基于多粒度感知SVM的复杂场景人车分类方法

作者:吴金勇;赵勇;王一科;袁誉乐;张兴 刊名:北京大学学报(自然科学版) 上传者:许学宗

【摘要】针对复杂场景中的人车分类问题,提出一种基于多粒度感知SVM(support vector machine)的复杂场景人车分类方法。该方法首先对视频场景进行运动区域分析,结合角点检测方法提取运动区域视觉感知信息,在时空域中采用Kalman滤波将感知信息进行关联推理,去除噪声干扰。再以运动区域质心点为中心,构造目标的多粒度感知特征,最后构造2级SVM分类器,将目标多粒度感知特征向量集输入SVM分类器进行训练及分类,得到人车分类结果输出。实验结果表明,该方法取得了良好的分类效果,人、车全天候平均分类正确率分别达到93.6%以上,能有效避免光照、色彩、目标大小等变化导致的误分类问题,适用于智能交通视频的人车分类应用。

全文阅读

随着平安城市、智慧城市的建设,集先进的计算机技术、通信技术、图像处理技术、模式识别技术于一体的智能交通系统越来越受到各级政府部门的重视。人车分类作为智能交通系统中的重要组成部分,在交通监控视频分析中尤显重要,分类结果的好坏,直接影响到智能交通系统的正常运作,因深圳市基础研究计划重大项目(JC201005270283A)和深圳市重大产业技术攻关计划(ZD200904290045A)资助此,人车分类的研究具有重大的应用价值。目前在人车分类的研究方面,人们尝试了不同的方法,侯北平等[1]提出在运动目标的形状特征分析基础上,利用多级神经网络进行目标分类。Hari-taoglu等[2]利用形状与运动周期特性识别出人与车辆。Bogomolov等[3]基于混合特征,将运动目标的周期性与几何形状结合进行分类,该种方法实现复杂、计算量大。岳昊等[4]对图像提取4个特征,形成特征向量作为BP神经网络的输入,提出基于BP神经网络的行人和自行车识别方法。Pai等[5]提出利用行人的步伐节奏和频率识别行人,但该方法无法应对行人奔跑等异常步伐。虽然国内外学者对人车分类进行了很多的研究,取得了较多的成果,但如何在复杂场景下进行人车分类,如何避免光照、色彩、目标大小等变化导致的误分类,仍然是有待解决的难题。本文针对复杂场景中的人车分类问题,提出一种基于多粒度感知SVM的复杂场景人车分类方法,该方法通过对视频目标的视觉感知特征分析,将感知特征在时空域中进行关联推理,以目标质心点为中心,构造目标的多粒度感知特征,最后将目标多粒度感知特征集输入SVM分类器进行训练,得到人车分类结果输出,能有效避免光照、色彩、目标大小等变化导致的误分类问题。1视觉感知特征分析1.1感知信息提取感知信息提取是人车目标分类的重要步骤,由于目标的颜色存在很多不定的因素,比如人可以穿不同颜色的衣服,车辆也有各种颜色,颜色的多样化容易影响感知特征的提取,因此需要将采集到的彩色视频图像由RGB颜色空间转换到色彩分离的HSV空间上。为了避免目标颜色的影响,本文只提取与色彩不相关的亮度分量。设RGB图像G(x,y)大小为MN,由式(1)对图像的各像素点(x,y)进行计算,提取出各像素点(x,y)的亮度分量V(x,y),得到MN大小的灰度图像G(x,y)。后续的感知特征提取,将在灰度图G(x,y)的基础上进行。,,,(,)(xyxyxy)/3,Vxy=R+G+B(1)式中Rx,y,Gx,y,Bx,y分别代表RGB图像(x,y)处红、绿和蓝3个分量的值。根据视觉感知特性[6],在复杂场景中,运动的区域包含了有用的信息,符合人们的认知需要,更容易被人们所感知。利用这些特性,在感知特征的提取时,本文重点关注运动的区域,进行运动区域的检测,提取运动区域的信息。设待分析视频为Video{t(,),Gxyt[0,1,...,n];x[0,1,...,M1];y[0,1,…,N1]},具体处理步骤如下。步骤1采用式(1)对视频Video的第t时刻帧(,)Gtxy进行灰度转换,得到第t时刻帧灰度图(,)Gtxy。步骤2轮询抽取视频的多帧过去时刻的灰度图,并与当前帧的灰度图进行差值运算,采用式(2)进行二值化处理,采用式(3)得到运动区域的二值化掩膜B(x,y),可同时兼顾检测到慢速或快速运动物体区域,并避免区域空洞的产生。(,)1,abs((,)(,)),(,)0,ttnttnGxyGxyTBxy>=其他tn>0,n=1,2,3。(2)3(,)11,(,)1,(,)0,ttnnBxyBxy=>=其他。(3)根据仿真及测试经验,式(2)

参考文献

引证文献

问答

我要提问