运动目标分类方法及其系统技术方案

本发明专利技术提供了一种运动目标分类方法及其系统，所述运动目标分类方法用于对运动目标进行分类，包括：提取特征和判定类型，其中，特征提取用于提取目标的空间特征和时间特征；类型判定是通过使用概率分类法根据提取的特征对目标进行分类。根据本发明专利技术提供的方案，实现了多运动目标的分类，解决了人群与车的分类，可以准确地对运动目标进行分类，能实现人群与车的准确分类，且分类简便，具有很强的实用性。

【技术实现步骤摘要】

本专利技术涉及视频监控技术，特别是涉及一种智能视频监控系统中的运动目标分类方法及其系统。
技术介绍
常规的智能视频监控技术都包括一个运动目标分类技术。运动目标分类与运动目 标检测、运动目标跟踪相结合，可以构成视频监控系统中运动目标识别模块。运动目标分类 能否正确区分各类目标(如人和车)，直接影响着视频监控系统中的告警，因此成为智能视 频监控技术研究中的关键之一。 为了实现运动目标分类，可以使用贝叶斯算法。贝叶斯算法是一类利用概率统计 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，而此 假设在实际情况中经常是不成立的，因此其分类准确率可能会下降。 为了实现运动目标分类，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，又出现许多变形，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，且在实际应用中要不断地更新样本信息，因此运算量极大。 综上所述，目前迫切需要提出更为有效的运动目标分类方法。
技术实现思路
有鉴于此，本专利技术的目的在于提供一个运动目标分类方法及其系统。所述运动目 标分类方法首先提取目标的空间特征和时间特征，然后通过使用概率分类法根据提取的特 征对目标进行分类。 为达到上述目的，本专利技术的技术方案是这样实现的 本专利技术提供了一种运动目标分类方法，所述运动目标分类方法包括如下步骤 提取特征，提取目标的空间特征和时间特征； 判定类型，判定目标的类型。所述判定类型包括每帧分类和整体分类。 根据本专利技术，所述空间特征包括区域轮廓拟合椭圆的长轴a、区域轮廓拟合椭圆 的短轴b、拟合短轴与水平方向夹角e 、区域轮廓的类圆性p 、区域的紧集度F、区域的面积 A、区域的上部分与下部分的面积比R ;所述时间特征为目标的速度v。 其中，区域轮廓拟合椭圆的长轴a、区域轮廓拟合椭圆的短轴b、拟合短轴与水平方向夹角e通过如下所述的常规步骤确定 1)计算轮廓点x， y坐标的平均值，公式如下丄^少,= me叫，= meany2) 计算轮廓点x， y坐标的方差，协方差，公式如下5D 2 =丄X！—奶^ j )2 1 +幼,=—2o广画 )2 w卜i3) 计算最大最小特征值，公式如下 类圆性； 区域的紧集度F是指目标与目标区域的面积比；其中，所述目标是指目标所在的 矩形区域里像素值为1的像素点；目标区域是指该矩形区域中所有的像素点；目标与目标 区域的面积比为目标与目标区域内统计的像素个数的比值； 区域的上部分与下部分的面积比R是指目标所在的矩形区域的上半部分面积与下半部分面积之比；其中，所述上半部分面积指区域中心点y坐标以上的所有像素值为1的点的个数，下半部分面积指区域中心点y坐标以下的所有像素值为1的点的个数。 根据本专利技术，所述每帧分类是根据区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴、拟合短轴与水平方向夹角、区域轮廓的类圆性、区域的紧集度、区域的面积、区域的上部分与下部分的面积比、及目标的速度特征，通过概率分类法进行每帧分类，以获得目标的历史分类信息； 所述整体分类是根据目标的历史分类信息进行分类，以判定目标的类型。 其中，所述概率分类法，是指分别按照人、人群、车、车群、小动物类型，赋予区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴、拟合短轴与水平方向夹角、区域轮廓的类圆eigenvalueMax=，2 +，2 + ,SD, + ，2 )2 - 4(Si^2 x ，2eigenvalueMin=5Z^2 +，2 - ^5D, + ，2 )2 - 4(5Z)p x ，2 — 5D。4)计算长轴、短轴、椭圆倾角，公式如下 a = 2^eigenvalueMaxZ = 2^/eigenvalueMin 6 = cr cos( )_L=)区域轮廓的类圆性P通过如下公式确定其中，c为拟合目标区域的周长，s为拟合目标区域的面积，P为拟合目标区域的性、区域的紧集度、区域的面积、区域的上部分与下部分的面积比、及目标的速度特征不同 的权值；然后分别计算人、人群、车、车群、小动物类型的特征概率值，并选择概率值最大的 那一类型为目标的当前帧分类信息。 利用概率分类法通过如下公式(PT)计算整体特征概率PT : PT = Aap*ap+Abp*bp+A e p* e p+A p p* p p+AFp*Fp+AAp*Ap+AKp*Rp+AVp*Vp 其中，ap表示区域轮廓拟合椭圆的长轴a的概率，bp表示区域轮廓拟合椭圆的短轴b的概率，9p表示拟合短轴与水平方向夹角e的概率，Pp表示区域轮廓的类圆性p的概率，Fp表示区域的紧集度F的概率，Ap表示区域的面积A的概率，Rp表示区域的上部分与下部分的面积比的概率R， Vp表示目标的运动速度v的概率。Aap、Abp、Aep、App、AFp、AAp、AKp、AVp分别为ap、 bp、 9 p、 P p、 Fp、 Ap、 Rp、 Vp对应的权值系数； 当P4〉P^时，将该帧目标被分类为人，否则将该帧目标被分类为车，其中，人的类 型的整体特征概率为P/，车的类型的整体特征概率为PT2。 其中，所述人的类型的整体特征概率由下列条件通过公式(PT)计算得到 当a在阈值Tpa内时，ap取1 ，否则ap取0 ; 当b在阈值Tpb内时，bp取1 ，否则bp取0 ; 当9在阈值Tpe内时，9p取l，否则9p取0; 当p在阈值Tpp内时，Pp取l，否则Pp取O; 当F在阈值TpF内时，Fp取1 ，否则Fp取0 ; 当A在阈值TpA内时，Ap取1 ，否则Ap取0 ; 当R在阈值TpK内时，Rp取1 ，否则Rp取0 ; 当v在阈值TpV内时，Vp取1 ，否则Vp取0 ; 所述车的类型的的整体特征概率PT2由下列条件通过公式(PT)计算得到 当a在阈值Tba内时，ap取1 ，否则ap取0 ; 当b在阈值Tbb内时，bp取l，否则bp取O ; 当9在阈值Tbe内时，9p取l，否则9p取0; 当p在阈值Tbp内时，Pp取l，否则Pp取O; 当F在阈值TbF内时，Fp取1 ，否则Fp取0 ; 当A在阈值TbA内时，Ap取1 ，否则Ap取0 ; 当R在阈值TbK内时，Rp取1 ，否则Rp取0 ; 当v在阈值Tbv内时，Vp取1，否则Vp取0。 其中，所述历史分类信息是指统计每帧目标的分类信息；若目标在历史分类信息中分类为车的个数累加的总和为NUMl，在历史分类信息中分类为人的个数累加的总和为NUM2，若NUM1 > NUM2，则判定该目标类型为车；否则，判定该目标类型为人。 根据本专利技术的另一方面，本专利技术还提供了一种运动目标分类系统，所述运动目标分类系统包括 提取特征模块，用于提取目标的空间特征和时间特征；禾口 判定类型模块，用于判定目标的类型。 其中，所述提取特征模块包括提取目标的空间特征模块和提取目标的时间特征模 块。 其中，所述判定类型模本文档来自技高网...

【技术保护点】
一种运动目标分类方法，其特征在于，所述运动目标分类方法包括如下步骤：（１）提取特征，提取目标的空间特征和时间特征；和（２）判定类型，判定目标的类型。

【技术特征摘要】
一种运动目标分类方法，其特征在于，所述运动目标分类方法包括如下步骤(1)提取特征，提取目标的空间特征和时间特征；和(2)判定类型，判定目标的类型。2. 根据权利要求1所述的运动目标分类方法，其特征在于，所述空间特征包括区域轮廓拟合椭圆的长轴a、区域轮廓拟合椭圆的短轴b、拟合短轴与水平方向夹角e 、区域轮廓的类圆性P 、区域的紧集度F、区域的面积A、区域的上部分与下部分的面积比R;所述时间特征为目标的速度v ;所述判定类型包括每帧分类和整体分类。3. 根据权利要求2所述的运动目标分类方法，其特征在于区域轮廓的类圆性P通过如下公式确定<formula>formula see original document page 2</formula>其中，c为拟合目标区域的周长，s为拟合目标区域的面积，P为拟合目标区域的类圆性；区域的紧集度F，是指目标与目标区域的面积比；其中，所述目标是指目标所在的矩形区域里像素值为1的像素点；目标区域是指该矩形区域中所有的像素点；目标与目标区域的面积比为目标与目标区域内统计的像素个数的比值；区域的上部分与下部分的面积比R，是指目标所在的矩形区域的上半部分面积与下半部分面积之比；其中，所述上半部分面积指区域中心点y坐标以上的所有像素值为1的点的个数，下半部分面积指区域中心点y坐标以下的所有像素值为1的点的个数。4. 根据权利要求2所述的运动目标分类方法，其特征在于，所述每帧分类是根据区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴、拟合短轴与水平方向夹角、区域轮廓的类圆性、区域的紧集度、区域的面积、区域的上部分与下部分的面积比、及目标的速度特征，通过概率分类法进行每帧分类，以获得目标的历史分类信息；所述整体分类是根据目标的历史分类信息进行分类，以判定目标的类型。5. 根据权利要求4所述的运动目标分类方法，其特征在于，所述概率分类法，是指分别按照人、人群、车、车群、小动物类型，赋予区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴、拟合短轴与水平方向夹角、区域轮廓的类圆性、区域的紧集度、区域的面积、区域的上部分与下部分的面积比、及目标的速度特征不同的权值；然后分别计算人、人群、车、车群、小动物类型的特征概率值，并选择概率值最大的那一类型为目标的当前帧分类信息；利用概率分类法通过如下公式(PT)计算整体特征概率PT:其中，利用概率分类法通过如下公式(PT)计算整体特征概率PT:PT = Aap*ap+Abp*bp+Aep* e p+App*P p+AFp*Fp+AAp*Ap+AKp*Rp+AVp*Vp其中，ap表示...

【专利技术属性】
技术研发人员：王正，曾建平，杨学超，菅云峰，
申请(专利权)人：北京智安邦科技有限公司，
类型：发明
国别省市：11[中国|北京]