CN104537354A - 用于视频监控的目标颜色识别方法及其*** - Google Patents

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

用于视频监控的目标颜色识别方法及其***

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{μ_l,σ_l}，μ_l和σ_l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：

$p\left(x_i\right)=\frac{\exp (-u\left(x_i\right))}{\underset{x_i\∈L}{\mathrm{\Σ}}\exp (-u\left(x_i\right))}---\left(1\right)$

$u\left(x_i\right)=-{\mathrm{\β}}_i\underset{j\∈N_i}{\mathrm{\Σ}}[\mathrm{\δ}(x_i,x_j)-1]---\left(2\right)$

$\mathrm{\δ}(x_i,x_j)=\left\{\begin{array}{cc}1& x_i=x_j\\ 0& x_i\≠x_j\end{array}\right.---\left(3\right)$

$P\left(y_i\right|x_i)=(1/\sqrt{2\mathrm{\π}{\mathrm{\σ}}_l^2})\·\exp (-{(y_i-{\mathrm{\μ}}_l)}^2/2{\mathrm{\σ}}_l^2)---\left(4\right)$

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：

${\hat{x}}_i=\arg \underset{x_i\∈\{\mathrm{1,2},...,C\}}{\max }\{f\left(y_i\right|x_i)\·f\left(x_i\right|x_{N_i})\},i\∈S---\left(5\right)$

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，x_i为像素点i的类别标号，y_i为像素点i的像素值，l为最大类别数，μ_l为第l类区域的均值，σ_l为第l类区域的标准方差；β为平滑参数，取值0.8-1.4，N_i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{μ_l,σ_l}，μ_l和σ_l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：

$p\left(x_i\right)=\frac{\exp (-u\left(x_i\right))}{\underset{x_i\∈L}{\mathrm{\Σ}}\exp (-u\left(x_i\right))}---\left(1\right)$

$u\left(x_i\right)=-{\mathrm{\β}}_i\underset{j\∈N_i}{\mathrm{\Σ}}[\mathrm{\δ}(x_i,x_j)-1]---\left(2\right)$

$\mathrm{\δ}(x_i,x_j)=\left\{\begin{array}{cc}1& x_i=x_j\\ 0& x_i\≠x_j\end{array}\right.---\left(3\right)$

$P\left(y_i\right|x_i)=(1/\sqrt{2\mathrm{\π}{\mathrm{\σ}}_l^2})\·\exp (-{(y_i-{\mathrm{\μ}}_l)}^2/2{\mathrm{\σ}}_l^2)---\left(4\right)$

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：

${\hat{x}}_i=\arg \underset{x_i\∈\{\mathrm{1,2},...,C\}}{\max }\{f\left(y_i\right|x_i)\·f\left(x_i\right|x_{N_i})\},i\∈S---\left(5\right)$

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，x_i为像素点i的类别标号，y_i为像素点i的像素值，l为最大类别数，μ_l为第l类区域的均值，σ_l为第l类区域的标准方差；β为平滑参数，取值0.8-1.4，N_i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{μ_l,σ_l}，μ_l和σ_l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

$\hat{x}=\underset{x\∈X}{\arg \max }\left\{P\left(y\right|x)P\left(x\right)\right\}$

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

$p\left(x_i\right)=\frac{\exp (-u\left(x_i\right))}{\underset{x_i\∈L}{\mathrm{\Σ}}\exp (-u\left(x_i\right))}---\left(1\right)$

由Potts模型有：V_c(x_i)＝δ(x_i,x_j)-1 j∈N_i，则

$u\left(x_i\right)=-{\mathrm{\β}}_i\underset{c\∈C}{\mathrm{\Σ}}{V}_c\left(x_i\right)=-{\mathrm{\β}}_i\underset{j\∈N_i}{\mathrm{\Σ}}[\mathrm{\δ}(x_i,x_j)-1]---\left(2\right)$

其中， $\mathrm{\δ}(x_i,x_j)=\left\{\begin{array}{cc}1& x_i=x_j\\ 0& x_i\≠x_j\end{array}\right.---\left(3\right)$

观测量似然概率：在给定类别标号x_i＝l时，通常认为像素强度值y_i服从参数为θ_i＝{μ_l,σ_l}高斯分布：

$P\left(y_i\right|x_i)=(1/\sqrt{2\mathrm{\π}{\mathrm{\σ}}_l^2})\·\exp (-{(y_i-{\mathrm{\μ}}_l)}^2/2{\mathrm{\σ}}_l^2)---\left(4\right).$

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：

${\hat{x}}_i=\arg \underset{x_i\∈\{\mathrm{1,2},...,C\}}{\max }\{f\left(y_i\right|x_i)\·f\left(x_i\right|x_{N_i})\},i\∈S---\left(5\right).$

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，x_i为像素点i的类别标号，y_i为像素点i的像素值，l为最大类别数，μ_l为第l类区域的均值，σ_l为第l类区域的标准方差；β为平滑参数，取值0.8-1.4，N_i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{μ_l,σ_l}，μ_l和σ_l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

$\hat{x}=\underset{x\∈X}{\arg \max }\left\{P\left(y\right|x)P\left(x\right)\right\}$

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

$p\left(x_i\right)=\frac{\exp (-u\left(x_i\right))}{\underset{x_i\∈L}{\mathrm{\Σ}}\exp (-u\left(x_i\right))}---\left(1\right)$

由Potts模型有：V_c(x_i)＝δ(x_i,x_j)-1 j∈N_i，则

$u\left(x_i\right)=-{\mathrm{\β}}_i\underset{c\∈C}{\mathrm{\Σ}}{V}_c\left(x_i\right)=-{\mathrm{\β}}_i\underset{j\∈N_i}{\mathrm{\Σ}}[\mathrm{\δ}(x_i,x_j)-1]---\left(2\right)$

其中， $\mathrm{\δ}(x_i,x_j)=\left\{\begin{array}{cc}1& x_i=x_j\\ 0& x_i\≠x_j\end{array}\right.---\left(3\right)$

观测量似然概率：在给定类别标号x_i＝l时，通常认为像素强度值y_i服从参数为θ_i＝{μ_l,σ_l}高斯分布：

$P\left(y_i\right|x_i)=(1/\sqrt{2\mathrm{\π}{\mathrm{\σ}}_l^2})\·\exp (-{(y_i-{\mathrm{\μ}}_l)}^2/2{\mathrm{\σ}}_l^2)---\left(4\right).$

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：

${\hat{x}}_i=\arg \underset{x_i\∈\{\mathrm{1,2},...,C\}}{\max }\{f\left(y_i\right|x_i)\·f\left(x_i\right|x_{N_i})\},i\∈S---\left(5\right).$

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，x_i为像素点i的类别标号，y_i为像素点i的像素值，l为最大类别数，μ_l为第l类区域的均值，σ_l为第l类区域的标准方差；β为平滑参数，取值0.8-1.4，N_i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{μ_l,σ_l}，μ_l和σ_l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：

$p\left(x_i\right)=\frac{\exp (-u\left(x_i\right))}{\underset{x_i\∈L}{\mathrm{\Σ}}\exp (-u\left(x_i\right))}---\left(1\right)$

$u\left(x_i\right)=-{\mathrm{\β}}_i\underset{j\∈N_i}{\mathrm{\Σ}}[\mathrm{\δ}(x_i,x_j)-1]---\left(2\right)$

$\mathrm{\δ}(x_i,x_j)=\left\{\begin{array}{cc}1& x_i=x_j\\ 0& x_i\≠x_j\end{array}\right.---\left(3\right)$

$P\left(y_i\right|x_i)=(1/\sqrt{{2\mathrm{\π\σ}}_l^2})\·\exp (-{(y_i-{\mathrm{\μ}}_l)}^2/{2\mathrm{\σ}}_l^2)---\left(4\right)$

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：

${\hat{x}}_i=\arg \underset{x_i\∈\{\mathrm{1,2},...,C\}}{\max }\{f\left(y_i\right|x_i)\·f\left(x_i\right|x_{N_i})\}i\∈S---\left(5\right)$

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，x_i为像素点i的类别标号，y_i为像素点i的像素值，l为最大类别数，μ_l为第l类区域的均值，σ_l为第l类区域的标准方差；β为平滑参数，取值0.8-1.4，N_i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{μ_l,σ_l}，μ_l和σ_l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：

$p\left(x_i\right)=\frac{\exp (-u\left(x_i\right))}{\underset{x_i\∈L}{\mathrm{\Σ}}\exp (-u\left(x_i\right))}---\left(1\right)$

$u\left(x_i\right)=-{\mathrm{\β}}_i\underset{j\∈N_i}{\mathrm{\Σ}}[\mathrm{\δ}(x_i,x_j)-1]---\left(2\right)$

$\mathrm{\δ}(x_i,x_j)=\left\{\begin{array}{cc}1& x_i=x_j\\ 0& x_i\≠x_j\end{array}\right.---\left(3\right)$

$P\left(y_i\right|x_i)=(1/\sqrt{{2\mathrm{\π\σ}}_l^2})\·\exp (-{(y_i-{\mathrm{\μ}}_l)}^2/{2\mathrm{\σ}}_l^2)---\left(4\right)$

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：

${\hat{x}}_i=\arg \underset{x_i\∈\{\mathrm{1,2},...,C\}}{\max }\{f\left(y_i\right|x_i)\·f\left(x_i\right|x_{N_i})\}i\∈S---\left(5\right)$

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，x_i为像素点i的类别标号，y_i为像素点i的像素值，l为最大类别数，μ_l为第l类区域的均值，σ_l为第l类区域的标准方差；β为平滑参数，取值0.8-1.4，N_i为像素点i的邻域。