[发明专利]一种时空域统计匹配局部特征的运动目标检测方法有效
申请号: | 201611223070.9 | 申请日: | 2016-12-27 |
公开(公告)号: | CN107067413B | 公开(公告)日: | 2019-11-15 |
发明(设计)人: | 柏连发;崔议尹;韩静;张毅 | 申请(专利权)人: | 南京理工大学 |
主分类号: | G06T7/246 | 分类号: | G06T7/246;G06K9/62 |
代理公司: | 32203 南京理工大学专利中心 | 代理人: | 薛云燕<国际申请>=<国际公布>=<进入 |
地址: | 210094江苏*** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 运动目标 矩阵 视频 局部特征 权重分配 算子 时空 匹配 运动目标检测 局部相似性 可见光视频 邻域像素点 统计 分析位置 复合模板 概率矩阵 红外视频 匹配检测 位置概率 传统的 多尺度 时空域 误检率 构建 缩放 精细 场景 监督 拍摄 检测 研究 | ||
本发明公开了一种时空域统计匹配和权重分配结合的运动目标检测方法。方法为:首先,提出并研究3‑D LWR算子可区分邻域像素点的重要性,用于提取视频的更精细的时空局部特征。其次,3‑D LWR模板集特征分别去背景和多尺度缩放形成复合模板集,与待测视频的局部特征进行匹配,得到局部相似性矩阵。最后进行时空统计,得到运动目标的位置概率矩阵,并通过分析位置概率矩阵来提取运动目标。本方法将传统的LARK算子和权重分配相结合,构建了一种新的运动目标时空统计匹配检测模型。对比现有监督类方法,本发明不需要大量训练就能达到同等检测精度;对比现有的非监督类方法,本发明扩展了待测视频适用的场景和拍摄角度,降低了误检率,对可见光视频和红外视频均适用。
技术领域
本发明属于人工智能领域的运动目标检测技术,特别是一种时空域相似度判断、统计整体相似度和视频局部带权重特征结合的运动目标检测方法。
背景技术
为了更高效的从日益增长的海量的视频中提取目标信息、提高搜索效率等,运动目标检测模型研究一直是人工智能领域的重点发展技术。现有的监督类方法需要大量训练、算法复杂度高,而非监督类方法检测精度低、依赖于特征。本文根据运动目标检测精度高、时效快、参数少、易实现的要求,探索并设计实现了一种时空域统计匹配局部特征的运动目标检测方法。
三维LARK特征由Seo等人在2010年提出,具有旋转和尺度不变性,抓住图像潜在结构而不受噪声影响、稳定性好的优点,但是不能区分中心像素点和邻域像素点的重要性;而HOG特征没有尺度、旋转不变性,LBP特征无法保留图像细节,SIFT特征容易被背景和噪声影响;CNN特征通过卷积核由浅入深地提取不同层次的特征,效果较好但是训练样本冗长复杂。
在检测方法方面,非监督类中Seo的方法使用全背景整体模板,目标与模板整体匹配,导致待测视频适用场景有限;当运动目标动作路径与模板不同时,待测视频拍摄角度与模板拍摄角度差别较大时,当背景与模板不接近时,检测精度很低;监督类的方法需要对目标和背景分开训练,训练之后再进行验证调整,方法过程复杂、效率低。
发明内容
本发明的目的是提供一种精确高效、简单方便的时空域统计匹配局部特征的运动目标检测方法。
实现本发明目的的技术解决方案为:一种时空域统计匹配局部特征的运动目标检测方法,包括以下步骤:
步骤1、提出3-D LWR算子:根据邻域像素点距离中心像素点的距离远近,设置基于圆域滤波器的时空权重滤波器f,结合现有的局部自适应回归核,得到时空局部带权重的回归核3-D LWR算子;
步骤2、构建复合模板集:将模板视频转成灰度图片序列,然后将图片序列去背景,选取运动半身和多尺度缩放处理,再用3-D LWR算子提取模板的局部特征,最后用主成分分析法和向量余弦匹配法对模板局部特征做冗余去除处理;
步骤3、待测视频预处理:将待测视频转换为灰度图片序列,并提取显著性区域,提取显著视频的3-D LWR特征,并用主成分分析法进行去冗余处理;
步骤4、时空域相似性评估:将待测视频显著区域内每一像素点对应的3-D LWR特征向量,与复合模板集的所有特征向量进行余弦匹配,记录最大匹配值对应的模板中向量的位置;
步骤5、时空域整体相似度统计:设立时空统计窗口,统计窗口内不同的位置数目,得到运动目标存在的概率矩阵;
步骤6、根据统计概率矩阵,用非极大值抑制的方法,逐帧提取出运动目标位置,并恢复成视频。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京理工大学,未经南京理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201611223070.9/2.html,转载请声明来源钻瓜专利网。