CN102063726B - 一种运动目标分类方法和*** - Google Patents
一种运动目标分类方法和*** Download PDFInfo
- Publication number
- CN102063726B CN102063726B CN2010106203745A CN201010620374A CN102063726B CN 102063726 B CN102063726 B CN 102063726B CN 2010106203745 A CN2010106203745 A CN 2010106203745A CN 201010620374 A CN201010620374 A CN 201010620374A CN 102063726 B CN102063726 B CN 102063726B
- Authority
- CN
- China
- Prior art keywords
- straight line
- characteristic
- division
- information
- moving target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000013598 vector Substances 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 239000012141 concentrate Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- IYLGZMTXKJYONK-ACLXAEORSA-N (12s,15r)-15-hydroxy-11,16-dioxo-15,20-dihydrosenecionan-12-yl acetate Chemical compound O1C(=O)[C@](CC)(O)C[C@@H](C)[C@](C)(OC(C)=O)C(=O)OCC2=CCN3[C@H]2[C@H]1CC3 IYLGZMTXKJYONK-ACLXAEORSA-N 0.000 description 2
- 241001212149 Cathetus Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- IYLGZMTXKJYONK-UHFFFAOYSA-N ruwenine Natural products O1C(=O)C(CC)(O)CC(C)C(C)(OC(C)=O)C(=O)OCC2=CCN3C2C1CC3 IYLGZMTXKJYONK-UHFFFAOYSA-N 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000008309 brain mechanism Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种运动目标分类方法和***。所述方法包括下列步骤:提取运动目标灰度图像中的运动目标的边缘信息;根据所述边缘信息,提取运动目标边缘上的直线信息;根据所述运动目标的特点,结合所述直线信息构造分类特征;根据所述分类特征,对所述运动目标进行分类,确定运动目标类型。其能够对检测出的运动目标进行正确分类,并获得输出结果,为智能监控***的后续处理提供基础。
Description
技术领域
本发明涉及图象处理和视频监控技术领域,特别是涉及一种运动目标分类方法和***。
背景技术
目前,常规的智能视频监控技术都包括一个运动目标分类步骤。运动目标分类与运动目标检测、运动目标跟踪相结合,可以构成视频监控***中运动目标识别模块。运动目标分类能否正确区分各目标(如人和车),直接影响着智能监控***中的告警,因此成为智能视频监控技术研究中的关键之一。
智能监控技术用于大场景时,存在图像畸变和透视效应,人车混杂、相互遮挡等难点。另一方面智能监控技术必须满足实时性要求。
为了实现运动目标分类,可以使用贝叶斯算法。贝叶斯算法是一种利用概率统计知识进行分类的算法,可以运用到大型数据库中,且方法简单、分类准确率高、速度快。这种方法的缺点是由于贝叶斯定理假设一个属性值对给定类的影响独立于其它属性的值,因此假设在实际情况通常是不成立的,因此其分类准确率可能会下降。
为了实现运动目标分类,还可以使用神经网络算法。神经网络算法能够模拟人类大脑的机构和功能,采用各种学习算法从训练样本中学习,并将获取的知识存储在神经网络各单元之间的连接权中,能够准确的分类目标。神经网络算法在1998年提出后,有出现许多变形,包括替换的误差函数、网络拓扑的动态调整、学习率和要素参数的动态调整。近年来,从神经网络中提取规则受到越来越多的关注。这种方法的缺点是由于要使用大量的训练样本,在实际应用中要不断地更新样本信息,因此运算量极大,很难满足智能监控***对实时性要求。
发明内容
本发明的目的在于提供一种运动目标分类方法和***。其能够对检测出的运动目标进行正确分类,并获得输出结果,为智能监控***的后续处理提供基础。
为实现本发明的目的而提供的一种运动目标分类方法,所述方法包括下列步骤:
步骤100.提取运动目标灰度图像中的运动目标的边缘信息;
步骤200.根据所述边缘信息,提取运动目标边缘上的直线信息;
步骤300.根据所述运动目标的特点,结合所述直线信息构造分类特征;
步骤400.根据所述分类特征,对所述运动目标进行分类,确定运动目标类型。
所述直线信息包括每条直线的局部信息:直线长度、直线方向、直线的起点和终点坐标信息;以及所有直线的整体信息:直线总条数、所有直线的总长度、直线的分布情况信息。
所述步骤300,包括下列步骤:
步骤310.根据所述运动目标的特点,选取与所述直线信息相关的区别特征参数;
步骤320.初始化所述区别特征参数;
步骤330.分析初始化后的区别特征参数的特征作为分类特征。
所述步骤400,包括下列步骤:
步骤410.根据所述分类特征,选择相应的分类方法;
步骤420.根据所述分类方法,确定分类判别函数实现目标分类。
所述步骤300,是利用准水平方向直线集和准竖直方向直线集中直线的数量信息,作为进行人车分类的分类特征。
所述步骤300,是利用直线数量和长度信息构造直线长度直方图向量,作为进行车辆种类区分的分类特征。
所述步骤300,是利用直线数量和角度信息构造直线角度直方图向量,作为进行车辆种类区分的分类特征。
所述步骤300,是利用直线数量,作为进行单人和多人分类的分类特征。
为实现本发明的目的,还提供一种运动目标分类***,所述***,包括:
目标边缘提取模块,用于提取运动目标灰度图像中的运动目标的边缘信息;
直线信息提取模块,用于根据所述边缘信息,提取运动目标边缘上的直线信息;
分类特征构造模块,用于根据所述运动目标的特点,结合所述直线信息构造分类特征;
目标分类模块,用于根据所述分类特征,对所述运动目标进行分类,确定运动目标类型。
所述分类特征构造模块,包括:
特征参数选取模块,用于根据所述运动目标的特点,选取与所述直线信息相关的区别特征参数;
参数初始化模块,用于初始化所述区别特征参数;
分析模块,用于分析初始化后的区别特征参数的特征作为分类特征。
所述目标分类模块,包括:
分类方法选择模块,用于根据所述分类特征,选择相应的分类方法;
分类函数模块,用于根据所述分类方法,确定分类判别函数实现目标分类。
本发明的有益效果是:
本发明的一种运动目标分类方法和***,实现方法简单、不需要标定、不需要跟踪和训练,分类速度快、准确率高、易于移植,当目标仅有部分进入监控区域或目标被部分遮挡时,也可以得到较好的目标分类效果。
附图说明
图1是本发明的一种运动目标分类方法的步骤流程图;
图2是本发明中提取运动目标边缘上的直线信息的效果图;
图3是本发明中构造分类特征的步骤流程图;
图4是本发明中构造分类特征的步骤流程图;
图5是本发明的一种目标分类***的结构示意图;
图6是准水平方向、准竖直方向、准水平方向直线集、准竖直方向直线集之间的关系示意图;
图7是CQH+CQV直线数量与CQH直线数量对比图;
图8为LenMin=0,LenMax=100,LenNum=10取值下,小轿车和公交车直线长度直方图的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明的一种运动目标分类方法和***进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明的一种运动目标分类方法和***,是常规的智能视频监控技术的中间部分,它是在运动目标检测基础上实现的。通过提取运动目标边缘、提取运动目标边缘上的直线信息、利用目标直线信息构造分类特征对目标进行分类,确定目标类型。
下面结合上述目标详细介绍本发明的一种运动目标分类方法,图1是本发明的一种运动目标分类方法的步骤流程图,如图1所示,所述方法,包括下列步骤:
步骤100.提取运动目标灰度图像中的运动目标的边缘信息;
边缘点是指其周围像素的灰度有阶跃变化或脊状变化的像素,常存在于运动目标与背景之间、运动目标与运动目标之间、运动目标与其影子之间。
本发明对运动目标的灰度图像进行边缘提取,获得边缘二值图。本步骤能够获得运动目标的边缘信息,是进一步提取直线信息的基础。
在所述边缘二值图中,用白色(1)表示目标边缘像素,用黑色(0)表示非边缘像素。
步骤200.根据所述边缘信息,提取运动目标边缘上的直线信息。即在所述边缘二值图上检测直线。直线检测是图像处理中一个很重要的环节。
图2是本发明中提取运动目标边缘上的直线信息的效果图,如图2所示,利用直线检测算法获得运动目标的边缘直线信息。
所述直线信息包括每条直线的局部信息,如直线长度、直线方向、直线的起点和终点坐标等信息;所有直线的整体信息,如直线总条数、所有直线的总长度、直线的分布情况等信息,如表1、表2和表3。无特殊说明时,本发明中的直线均指直线段。
表1直线信息
局部直线信息 |
整体直线信息 |
表2局部直线信息
直线长度 |
直线方向 |
直线的起点和终点坐标 |
表3整体直线信息
直线总条数 |
所有直线的总长度 |
直线的分布情况 |
本步骤获得了目标边缘上的直线信息,是构造分类特征的基础。
步骤300.根据所述运动目标的特点,结合所述直线信息构造分类特征;
不同运动目标的直线信息是有所不同的。可以单独使用多个直线信息构造分类特征,也可以将多个直线信息通过合理组合来构造分类特征,要求构造的分类特征能够有效的区分不同种类的目标。在具体实施方式部分,我们通过一个实例介绍了分类特征的具体构造方法,当本发明应用到其他实例中时,可以使用实例中所涉及的特征以及特征构造方法,但不限于只使用实例中所涉及的特征及其构造方法。
所述分类特征及其构造方法简单,算法速度快,利于满足实时性要求
图3是本发明中构造分类特征的步骤流程图,如图3所示,所述步骤300,包括下列步骤:
步骤310.根据所述运动目标的特点,选取与所述直线信息相关的区别特征参数;
步骤320.初始化所述区别特征参数;
步骤330.分析初始化后的区别特征参数的特征作为分类特征。
步骤400.根据所述分类特征,对所述运动目标进行分类,确定运动目标类型;
利用步骤300构造的分类特征对运动目标进行分类,确定运动目标类型。
图4是本发明中构造分类特征的步骤流程图,如图4所示,所述步骤400,包括下列步骤:
步骤410.根据所述分类特征,选择相应的分类方法;
步骤420.根据所述分类方法,确定分类判别函数,实现目标分类。
通过选择合适的分类方法,准确的进行目标分类。
相应于本发明的运动目标分类方法,还提供一种目标分类***,图5是本发明的一种目标分类***的结构示意图,如图5所示,所述***,包括:
目标边缘提取模块1,用于提取运动目标灰度图像中的运动目标的边缘信息;
直线信息提取模块2,用于根据所述边缘信息,提取运动目标边缘上的直线信息;
分类特征构造模块3,用于根据所述运动目标的特点,结合所述直线信息构造分类特征;
目标分类模块4,用于根据所述分类特征,对所述运动目标进行分类,确定运动目标类型。
其中,所述分类特征构造模块3,包括:
特征参数选取模块31,用于根据所述运动目标的特点,选取与所述直线信息相关的区别特征参数;
参数初始化模块32,用于初始化所述区别特征参数;
分析模块33,用于分析初始化后的区别特征参数的特征作为分类特征。
其中,所述目标分类模块4,包括:
分类方法选择模块41,用于根据所述分类特征,选择相应的分类方法;
分类函数模块42,用于根据所述分类方法,确定分类判别函数实现目标分类。
通过该***可以实现运动目标准确、快速分类。
下面结合几个实例详细说明本发明:
实施例一,对以公交车站使用静止摄像头采集的场景图像进行人车分类。
1.使用canny算子提取目标灰度图像的边缘信息,并用二值图像表示边缘图,在边缘二值图中,用白色(1)表示目标边缘像素,用黑色(0)表示非边缘像素;
2.使用Hough变换算法检测边缘二值图像上的直线。通过该直线检测方法获得了直线的起点和终点坐标信息、直线总数,由此可以求得每条直线长度、方向等直线局部信息,以及直线分布情况、所有直线总长度等直线整体信息;
3.利用直线信息构造分类特征;
从图2中可以发现车上的直线分布比较规律,主要在几个方向上分布比较多,而正常直立行走的人上的直线在一个方向分布比较多,其他方向分布相对较少,因此,将直线分布信息作为区别特征参数。为了研究方便,我们将目标上的直线方向简化为两个主方向,每个主方向对应一个直线集合,该集合包含与主方向偏离一定角度范围内的所有直线。在图5视角下,我们将目标物体的主方向可以取水平方向和竖直方向。实验证明,当视觉发生改变时,两个主方向会与水平(竖直)产生一定偏移。因此,在不同场景中具体运用时,首先要确定目标(人车)的两个主方向,分别称作准水平方向和准竖直方向,其中与水平方向夹角较小的那个主方向为准水平方向,另一个主方向为准竖直方向。图6是准水平方向、准竖直方向、准水平方向直线集、准竖直方向直线集之间的关系示意图,如图6所示:
准水平方向直线集(CQH):对称偏离准水平方向一定角度范围的直线集合被称为准水平方向直线集。如果用斜率来表示直线方向,则准水平方向直线集可以被记为:[k_H1,k_H2)。
准竖直方向直线集(CQV):对称偏离准竖直方向一定角度范围的直线集合被称为准竖直方向直线集。如果用斜率来表示直线方向,则准竖直方向直线集可以被记为:(-∞,k_V1]∪[k_V2,+∞)。
为了进一步分析人、车在准水平方向和准竖直方向上直线分布情况,取k_V1=k_H1=-1,k_V2=k_H2=1,即准水平方直线集包括斜率为(-1,1)【即,(-45°,45°)】范围内的所有直线;准竖直方向直线集包括斜率为(-∞,-1]∪[-1,+∞)【即,(45°,135°)】范围内的所有直线。我们随机选取了115个运动目标,并对它们进行统计分析,图7是CQH+CQV直线数量与CQH直线数量对比图,如图7所示。
较佳地,不同场景下k_V1、k_V2、k_H1、k_H2四个参数的取值不同,可以根据实验结果选取最佳的一组参数。
分析图7发现,车的CQH方向直线数量占CQH+CQV总直线数量的比例很大,而人的CQH方向直线数量占CQH+CQV总直线数量很小。因此,我们利用直线分布信息和准水平方向直线集和准竖直方向直线集中的直线数量信息构造HouLR(Hough Line Ratio的简写)特征为分类特征,该特征指准水平方向直线集中直线数量(CQH_Num)占准水平方向和准竖直方向直线集中直线数量和(CQH_Num+CQV_Num)的比例。定义式子(1):
在人车分类中,车的HouLR特征的值比较大,而人(人群)的HouLR特征的值比较小。即,车的边缘图上提取的直线在准水平方向附近分布得比准竖直方向分布得多;而人的边缘图上提取的直线在准竖直方向附近分布得比准水平方向分布得多。这说明利用HouLR特征可以对人(人群)和车进行有效分类。
综上,该实例中构造分类特征步骤如下:
(1)针对公交场站场景,初始化以下参数为:k_V1=k_H1=-1,k_V2=k_H2=1;
(2)分别计算准水平方向集和准竖直方向集中直线数量CQH_Num和CQV_Num。
(3)构造分类特征HouLR。
该特征有如下优点:
(1)由于人(人群)与车的HouLR特征值有明显界限,因此,用该特征进行人车分类,可以获得较高准确率;
(2)在合理设定参数k_H1、k_H2、k_V1、k_V2情况下,总能找到“人(人群)的HouLR特征值小于车的HouLR值的关系”,并且该关系基本不随运动目标的位置而变化。因此,使用该特征进行运动目标分类时,不需要对进行基于位置的标定。
(3)由于HouLR特征构造简单,并可独立用于目标分类,使得分类***运算复杂度降低,利于满足实时性要求。
4.利用所述特征进行人车分类的步骤如下:
(1)选择基于阈值的分类方法作为分类方法,确定阈值:RTh=0.5。
(2)确定目标分类判别函数如式(2):
当分类特征HouLR的值大于阈值RTh时判定目标为车,否则判断目标为人,从而实现人车分类。
(3)输出目标类型。
实施例二,对以一般交通场景下使用静止摄像头采集的图像进行不同类型车辆分类,车辆类型包括公交车、货车、小轿车等,但不限于这些种类车辆。
步骤1和2与实施例一相同,再此不再一一赘述。
3.利用直线数量和长度信息构造直线长度直方图向量作为分类特征,具体包括如下步骤:
(1)由于直线长度信息与目标在图像中的位置有关,由于透视效应,在图像中存在“同一直线,远处看起来短,近处看起来长”的特点。因此需要先作归一化,通过对图像进行标定,获得不同位置上,直线长度的校正因子。同一直线通过将其长度乘以一个校正因子在不同位置得到相等的长度。
(2)选取直线长度范围为[LenMin,LenMax]。(其中LenMin和LenMax一般根据实验方法选取);
(3)将[LenMin,LenMax]长度范围内直线分成LenNum等份,统计每个目标在每一长度区间内直线数量的直方图。将此直方图作为车类型分类的第一个分类特征向量F1,F1=(n11,n21,n31,…nLenNum1-1,nLenNum1),其中n11,n21,n31,…nLenNum1-1,nLenNum1为目标直方图每个长度区间中直线的数量。不同类型特征向量F1不同,因此该特征向量可以作为车辆类型分类的特征。图8为LenMin=0,LenMax=100,LenNum=10取值下,小轿车和公交车直线长度直方图的示意图,如图8所示。
3’.还可以利用直线数量和角度信息构造直线角度直方图向量作为分类特征。
(1)选取直线角度范围[AngMin,AngMax]。(一般根据实验方法选取);
(2)将[AngMin,AngMax]角度范围内直线分成AngNum等份,统计每个目标在每一角度区间内直线数量的直方图。将此直方图作为车类型分类的第二个分类特征向量F2,F2=(n12,n22,n32,…nLenNum2-1,nLenNum2),其中n11,n21,n31,…nLenNum1-1,nLenNum1为目标直方图每个角度区间中直线的数量。不同类型车辆的特征向量F2不同,因此该特征可以作为车辆类型分类特征。
4.利用所述特征进行车辆类型分类的步骤如下:
(1)选择机器学习的方法作为分类方法;
(2)通过支持向量机(Support Vector Machine)来获得分类模型(即分类判别函数)。该方法通过小样本学习后获得模型参数。对于待分类的样本可以通过分类模型输出其类别。具体过程如下:
训练过程:
首先采集一定数量车辆数据集,标记每一副图像中车辆目标及其对应类型,并按照前面3步所述方法提取分类特征,然后构造训练样本集,每一个训练样本由分类特征向量和一个标记(标示出这个样本属于哪个类别)组成。最后将训练样本输入分类模型获得模型参数。
分类过程:
在实时监控过程中,当检测到运动目标时,将3中构造的分类特征向量输入分类模型,模型将输出车辆所属类型。
实施例三,对以一般交通场景下使用静止摄像头采集的图像进行单人和多人分类:
步骤1和2与实施例一相同,再此不再一一赘述。
3.利用直线数量作为分类特征;
4.利用所述特征进行单人和多人的分类。
方法1:按照实施例一的方法实现分类。
方法2:按照实施例二的方法实现分类。
上述2种分类方法均可以实现单人和多人的分类。
本发明的有益效果在于:
本发明的一种运动目标分类方法和***,实现方法简单、不需要标定、不需要跟踪和训练,分类速度快、准确率高、易于移植,当目标仅有部分进入监控区域或目标被部分遮挡时,也可以得到较好的目标分类效果。
通过结合附图对本发明具体实施例的描述,本发明的其它方面及特征对本领域的技术人员而言是显而易见的。
以上对本发明的具体实施例进行了描述和说明,这些实施例应被认为其只是示例性的,并不用于对本发明进行限制,本发明应根据所附的权利要求进行解释。
Claims (10)
1.一种运动目标分类方法,其特征在于,所述方法,包括下列步骤:
步骤100.提取运动目标灰度图像中的运动目标的边缘信息;
步骤200.根据所述边缘信息,提取运动目标边缘上的直线信息;
步骤300.根据所述运动目标的特点,结合所述直线信息构造分类特征;
步骤400.根据所述分类特征,对所述运动目标进行分类,确定运动目标类型;
其中所述步骤300,是利用准水平方向直线集和准竖直方向直线集中直线的数量信息,作为进行人车分类的分类特征;
确定目标的两个主方向,分别称作准水平方向和准竖直方向,其中与水平方向夹角较小的那个主方向为准水平方向,另一个主方向为准竖直方向;
其中,准水平方向直线集是指对称偏离准水平方向一定角度范围的直线集合被称为准水平方向直线集;
其中准竖直方向直线集是指对称偏离准竖直方向一定角度范围的直线集合被称为准竖直方向直线集。
2.根据权利要求1所述的运动目标分类方法,其特征在于,所述直线信息包括每条直线的局部信息:直线长度、直线方向、直线的起点和终点坐标信息;以及所有直线的整体信息:直线总条数、所有直线的总长度、直线的分布情况信息。
3.根据权利要求1所述的运动目标分类方法,其特征在于,所述步骤300,包括下列步骤:
步骤310.根据所述运动目标的特点,选取与所述直线信息相关的区别特征参数;
步骤320.初始化所述区别特征参数;
步骤330.分析初始化后的区别特征参数的特征作为分类特征。
4.根据权利要求1所述的运动目标分类方法,其特征在于,所述步骤400,包括下列步骤:
步骤410.根据所述分类特征,选择相应的分类方法;
步骤420.根据所述分类方法,确定分类判别函数实现目标分类。
5.根据权利要求1所述的运动目标分类方法,其特征在于,所述步骤300,是利用直线数量和长度信息构造直线长度直方图向量,作为进行车辆种类区分的分类特征。
6.根据权利要求1所述的运动目标分类方法,其特征在于,所述步骤300,是利用直线数量和角度信息构造直线角度直方图向量,作为进行车辆种类区分的分类特征。
7.根据权利要求1所述的运动目标分类方法,其特征在于,所述步骤300,是利用直线数量,作为进行单人和多人分类的分类特征。
8.一种运动目标分类***,其特征在于,所述***,包括:
目标边缘提取模块,用于提取运动目标灰度图像中的运动目标的边缘信息;
直线信息提取模块,用于根据所述边缘信息,提取运动目标边缘上的直线信息;
分类特征构造模块,用于根据所述运动目标的特点,结合所述直线信息构造分类特征;
目标分类模块,用于根据所述分类特征,对所述运动目标进行分类,确定运动目标类型;
其中所述分类特征构造模块,是利用准水平方向直线集和准竖直方向直线集中直线的数量信息,作为进行人车分类的分类特征;
确定目标的两个主方向,分别称作准水平方向和准竖直方向,其中与水平方向夹角较小的那个主方向为准水平方向,另一个主方向为准竖直方向;
其中,准水平方向直线集是指对称偏离准水平方向一定角度范围的直线集合被称为准水平方向直线集;
其中准竖直方向直线集是指对称偏离准竖直方向一定角度范围的直线集合被称为准竖直方向直线集。
9.根据权利要求8所述的运动目标分类***,其特征在于,所述分类特征构造模块,包括:
特征参数选取模块,用于根据所述运动目标的特点,选取与所述直线信息相关的区别特征参数;
参数初始化模块,用于初始化所述区别特征参数;
分析模块,用于分析初始化后的区别特征参数的特征作为分类特征。
10.根据权利要求8所述的运动目标分类***,其特征在于,所述目标分类模块,包括:
分类方法选择模块,用于根据所述分类特征,选择相应的分类方法;
分类函数模块,用于根据所述分类方法,确定分类判别函数实现目标分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010106203745A CN102063726B (zh) | 2010-12-31 | 2010-12-31 | 一种运动目标分类方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010106203745A CN102063726B (zh) | 2010-12-31 | 2010-12-31 | 一种运动目标分类方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102063726A CN102063726A (zh) | 2011-05-18 |
CN102063726B true CN102063726B (zh) | 2012-08-22 |
Family
ID=43998990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010106203745A Expired - Fee Related CN102063726B (zh) | 2010-12-31 | 2010-12-31 | 一种运动目标分类方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102063726B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218831B (zh) * | 2013-04-21 | 2015-11-18 | 北京航空航天大学 | 一种基于轮廓约束的视频运动目标分类识别方法 |
CN105957183B (zh) * | 2016-04-21 | 2018-05-29 | 深圳市元征科技股份有限公司 | 一种车辆静止状态检测方法及装置 |
CN106067021B (zh) * | 2016-05-26 | 2019-05-24 | 北京新长征天高智机科技有限公司 | 一种人工辅助的生活垃圾目标识别*** |
CN109406521A (zh) * | 2018-12-07 | 2019-03-01 | 福建师范大学 | 一种实时水平能见度等级检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763634A (zh) * | 2009-08-03 | 2010-06-30 | 北京智安邦科技有限公司 | 一种简单的目标分类方法及装置 |
CN101814144A (zh) * | 2010-03-25 | 2010-08-25 | 西安电子科技大学 | 遥感图像中无水桥梁目标识别方法 |
-
2010
- 2010-12-31 CN CN2010106203745A patent/CN102063726B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763634A (zh) * | 2009-08-03 | 2010-06-30 | 北京智安邦科技有限公司 | 一种简单的目标分类方法及装置 |
CN101814144A (zh) * | 2010-03-25 | 2010-08-25 | 西安电子科技大学 | 遥感图像中无水桥梁目标识别方法 |
Non-Patent Citations (2)
Title |
---|
Hong Liu, Yueliang Qian.DETECTING PERSONS USING HOUGH CIRCLE TRANSFORM IN SURVEILIANCE VIDEO.《International Conference on Computer Vision Theory and Applications》.2010,第2卷p267-p270. * |
王彬生,黄乡生.Hough变换及其在几何特征检测中的应用.《计算机与现代化》.2008,(第152期),P20-P22. * |
Also Published As
Publication number | Publication date |
---|---|
CN102063726A (zh) | 2011-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A vision-based pipeline for vehicle counting, speed estimation, and classification | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
Alvarez et al. | Combining priors, appearance, and context for road detection | |
CN104091171B (zh) | 基于局部特征的车载远红外行人检测***及方法 | |
CN102903122B (zh) | 基于特征光流与在线集成学习的视频目标跟踪方法 | |
Lookingbill et al. | Reverse optical flow for self-supervised adaptive autonomous robot navigation | |
CN104463877B (zh) | 一种基于雷达影像与电子海图信息的岸线配准方法 | |
CN109815867A (zh) | 一种人群密度估计和人流量统计方法 | |
CN103886325B (zh) | 一种分块的循环矩阵视频跟踪方法 | |
CN106875424A (zh) | 一种基于机器视觉的城市环境行驶车辆行为识别方法 | |
CN107491720A (zh) | 一种基于改进型卷积神经网络的车型识别方法 | |
CN105354568A (zh) | 基于卷积神经网络的车标识别方法 | |
CN108985170A (zh) | 基于三帧差分法及深度学习的输电线路悬挂物识别方法 | |
CN104166841A (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
CN101231755A (zh) | 运动目标跟踪及数量统计方法 | |
CN102842045A (zh) | 一种基于组合特征的行人检测方法 | |
CN103310194A (zh) | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 | |
CN110210474A (zh) | 目标检测方法及装置、设备及存储介质 | |
CN102609682A (zh) | 一种针对感兴趣区域的反馈式行人检测方法 | |
CN104517095A (zh) | 一种基于深度图像的人头分割方法 | |
CN112464933B (zh) | 一种地基凝视红外成像弱小目标智能识别方法 | |
CN102609724A (zh) | 一种基于双摄像头的周围环境信息提示方法 | |
Lin et al. | Development of navigation system for tea field machine using semantic segmentation | |
CN102063726B (zh) | 一种运动目标分类方法和*** | |
CN103065126A (zh) | 不同场景对人体图像再识别的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120822 |