CN104537354A - 用于视频监控的目标颜色识别方法及其*** - Google Patents
用于视频监控的目标颜色识别方法及其*** Download PDFInfo
- Publication number
- CN104537354A CN104537354A CN201510012129.9A CN201510012129A CN104537354A CN 104537354 A CN104537354 A CN 104537354A CN 201510012129 A CN201510012129 A CN 201510012129A CN 104537354 A CN104537354 A CN 104537354A
- Authority
- CN
- China
- Prior art keywords
- color
- target area
- pixel
- colour
- sigma
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种用于视频监控的目标颜色识别方法,包括从视频图像中提取颜色识别目标区域;目标区域颜色初始化;对目标区域内各颜色分量h、s、l进行颜色类别检测;统计所述颜色识别目标区域各颜色所占比重,比重最大的则为该颜色识别目标区域的颜色。本发明采用了马尔科夫随机场模型,根据颜色识别区域邻域位置关系,能减少环境以及目标姿态的变化对颜色识别的影响,从而提高颜色识别率,在智能监控中能有效定位颜色目标,对违规、违法等刑事案件侦破提供有力证据。
Description
技术领域
本发明属于颜色识别技术领域,尤其涉及一种用于视频监控的目标颜色识别方法及其***。
背景技术
近年来,随着计算机及互联网的飞速发展,各种机动车辆数量迅猛增长,各类监控和交通相关的信息呈现***式增长的态势,为了能够高效管理及应用这些信息,智能监控***应运而生。智能监控***可以在卡口,停车场,刑事案件追踪等方法展现强大的作用。视频图像信息中车辆信息包括车牌号码、车辆颜色、车标等信息,行人信息包括行人颜色,行人纹理、行人边缘轮廓等信息,目标颜色识别在监控中有着举足轻重的作用。目标颜色是监控***中的一个很重要的属性,例如当违规的车辆无牌或者套牌时,车辆识别就必须通过非车牌信息查找视频车辆,车辆颜色就是首选之一;当在刑事案件中,在监控***中查找嫌疑人,行人的颜色信息则是最重要的信息。
目标颜色识别主要分为两个部分,首先目标颜色区域的提取,然后对该区域进行颜色识别,最后输出目标的颜色。
传统的目标颜色识别方法,是在候选的目标颜色识别区域中,简单的统计每个像素点的颜色值,选取颜色值所占比重最大的颜色视为目标的颜色,但是由于目标表面会出现光线的变化,例如车辆颜色识别区域出现反光点、人的衣服出现褶皱等都可能导致颜色的变化,最后目标颜色判断出现误差。
发明内容
基于此,针对上述技术问题,提供一种用于视频监控的目标颜色识别方法及其***。
为解决上述技术问题,本发明采用如下技术方案:
一种用于视频监控的目标颜色识别方法,包括:
从视频图像中提取颜色识别目标区域;
目标区域颜色初始化:将所述颜色识别目标区域空间转换为HSL空间,用预训练的svm模型对目标区域各像素的颜色进行初始化;
对目标区域内各颜色分量h、s、l进行颜色类别检测:
参数更新:根据当前目标区域更新{μl,σl},μl和σl分别是当前第l类颜色区域的均值和标准方差;
由公式(1)-(3)计算每个像素相邻域的颜色类别的先验概率,并由公式(4)计算每个像素相邻域的颜色类别的似然概率:
采用条件迭代模式ICM算法,通过公式(5)逐渐最大化条件概率判别像素的颜色类别:
判断迭代是否收敛或达到最高迭代次数,若否,则返回参数更新步骤;
统计所述颜色识别目标区域各颜色所占比重,比重最大的则为该颜色识别目标区域的颜色;
其中,xi为像素点i的类别标号,yi为像素点i的像素值,l为最大类别数,μl为第l类区域的均值,σl为第l类区域的标准方差;β为平滑参数,取值0.8-1.4,Ni为像素点i的邻域。
本方案还涉及一种用于视频监控的目标颜色识别***,包括:
区域提取单元,用于从视频图像中提取颜色识别目标区域;
目标区域颜色识别初始化单元,用于将所述颜色识别目标区域空间转换为HSL空间,用预训练的svm模型对目标区域各像素的颜色进行初始化;均值以及方差计算单元,用于计算各种颜色区域的各种颜色分量均值以及方差;
颜色类别检测单元,用于对目标区域内各颜色分量h、s、l进行颜色类别检测:
参数更新:根据当前目标区域更新{μl,σl},μl和σl分别是当前第l类颜色区域的均值和标准方差;
由公式(1)-(3)计算每个像素相邻域的颜色类别的先验概率,并由公式(4)计算每个像素相邻域的颜色类别的似然概率:
采用条件迭代模式ICM算法,通过公式(5)逐渐最大化条件概率判别像素的颜色类别:
判断迭代是否收敛或达到最高迭代次数,若否,则由参数更新单元进行参数更新;
颜色判断单元,用于统计所述颜色识别目标区域各颜色所占比重,比重最大的则为该颜色识别目标区域的颜色;
其中,xi为像素点i的类别标号,yi为像素点i的像素值,l为最大类别数,μl为第l类区域的均值,σl为第l类区域的标准方差;β为平滑参数,取值0.8-1.4,Ni为像素点i的邻域。
本发明采用了马尔科夫随机场模型,根据颜色识别区域邻域位置关系,能减少环境以及目标姿态的变化对颜色识别的影响,从而提高颜色识别率,在智能监控中能有效定位颜色目标,对违规、违法等刑事案件侦破提供有力证据。
附图说明
下面结合附图和具体实施方式本发明进行详细说明:
图1为本发明的一种用于视频监控的目标颜色识别方法的流程图;
图2为本发明的一种用于视频监控的目标颜色识别***的结构示意图。
具体实施方式
如图1所示,一种用于视频监控的目标颜色识别方法,包括:
S110、从视频图像中提取颜色识别目标区域。
S120、目标区域颜色初始化:将颜色识别目标区域空间转换为HSL空间,用预训练的svm模型对HSL空间各像素的颜色进行初始化。
S130、对目标区域内各颜色分量h、s、l进行颜色类别检测:
S131、参数更新:根据当前目标区域更新{μl,σl},μl和σl分别是当前第l类颜色区域的均值和标准方差。
令是图像真实标号的估计,由最大后验概率(MAP)准则有
由上式可知,要得到需要首先计算颜色类别的先验概率和观测量的似然概率。
S132、由公式(1)-(3)计算每个像素相邻域的颜色类别的先验概率,并由公式(4)计算每个像素相邻域的颜色类别的似然概率:
本发明采用马尔科夫随机场模型,由于x被认为是MRF(Markov RandomField,马尔科夫随机场)的一个实现,则它的先验概率表示为
由Potts模型有:Vc(xi)=δ(xi,xj)-1 j∈Ni,则
其中,
观测量似然概率:在给定类别标号xi=l时,通常认为像素强度值yi服从参数为θi={μl,σl}高斯分布:
S133、基于最大后验概率(MAP)准则的图像颜色识别,就是求标记集X,使得关于X的后验概率分布最大。考虑计算效率问题,采用条件迭代模式ICM算法,通过公式(5)逐渐最大化条件概率判别像素的颜色类别:
S134、判断迭代是否收敛或达到最高迭代次数,若否,则返回参数更新步骤S131。
S140、统计颜色识别目标区域各颜色所占比重,比重最大的则为该颜色识别目标区域的颜色;
其中,xi为像素点i的类别标号,yi为像素点i的像素值,l为最大类别数,μl为第l类区域的均值,σl为第l类区域的标准方差;β为平滑参数,取值0.8-1.4,Ni为像素点i的邻域。
如图2所示,本方案还涉及一种用于视频监控的目标颜色识别***,包括区域提取单元11、目标区域颜色识别初始化单元12、颜色分量处理单元13以及颜色判断单元14。
其中,区域提取单元11用于从视频图像中提取颜色识别目标区域。
目标区域颜色识别初始化单元12用于将颜色识别目标区域空间转换为HSL空间,用预训练的svm模型对HSL空间各像素的颜色进行初始化。
颜色颜色类别检测单元13用于对目标区域内各颜色分量h、s、l进行颜色类别检测:
1、参数更新:根据当前目标区域更新{μl,σl},μl和σl分别是当前第l类颜色区域的均值和标准方差。
令是图像真实标号的估计,由最大后验概率(MAP)准则有
由上式可知,要得到需要首先计算颜色类别的先验概率和观测量的似然概率。
2、由公式(1)-(3)计算每个像素相邻域的颜色类别的先验概率,并由公式(4)计算每个像素相邻域的颜色类别的似然概率:
由于x被认为是MRF的一个实现,则它的先验概率表示为
由Potts模型有:Vc(xi)=δ(xi,xj)-1 j∈Ni,则
其中,
观测量似然概率:在给定类别标号xi=l时,通常认为像素强度值yi服从参数为θi={μl,σl}高斯分布:
3、基于最大后验概率(MAP)准则的图像颜色识别,就是求标记集X,使得关于X的后验概率分布最大。考虑计算效率问题,采用条件迭代模式ICM算法,通过公式(5)逐渐最大化条件概率判别像素的颜色类别:
4、判断迭代是否收敛或达到最高迭代次数,若否,则返回参数更新步骤S131。
S140、统计颜色识别目标区域各颜色所占比重,比重最大的则为该颜色识别目标区域的颜色;
其中,xi为像素点i的类别标号,yi为像素点i的像素值,l为最大类别数,μl为第l类区域的均值,σl为第l类区域的标准方差;β为平滑参数,取值0.8-1.4,Ni为像素点i的邻域。
但是,本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (2)
1.一种用于视频监控的目标颜色识别方法,其特征在于,包括:
从视频图像中提取颜色识别目标区域;
目标区域颜色初始化:将所述颜色识别目标区域空间转换为HSL空间,用预训练的svm模型对目标区域各像素的颜色进行初始化;
对目标区域内各颜色分量h、s、l进行颜色类别检测:
参数更新:根据当前目标区域更新{μl,σl},μl和σl分别是当前第l类颜色区域的均值和标准方差;
由公式(1)-(3)计算每个像素相邻域的颜色类别的先验概率,并由公式(4)计算每个像素相邻域的颜色类别的似然概率:
采用条件迭代模式ICM算法,通过公式(5)逐渐最大化条件概率判别像素的颜色类别:
判断迭代是否收敛或达到最高迭代次数,若否,则返回参数更新步骤;
统计所述颜色识别目标区域各颜色所占比重,比重最大的则为该颜色识别目标区域的颜色;
其中,xi为像素点i的类别标号,yi为像素点i的像素值,l为最大类别数,μl为第l类区域的均值,σl为第l类区域的标准方差;β为平滑参数,取值0.8-1.4,Ni为像素点i的邻域。
2.一种用于视频监控的目标颜色识别***,其特征在于,包括:
区域提取单元,用于从视频图像中提取颜色识别目标区域;
目标区域颜色识别初始化单元,用于将所述颜色识别目标区域空间转换为HSL空间,用预训练的svm模型对目标区域各像素的颜色进行初始化;均值以及方差计算单元,用于计算各种颜色区域的各种颜色分量均值以及方差;
颜色类别检测单元,用于对目标区域内各颜色分量h、s、l进行颜色类别检测:
参数更新:根据当前目标区域更新{μl,σl},μl和σl分别是当前第l类颜色区域的均值和标准方差;
由公式(1)-(3)计算每个像素相邻域的颜色类别的先验概率,并由公式(4)计算每个像素相邻域的颜色类别的似然概率:
采用条件迭代模式ICM算法,通过公式(5)逐渐最大化条件概率判别像素的颜色类别:
判断迭代是否收敛或达到最高迭代次数,若否,则由参数更新单元进行参数更新;
颜色判断单元,用于统计所述颜色识别目标区域各颜色所占比重,比重最大的则为该颜色识别目标区域的颜色;
其中,xi为像素点i的类别标号,yi为像素点i的像素值,l为最大类别数,μl为第l类区域的均值,σl为第l类区域的标准方差;β为平滑参数,取值0.8-1.4,Ni为像素点i的邻域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510012129.9A CN104537354A (zh) | 2015-01-09 | 2015-01-09 | 用于视频监控的目标颜色识别方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510012129.9A CN104537354A (zh) | 2015-01-09 | 2015-01-09 | 用于视频监控的目标颜色识别方法及其*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104537354A true CN104537354A (zh) | 2015-04-22 |
Family
ID=52852874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510012129.9A Pending CN104537354A (zh) | 2015-01-09 | 2015-01-09 | 用于视频监控的目标颜色识别方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104537354A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095915A (zh) * | 2015-08-21 | 2015-11-25 | 努比亚技术有限公司 | 一种信息处理方法及装置、终端 |
CN105956559A (zh) * | 2016-05-05 | 2016-09-21 | 南京理工大学 | 基于无人机视频的特定目标检测方法 |
WO2016188021A1 (zh) * | 2015-05-22 | 2016-12-01 | 京东方科技集团股份有限公司 | 颜色辨识***、颜色辨识方法和显示装置 |
CN106446914A (zh) * | 2016-09-28 | 2017-02-22 | 天津工业大学 | 基于超像素和卷积神经网络的道路检测 |
CN109040614A (zh) * | 2018-08-01 | 2018-12-18 | 安徽宇烁光电科技有限公司 | 一种多画面视频处理器场景处理*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009021902A1 (de) * | 2007-08-16 | 2009-02-19 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zur priorisierung von sonderfahrzeugen an einem lichtsignalgesteuerten knotenpunkt |
CN101436252A (zh) * | 2008-12-22 | 2009-05-20 | 北京中星微电子有限公司 | 一种车辆视频图像中车身颜色识别方法及*** |
CN102663345A (zh) * | 2012-03-07 | 2012-09-12 | 中盟智能科技(苏州)有限公司 | 自动识别红绿灯的方法及装置 |
CN102722883A (zh) * | 2012-04-16 | 2012-10-10 | 上海交通大学 | 一种具有空间自适应性的极化sar图像分割方法 |
CN103208124A (zh) * | 2013-04-22 | 2013-07-17 | 西北工业大学 | 基于马尔可夫随机场理论的鼠脑切片显微图像分割方法 |
-
2015
- 2015-01-09 CN CN201510012129.9A patent/CN104537354A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009021902A1 (de) * | 2007-08-16 | 2009-02-19 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zur priorisierung von sonderfahrzeugen an einem lichtsignalgesteuerten knotenpunkt |
CN101436252A (zh) * | 2008-12-22 | 2009-05-20 | 北京中星微电子有限公司 | 一种车辆视频图像中车身颜色识别方法及*** |
CN102663345A (zh) * | 2012-03-07 | 2012-09-12 | 中盟智能科技(苏州)有限公司 | 自动识别红绿灯的方法及装置 |
CN102722883A (zh) * | 2012-04-16 | 2012-10-10 | 上海交通大学 | 一种具有空间自适应性的极化sar图像分割方法 |
CN103208124A (zh) * | 2013-04-22 | 2013-07-17 | 西北工业大学 | 基于马尔可夫随机场理论的鼠脑切片显微图像分割方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016188021A1 (zh) * | 2015-05-22 | 2016-12-01 | 京东方科技集团股份有限公司 | 颜色辨识***、颜色辨识方法和显示装置 |
US10204424B2 (en) | 2015-05-22 | 2019-02-12 | Boe Technology Group Co., Ltd. | Color identifying system, color identifying method and display device |
CN105095915A (zh) * | 2015-08-21 | 2015-11-25 | 努比亚技术有限公司 | 一种信息处理方法及装置、终端 |
CN105956559A (zh) * | 2016-05-05 | 2016-09-21 | 南京理工大学 | 基于无人机视频的特定目标检测方法 |
CN105956559B (zh) * | 2016-05-05 | 2019-05-07 | 南京理工大学 | 基于无人机视频的特定目标检测方法 |
CN106446914A (zh) * | 2016-09-28 | 2017-02-22 | 天津工业大学 | 基于超像素和卷积神经网络的道路检测 |
CN109040614A (zh) * | 2018-08-01 | 2018-12-18 | 安徽宇烁光电科技有限公司 | 一种多画面视频处理器场景处理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104537354A (zh) | 用于视频监控的目标颜色识别方法及其*** | |
Kheyrollahi et al. | Automatic real-time road marking recognition using a feature driven approach | |
Nienaber et al. | Detecting potholes using simple image processing techniques and real-world footage | |
Xia et al. | Towards improving quality of video-based vehicle counting method for traffic flow estimation | |
Huang et al. | Vehicle detection and inter-vehicle distance estimation using single-lens video camera on urban/suburb roads | |
CN101859382B (zh) | 一种基于最大稳定极值区域的车牌检测与识别的方法 | |
CN102509291B (zh) | 基于无线网络视频传感器的公路路面病害检测及识别方法 | |
Romdhane et al. | An improved traffic signs recognition and tracking method for driver assistance system | |
Ming et al. | Vehicle detection using tail light segmentation | |
TWI494899B (zh) | 影像內週期性雜訊修補方法 | |
Guo et al. | Image-based seat belt detection | |
CN104504400A (zh) | 一种基于在线行为建模的驾驶员异常行为检测方法 | |
CN107808392A (zh) | 开放场景的安检车辆自动跟踪定位方法及*** | |
CN103996030A (zh) | 一种车道线检测方法 | |
Chang et al. | An efficient method for lane-mark extraction in complex conditions | |
Magnussen et al. | A survey of the inadequacies in traffic sign recognition systems for autonomous vehicles | |
Ghahremannezhad et al. | A new adaptive bidirectional region-of-interest detection method for intelligent traffic video analysis | |
Tehrani et al. | Car detection at night using latent filters | |
Gupta et al. | Real-time lane detection using spatio-temporal incremental clustering | |
Chougule et al. | An efficient encoder-decoder CNN architecture for reliable multilane detection in real time | |
Nath et al. | On road vehicle/object detection and tracking using template | |
KR101756698B1 (ko) | 도로 상의 객체를 검출하기 위한 장치 및 그 방법 | |
CN105069410A (zh) | 基于非结构化的道路识别方法及装置 | |
Yang et al. | Lane detection based on classification of lane geometrical model | |
Ben Romdhane et al. | A comparative study of vision-based lane detection methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 201209 Chuansha Road, Shanghai, No. 221, room 11, building 955 Applicant after: Bocom Intelligent Network Technology Co. Ltd. Address before: 201209 Chuansha Road, Shanghai, No. 221, room 11, building 955 Applicant before: BOCOM Smart Network Technologies Inc. |
|
COR | Change of bibliographic data | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150422 |