基于支持向量机的运动目标分类方法技术

本发明专利技术提出了一种基于支持向量机的运动目标分类方法，主要解决现有运动目标分类方法中存在背景复杂、运动目标模糊以及分类效果差的问题。其实现步骤是：(1)利用摄像头读取视频；(2)提取视频帧；(3)读取一帧视频帧图像；(4)预处理；(5)提取处理后运动目标图像的边缘、梯度和信息熵特征；(6)判断是否读取所有的视频帧图像；(7)收集运动目标特征；(8)训练支持向量机；(9)得到分类结果。本发明专利技术具有能在复杂环境中提取精确的运动目标和运动目标特征，利用支持向量机达到精确分类的优点，可用于视频中的运动目标分类，为后续的目标追踪和识别提供可靠的数据。

Moving object classification method based on Support Vector Machines

The invention provides a moving object classification method based on support vector machines, which mainly solves the problems of complicated background, blurred moving target and poor classification effect in the existing moving target classification methods. It comprises following steps: (1) using a video camera to read; (2) extracting video frames; (3) read a video frame image; (4) pretreatment; (5) extracting after moving target image edge gradient, and information entropy features; (6) to determine whether to read the video frame image all; (7) collecting moving target feature; (8) training support vector machine; (9) the classification results obtained. The invention has the characteristics of accurate moving target and moving target extraction in complex environments, using the advantages of support vector machine to achieve accurate classification, can be used for the classification of moving targets in video, provide reliable data for target tracking and recognition of the following.

【技术实现步骤摘要】
基于支持向量机的运动目标分类方法
本专利技术属于电子
，更进一步涉及图像数据处理
中的一种基于支持向量机的运动目标分类方法。本专利技术可用于对视频图像处理中的运动目标进行精确的分类，为后续的目标追踪和识别提供可靠数据。
技术介绍
视频中运动目标的分类在对视频图像分析研究中起着重要的作用，为后续的目标追踪和行为分析等处理环节提供实时有效的结果和数据。目前常用的运动目标分类方法有基于形状特征的方法、基于运动特征的方法和基于学习的方法等，但到目前为止还不存在一个通用的方法。基于形状特征的分类方法根据目标的形状特征达到分类的效果，但他依赖于目标的完整提取，当背景复杂，运动目标模糊的情况下，形状特征不能准确提取，分类精度不高。目前有很多基于监督学习的目标识别算法应用到运动目标分类识别中，基于支持向量机的运动目标分类是最简单、使用最普遍的方法之一。张壮署，蔡晓东在其发表的论文“监控视频中运动目标识别分类系统研究”(《电视技术》2012年23期第165-167页)中公开了一种基于监控视频中运动目标识别分类算法。该算法通过提取视频中运动目标的高阶矩、长宽比和占空比，然后利用支持向量机来进行训练识别分类。该方法存在的不足之处是，当运动目标比较模糊时，运动目标的形状特征不明显，导致分类精确度不高。北京环境特性研究所申请的专利文件“一种基于视频图像的目标分类方法”(专利申请号201510012901.7，公布号CN104657741A)公开了一种基于视频图像的运动目标分类方法。该方法的实现过程为，根据连续的视频图像进行监控区域的背景学习，获得监控区域的当前背景图形，根据当前背景图像对当前视频帧进行逐像素背景差分操作和图像分割操作，形成目标图像，从目标图像中提取目标区域，对各个目标区域进行主成份分析，计算目标区域的矩形饱和度特征，根据矩形饱和度特征和预设的阈值，对目标区域进行分类。该方法存在的不足之处是，通过逐像素背景差分得到目标图像，当背景复杂且存在背景运动干扰的情况下不能正确提取出运动目标。
技术实现思路
本专利技术的目的在于克服上述已有技术的不足，提出一种基于支持向量机的运动目标分类方法，将彩色视频图像转换成灰度图像，采用混合高斯背景建模建立背景图像，提取出视频中的运动目标，对运动目标进行形态学滤波，再对处理过的运动目标进行边缘，梯度，信息熵提取，训练支持向量机，得到分类器模型，从而在保证环境多变的情况下有效的完成视频运动目标的分类处理，提高了运动目标分类的精确度。实现本专利技术目的的具体步骤如下：(1)利用摄像头读取待分类运动目标的彩色红绿蓝RGB视频；(2)逐帧读取待分类运动目标的彩色红绿蓝RGB视频，得到彩色视频帧图像；(3)在彩色视频图像中随机读取一帧图像，得到一帧待处理彩色视频图像；(4)预处理；(4a)按照下式，计算待处理彩色视频帧图像转换成灰度图像中每一像素点的灰度值，将计算后的灰度值组成灰度图像；Grayi,j＝0.299Ri,j+0.587Gi,j+0.114Bi,j其中，Grayi,j表示灰度图像中第i行，第j列像素点的灰度值，Ri,j表示彩色视频帧图像中第i行，第j列的像素点的红色分量值，Gi,j表示彩色视频帧图像中第i行，第j列像素点的绿色分量值，Bi,j表示彩色视频帧图像中第i行，第j列像素点的蓝色分量值；(4b)采用混合高斯背景建模建立背景图像，保存该混合高斯背景建模得到的最终背景图像；(4c)用灰度图像减去最终背景图像，得到运动目标图像；(4d)二值化运动目标图像，得到二值化运动目标图像；(4e)对二值化运动目标图像进行形态学滤波，得到滤波后的运动目标图像；(5)提取滤波后的运动目标图像的边缘、信源熵和梯度三个特征；(5a)利用Canny算子，提取滤波后的运动目标图像的边缘强度，将所提取的边缘强度作为边缘强度特征值；(5b)利用梯度强度公式，提取滤波后的运动目标图像的梯度强度；(5c)利用信源熵公式，提取滤波后的运动目标图像的信源熵；(6)判断是否读取完所有的彩色视频帧图像，若是，则执行步骤(7)，否则，执行步骤(3)；(7)将所有运动目标图像的特征组成目标特征集。(8)用目标特征集训练支持向量机；(8a)将目标特征集均分为两部分，一部分作为训练特征集，一部分作为测试特征集；(8b)将训练特征集投入到支持向量机中训练，得到检测模型分类器；(8c)将测试特征集放入检测模型分类器中，得到与检测模型分类器的分类模式对应的分类结果；(9)输出分类结果。本专利技术与现有技术相比具有如下优点：第一，由于本专利技术通过使用运动目标图像的边缘、信源熵和梯度三个特征来训练支持向量机，克服了现有技术中仅使用运动目标的形状特征来训练支持向量机，而该方法当运动目标比较模糊时，运动目标的形状特征不明显，分类精确度不高的缺点，使得本专利技术具有更加明显的运动目标特征，达到精确分类的优点。第二，由于本专利技术采用了混合高斯背景建模建立背景图像，对运动目标图像进行形态学滤波来提取运动目标图像，克服了现有技术通过逐像素背景差分得到目标图像，而该方法当背景复杂且存在背景运动干扰的情况下，不能正确提取出运动目标的缺点，使得本专利技术具有减小了背景的干扰，使得提取的运动目标更加精确的优点。附图说明图1为本专利技术的流程图；图2为采用本专利技术与现有技术提取的运动目标仿真实验对比图；图3为本专利技术实测数据的分类结果示意图。具体实施方式下面结合附图，对本专利技术的具体实施步骤做进一步的详细描述。参照附图1，本专利技术的具体步骤如下。步骤1.利用摄像头读取待分类运动目标的彩色红绿蓝RGB视频。步骤2.逐帧读取待分类运动目标的彩色红绿蓝RGB视频，得到彩色视频帧图像。步骤3.在彩色视频图像中随机读取一帧图像，得到一帧待处理彩色视频图像。步骤4.预处理。按照下式，计算待处理彩色视频帧图像转换成灰度图像中每一像素点的灰度值，将计算后的灰度值组成灰度图像。Grayi,j＝0.299Ri,j+0.587Gi,j+0.114Bi,j其中，Grayi,j表示灰度图像中第i行，第j列像素点的灰度值，Ri,j表示彩色视频帧图像中第i行，第j列的像素点的红色分量值，Gi,j表示彩色视频帧图像中第i行，第j列像素点的绿色分量值，Bi,j表示彩色视频帧图像中第i行，第j列像素点的蓝色分量值。采用混合高斯背景建模建立背景图像，保存该混合高斯背景建模得到的最终背景图像。采用混合高斯背景建模建立背景图像的具体步骤如下：第1步，在彩色视频图像中随机读取视频图像的一帧图像，将所读取的彩色视频帧图像作为参考帧图像，用参考帧图像初始化混合高斯背景模型，得到初始化背景图像。第2步，在彩色视频帧图像中读取一帧没有读取过的彩色视频帧，根据所读取的彩色视频帧图像的像素点之间的关联程度，对该彩色视频帧图像进行抖动预判断和稳健处理，得到处理后的彩色视频帧图像。第3步，对比初始化背景图像与处理后彩色视频帧图像的相似度，将初始化背景图像与处理后彩色视频帧图像的相似度小于85％时的处理后彩色视频帧图像，作为参考帧图像，将该参考帧图像放入高斯模型中更新该高斯模型。第4步，判断是否读取完所有的彩色视频帧，若是，则执行第5步，否则，执行第2步。第5步，将高斯模型更新后的最后一幅图像作为最终背景图像。用灰度图像减去最终背景图像，本文档来自技高网...

【技术保护点】
一种基于支持向量机的运动目标分类方法，包括如下步骤：(1)利用摄像头读取待分类运动目标的彩色红绿蓝RGB视频；(2)逐帧读取待分类运动目标的彩色红绿蓝RGB视频，得到彩色视频帧图像；(3)在彩色视频图像中随机读取一帧图像，得到一帧待处理彩色视频图像；(4)预处理；(4a)按照下式，计算待处理彩色视频帧图像转换成灰度图像中每一像素点的灰度值，将计算后的灰度值组成灰度图像：Gray

【技术特征摘要】
1.一种基于支持向量机的运动目标分类方法，包括如下步骤：(1)利用摄像头读取待分类运动目标的彩色红绿蓝RGB视频；(2)逐帧读取待分类运动目标的彩色红绿蓝RGB视频，得到彩色视频帧图像；(3)在彩色视频图像中随机读取一帧图像，得到一帧待处理彩色视频图像；(4)预处理；(4a)按照下式，计算待处理彩色视频帧图像转换成灰度图像中每一像素点的灰度值，将计算后的灰度值组成灰度图像：Grayi,j＝0.299Ri,j+0.587Gi,j+0.114Bi,j其中，Grayi,j表示灰度图像中第i行，第j列像素点的灰度值，Ri,j表示彩色视频帧图像中第i行，第j列的像素点的红色分量值，Gi,j表示彩色视频帧图像中第i行，第j列像素点的绿色分量值，Bi,j表示彩色视频帧图像中第i行，第j列像素点的蓝色分量值；(4b)采用混合高斯背景建模建立背景图像，保存该混合高斯背景建模得到的最终背景图像；(4c)用灰度图像减去最终背景图像，得到运动目标图像；(4d)利用二值化运动目标图像的公式，对运动目标图像进行二值化，得到二值化运动目标图像；(4e)对二值化运动目标图像进行形态学滤波，得到滤波后的运动目标图像；(5)提取滤波后的运动目标图像的边缘、信源熵和梯度三个特征；(5a)利用Canny算子，提取滤波后的运动目标图像的边缘强度，将所提取的边缘强度作为边缘强度特征值；(5b)利用梯度强度公式，提取滤波后的运动目标图像的梯度强度；(5c)利用信源熵公式，提取滤波后的运动目标图像的信源熵；(6)判断是否读取完所有的彩色视频帧图像，若是，则执行步骤(7)，否则，执行步骤(3)；(7)将所有运动目标图像的特征组成目标特征集；(8)用目标特征集训练支持向量机；(8a)将目标特征集均分为两部分，一部分作为训练特征集，一部分作为测试特征集；(8b)将训练特征集投入到支持向量机中训练，得到检测模型分类器；(8c)将测试特征集放入检测模型分类器中，得到与检测模型分类器的分类模式对应的分类结果；(9)输出分类结果。2.根据权利要求1所述的基于支持向量机的运动目标分类方法，其特征在于，步骤(4b)中所述采用混合高斯背景建模建立背景图像的具体步骤如下；第1步,在彩色视频图像中随机读取视频图像的一帧图像，将所读取的彩色视频帧图像作为参考帧图像，用参考帧图像初始化混合高斯背景模型，得到初始化背景图像；第2步，在彩色视频帧图像中读取一帧没有读取过的彩色视频帧，根据所读取的彩色视频帧图像的像素点之间的关联程度，对该彩色视频帧图像进行抖动预判断和稳健处理，得到处理后的彩色视频帧图像；第3步，对比初始化背景图像与处理后彩色视频帧图像的相似度，将初始化背景图像与处...

【专利技术属性】
技术研发人员：王俊平，郭佳佳，李超，董庆宽，胡静，李勇，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61