本發(fā)明屬于電子技術(shù)領(lǐng)域，更進(jìn)一步涉及圖像數(shù)據(jù)處理技術(shù)領(lǐng)域中的一種基于支持向量機(jī)的運(yùn)動(dòng)目標(biāo)分類方法。本發(fā)明可用于對(duì)視頻圖像處理中的運(yùn)動(dòng)目標(biāo)進(jìn)行精確的分類，為后續(xù)的目標(biāo)追蹤和識(shí)別提供可靠數(shù)據(jù)。

背景技術(shù)：

視頻中運(yùn)動(dòng)目標(biāo)的分類在對(duì)視頻圖像分析研究中起著重要的作用，為后續(xù)的目標(biāo)追蹤和行為分析等處理環(huán)節(jié)提供實(shí)時(shí)有效的結(jié)果和數(shù)據(jù)。

目前常用的運(yùn)動(dòng)目標(biāo)分類方法有基于形狀特征的方法、基于運(yùn)動(dòng)特征的方法和基于學(xué)習(xí)的方法等，但到目前為止還不存在一個(gè)通用的方法?；谛螤钐卣鞯姆诸惙椒ǜ鶕?jù)目標(biāo)的形狀特征達(dá)到分類的效果，但他依賴于目標(biāo)的完整提取，當(dāng)背景復(fù)雜，運(yùn)動(dòng)目標(biāo)模糊的情況下，形狀特征不能準(zhǔn)確提取，分類精度不高。

目前有很多基于監(jiān)督學(xué)習(xí)的目標(biāo)識(shí)別算法應(yīng)用到運(yùn)動(dòng)目標(biāo)分類識(shí)別中，基于支持向量機(jī)的運(yùn)動(dòng)目標(biāo)分類是最簡(jiǎn)單、使用最普遍的方法之一。

張壯署，蔡曉東在其發(fā)表的論文“監(jiān)控視頻中運(yùn)動(dòng)目標(biāo)識(shí)別分類系統(tǒng)研究”(《電視技術(shù)》2012年23期第165-167頁(yè))中公開了一種基于監(jiān)控視頻中運(yùn)動(dòng)目標(biāo)識(shí)別分類算法。該算法通過(guò)提取視頻中運(yùn)動(dòng)目標(biāo)的高階矩、長(zhǎng)寬比和占空比，然后利用支持向量機(jī)來(lái)進(jìn)行訓(xùn)練識(shí)別分類。該方法存在的不足之處是，當(dāng)運(yùn)動(dòng)目標(biāo)比較模糊時(shí)，運(yùn)動(dòng)目標(biāo)的形狀特征不明顯，導(dǎo)致分類精確度不高。

北京環(huán)境特性研究所申請(qǐng)的專利文件“一種基于視頻圖像的目標(biāo)分類方法”(專利申請(qǐng)?zhí)?01510012901.7，公布號(hào)CN 104657741 A)公開了一種基于視頻圖像的運(yùn)動(dòng)目標(biāo)分類方法。該方法的實(shí)現(xiàn)過(guò)程為，根據(jù)連續(xù)的視頻圖像進(jìn)行監(jiān)控區(qū)域的背景學(xué)習(xí)，獲得監(jiān)控區(qū)域的當(dāng)前背景圖形，根據(jù)當(dāng)前背景圖像對(duì)當(dāng)前視頻幀進(jìn)行逐像素背景差分操作和圖像分割操作，形成目標(biāo)圖像，從目標(biāo)圖像中提取目標(biāo)區(qū)域，對(duì)各個(gè)目標(biāo)區(qū)域進(jìn)行主成份分析，計(jì)算目標(biāo)區(qū)域的矩形飽和度特征，根據(jù)矩形飽和度特征和預(yù)設(shè)的閾值，對(duì)目標(biāo)區(qū)域進(jìn)行分類。該方法存在的不足之處是，通過(guò)逐像素背景差分得到目標(biāo)圖像，當(dāng)背景復(fù)雜且存在背景運(yùn)動(dòng)干擾的情況下不能正確提取出運(yùn)動(dòng)目標(biāo)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出一種基于支持向量機(jī)的運(yùn)動(dòng)目標(biāo)分類方法，將彩色視頻圖像轉(zhuǎn)換成灰度圖像，采用混合高斯背景建模建立背景圖像，提取出視頻中的運(yùn)動(dòng)目標(biāo)，對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行形態(tài)學(xué)濾波，再對(duì)處理過(guò)的運(yùn)動(dòng)目標(biāo)進(jìn)行邊緣，梯度，信息熵提取，訓(xùn)練支持向量機(jī)，得到分類器模型，從而在保證環(huán)境多變的情況下有效的完成視頻運(yùn)動(dòng)目標(biāo)的分類處理，提高了運(yùn)動(dòng)目標(biāo)分類的精確度。

實(shí)現(xiàn)本發(fā)明目的的具體步驟如下：

(1)利用攝像頭讀取待分類運(yùn)動(dòng)目標(biāo)的彩色紅綠藍(lán)RGB視頻；

(2)逐幀讀取待分類運(yùn)動(dòng)目標(biāo)的彩色紅綠藍(lán)RGB視頻，得到彩色視頻幀圖像；

(3)在彩色視頻圖像中隨機(jī)讀取一幀圖像，得到一幀待處理彩色視頻圖像；

(4)預(yù)處理；

(4a)按照下式，計(jì)算待處理彩色視頻幀圖像轉(zhuǎn)換成灰度圖像中每一像素點(diǎn)的灰度值，將計(jì)算后的灰度值組成灰度圖像；

Gray_i,j＝0.299R_i,j+0.587G_i,j+0.114B_i,j

其中，Gray_i,j表示灰度圖像中第i行，第j列像素點(diǎn)的灰度值，R_i,j表示彩色視頻幀圖像中第i行，第j列的像素點(diǎn)的紅色分量值，G_i,j表示彩色視頻幀圖像中第i行，第j列像素點(diǎn)的綠色分量值，B_i,j表示彩色視頻幀圖像中第i行，第j列像素點(diǎn)的藍(lán)色分量值；

(4b)采用混合高斯背景建模建立背景圖像，保存該混合高斯背景建模得到的最終背景圖像；

(4c)用灰度圖像減去最終背景圖像，得到運(yùn)動(dòng)目標(biāo)圖像；

(4d)二值化運(yùn)動(dòng)目標(biāo)圖像，得到二值化運(yùn)動(dòng)目標(biāo)圖像；

(4e)對(duì)二值化運(yùn)動(dòng)目標(biāo)圖像進(jìn)行形態(tài)學(xué)濾波，得到濾波后的運(yùn)動(dòng)目標(biāo)圖像；

(5)提取濾波后的運(yùn)動(dòng)目標(biāo)圖像的邊緣、信源熵和梯度三個(gè)特征；

(5a)利用Canny算子，提取濾波后的運(yùn)動(dòng)目標(biāo)圖像的邊緣強(qiáng)度，將所提取的邊緣強(qiáng)度作為邊緣強(qiáng)度特征值；

(5b)利用梯度強(qiáng)度公式，提取濾波后的運(yùn)動(dòng)目標(biāo)圖像的梯度強(qiáng)度；

(5c)利用信源熵公式，提取濾波后的運(yùn)動(dòng)目標(biāo)圖像的信源熵；

(6)判斷是否讀取完所有的彩色視頻幀圖像，若是，則執(zhí)行步驟(7)，否則，執(zhí)行步驟(3)；

(7)將所有運(yùn)動(dòng)目標(biāo)圖像的特征組成目標(biāo)特征集。

(8)用目標(biāo)特征集訓(xùn)練支持向量機(jī)；

(8a)將目標(biāo)特征集均分為兩部分，一部分作為訓(xùn)練特征集，一部分作為測(cè)試特征集；

(8b)將訓(xùn)練特征集投入到支持向量機(jī)中訓(xùn)練，得到檢測(cè)模型分類器；

(8c)將測(cè)試特征集放入檢測(cè)模型分類器中，得到與檢測(cè)模型分類器的分類模式對(duì)應(yīng)的分類結(jié)果；

(9)輸出分類結(jié)果。

本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)：

第一，由于本發(fā)明通過(guò)使用運(yùn)動(dòng)目標(biāo)圖像的邊緣、信源熵和梯度三個(gè)特征來(lái)訓(xùn)練支持向量機(jī)，克服了現(xiàn)有技術(shù)中僅使用運(yùn)動(dòng)目標(biāo)的形狀特征來(lái)訓(xùn)練支持向量機(jī)，而該方法當(dāng)運(yùn)動(dòng)目標(biāo)比較模糊時(shí)，運(yùn)動(dòng)目標(biāo)的形狀特征不明顯，分類精確度不高的缺點(diǎn)，使得本發(fā)明具有更加明顯的運(yùn)動(dòng)目標(biāo)特征，達(dá)到精確分類的優(yōu)點(diǎn)。

第二，由于本發(fā)明采用了混合高斯背景建模建立背景圖像，對(duì)運(yùn)動(dòng)目標(biāo)圖像進(jìn)行形態(tài)學(xué)濾波來(lái)提取運(yùn)動(dòng)目標(biāo)圖像，克服了現(xiàn)有技術(shù)通過(guò)逐像素背景差分得到目標(biāo)圖像，而該方法當(dāng)背景復(fù)雜且存在背景運(yùn)動(dòng)干擾的情況下，不能正確提取出運(yùn)動(dòng)目標(biāo)的缺點(diǎn)，使得本發(fā)明具有減小了背景的干擾，使得提取的運(yùn)動(dòng)目標(biāo)更加精確的優(yōu)點(diǎn)。

附圖說(shuō)明

圖1為本發(fā)明的流程圖；

圖2為采用本發(fā)明與現(xiàn)有技術(shù)提取的運(yùn)動(dòng)目標(biāo)仿真實(shí)驗(yàn)對(duì)比圖；

圖3為本發(fā)明實(shí)測(cè)數(shù)據(jù)的分類結(jié)果示意圖。

具體實(shí)施方式

下面結(jié)合附圖，對(duì)本發(fā)明的具體實(shí)施步驟做進(jìn)一步的詳細(xì)描述。

參照附圖1，本發(fā)明的具體步驟如下。

步驟1.利用攝像頭讀取待分類運(yùn)動(dòng)目標(biāo)的彩色紅綠藍(lán)RGB視頻。

步驟2.逐幀讀取待分類運(yùn)動(dòng)目標(biāo)的彩色紅綠藍(lán)RGB視頻，得到彩色視頻幀圖像。

步驟3.在彩色視頻圖像中隨機(jī)讀取一幀圖像，得到一幀待處理彩色視頻圖像。

步驟4.預(yù)處理。

按照下式，計(jì)算待處理彩色視頻幀圖像轉(zhuǎn)換成灰度圖像中每一像素點(diǎn)的灰度值，將計(jì)算后的灰度值組成灰度圖像。

Gray_i,j＝0.299R_i,j+0.587G_i,j+0.114B_i,j

其中，Gray_i,j表示灰度圖像中第i行，第j列像素點(diǎn)的灰度值，R_i,j表示彩色視頻幀圖像中第i行，第j列的像素點(diǎn)的紅色分量值，G_i,j表示彩色視頻幀圖像中第i行，第j列像素點(diǎn)的綠色分量值，B_i,j表示彩色視頻幀圖像中第i行，第j列像素點(diǎn)的藍(lán)色分量值。

采用混合高斯背景建模建立背景圖像，保存該混合高斯背景建模得到的最終背景圖像。

采用混合高斯背景建模建立背景圖像的具體步驟如下：

第1步，在彩色視頻圖像中隨機(jī)讀取視頻圖像的一幀圖像，將所讀取的彩色視頻幀圖像作為參考幀圖像，用參考幀圖像初始化混合高斯背景模型，得到初始化背景圖像。

第2步，在彩色視頻幀圖像中讀取一幀沒(méi)有讀取過(guò)的彩色視頻幀，根據(jù)所讀取的彩色視頻幀圖像的像素點(diǎn)之間的關(guān)聯(lián)程度，對(duì)該彩色視頻幀圖像進(jìn)行抖動(dòng)預(yù)判斷和穩(wěn)健處理，得到處理后的彩色視頻幀圖像。

第3步，對(duì)比初始化背景圖像與處理后彩色視頻幀圖像的相似度，將初始化背景圖像與處理后彩色視頻幀圖像的相似度小于85％時(shí)的處理后彩色視頻幀圖像，作為參考幀圖像，將該參考幀圖像放入高斯模型中更新該高斯模型。

第4步，判斷是否讀取完所有的彩色視頻幀，若是，則執(zhí)行第5步，否則，執(zhí)行第2步。

第5步，將高斯模型更新后的最后一幅圖像作為最終背景圖像。

用灰度圖像減去最終背景圖像，得到運(yùn)動(dòng)目標(biāo)圖像。

利用二值化運(yùn)動(dòng)目標(biāo)圖像的公式，對(duì)運(yùn)動(dòng)目標(biāo)圖像進(jìn)行二值化，得到二值化運(yùn)動(dòng)目標(biāo)圖像。

二值化運(yùn)動(dòng)目標(biāo)圖像的公式如下：

其中，M(x,y)表示二值化運(yùn)動(dòng)目標(biāo)圖像在像素點(diǎn)(x,y)的像素值，D(x,y)表示運(yùn)動(dòng)目標(biāo)圖像在像素點(diǎn)(x,y)的像素值，x表示運(yùn)動(dòng)目標(biāo)圖像的橫坐標(biāo)，y表示運(yùn)動(dòng)目標(biāo)圖像的縱坐標(biāo)，T表示二值化的閾值，其大小為196個(gè)像素。

對(duì)二值化運(yùn)動(dòng)目標(biāo)圖像進(jìn)行形態(tài)學(xué)濾波，得到濾波后的運(yùn)動(dòng)目標(biāo)圖像。

步驟5.提取濾波后的運(yùn)動(dòng)目標(biāo)圖像的邊緣、信源熵和梯度三個(gè)特征。

利用Canny算子，提取濾波后的運(yùn)動(dòng)目標(biāo)圖像的邊緣強(qiáng)度，將所提取的邊緣強(qiáng)度作為邊緣強(qiáng)度特征值。

利用Canny算子提取濾波后的運(yùn)動(dòng)目標(biāo)圖像的邊緣強(qiáng)度，將所提取的邊緣強(qiáng)度作為邊緣強(qiáng)度特征值的具體步驟如下：

第1步，用濾波后的運(yùn)動(dòng)目標(biāo)圖像與高斯平滑濾波器做卷積，得到卷積后圖像；

第2步，使用一階有限差分對(duì)卷積后圖像計(jì)算偏導(dǎo)數(shù)，得到兩個(gè)陣列P和Q；

第3步，按照下式，計(jì)算卷積后圖像的邊緣強(qiáng)度M；

第4步，利用二分法，在[0，100]內(nèi)選擇一個(gè)自然數(shù)，將所選自然數(shù)作為Canny算子的閾值；

第5步，比較邊緣強(qiáng)度與Canny算子閾值的大小，將邊緣強(qiáng)度大于Canny算子閾值的邊緣強(qiáng)度作為邊緣強(qiáng)度特征值。

利用如下梯度強(qiáng)度公式，提取濾波后的運(yùn)動(dòng)目標(biāo)圖像的梯度強(qiáng)度。

其中，E表示濾波后運(yùn)動(dòng)目標(biāo)圖像的信源熵，∑表示求和操作，N表示濾波后運(yùn)動(dòng)目標(biāo)圖像的像素點(diǎn)總數(shù)，p(n)表示濾波后運(yùn)動(dòng)目標(biāo)圖像的第n個(gè)像素點(diǎn)對(duì)應(yīng)灰度值的概率，log₂表示以2為底的對(duì)數(shù)操作。

利用如下信源熵公式，提取濾波后的運(yùn)動(dòng)目標(biāo)圖像的信源熵。

其中，||Δf||₂表示濾波后運(yùn)動(dòng)目標(biāo)圖像的梯度強(qiáng)度，表示平方根操作，G_u表示濾波后的運(yùn)動(dòng)目標(biāo)圖像水平方向的梯度幅值，G_v表示濾波后的運(yùn)動(dòng)目標(biāo)圖像垂直方向的梯度幅值，表示求偏導(dǎo)操作，f表示濾波后運(yùn)動(dòng)目標(biāo)圖像的信息量，u表示濾波后的運(yùn)動(dòng)目標(biāo)圖像空間的橫坐標(biāo)的坐標(biāo)值，v表示濾波后的運(yùn)動(dòng)目標(biāo)圖像空間的縱坐標(biāo)坐標(biāo)值。

步驟6.判斷是否讀取完所有的彩色視頻幀圖像，若是，則執(zhí)行步驟7，否則，執(zhí)行步驟3。

步驟7.將所有運(yùn)動(dòng)目標(biāo)圖像的特征組成目標(biāo)特征集。

步驟8.用目標(biāo)特征集訓(xùn)練支持向量機(jī)。

將目標(biāo)特征集均分為兩部分，一部分作為訓(xùn)練特征集，一部分作為測(cè)試特征集。

將訓(xùn)練特征集投入到支持向量機(jī)中訓(xùn)練，得到檢測(cè)模型分類器。

將測(cè)試特征集放入檢測(cè)模型分類器中，得到與檢測(cè)模型分類器的分類模式對(duì)應(yīng)的分類結(jié)果。

步驟9.輸出分類結(jié)果。

下面結(jié)合附圖2對(duì)本發(fā)明的仿真效果做進(jìn)一步的描述。

1.仿真實(shí)驗(yàn)的條件：

在CPU為core 3.06GHZ、內(nèi)存2G、WINDOWS XP系統(tǒng)上使用Microsoft Visual C++6.0編程環(huán)境進(jìn)行仿真。

2.仿真實(shí)驗(yàn)的內(nèi)容結(jié)果分析：

用本發(fā)明方法和現(xiàn)有的運(yùn)動(dòng)目標(biāo)分類方法分別對(duì)采集的視頻進(jìn)行仿真，并比較其效果。本發(fā)明的仿真實(shí)驗(yàn)是采用本發(fā)明方法和現(xiàn)有技術(shù)的方法分別對(duì)實(shí)際場(chǎng)景的視頻做處理。提取的運(yùn)動(dòng)目標(biāo)對(duì)比結(jié)果如圖2所示，其中圖2(a)為逐像素背景差分算法提取的白天的運(yùn)動(dòng)目標(biāo)；圖2(b)為逐像素背景差分算法提取的夜晚的運(yùn)動(dòng)目標(biāo)；圖2(c)為本發(fā)明提取的白天的運(yùn)動(dòng)目標(biāo)；圖2(d)為逐像素背景差分算法提取的夜晚的運(yùn)動(dòng)目標(biāo)。通過(guò)圖2可見，像素背景差分算法提取的運(yùn)動(dòng)目標(biāo)中包含了人的陰影，本發(fā)明提取的運(yùn)動(dòng)目標(biāo)明顯優(yōu)于像素背景差分算法提取的運(yùn)動(dòng)目標(biāo)。從圖2仿真實(shí)驗(yàn)結(jié)果可以看出，采用高斯背景建模建立背景提取運(yùn)動(dòng)目標(biāo)的方法，能夠在保護(hù)運(yùn)動(dòng)目標(biāo)完整性的前提下，避免復(fù)雜背景的影響，有效地提取出精確的運(yùn)動(dòng)目標(biāo)，完整且較精確的運(yùn)動(dòng)目標(biāo)可以使得分類更加精確。

通過(guò)本發(fā)明方法和現(xiàn)有方法對(duì)數(shù)據(jù)庫(kù)中的10個(gè)視頻中的運(yùn)動(dòng)目標(biāo)進(jìn)行分類，本次實(shí)驗(yàn)將目標(biāo)分為人和其他運(yùn)動(dòng)目標(biāo)，經(jīng)過(guò)分類結(jié)果與真實(shí)運(yùn)動(dòng)目標(biāo)的類型做比較，統(tǒng)計(jì)分類結(jié)果的正確率。據(jù)統(tǒng)計(jì)，本發(fā)明的分類準(zhǔn)確率為96.76％，現(xiàn)有方法的分類準(zhǔn)確率為95.98％。由此可以看出，本發(fā)明比現(xiàn)有方法能夠獲得更高的分類準(zhǔn)確率。