0009] 步骤14,对各个目标区域进行主成分分析，确定各个目标区域的主方向；
[0010] 步骤15,将各个目标区域的主方向旋转到水平方向，得到各个旋转后的目标区 域；
[0011] 步骤16,计算各个旋转后的目标区域的矩形饱和度特征；
[0012] 步骤17,根据矩形饱和度特征和预设的阈值，对各个目标区域进行分类。
[0013] 较佳的，所述根据连续的视频图像进行监控区域的背景学习，获得监控区域静态 的当前背景图像包括；
[0014] 步骤111，获取监控视频中的监控区域的当前帧图像Fk，前一帧图像Fk-I和前一 帧图像Fk-I对应的背景图像Bk-I ;其中，k为监控区域的当前帧图像的帧号；
[0015] 步骤112,当k = 1时，将监控区域的第1帧图像Fl作为前一帧图像Fk-I和背景 图像Bk-I和；当k>l时，根据所获取的Fk、F k_JP B η，计算得到前帧背景差分BDk和帧间差 分 FDk;
[0016] 步骤113、根据前帧背景差分BDk、帧间差分FDk和背景图像B lrt中的各个像素的更 新系数，逐像素对监控区域的背景图像仏^进行更新，得到监控区域的当前帧图像Fk对应的 背景图像B k;
[0017] 步骤114、当k小于预设的初始背景更新帧数时，将监控区域的当前帧图像的下一 帧的图像作为当前帧图像，返回执行步骤111 ;否则，将监控区域的当前的背景图像Bk作为 监控区域静态的当前背景图像BI。
[0018] 较佳的，通过如下所述的公式来计算前帧背景差分BDk和帧间差分FD k:
[0019] BDk=Fk-BH
[0020] FDk= IFk-FkJ
[0021] 其中，BDk为F k与B !^的差分，FD k为F k与F ^的差分的绝对值。
[0022] 较佳的，所述逐像素对监控区域的背景图像Blrt进行更新包括：
[0023] 对背景图像B1^1*的各个像素逐像素执行下述的步骤：
[0024] 步骤113a，根据帧间差分FDk和预设的第一阈值FTh，确定当前像素（x，y)的更新 量 mk (X，y);
[0025] 步骤113b，当BDk大于预设第二阈值BTh时，根据当前像素的更新量m k(x，y)对背 景图像的当前像素Blrt (X，y)进行更新；否则，对当前像素不进行更新。
[0026] 较佳的，所述步骤113a包括：
[0027] 当帧间差分FDk大于预设第一阈值FTh时，将当前像素（X，y)的更新量m k(x，y)设 为〇;否则，根据更新系数kk(x，y)计算得到当前像素（x，y)的更新量m k(x，y);
[0028] 其中，所述（x，y)为当前像素的坐标。
[0029] 较佳的，根据如下所述的公式计算当前像素（X，y)的更新量mk(x, y):
[0030] mk (x, y) = kk (x, y) ' BDk (x, y) 〇
[0031] 较佳的，所述更新系数kk(x，y)为分段函数：
[0032]
【主权项】
1. 一种基于视频图像的目标分类方法，其特征在于，该方法包括： 步骤11，根据连续的视频图像进行监控区域的背景学习，获得监控区域静态的当前背 景图像BI ; 步骤12,根据当前背景图像BI对当前视频帧进行逐像素背景差分操作和图像分割操 作，形成目标图像BFMk; 步骤13,从目标图像BFMk中提取目标区域； 步骤14,对各个目标区域进行主成分分析，确定各个目标区域的主方向； 步骤15,将各个目标区域的主方向旋转到水平方向，得到各个旋转后的目标区域； 步骤16,计算各个旋转后的目标区域的矩形饱和度特征； 步骤17,根据矩形饱和度特征和预设的阈值，对各个目标区域进行分类。
2. 根据权利要求1所述的方法，其特征在于，所述根据连续的视频图像进行监控区域 的背景学习，获得监控区域静态的当前背景图像包括； 步骤111，获取监控视频中的监控区域的当前帧图像Fk，前一帧图像Fk-I和前一帧图 像Fk-I对应的背景图像Bk-I ;其中，k为监控区域的当前帧图像的帧号； 步骤112,当k = 1时，将监控区域的第1帧图像Fl作为前一帧图像Fk-I和背景图像 Bk-I和；当k>l时，根据所获取的Fk、Fk_JP Bη，计算得到前帧背景差分BDk和帧间差分FD k; 步骤113、根据前帧背景差分BDk、帧间差分FDk和背景图像B ^中的各个像素的更新系 数，逐像素对监控区域的背景图像^^进行更新，得到监控区域的当前帧图像Fk对应的背景 图像Bk; 步骤114、当k小于预设的初始背景更新帧数时，将监控区域的当前帧图像的下一帧的 图像作为当前帧图像，返回执行步骤111 ;否则，将监控区域的当前的背景图像Bk作为监控 区域静态的当前背景图像BI。
3. 根据权利要求2所述的方法，其特征在于，通过如下所述的公式来计算前帧背景差 分BDk和帧间差分FD k: BDk= F k-Bk_i FDk= IFk-FkJ 其中，BDk为F k与B ^的差分，FD k为F k与F η的差分的绝对值。
4. 根据权利要求2所述的方法，其特征在于，所述逐像素对监控区域的背景图像B ^进 行更新包括： 对背景图像的各个像素逐像素执行下述的步骤： 步骤113a，根据帧间差分FDk和预设的第一阈值FTh，确定当前像素（x，y)的更新量 mk (X，y); 步骤113b，当BDk大于预设第二阈值BTh时，根据当前像素的更新量mk(x，y)对背景图 像的当前像素 BlrtUy)进行更新；否则，对当前像素不进行更新。
5. 根据权利要求4所述的方法，其特征在于，所述步骤113a包括： 当帧间差分FDk大于预设第一阈值FTh时，将当前像素（x，y)的更新量mk(x，y)设为O ; 否则，根据更新系数kk(x，y)计算得到当前像素（x，y)的更新量mk(x，y); 其中，所述（x，y)为当前像素的坐标。
6. 根据权利要求4所述的方法，其特征在于，根据如下所述的公式计算当前像素（X，y) 的更新量mk(x，y): mk (X，y) = kk (X，y) X BDk (X，y)。
7. 根据权利要求4所述的方法，其特征在于，所述更新系数k k(x，y)为分段函数：
8. 根据权利要求4所述的方法，其特征在于： 所述第一阈值FTh为2。
9. 根据权利要求4所述的方法，其特征在于，根据如下所述的公式对背景图像的当前 像素 BlrtUy)进行更新： Bk(x，y)= Bh (x, y) +mk (x, y) 〇
10. 根据权利要求4所述的方法，其特征在于： 所述第二阈值BTh为2。
【专利摘要】本发明公开了一种基于视频图像的目标分类方法，包括：根据连续的视频图像进行监控区域的背景学习，获得监控区域静态的当前背景图像BI；根据当前背景图像BI对当前视频帧进行逐像素背景差分操作和图像分割操作，形成目标图像BFMk；从目标图像BFMk中提取目标区域；对各个目标区域进行主成分分析，确定各个目标区域的主方向；将各个目标区域的主方向旋转到水平方向，得到各个旋转后的目标区域；计算各个旋转后的目标区域的矩形饱和度特征；根据矩形饱和度特征和预设的阈值，对各个目标区域进行分类。使用上述方法，可以有效地对视频图像中的人员和车辆目标进行分类，大大提高了分类操作的准确性。
【IPC分类】G06K9-46, G06K9-62
【公开号】CN104657741
【申请号】CN201510012901
【发明人】柴智, 李亚鹏, 肖军波, 翟佳, 李正浩
【申请人】北京环境特性研究所
【公开日】2015年5月27日
【申请日】2015年1月9日