[发明专利]一种基于小运动目标的快速分类与识别方法

说明书

本发明公开了一种基于小运动目标的快速分类与识别方法，涉及图像处理技术领域，根据小目标的特点，提出先提取运动目标的轮廓，再对其轮廓进行矩形拟合和椭圆拟合，将轮廓、拟合矩形、拟合椭圆三者的形状描述特征参数相结合作为新的鲁棒性比较强的目标形状描述算子。最后，设计可扩展性较强的树形分类器，对运动目标进行分类，将运动目标分为行人、骑车的人和汽车三大类，树形分类器不但具有较低的时间复杂度，而且能够在保证分类准确性的前提下，同时提高在不同情况下的鲁棒性。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于小运动目标的快速分类与识别方法。

背景技术

视频监控系统的最终目的是对场景中出现的运动目标进行行为分析和行为理解，在智能安全监控、安防系统、交通道路监管系统等方面都具有广泛的应用。例如：在智能安全监控系统中，需要对监控场景中出现的运动目标的行为做出分析和判断，首先就需要对检测到的运动目标进行分类识别，对不同种类的运动目标采取不同的处理方式。例如：当目标“人”进入某一特定场景的敏感区域时发生报警；当“汽车”进入场景某一特定区域后进行跟踪、车牌识别、测速等处理。

国内外的学者已经就目标分类的问题进行了比较多的研究，目前主流的三种方法是：基于形状信息的分类、基于运动特性的分类和以上两种的结合。

基于形状信息的分类主要是利用观察者角度的视觉特征，视觉特征主要包括两大类：全局特征和细节特征。全局特征包括颜色、纹理、形状等信息；细节特征包括了诸如人脸、指纹、瞳孔等基于应用的特征。目前研究比较多的主要是采用运动目标的离散度、面积、长宽比、傅里叶描述子等形状信息，结合神经网络、支持向量机、模板匹配等进行运动目标的分类。其优点在于对已有样本或模板的运动目标具有较好的分类效果，缺点在于样本训练和模板的匹配运算量较大，样本或模板的数量越多，分类的准确性就越高，但同时分类速度也会越慢，并且对于没有样本或模板的运动目标的分类准确性较低。

基于运动特性的分类就是利用目标运动的周期性或运动的相关特性进行目标分类。由于人的运动具有周期性，其运动具有自相关性，因此通过时频化方法分析目标是否存在周期性的运动特征就可以将“人”识别出来。Culter与Davis跟踪感兴趣的运动目标，计算出目标随着时间变化的自相关特性来进行目标的分类识别；由于非刚性人的运动相比于刚性的车辆运动而言具有更高的平均残余光流，同时它也能呈现出周期性的运动特性，Lipton通过计算运动区域的残余光流来分析运动实体的刚性和周期性，也可以将人与其他运动目标区分开来。Yang Ran和Tsaac Weiss也是采用运动特性的周期性来区分人和车辆。上述基于运动特性的分类对于单纯的周期性和非周期性运动目标具有很好的分类效果，但对多种周期性和多种非周期性的运动目标分类效果较差。同时，目标的周期性计算较复杂，提取周期性对观察目标的角度有一定难度。

发明内容

本发明实施例提供了一种基于小运动目标的快速分类与识别方法，可以解决现有技术中存在的问题。

本发明提供了一种基于小运动目标的快速分类与识别方法，其特征在于，所述方法包括以下步骤：

提取目标的轮廓，每个轮廓对应于一个检测到的目标；

分别计算所述轮廓的面积、周长和轮廓包含的节点数，根据轮廓包含的节点数和轮廓面积判断目标是否为运动目标；

对确定为运动目标的轮廓进行拟合，并提取拟合图形的参数；

根据拟合图形的参数计算运动目标的形状特征；

将所述形状特征输入分类器，对运动目标进行分类。