一种智能交通监控中车辆和行人的目标分类方法

1.一种智能交通监控中车辆和行人的目标分类方法，
从采集到的视频图像序列里提取N个训练样本作为待测试视频序列建立训练模型，采用常用的支持向量机分类器对N个训练样本进行训练，将训练样本中的车辆样本类 和非车辆样本类 作为输入样本训练车辆分类器 ，同时将训练样本中的行人样本类 和非行人样本类 作为输入样本训练行人分类器 ，用这2个分类器对运动目标进行分类，得到车辆和行人的初始样本库；
将训练样本随机分为M个子集，根据所述初始样本库中的运动目标前景，分别提取运动目标的样本特征组成特征向量，将所组成的特征向量输入到支持向量机分类器，对M个子集依次进行测试并分类，取M次测试中分类正确率的平均值，验证分类器的准确度，将每次测试得到的分类正确率与此平均值比较，选取最接近该平均值的一个子集作为车辆和行人的最终样本库，构成改进的支持向量机分类器；
采用DSP数字信号处理器对采集的运动目标视频帧序列进行检测，提取最新收到的前景帧并进行二值化处理得到的运动目标的样本特征，组成这帧运动目标前景的特征向量，并将其输入所述改进的支持向量机分类器，改进的支持向量机分类器将输入的这帧运动目标前景的特征向量和最终样本库对比，对运动目标进行最终分类，
其特征是：
若其中的一个分类器 将运动目标分类到相应的类 中， ，且另一个分类器将其分到相应的类 中， ，则判断此运动目标属于类 ；若两个分类器同时将运动目标分到相应的类 中，则为错误分类；若两个分类器都将运动目标分到相应的类 ，则此运动目标不属于这两类中的任一类。

一种智能交通监控中车辆和行人的目标分类方法\n技术领域\n[0001] 本发明属于数字图像处理技术领域，具体涉及一种智能交通监控中车辆和行人的目标分类方法，对输入的交通视频中的运动目标正确分类；主要应用于高速公路、红绿灯处和各治安卡口，对出现的目标进行分类。\n背景技术\n[0002] 智能视频监控就是实时地观测被监视场景的运动目标，并且分析其行为，在一定条件下给予报警。视频监控系统能对场景中的目标行为进行分析判断，目标分类是目标行为理解中非常重要的一步，为了让一个计算机正确分析目标行为，需要对目标进行分类，如交通系统中，需要先判断目标是行人还是车辆等。\n[0003] 运动目标分类是指从视频序列中分割出运动目标、提取运动目标的特征、并用训练好的分类器进行图像分类识别的过程。目标分类的关键在于两个方面：第一，特征向量的选取；第二，分类器的构造。因此选择一组可靠、独立且具有辨认能力的特征向量是目标分类的前提条件。在智能交通视频监控系统中，主要的运动目标为行人和车辆，因此准确地将行人和车辆分类，对于及时跟踪分析这些目标的特征，预测目标行为都有非常重要的作用。\n[0004] 识别分类系统中运动物体的特征空间的表达问题是实现其有效分类的必要前提，特征的表达是一个逐步优化的过程，包括特征选择和特征提取。特征选择是指对原始数据进行抽取，抽取那些对区别不同类别最为重要的特征，而舍去那些对分类并无多大贡献的特征，得到能够反映分类本质的特征。例如，运动目标的颜色纹理、物理特性、运动状态等信息，这样可以充分利用各种有用的信息，并从中选取最合适的一个或几个特征作为分类指标。特征提取是通过一种映射变换改造原来的特征空间，通过变换实现降维，并能够使分类效果更加理想。\n[0005] 目前，常用的目标分类法是采用支持向量机(SVM)进行分类，支持向量机主要用于解决小样本、非线性以及高维识别等分类问题，属于机器学习方法，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能力。这种方法是从训练集中选择一种特征子集，使得对特征子集的线性划分等价于对整个数据集的分割。支持向量机能很好地解决有限数量样本的高维模型的构造问题，而且所构造的模型具有很好的预测性能。但是支持向量机分类存在以下缺点：每次训练时都要对所有的训练样本进行训练，导致训练时间增加、训练速度下降，从而使整个目标分类的时间延长，精度下降。 发明内容\n[0006] 本发明目的是为克服上述技术的不足，采用改进的支持向量机目标分类方法，可以对交通监控中提取出的车辆和行人图像运动目标进行精确分类，具有更快的训练速度和更高的分类效率。\n[0007] 本发明采用的技术方案是包括如下步骤：（1）从采集到的视频图像序列里提取出N个训练样本作为待测试视频序列建立训练模型，采用常用的支持向量机分类器对N个训练样本进行训练，将训练样本中的车辆样本类 ，非车辆样本类 作为输入样本训练车辆分类器 ，同时将训练样本中的行人样本类 ，非行人样本类 作为输入样本训练行人分类器 ，用这2个分类器对运动目标进行分类，得到车辆和行人的初始样本库；（2）将训练样本随机分为M个子集，根据所述初始样本库中的运动目标前景，分别提取运动目标的样本特征组成特征向量，将所组成的特征向量输入到支持向量机分类器，对训练样本的M个子集依次进行测试并分类，取M次测试中分类正确率的平均值，验证分类器的准确度，将每次测试得到的分类正确率与此平均值比较，选取最接近该平均值的一个子集作为车辆和行人的最终样本库，构成一个改进的支持向量机分类器；（3）采用DSP数字信号处理器对采集的运动目标视频帧序列进行检测，提取最新收到的前景帧并进行二值化处理得到的运动目标的样本特征，组成这帧运动目标前景的特征向量，并将其输入所述改进的支持向量机分类器，改进的支持向量机分类器将输入的这帧运动目标前景的特征向量和最终样本库对比，对运动目标进行最终分类。\n[0008] 本发明在构造支持向量机分类器训练样本时，首先从采集到的视频图像序列里选择具有不同样本特征的样本数据，确保了训练样本的多样性，然后对训练样本子集进行测试，验证训练样本分类器的准确度，即得到训练好的改进的支持向量机分类器，最后对从采集到的视频图像序列中提取出的运动目标利用改进的支持向量机分类器进行分类。本发明无需对所有的训练样本进行训练，缩短了分类时间，实现了运动目标的精确分类，同时具有较高的识别分类率。 \n附图说明\n[0009] 图1是训练样本构造改进的支持向量机分类器的流程图；\n[0010] 图2是采用训练好的改进的支持向量机分类器对运动目标分类的流程图。\n具体实施方式\n[0011] 本发明用改进的支持向量机分类方法对检测到的运动目标进行分类，将分类结果输出判别，也可产生报警信号。本发明的实现过程分为两大步骤，第一步是对样本进行训练，构造改进的支持向量机分类器；第二步是提取运动目标的样本特征，利用第一步得到的改进的支持向量机分类器进行分类。具体如下：\n[0012] 如图1所示，从采集到的视频图像序列里提取出N个训练样本作为待测试视频序列建立训练模型（S101），这N个训练样本中包含车辆 类、行人 类这两类样本。定义训练样本集 中的每个样本都属于车辆 类和行人 类这两类中\n的一类，相应的标记为 ， 是类别标号，i为训练的每个样本。判别函数表示为：\n，其中 是函数的广义参数， 为阈值， Rd ， R，R表示实数，\nRd表示实数的子集。训练样本满足判别函数，线性可分，判决规则如下：对样本判决函数时，有 ，训练样本则判别为车辆 类；对于判决函数 的训练样\n本，有 ，训练样本则判别为行人 类。对于所有的训练样本，若 ，\n则训练样本被正确分类。\n[0013] 采用常用的支持向量机分类器对N个训练样本进行训练（S102），得到车辆和行人的初始样本库。训练方法如下：将训练样本中的车辆样本作为类 ，非车辆样本作为类 ，将这些样本作为输入样本来训练车辆分类器 ，得到相应的分类平面，用来区分车辆类与非车辆类。同时，将训练样本中的行人样本作为类 ，非行人样本作为类 ，将这些样本作为输入样本来训练行人分类器 ，得到相应的分类平面，用来区分行人类与非行人类。训练时保留具有明显反映车辆和行人分类本质特征的样本，剔除那些携带的特征对分类无多大贡献的样本。\n[0014] 这样，训练得到车辆分类器 和行人分类器 这2个分类器，用来对运动目标进行分类。这2个分类器对运动目标分类方法是：若一个分类器 将运动目标分类到相应的类 中，另一个分类器将其分到相应的类 中，则判\n断此目标属于类 。若2个分类器同时将该运动目标分到相应的类 中，则判断为错误分类。若两个分类器都将目标分到相应的类 ，则说明此目标不属于这两类中的任何一类，属于其他。这样，就得到了车辆和行人的初始样本库，此时车辆和行人的初始样本库中样本的个数为K个（K