[发明专利]一种基于轮廓约束的视频运动目标分类识别方法

说明书

技术领域

本发明涉及一种目标识别方法，尤其涉及面向远程室外监控的一种基于轮廓约束的视频运动目标分类识别方法，属于模式识别领域。

背景技术

随着监控系统的不断推广，视频数据正呈现爆炸式增长，单纯的依靠人力已经难以发挥监控系统应有的实时主动的监督作用。为了解决视频监控效率低下和过度依赖人工的问题，智能化处理技术在学术研究和工程应用领域引起了广泛关注。

运动目标分类识别作为智能化处理的关键技术，是指识别视频序列中运动目标的类别，识别的基本过程是根据已知目标数据训练目标分类器，进而利用分类器判别未知目标的类别。目标类别识别通常包含两个重要步骤，首先需要确定分类器选用的特征或模型，其次要选择合适的分类器构建方法。

在实际应用中，监控系统常采用的目标分类方法主要有两大类：(1)基于形状特征的分类识别方法，是利用目标的形状特征对目标进行分类，使用目标区域的分散度、高宽比等特征作为分类的依据。(2)基于目标运动特性的分类识别方法，是利用目标运动的周期性信息进行分类，例如可分析目标是否存在周期性的运动特性而将人识别出来，还可以通过使用光流法计算运动目标区域的残差光流来分析运动实体的刚性和非刚性，对车辆和行人进行区分。但上述方法在应用时需要对视频传感器进行标定，当传感器使用转动云台或对镜头进行变倍变焦时上述方法往往不具鲁棒性。以上方法通常解决的是行人和车辆的二分类问题，随着安防态势的发展，空中低空慢速飞行物（如飞艇、直升机等）以及水面船只目标也应纳入监控体系，仅靠运动目标的形状和运动特征难以将以上目标进行准确的区分。

然而，在面向室外场景的远程视频监控的具体应用中，运动目标的分类识别还面临多种因素的影响，例如：(1)光照影响：受天气（如雾天、阴雨）、人造光源等因素的影响，采集到的目标二维图像信号与场景中光照方向、强度和目标自身的表面反射率有关，目标的局部像素信息会因为光照的变化而发生改变；(2)背景混淆:采集到的视频经常包含十分复杂的背景，使得所需识别的目标呈现在易于混淆的背景之中；(3)视角变化：在远程视频监控系统中，同类目标从不同的倾斜角度进行拍摄，极易造成目标在视频中的整体结构信息和局部细节信息的变化，亦对目标的正确分类产生影响。因此，现有技术尚不能满足应用需求。

近年来，基于表观模型的分类方法由于对目标特征（边缘梯度信息、纹理信息等）具有较好的表达以及较高的准确率而获得较为广泛的应用。基于表观模型的方法将目标看作由一组表观特征块组成，这些表观块可以使用特征描述子来进行特征提取，然后基于这些表观数据对目标进行分类，常用的特征描述子有尺度不变特征变换匹配算法(Scale Invariant Feature Transformation,SIFT)、方向梯度直方图(Histogram of Oriented gradients,HOG)和局部二值模式(Local Binary Pattern,LBP)等。其中，SIFT算子通过在空间尺度中寻找极值点并提取出其位置、尺度、旋转不变量，具有良好的鲁棒性，但该算子存在存储空间大和耗时多等缺点。HOG特征描述子通过统计像素梯度方向密度分布获得目标边缘梯度信息，在行人分类识别方面效果显著，但由于该算子通常对整幅目标图像进行计算，包含了大量冗余信息。图像的纹理特征是与目标表面结构和材质有关的图像内在特征，LBP作为一种简单有效的局部纹理描述算子，用来描述目标纹理特征的表观模型，通过刻画像素的邻域灰度空间分布对目标的纹理进行描述，具有计算速度快的优点，但其鲁棒性易受光照变化及局部噪声的影响。因此，在具体应用中，克服光照、背景干扰等外界因素的影响，准确的提取运动目标的有效特征，是提高运动目标分类准确率的关键之一。

轮廓作为用来描述目标的拓扑结构特征，可定义为“在图像中，如果两个相邻区域内的灰度变化不大，而区域之间的灰度变化较大，则这两个区域之间的分界线称为轮廓”,使用目标的轮廓信息约束表观特征的提取，不仅能够去除不稳定特征，而且能够约减冗余特征，进而实现了对视频对象的准确描述。因此，研究面向视频应用的运动目标分割和轮廓提取方法，以及基于目标轮廓约束的特征提取与目标分类识别方法具有重要意义。

发明内容

本发明技术解决问题：克服现有技术的不足，提供一种基于轮廓约束的视频运动目标分类识别方法，提升了运动目标的识别正确率。

本发明采用下述技术方案：一种基于轮廓约束的视频运动目标分类识别方法，主要包括运动目标的轮廓提取和轮廓约束下的特征提取两个方面，具体包括如下步骤：