一种实时视频智能识别方法及装置的制造方法
【技术领域】
[0001] 本发明设及图像的智能识别与检测领域，尤其设及一种实时视频智能识别方法及 装置。
【背景技术】
[0002] 图像识别是计算机视觉(Computer Vision)中的一个重要研究内容，在行人检测 方面的研究特别广泛。人工智能是将计算机运用于生活中的一个重要的技术。随着当今计 算机和网络的普及，人工智能在许多领域得到了广泛的应用。让智能化的计算机为人们的 日常学习、生活、工作等带来便利的想法就随之产生。人们越来越希望计算机能够代替人工 劳动，让计算机能够像人一样工作。
[0003] 目前，行人检测的研究非常多，甚至opencv库就带有行人检测的方法，但是运些行 人检测的算法只是在理论上取得了一些成功，在实际的应用中开发的还比较少。而且考虑 到实际环境的多变性等因素，具有针对性的检测方法的应用范围有其局限性。
[0004] 在许多场景下，例如图书馆是一个提供学生学习的很好的环境，但有些同学经常 用书籍等物品占着座位一整天但人真正在座位上的时间却很少，运使得图书馆有限的资源 得不到充分的利用，造成了很大的浪费。现有技术中还无法实现类似上述场景下，对某一特 定位置进行实时判断是否有目标对象(如人)的功能。
[000引因此，现有技术还有待于改进和发展。
【发明内容】
[0006] 鉴于上述现有技术的不足，本发明的目的在于提供一种实时视频智能识别方法及 装置，旨在解决现有技术中还无法实现对某一特定位置进行实时判断是否有目标对象(如 人)的功能问题。
[0007] 本发明的技术方案如下： 一种实时视频智能识别方法，其中，包括步骤： A、 通过摄像头拍摄多张样本图片； B、 对拍摄的多张样本图片进行灰度化处理； C、 根据样本图片中是否有目标对象将多张样本图片分为正样本W及负样本，正样本和 负样本的数量相同； D、 对正样本和负样本进行HOG特征提取并投入SVM分类器进行训练； E、 通过摄像头实时拍摄，将实时拍摄获得的目标图片进行灰度化处理，然后利用已训 练的SVM分类器对目标图片进行识别。
[0008] 所述的实时视频智能识别方法，其中，所述步骤E之后还包括： F、 当识别结果为目标图片中无目标对象时，进行计时处理，计算出无目标对象状态的 持续时间。
[0009] 所述的实时视频智能识别方法，其中，所述步骤F中，当无目标对象状态的持续时 间超过预定时间时，则标记相应位置为目标对象完全离开状态，当无目标对象状态的持续 时间未超过预定时间时则标记相应位置为目标对象暂时离开状态。
[0010] 所述的实时视频智能识别方法，其中，所述步骤B具体包括:对样本图片的RGBS分 量进行加权平均处理，其公式如下： f(i，j)=0.30R(i，j)+0.59G(i，j)+0.1B(i，j)，i和j分别为样本图片的像素坐标，f(i， j)为灰度化处理后的像素。
[0011] 所述的实时视频智能识别方法，其中，所述步骤B中，灰度化处理后，对样本图片进 行切割得到不同位置对应的识别区域。
[0012] -种实时视频智能识别装置，其中，包括： 摄像头模块，用于拍摄多张样本图片W及目标图片； 灰度化处理模块，用于对拍摄的拍摄多张样本图片W及目标图片进行灰度化处理； 样本处理模块，用于根据样本图片中是否有目标对象将多张样本图片分为正样本W及 负样本，正样本和负样本的数量相同；对正样本和负样本进行HOG特征提取并投入SVM分类 器进行训练； 识别模块，用于利用已训练的SVM分类器对目标图片进行识别。
[0013] 所述的实时视频智能识别装置，其中，还包括： 计时模块，用于当识别结果为目标图片中无目标对象时，进行计时处理，计算出无目标 对象状态的持续时间。
[0014] 所述的实时视频智能识别装置，其中，还包括： 标记模块，用于当无目标对象状态的持续时间超过预定时间时，则标记相应位置为目 标对象完全离开状态，当无目标对象状态的持续时间未超过预定时间时则标记相应位置为 目标对象暂时离开状态。
[0015] 所述的实时视频智能识别装置，其中，所述灰度化处理模块具体包括： 加权平均处理单元，用于对样本图片的RGBS分量进行加权平均处理，其公式如下： f(i，j)=0.30R(i，j)+0.59G(i，j)+0.1B(i，j)，i和j分别为样本图片的像素坐标，f(i， j)为灰度化处理后的像素。
[0016] 所述的实时视频智能识别装置，其中，所述灰度化处理模块中，灰度化处理后，对 样本图片进行切割得到不同位置对应的识别区域。
[0017] 有益效果:本发明利用册G算子和SVM分类器实现系统实时的对特定位置是否有目 标对象的识别，进一步还实现了目标对象离开的时间进行计算的功能。
【附图说明】
[0018] 图1为本发明一种实时视频智能识别方法较佳实施例的流程图。
【具体实施方式】
[0019] 本发明提供一种实时视频智能识别方法及装置，为使本发明的目的、技术方案及 效果更加清楚、明确，W下对本发明进一步详细说明。应当理解，此处所描述的具体实施例 仅仅用W解释本发明，并不用于限定本发明。
[0020] 请参阅图1，图1为本发明一种实时视频智能识别方法较佳实施例的流程图，其包 括步骤： 51、 通过摄像头拍摄多张样本图片； 52、 对拍摄的多张样本图片进行灰度化处理； 53、 根据样本图片中是否有目标对象将多张样本图片分为正样本W及负样本，正样本 和负样本的数量相同； 54、 对正样本和负样本进行HOG特征提取并投入SVM分类器进行训练； 55、 通过摄像头实时拍摄，将实时拍摄获得的目标图片进行灰度化处理，然后利用已训 练的SVM分类器对目标图片进行识别。
[0021] 本发明的方法可应用在图书馆等场景下，将摄像头对准座位，即可判断出座位上 是否有人，并结合后续的时间判断，即可判断出是否已经离开。当然，本发明的方法也不仅 限于运种场景下，本发明仅W此为例方便说明。
[0022] 具体来说，在步骤Sl中，将摄像头固定于一合适的方位，使目标对象所处位置(如 座位)在拍摄的图片中处于清晰可见的位置。例如摄像头距离目标对象所处位置约为两米， 使座位在图片中处于清晰可见的位置。根据摄像机镜头焦距与镜头角度和距离的关系，选 择3.6mm的镜头的摄像机。它的镜头角度可W达到75°，能清晰拍摄到目标对象的距离在0~5 米左右。摄像机拍摄的图片大小为640*480。本发明可选取两个并排的座位，运两个座位在 图片中居于图片的左半和右半，运样的分布使得两个座位处于差不多的位置，差异减小，更 加有利于判断结果的正确性。当然，在具体应用时，可同时拍摄多个座位，W便提高检测效 率。
[0023] 在步骤S2中，由于一天的光照随时间有较大变化，同时又考虑到天气原因也会引 起光照强度变化，运使得同一位置拍摄出来的效果有一定差异。为了避免光照强度的变化 对系统判断产生影响，导致系统误判，故要对图片进行灰度化处理。
[0024] 具体地，对样本图片的RGBS分量进行加权平均处理，其公式如下： f(i，j)=0.30R(i，j)+0.59G(i，j)+0.1B(i，j)，i和j分别为样本图片的像素坐标，f(i， j)为灰度化处理后的像素。
[0025] 灰度化处理之后，减少了光照、天气等因素的影响，对于判断结果的准确性有很大 作用。本发明能够在各种光照、天气条件下实时准确的判断位置(如座位)上是否有目标对 象W及位置状态(如有人，临时离开，无人），经过测试，判断的正确率接近100%。
[0026] 在本发明中，由于一幅图像包含多个座位(例如两个），需要对其分别进行判断，故 将拍摄得的样本图片作切割处理。在灰度化处理后，找出两个座位所在的部分，将固定的一 块位置中的图像信息截取出来，用于后续的训练和预测。
[0027] 在步骤S3中，将切割好的样本图片W是否有目标对象(例如人)为依据进行正负样 本标记，通过前两步获得大量的训练样本，其中一半有人，一半无人，对有人Wl标记，无人 WO标记，W作为训练的依据。
[0028] 在本发明中，可拍摄1000张样本图片，其中500张有人的照片标记为正样本，其余 的标记为负样本，W此作为训练的依据。
[0029] 第一次采集的样本图片要足够多，用做训练样本。其中一半有目标对象，一半无目 标对象。对位置(如座位)上有目标对象(人)的图片Wl标记，对位置上无目标对象或者路过 的目标对象WO标记，W作为训练的依据。
[0030]标记完成后，将两组样本图片分别放入两个文件夹中。然后将运两组样本图片作 为训练样本投入SVM分类器进行训练，为后续预测做准备。
[0031 ] 在步骤S4中，册G特征是图片的重要信息，SVM分类器也是通过册G特征的比对来判 断图片中是否有目标对象。所W先要计算出图片HOG特征。将第S3步骤中做好标记的图片放 入SVM分类器进行训练，W提供下一步的预测。
[0032] -副图像包含的形状信息能够用梯度描述出来。其实现方法是:先将图片分成多 个很小的胞元(cell),采集胞元中各像素点的梯度方向直方图化istograms of Oriented Gradients)，胞元可W构成区块(block)，区块又能构成窗口（window)，从而构成一个维数 很大的描述符(descriptor),通过该描述符可W描述图像中的形状特征。若进行对比度归 一化，则能取得更好的效果。
[0033] 所W本发明中，HOG通过计算和统计图片中局部区域的梯度方向直方图来构成特 征。HOG的过程为：灰度化(色彩和gamma归一化计算每个像素的梯度^将图像划分为 cel Is^统计每个cell的梯度直方图^将多个cell组成一个blocks将图像中的所有block 的特征descriptor串联起来得到HOG特征。