[发明专利]用计算机对运动目标的场景图像建立语义场景模型的方法

说明书

技术领域

本发明属于图像处理技术领域，涉及一种用于对视频监控中的事件进行分析的语义场景模型学习方法。

背景技术

随着城市的发展和摄像头的普及，基于视频分析的智能交通管理系统越来越受到重视。这种智能交通管理系统能够通过对视频数据处理分析，得到交通场景的运动模式，从而对一些违反交通规则等异常事件进行自动报警，避免大量人工处理。然而由于交通场景中运动目标种类较多和运动模式的复杂，自动的学习一个鲁棒的语义场景模型仍然是一个很有挑战的问题。

传统的语义场景模型的学习方法都是基于轨迹分析。一种是用目标分类的方法进行轨迹分析；这种方法利用场景上下文信息，如目标的位置，目标的面积大小，目标的运动速度等，但是，在视频监控的场景中，由于低分辨率，阴影，遮挡，不同视角等的影响，仅仅用这些信息得到的目标分类效果仍然不好。另外一种是用轨迹聚类的方法；这种方法可以总结为两类，一类是基于空间距离的方法，另外一种是基于空间分布的方法。基于空间距离的方法仅仅考虑了轨迹间的相似度，这种方法有以下缺点：对异常事件缺少概率解释，需要知道聚类个数，计算量大和这些相似度可能并不能反应真实的度量。为解决这些问题，提出了基于空间分布的方法，但是存在的方法没有考虑轨迹的完整性。

发明内容

为了解决公开技术方案存在的目标跟踪存在的误差、计算量大、相似度并不能反应真实的度量等技术问题，本发明的目的是能够避免目标跟踪带来的误差、计算速度快、能提高视频监控系统在交通场景中管理的智能性的语义场景模型学习方法，为此本发明提供一种基于目标分类和轨迹聚类的语义场景模型学习方法。

为达成所述目的，本发明提供的用计算机对运动目标的场景图像建立语义场景模型的方法，该方法包括以下步骤：

步骤S1：利用图像处理设备输入的视频数据，得到待处理的运动目标图像数据，对目标进行检测和跟踪；

步骤S2：基于协同训练方法学习行人和车的分类器，减少训练标注样本和充分利用目标的多种特征；根据学习得到的分类器，将目标分为行人和车辆；

步骤S3：对于每类目标的轨迹进行轨迹聚类，得到目标的轨迹聚类结果；

步骤S4：根据目标的轨迹聚类，得到每种轨迹的分布区域，并且利用均值漂移算法得到每种轨迹分布区域的主要轨迹和轨迹的入点和出点，从而得到有一定语义的区域和实现应用。

其中，所述目标的多种特征是场景上下文信息和目标的表象信息。

其中，所述场景上下文信息为目标的大小，面积，长宽比。

其中，所述目标的表象信息为局部二值模型特征。

其中，根据分类器的分类结果，将目标分为行人和车辆。

其中，所述的分类器是利用基于线性判别分析的分类器和基于提升算法的分类器的协同学习得到最终的分类器；该分类器利用输入的样本x_t，分别用线性判别分析的分类器和提升算法的分类器给标签y_t，然后，基于这些标注的训练样本更新分类器。

其中，所述轨迹聚类的步骤是：

步骤S31：利用二次曲线参数化描述轨迹的完整性，基于轨迹的完整性特征，利用高斯混合模型学习每类目标的所有运动模式；

步骤S32：通过采取在线更新的方式，根据高斯的权重滤除掉异常的轨迹，并且学习得到交通场景中的运动模式；

步骤S33：利用图切割算法，对学习得到的运动模式进行聚类。

其中，所述的协同学习(Co-training)算法能利用特征1的分类器和特征2的分类器对样本x_t进行自动标注类标y_t，从而减少人工标注样本的数量，并且能利用多种特征的性能提升分类器的分类性能。