[发明专利]一种适用于不同场景的多运动对象特征表达方法

说明书

技术领域

本发明属于图像处理技术领域，具体涉及一种运动对象的识别方法。

背景技术

矩在统计学中用于表征随机量的分布，如果把二值图或灰度图看做是二维密度分布函数，其图像特征用矩来描述，矩特征属于区域特征之一，不变矩理论通过提取图像的具有平移、旋转和比例不变性的数学特征，进行图像识别。不变矩理论由1962年提出，发展至今，不断演化和改进，形成了非常繁多的类型，每种类型的不变矩都有其所对应的特长数据计算范畴、对应于同一类不变矩的不同量值对数据相似度的计算也有不同的贡献。

于吉红，吕俊伟，白晓明著的《一种基于组合不变矩的新的舰船图像目标识别方法》，红外，2011，9(32):23-28提出将Hu不变矩、小波不变矩及仿射不变矩中的部分量值结合起来描述特征，采用固定的不变矩组合方式来描述其单一场景中的运动对象，具有相同的权值组合的不变矩量值，采用简单的欧式距离来分类识别运动对象；曾万梅，吴庆宪，姜长生著的《基于组合不变矩特征的空中目标识别方法》，电光与控制，2009，7(16):21-24，44提出将NMI特征和仿射不变矩结合，采用固定的不变矩组合方式来描述其单一场景中的运动对象，具有相同的权值组合的不变矩量值，采用Fisher线性判断分类器方法的运动对象识别方法，刘正君，李琦，王骐著的《基于组合矩的激光雷达距离像目标识别》，中国激光，2012，6(39):1-7采用固定的不变矩组合方式来描述其单一场景中的运动对象，使用BP神经网络方法训练样本得到结合Hu不变矩和仿射不变矩的组合矩方法。以上方法将不同类型的不变矩组合起来的分类技术都是针对于特定领域的特定场景中特定的运动对象，而视频监控领域非常广泛，适用于水陆交通、小区、智能楼宇等不同的场景，需要识别的运动对象也种类繁多，为了分类不同场景的不同运动对象，采用的不变矩特征量值越多，并不代表识别能力越强，所有不变矩量值集合中可能存在着冗余的、低贡献、甚至于无用的不变矩量值，这些多余的不变矩量值会降低对运动对象的识别率。

 

发明内容

本发明的目的在于提供一种适用于不同场景的多运动对象特征表达方法，提高对运动对象的识别率。

为了解决以上技术问题，本发明采用的技术方案如下：

一种适用于不同场景的多运动对象特征表达方法，其特征在于包括以下步骤：

第一步：本发明讨论的情况对于运动对象不变矩的兼容性要求很高，对数字精度不是很敏感，而且不同视频可能具有不同的分辨率，所以不需要太复杂的计算和求精问题，由场景中多运动对象各类初始不变矩量值                                                ，代表第m个对象的第i个初始不变矩量值，依公式(1)对不变矩进行取绝对值和取对数计算不变矩量值，代表第m个对象的第i个不变矩量值 

                                                                                                (1)

第二步：计算整个运动对象集合中每个运动对象的不变矩量值的同类频率-逆奇异频率值

               (2)

式中表示不变矩量值在同一运动对象中出现的频率；N表示运动对象集合中所有运动对象的总数；表示不同运动对象集合中出现当前不变矩量值的频率，通过对运动对象集合中的每一个不变矩量值都进行上述分析，得到每一个运动对象每一个不变矩量值的值；然后再利用值为每个运动对象分别建立向量模型，作为特征的分类标准和每个维度的相关检验标准；

第三步：由于向量模型是高维而且极度稀疏的，根据信息论，的值是一个特定条件下不变矩量值概率分布的交叉熵，的值是用来增加不变矩量值的权重，以更好地表达运动对象特征的数据，因此通过值的过滤操作，可以从每一个运动对象中挑选若干重要的不变矩量值，以此来表征运动对象；这样就能够做到在保证不影响运动对象特征提取的前提下，最大可能地减少运动对象特征向量表示的维度；根据步骤二中所述的向量模型，对不变矩量值的值进行排序，从中选取大于用户设定的淘汰阈值的值；选取出值对应的关键不变矩量值，代表第m个对象的第j个关键不变矩量值，1≤j≤J，J为所有关键不变矩量值的个数，将作为运动对象的特征；