视频图像的目标分类方法及装置的制作方法

专利名称：视频图像的目标分类方法及装置的制作方法
技术领域：
本申请涉及计算机图像处理技术领域，尤其涉及一种视频图像的目标分类方法及
直O
背景技术：
智能视频分析技术指通过计算机对输入的视频图像自动进行内容分析，以确定视 频画面中是否有车辆或人出现，或者是否有目标进入预设的警戒区域等。在智能视频分析 处理的应用中，目标通常被分为人与车两类，例如，我们在视频画面中设置了一个报警区 域，当有车辆驶入这个区域时，智能视频分析系统应自动输出报警信息，而当有人进入时智 能视频分析系统则不应输出报警信息，因此智能视频分析系统需要对出现在视频画面中的 目标进行跟踪，并对跟踪结果进行自动分类，确定目标的类型然后选择性地输出报警信息。现有技术中的智能视频分析系统在进行目标分类时，通过分析输入视频图像与背 景图像之间的差异，将差异较大的区域作为目标出现的位置，提取视频图像中的运动目标； 对提取出的运动目标进行跟踪，确定目标在不同时间点上的运动位置；提取描述目标的形 状和运动特性的特征，这些特征通常包括描述目标形状特性的宽高比值，轮廓周长比率等， 描述目标在时序上运动特性的特征；将提取的目标特征输入到事先训练好的分类器，通过 分类器的分类运算输出分类结果。发明人在对现有技术的研究和实践过程中发现，现有技术中对视频目标进行跟踪 时，需要使用目标的图像特征信息及运动信息，通常会将目标的彩色直方图作为跟踪过程 的一个特征信息，由于常用的直方图需要占用大量的内存空间，因此不利于跟踪算法的快 速执行；另外，目标分类的准确性主要取决于选择何种特征，对于作为目标形状特征的宽高 比值，轮廓周长比率等，通常会在在视频捕获装置发生视角改变时，无法保持较好的类型区 分性，而对于目标的运动特性，当目标较小时，人的肢体摆动在图像中无法得到体现，导致 人的运动特性与车辆基本一致，因此也难以实现对目标的准确分类。

发明内容
本申请实施例的目的是提供一种视频图像的目标分类方法及装置，以解决现有技 术中在进行目标分类时跟踪算法难以快速执行，且目标分类特定情况下不准确的问题。为解决上述技术问题，本申请实施例提供如下技术方案—种视频图像的目标分类方法，包括接收视频图像后，过滤从所述视频图像中获取的前景团块，将符合预设过滤条件 的前景团块作为运动目标；通过均值迭代漂移算法对所述运动目标进行跟踪，并在所述跟踪的结果位置上提 取运动目标；对所述提取的运动目标进行归一化处理后，扫描所述归一化处理后的运动目标的 轮廓获得特征统计值；
根据所述特征统计值确定所述运动目标的类型。所述接收视频图像后，还包括将所述视频图像中的像素点与预先设置的背景图像模型中的背景像素点进行比 较获得前景像素点；从所述前景像素点中提取轮廓闭合的像素点的集合作为前景团块。所述预设过滤条件包括至少一个下述条件预设所述前景团块的运动轨迹在时序上持续的时间阈值；预设所述前景团块的运动轨迹应符合的运动特征；预设所述前景团块的运动速度阈值。所述通过均值迭代漂移算法对所述运动目标进行跟踪包括对所述运动目标进行初始化，包括更新所述运动目标对应的卡尔曼滤波器并将所 述运动目标的彩色直方图作为目标彩色直方图；通过所述卡尔曼滤波器对所述运动目标的运动位置进行预测，得到预测位置；将所述预测位置作为当前迭代位置，统计所述当前迭代位置内的彩色直方图，计 算所述当前迭代位置内的彩色直方图与所述目标彩色直方图之间的梯度值，所述彩色直方 图为通过联合概率分布计算得到的压缩的彩色直方图；判断所述梯度值是否满足预先设置的迭代条件，若是，则输出所述运动目标的跟 踪位置，否则，根据所述梯度值偏移到下一个迭代位置，返回所述统计当前迭代位置内的彩 色直方图的步骤。所述对提取的运动目标进行归一化处理包括获取预先设置的目标模板的宽度值和高度值，以及所述运动目标的宽度值和高度 值；根据所述目标模板的宽度值和所述运动目标的宽度值计算宽度缩放因子，以及根 据所述目标模板的高度值和所述运动目标的高度值计算高度缩放因子；通过所述宽度缩放因子和高度缩放因子对所述运动目标进行缩放。所述扫描归一化处理后的运动目标的轮廓获得统计值包括根据所述运动目标的轮廓设置所述运动目标的外接矩形；沿逆时针方向分别以外接矩形四条边上的点为起点，做垂直于所述外接矩形四条 边的轮廓扫描线；记录从所述起点到运动目标的轮廓之间的扫描线距离，将所述距离作为所述运动 目标的特征得到所述运动目标的特征统计值。所述根据特征统计值确定所述运动目标的类型包括将所述特征统计值输入预先训练好的支撑向量机分类器，所述支撑向量机分类器 中保存了不同特征统计值对应的运动目标类型；根据所述支撑向量机分类器输出的比较结果得到运动目标的类型。一种视频图像的目标分类装置，包括接收单元，用于接收视频图像；过滤单元，用于过滤从所述视频图像中获取的前景团块，将符合预设过滤条件的 前景团块作为运动目标；
跟踪单元，用于通过均值迭代漂移算法对所述运动目标进行跟踪，并在所述跟踪 的结果位置上提取运动目标；归一化单元，用于对所述提取的运动目标进行归一化处理；扫描单元，用于扫描所述归一化处理后的运动目标的轮廓获得特征统计值；确定单元，用于根据所述特征统计确定所述运动目标的类型。还包括比较单元，用于将所述接收单元接收到的视频图像中的像素点与预先设置的背景 图像模型中的背景像素点进行比较获得前景像素点；提取单元，用于从所述前景像素点中提取轮廓闭合的像素点的集合作为前景团 块。所述跟踪单元包括初始化子单元，用于对所述运动目标进行初始化，包括更新所述运动目标对应的 卡尔曼滤波器并将所述运动目标的彩色直方图作为目标彩色直方图；预测位置子单元，用于通过所述卡尔曼滤波器对所述运动目标的运动位置进行预 测，得到预测位置；迭代计算子单元，用于将所述预测位置作为当前迭代位置，统计所述当前迭代位 置内的彩色直方图，计算所述当前迭代位置内的彩色直方图与所述目标彩色直方图之间的 梯度值，所述彩色直方图为通过联合概率分布计算得到的压缩的彩色直方图；迭代判断子单元，用于判断所述梯度值是满足预先设置的迭代条件；结果执行子单元，用于当所述迭代判断子单元的判断结果为是时，输出所述运动 目标的跟踪位置，当所述迭代判断子单元的判断结果为否时，根据所述梯度值偏移到下一 个迭代位置，返回所述迭代计算子单元。所述归一化单元包括边值获取子单元，用于获取预先设置的目标模板的宽度值和高度值，以及所述运 动目标的宽度值和高度值；缩放因子计算子单元，用于根据所述目标模板的宽度值和所述运动目标的宽度值 计算宽度缩放因子，以及根据所述目标模板的高度值和所述运动目标的高度值计算高度缩 放因子；目标缩放子单元，用于通过所述宽度缩放因子和高度缩放因子对所述运动目标进 行缩放。所述扫描单元包括轮廓设置子单元，用于根据所述运动目标的轮廓设置所述运动目标的外接矩形；扫描执行子单元，用于沿逆时针方向分别以外接矩形四条边上的点为起点，做垂 直于所述外接矩形四条边的轮廓扫描线；统计值记录子单元，用于记录从所述起点到运动目标的轮廓之间的扫描线距离， 将所述距离作为所述运动目标的特征得到所述运动目标的特征统计值。所述确定单元包括特征值输入子单元，用于将所述特征统计值输入预先训练好的支撑向量机分类 器，所述支撑向量机分类器中保存了不同特征统计值对应的运动目标类型；
目标类型获取子单元，用于根据所述支撑向量机分类器输出的比较结果得到运动 目标的类型。可见，本申请实施例中接收视频图像后，过滤从视频图像中获取的前景团块，将符 合预设过滤条件的前景团块作为运动目标，通过均值迭代漂移算法对运动目标进行跟踪， 并在跟踪的结果位置上提取运动目标，对提取的运动目标进行归一化处理后，扫描归一化 处理后的运动目标的轮廓获得特征统计值，根据特征统计值确定所述运动目标的类型。本 申请实施例利用目标的轮廓特征对目标进行分类，提高了分类的准确性，轮廓特征的提取 有较好的区分性，能对目标进行准确地分类，且运算量较小，能在各种实时算法系统中快速 运行；通过缩放因子对运动目标进行大小归一化处理，可以保存运动目标的宽高比特征，克 服了现有归一化方法导致的宽高比例特征不准的缺陷；另外，通过联合概率分布计算彩色 直方图，减少了彩色直方图的数据量，相应提高了运算速度。


为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提 下，还可以根据这些附图获得其他的附图。图1为本申请视频图像的目标分类方法的第一实施例流程图；图2为本申请视频图像的目标分类方法的第二实施例流程图；图3为本申请视频图像的目标分类装置的第一实施例框图；图4A为本申请视频图像的目标分类装置的第二实施例框图；图4B为本申请装置第二实施例中跟踪单元的实施例框图；图4C为本申请装置第二实施例中归一化单元的实施例框图；图4D为本申请装置第二实施例中扫描单元的实施例框图；图4E为本申请装置第二实施例中确定单元的实施例框图。
具体实施例方式本申请实施例提供一种视频图像的目标分类方法及一种视频图像的目标分类装置。为了使本技术领域的人员更好地理解本申请实施例中的技术方案，并使本申请实 施例的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请实施例中技术方 案作进一步详细的说明。参见图1，为本申请视频图像的目标分类方法的第一实施例流程图步骤101 接收视频图像后，过滤从视频图像中获取的前景团块，将符合预设过滤 条件的前景团块作为运动目标。其中，预设过滤条件可以包括下述至少一个条件预设所述前景团块的运动轨迹 在时序上持续的时间阈值；预设所述前景团块的运动轨迹应符合的运动特征；预设所述前 景团块的运动速度阈值。步骤102 通过均值迭代漂移算法对运动目标进行跟踪，并在跟踪的结果位置上提取运动目标。具体的，对过滤后的运动目标进行初始化，包括更新运动目标对应的卡尔曼滤波 器并将运动目标的彩色直方图作为目标彩色直方图，通过卡尔曼滤波器对运动目标的运动 位置进行预测，得到预测位置，将预测位置作为当前迭代位置，统计前迭代位置内的彩色直 方图，计算当前迭代位置内的彩色直方图与目标彩色直方图之间的梯度值，该彩色直方图 为通过联合概率分布计算得到的压缩的彩色直方图，判断梯度值是否满足预先设置的迭代 条件，若满足，则输出运动目标的跟踪位置，否则，根据梯度值偏移到下一个迭代位置，返回 统计当前迭代位置内的彩色直方图的步骤，直至迭代结束输出运动目标的跟踪位置。步骤103 对提取的运动目标进行归一化处理后，扫描归一化处理后的运动目标 的轮廓获得特征统计值。具体的，获取预先设置的目标模板的宽度值和高度值，以及运动目标的宽度值和 高度值，根据目标模板的宽度值和运动目标的宽度值计算宽度缩放因子，以及根据目标模 板的高度值和运动目标的高度值计算高度缩放因子，通过计算的宽度缩放因子和高度缩放 因子对运动目标进行缩放；根据缩放后的运动目标的轮廓设置运动目标的外接矩形，沿逆 时针方向分别以外接矩形四条边上的点为起点，做垂直于外接矩形四条边的轮廓扫描线， 记录从起点到运动目标的轮廓之间的扫描线距离，将距离作为运动目标的特征得到运动目 标的特征统计值。步骤104 根据特征统计确定运动目标的类型，结束当前流程。具体的，将特征统计值输入预先训练好的支撑向量机分类器，该支撑向量机分类 器中保存了不同特征统计值对应的运动目标类型，根据支撑向量机分类器输出的比较结果 得到运动目标的类型。参见图2，为本申请视频图像的目标分类方法的第二实施例流程图，该实施例详细 示出了对视频图像中的运动目标进行分类的过程步骤201 接收视频图像。步骤202 将视频图像中的像素点与预先设置的背景图像模型中的背景像素点进 行比较获得前景像素点。本申请实施例中，需要预先设置用于描述视频中的固定场景及视频中的规律性运 动的背景图像模型，背景图像模型可以根据预采集一定数量的视频图像建立，并且按照预 先设定的时间间隔更新背景图像模型。例如，背景模型中有一些固定场景，可以为路面、停 靠的车辆等，规律性运动可以为电扇的转动。对背景模型进行更新是因为当开始建立的背 景模型中驶入一辆车，该车停靠后形成固定场景，因此需要对开始建立的背景模型进行更 新，将该车加入到背景模型中。背景模型中的视频图像由若干背景像素点组成，而要实现对运动目标的跟踪，首 先需要确定当前视频图像中的前景像素点，前景像素点是指视频图像中相对于背景模型中 的背景像素点发生变化的像素点，也就是发生运动的像素点。在确定发生运动的前景像素 点时，可以通过计算当前输入视频图像中的像素点与背景像素点之间的差异来判断，预先 设置一个差异阈值，当视频图像中的像素点与背景像素点之间的差值超过该阈值时，则判 断该像素点为前景像素点，假设视频图像的当前像素点为X，则可以通过如下公式(1)进行 判断
F(x) = J(1)
\\,if(x-b(x)) >=T上述公式(1)中，χ表示当前像素点X的像素值，b(x)表示当前像素点所对应的 背景像素点的像素值，T表示差异阈值，通过判断视频图像中每个像素点与其对应的背景像 素点之间的差异值，当差异值不小于T时，则确认当前像素点为前景像素点，差异值F(X)取 “1”，当差异值小于T时，则确认当前像素点不是前景像素点，差异值F(X)取“0”。根据上述 公式(1)，可以确定视频图像中的前景像素点和背景像素点。另外，背景图像模型可以吸收环境中的光照变化，滤除雨雪带来的干扰，维护的是 一个结合多种图像信息的背景模型。通过背景图像模型进行前景检测后，输出的视频图像 中所有白色的像素点表示前景像素点，所有黑色的像素点表示背景像素点。步骤203 从前景像素点中提取轮廓闭合的像素点的集合作为前景团块。在通过前景检测确定了输入视频图像中的前景像素点后，还需要根据这些前景像 素点进一步确定需要跟踪的目标。通常运动目标所对应的前景像素点在空间上是连续的， 在视频图像中表现为一个前景团块，这些前景团块的轮廓通常是闭合的，每一个前景团块 对应一个唯一的轮廓，通过跟踪这些轮廓就可以标记视频图像中的前景团块。步骤204 判断前景团块是否符合预设的过滤条件，若是，则执行步骤205 ；否则， 过滤前景团块。在前述所标记的所有前景团块中，并非所有的前景团块都是需要跟踪的运动目 标，在很多应用场景下，视频图像中的背景扰动都可能在前景检测中输出生成的前景团块， 因此需要将一部分包含虚假运动目标信息的前景团块过滤，否则系统将会产生大量的虚假
告敏_自
口目 I 口 ； K、。在对前景团块进行过滤时，需要对生成的前景团块进行跟踪，记录前景团块的运 动轨迹，并判断这些运动轨迹是否符合预先设置的运动规则，当符合这些设置的运动规则 时，则该前景团块对应的是真实的运动目标。本申请实施例中可以设置的运动规则举例说 明如下规则一判断运动轨迹在时序上持续的时间是否符合预先设置的时间阈值，例如， 预先设置的时间阈值为2秒，则当所跟踪前景团块的运动轨迹在时序上持续的时间超过2 秒，确定该前景团块为运动目标，否则，确定该前景团块为视频图像中的短时扰动，不再对 其进行跟踪；规则二 判断运动轨迹的运动特性是否符合运动目标的运动特性，例如，预先设置 运动规律为五个像素点，则当所跟踪前景团块的运动轨迹超过五个像素点时，确定该前景 团块为运动目标，否则，将该前景团块滤除；规则三判断运动速度是否符合预先设置的速度阈值，例如，预先设置运动速度为 每秒钟20个像素，则当所跟踪前景团块的运动速度小于每秒钟20个像素时，确定该前景团 块为运动目标，否则，将该前景团块滤除。本申请实施例中的运动规则不局限在上述所示例的三种规则范围内，根据实际的 需要，还可以设置其它的运动规则，也可以是所设置运动规则中任意数量的规则的组合。步骤205 对运动目标进行初始化。将对前景团块进行干扰过滤后得到的前景团块作为运动目标，在对运动目标进行跟踪前，可以先对运动目标进行初始化，包括更新运动目标对应的卡尔曼滤波器，并将运动 目标的彩色直方图作为目标彩色直方图，保存该目标彩色直方图作为目标特征模板。步骤206 通过卡尔曼滤波器对运动目标的运动位置进行预测，得到预测位置。对运动目标进行跟踪的目的是为了建立运动目标在时序上的位置对应关系， 即运动轨迹。在确定运动目标在当前视频图像中的位置时，首先利用运动目标对应的 Kalman (卡尔曼)滤波器对运动目标进行位置预测。Kalman滤波器中保存了运动目标的速 度信息和方向信息，可以预测运动目标在下一时刻的运动位置，如下式所示 上式(2)中， 其中，state_post表示运动目标的当前预测位置，T表示Kalman滤波器的转换矩 阵，state_pre表示Kalman滤波器在上一时刻的运动目标的坐标、速度和加速度修正值。步骤207 将预测位置作为当前迭代位置，统计当前迭代位置内的彩色直方图，计 算当前迭代位置内的彩色直方图与目标彩色直方图之间的梯度值。本申请实施例中在运动目标的预测位置上，进行mean shift (均值迭代漂移)算 法跟踪，即在Kalman滤波器预测运动目标的位置，统计当前迭代位置内的YUV彩色直方图， 计算统计所得直方图与目标直方图之间的梯度值，当梯度值小于预先设置的阈值或迭代次 数超过预先设定的阈值时，跟踪结束，输出跟踪位置，否则将梯度值偏移至下一迭代位置， 返回统计当前迭代位置内YUV彩色直方图的步骤，直到迭代的梯度值小于预先设置的阈值 或迭代次数超过预先设定的阈值，跟踪结束，输出跟踪位置。YUV彩色直方图表示的是图像中各YUV值在图像中出现的概率，假设有YUV值为 (y，u, ν)，则现有技术中在计算YUV在图像中出现的概率P (y，u, ν)时，采用如下公式 上式(3)中，
YUV (χ, y)表示图像在
位置(x，y)上的YUV值，M和N分别表示图像的高度和宽度。由现有技术可知，表示图像中 各YUV值概率一共需要256X256X256 = 16777216个存储位置，因此需要大量的存储空 间。考虑到YUV空间中各个分量的独立性，本申请实施例中对彩色直方图进行一个近似描 述，如下式⑷所示 上式4中，
上 式
表示视频图像在位置(X，y)上的U分量值；上式4
表示视频图像在位置(X，y)上的V分量值；上式4中，M和N分别表示图像的高度与宽度，由于本申请实施例中通过联合概率 分布计算得到压缩的彩色直方图，因此描述一个彩色直方图只需要256+256+256 = 768个 存储位置。由此可知，本申请实施例中所得到的运动目标的彩色直方图，比现有技术中的颜 色直方图占用更少的内存空间，运算过程中涉及的数据量大大降低。步骤208 根据梯度值判断是否满足预先设置的迭代条件，若是，则执行步骤209 ； 否则，将梯度值偏移到下一个迭代位置后返回步骤207。步骤209 输出运动目标的跟踪位置，并在跟踪位置上提取运动目标。在前述mean shift算法跟踪的最终位置上，搜索前景团块，如果该位置不存在前景团块，则说明跟踪失 败，如果存在前景团块，则用该前景团块的大小及中心点位置作为运动目标的跟踪结果，可 以利用对运动目标的跟踪结果信息修正Kalman滤波器中的参数及State_pre值，并统计运 动目标在当前所处范围内的YUV彩色直方图，利用它对目标特征模板进行更新。步骤210 根据预先设置的目标模板的宽度值和高度值，以及运动目标的宽度值 和高度值计算运动目标的宽度缩放因子和高度缩放因子。经过运动目标提取以及运动目标跟踪后得到的运动目标，在大小上会与目标图像 存在较大的差异，因此需要对运动目标进行大小归一化处理，例如，可以将目标图像统一为 宽40像素，高40像素的目标模板，对运动目标进行缩放的过程中，为保留运动目标的宽高 比例，则根据运动目标的宽高比例，宽度与高度方向分别采用不同的缩放因子，以保证大小 归一化前后目标宽高比例的一致性。假设当前有运动目标，宽度值和高度值分别为w和h， 按照下式(5)对其进行大小归一化处理scale_w = 40/wif (w > h)seal e_h = 40/w(5)scale_w = 40/hif (w <= h)scale_h = 40/h上式(5)中，scale_w和scaleji分别表示宽度与高度方向上的缩放比例。步骤211 通过宽度缩放因子和高度缩放因子对运动目标进行缩放。步骤212 根据运动目标的轮廓设置运动目标的外接矩形，并沿逆时针方向分别
以外接矩形四条边上的点为起点，做垂直于外接矩形四条边的轮廓扫描线。 在得到归一化处理后的运动目标后，依据该运动目标的轮廓做外接矩形，该外接矩形的四条边均与运动目标的轮廓相切，从运动目标外接矩形的左上角开始，沿逆时针方 向，在矩形四边各点做垂直于矩形边的轮廓扫描线。步骤213 记录从起点到运动目标的轮廓之间的扫描线距离，将距离作为运动目 标的特征得到运动目标的特征统计值。记录扫描线从矩形边到目标轮廓之间的距离，将这些距离作为目标的轮廓特征统 计值。在实际应用中，为减少特征统计值的数量，可以按照每扫描四条线保存一个特征值， 即取四根轮廓扫描线长度的平均值，由此可以大大地减少数据量。步骤214 将特征统计值输入预先训练好的支撑向量机分类器。所述支撑向量机分类器中保存了不同特征统计值对应的运动目标类型，本申请实 施例中，将提取的轮廓特征进统计值进行归一化处理，将各特征统计值缩放至0-1之间，与 现有技术类似，将特征统计值输入到事先训练好的SVM(Support Vector Machine，支撑向 量机)分类器进行分类运算，根据分类器输出的结果确定目标的类型。步骤215 根据支撑向量机分类器输出的比较结果得到运动目标的类型，结束当 前流程。与本申请视频图像的目标分类方法的实施例相对应，本申请还提供了视频图像的 目标分类装置的实施例。参见图3，为本申请视频图像的目标分类装置的第一实施例框图，该装置包括接 收单元310、过滤单元320、跟踪单元330、归一化单元340、扫描单元350和确定单元360。其中，接收单元310，用于接收视频图像；过滤单元320，用于过滤从视频图像中获取的前景团块，将符合预设过滤条件的前 景团块作为运动目标；跟踪单元330，用于通过均值迭代漂移算法对运动目标进行跟踪，并在跟踪的结果 位置上提取运动目标；归一化单元340，用于对提取的运动目标进行归一化处理；扫描单元350，用于扫描归一化处理后的运动目标的轮廓获得特征统计值；确定单元360，用于根据特征统计值确定运动目标的类型。参见图4A，为本申请视频图像的目标分类装置的第二实施例框图，该装置包括: 接收单元310、比较单元370、提取单元380、过滤单元320、跟踪单元330、归一化单元340、 扫描单元350和确定单元360。接收单元310，用于接收视频图像；比较单元370，用于将接收单元310接收到的视频图像中的像素点与预先设置的 背景图像模型中的背景像素点进行比较获得前景像素点；提取单元380，用于从前景像素点中提取轮廓闭合的像素点的集合作为前景团 块；过滤单元320，用于过滤从视频图像中获取的前景团块，将符合预设过滤条件的前 景团块作为运动目标；跟踪单元330，用于通过均值迭代漂移算法对运动目标进行跟踪，并在跟踪的结果 位置上提取运动目标；归一化单元340，用于对提取的运动目标进行归一化处理；
扫描单元350，用于扫描归一化处理后的运动目标的轮廓获得特征统计值；确定单元360，用于根据特征统计值确定运动目标的类型。具体的，参见图4B，为跟踪单元330的实施例框图，包括初始化子单元331，用于对运动目标进行初始化，包括更新运动目标对应的卡尔曼 滤波器并将运动目标的彩色直方图作为目标彩色直方图；预测位置子单元332，用于通过卡尔曼滤波器对运动目标的运动位置进行预测，得 到预测位置；迭代计算子单元333，用于将预测位置作为当前迭代位置，统计当前迭代位置内的 彩色直方图，计算当前迭代位置内的彩色直方图与目标彩色直方图之间的梯度值，该彩色 直方图为通过联合概率分布计算得到的压缩的彩色直方图；迭代判断子单元334，用于判断梯度值是否满足预先设置的迭代条件；结果执行子单元335，用于当迭代判断子单元334的判断结果为是时，输出运动目 标的跟踪位置，当迭代判断子单元334的判断结果为否时，将梯度值偏移到下一个迭代位 置，返回迭代计算子单元333的功能。具体的，参见图4C为归一化单元340的实施例框图，包括边值获取子单元341，用于获取预先设置的目标模板的宽度值和高度值，以及运动 目标的宽度值和高度值；缩放因子计算子单元342，用于根据目标模板的宽度值和运动目标的宽度值计算 宽度缩放因子，以及根据目标模板的高度值和运动目标的高度值计算高度缩放因子；目标缩放子单元343，用于通过宽度缩放因子和高度缩放因子对运动目标进行缩 放。具体的，参见图4D，为扫描单元350的实施例框图，包括轮廓设置子单元351，用于根据运动目标的轮廓设置运动目标的外接矩形；扫描执行子单元352，用于沿逆时针方向分别以外接矩形四条边上的点为起点，做 垂直于外接矩形四条边的轮廓扫描线；统计值记录子单元353，用于记录从起点到运动目标的轮廓之间的扫描线距离，将 距离作为运动目标的特征得到运动目标的特征统计值。具体的，参见图4E为确定单元360的实施例框图，包括特征值输入子单元361，用于将特征统计值输入预先训练好的支撑向量机分类器， 该支撑向量机分类器中保存了不同特征统计值对应的运动目标类型；目标类型获取子单元362，用于根据支撑向量机分类器输出的比较结果得到运动 目标的类型。通过以上的实施方式的描述可知，本申请实施例中接收视频图像后，过滤从视频 图像中获取的前景团块，将符合预设过滤条件的前景团块作为运动目标，通过均值迭代漂 移算法对运动目标进行跟踪，并在跟踪的结果位置上提取运动目标，对提取的运动目标进 行归一化处理后，扫描归一化处理后的运动目标的轮廓获得特征统计值，根据特征统计确 定运动目标的类型。本申请实施例利用目标的轮廓特征对目标进行分类，提高了分类的准 确性，轮廓特征的提取有较好的区分性，能对目标进行准确地分类，且运算量较小，能在各 种实时算法系统中快速运行；通过缩放因子对运动目标进行大小归一化处理，可以保存运
14动目标的宽高比特征，克服了现有归一化方法导致的宽高比例特征不准的缺陷；另外，通过 联合概率分布计算彩色直方图，减少了彩色直方图的数据量，相应提高了运算速度。通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可 借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质 上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品 可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备 (可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些 部分的方法。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部 分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实 施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例 的部分说明即可。本申请可用于众多通用或专用的计算系统环境或配置中。例如个人计算机、服务 器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶 盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的 分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序 模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组 件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由 通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以 位于包括存储设备在内的本地和远程计算机存储介质中。虽然通过实施例描绘了本申请，本领域普通技术人员知道，本申请有许多变形和 变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的 精神。
权利要求
一种视频图像的目标分类方法，其特征在于，包括接收视频图像后，过滤从所述视频图像中获取的前景团块，将符合预设过滤条件的前景团块作为运动目标；通过均值迭代漂移算法对所述运动目标进行跟踪，并在所述跟踪的结果位置上提取运动目标；对所述提取的运动目标进行归一化处理后，扫描所述归一化处理后的运动目标的轮廓获得特征统计值；根据所述特征统计值确定所述运动目标的类型。
2.根据权利要求1所述的方法，其特征在于，所述接收视频图像后，还包括 将所述视频图像中的像素点与预先设置的背景图像模型中的背景像素点进行比较获得前景像素点；从所述前景像素点中提取轮廓闭合的像素点的集合作为前景团块。
3.根据权利要求1所述的方法，其特征在于，所述预设过滤条件包括至少下述一个下 述条件预设所述前景团块的运动轨迹在时序上持续的时间阈值； 预设所述前景团块的运动轨迹应符合的运动特征； 预设所述前景团块的运动速度阈值。
4.根据权利要求1所述的方法，其特征在于，所述通过均值迭代漂移算法对所述运动 目标进行跟踪包括对所述运动目标进行初始化，包括更新所述运动目标对应的卡尔曼滤波器并将所述运 动目标的彩色直方图作为目标彩色直方图；通过所述卡尔曼滤波器对所述运动目标的运动位置进行预测，得到预测位置； 将所述预测位置作为当前迭代位置，统计所述当前迭代位置内的彩色直方图，计算所 述当前迭代位置内的彩色直方图与所述目标彩色直方图之间的梯度值，所述彩色直方图为 通过联合概率分布计算得到的压缩的彩色直方图；判断所述梯度值是否满足预先设置的迭代条件，若是，则输出所述运动目标的跟踪位 置，否则，根据所述梯度值偏移到下一个迭代位置，返回所述统计当前迭代位置内的彩色直 方图的步骤。
5.根据权利要求1所述的方法，其特征在于，所述对提取的运动目标进行归一化处理 包括获取预先设置的目标模板的宽度值和高度值，以及所述运动目标的宽度值和高度值； 根据所述目标模板的宽度值和所述运动目标的宽度值计算宽度缩放因子，以及根据所 述目标模板的高度值和所述运动目标的高度值计算高度缩放因子； 通过所述宽度缩放因子和高度缩放因子对所述运动目标进行缩放。
6.根据权利要求1所述的方法，其特征在于，所述扫描归一化处理后的运动目标的轮 廓获得统计值包括根据所述运动目标的轮廓设置所述运动目标的外接矩形；沿逆时针方向分别以外接矩形四条边上的点为起点，做垂直于所述外接矩形四条边的 轮廓扫描线；记录从所述起点到运动目标的轮廓之间的扫描线距离，将所述距离作为所述运动目标 的特征得到所述运动目标的特征统计值。
7.根据权利要求1所述的方法，其特征在于，所述根据特征统计值确定所述运动目标 的类型包括将所述特征统计值输入预先训练好的支撑向量机分类器，所述支撑向量机分类器中保 存了不同特征统计值对应的运动目标类型；根据所述支撑向量机分类器输出的比较结果得到运动目标的类型。
8.一种视频图像的目标分类装置，其特征在于，包括 接收单元，用于接收视频图像；过滤单元，用于过滤从所述视频图像中获取的前景团块，将符合预设过滤条件的前景 团块作为运动目标；跟踪单元，用于通过均值迭代漂移算法对所述运动目标进行跟踪，并在所述跟踪的结 果位置上提取运动目标；归一化单元，用于对所述提取的运动目标进行归一化处理；扫描单元，用于扫描所述归一化处理后的运动目标的轮廓获得特征统计值；确定单元，用于根据所述特征统计值确定所述运动目标的类型。
9.根据权利要求8所述的装置，其特征在于，还包括比较单元，用于将所述接收单元接收到的视频图像中的像素点与预先设置的背景图像 模型中的背景像素点进行比较获得前景像素点；提取单元，用于从所述前景像素点中提取轮廓闭合的像素点的集合作为前景团块。
10.根据权利要求8所述的装置，其特征在于，所述跟踪单元包括初始化子单元，用于对所述运动目标进行初始化，包括更新所述运动目标对应的卡尔 曼滤波器并将所述运动目标的彩色直方图作为目标彩色直方图；预测位置子单元，用于通过所述卡尔曼滤波器对所述运动目标的运动位置进行预测， 得到预测位置；迭代计算子单元，用于将所述预测位置作为当前迭代位置，统计所述当前迭代位置内 的彩色直方图，计算所述当前迭代位置内的彩色直方图与所述目标彩色直方图之间的梯度 值，所述彩色直方图为通过联合概率分布计算得到的压缩的彩色直方图； 迭代判断子单元，用于判断所述梯度值是满足预先设置的迭代条件； 结果执行子单元，用于当所述迭代判断子单元的判断结果为是时，输出所述运动目标 的跟踪位置，当所述迭代判断子单元的判断结果为否时，根据所述梯度值偏移到下一个迭 代位置，返回所述迭代计算子单元。
11.根据权利要求8所述的装置，其特征在于，所述归一化单元包括边值获取子单元，用于获取预先设置的目标模板的宽度值和高度值，以及所述运动目 标的宽度值和高度值；缩放因子计算子单元，用于根据所述目标模板的宽度值和所述运动目标的宽度值计算 宽度缩放因子，以及根据所述目标模板的高度值和所述运动目标的高度值计算高度缩放因 子；目标缩放子单元，用于通过所述宽度缩放因子和高度缩放因子对所述运动目标进行缩放。
12.根据权利要求8所述的装置，其特征在于，所述扫描单元包括轮廓设置子单元，用于根据所述运动目标的轮廓设置所述运动目标的外接矩形； 扫描执行子单元，用于沿逆时针方向分别以外接矩形四条边上的点为起点，做垂直于 所述外接矩形四条边的轮廓扫描线；统计值记录子单元，用于记录从所述起点到运动目标的轮廓之间的扫描线距离，将所 述距离作为所述运动目标的特征得到所述运动目标的特征统计值。
13.根据权利要求8所述的装置，其特征在于，所述确定单元包括特征值输入子单元，用于将所述特征统计值输入预先训练好的支撑向量机分类器，所 述支撑向量机分类器中保存了不同特征统计值对应的运动目标类型；目标类型获取子单元，用于根据所述支撑向量机分类器输出的比较结果得到运动目标 的类型。
全文摘要
本申请实施例公开了一种视频图像的目标分类方法及装置，包括接收视频图像后，过滤从所述视频图像中获取的前景团块，将符合预设过滤条件的前景团块作为运动目标；通过均值迭代漂移算法对所述运动目标进行跟踪，并在所述跟踪的结果位置上提取运动目标；对所述提取的运动目标进行归一化处理后，扫描所述归一化处理后的运动目标的轮廓获得特征统计值；根据所述特征统计值确定所述运动目标的类型。本申请实施例利用目标的轮廓特征对目标进行分类，提高了分类的准确性；通过缩放因子对运动目标进行大小归一化处理，克服了现有归一化方法导致的宽高比例特征不准的缺陷，并通过联合概率分布计算彩色直方图，减少了彩色直方图的数据量。
文档编号G06T7/20GK101882217SQ20101012431
公开日2010年11月10日 申请日期2010年2月26日 优先权日2010年2月26日
发明者朱勇, 胡扬忠, 蔡巍伟, 贾永华, 邬伟琪 申请人:杭州海康威视软件有限公司