一种基于在线学的运动目标分类方法

摘要

本发明基于在线学的运动目标自动分类方法，对图像序列背景建模和运动目标检测，检测场景变化、覆盖视角、分割场景，提取并聚类特征向量，对区域类别标注；子区域的运动目标个数到某个阈值，根据经过该子区域的所有运动目标区域的特征向量，初始化高斯分布和先验概率，完成分类器初始化；对该子区域的运动目标分类，在线迭代优化分类器参数；将运动目标跟踪过程中的分类结果融合，输出在线学的运动目标分类结果。用于监控场景中异常检测，对不同类别目标建立规则，提高监控系统安全性能。用于监控场景物体识别，降低识别算法复杂度，提高识别率。用于监控场景语义化理解，识别运动目标的类别，帮助理解场景中发生的行为事件。

主权项

一种基于在线学习的运动目标自动分类方法，其特征在于：基于视频通过在线学习训练分类器，包括如下步骤：步骤S1：对读入的一段时间的图像序列，进行背景建模和运动目标检测；步骤S2：检测运动目标所在场景是否变化，如果运动目标所在场景发生变化，执行步骤S3；如果运动目标所在场景没有发生变化，则对经过场景分割的子区域的运动目标进行分类，并在在线分类的基础上不断迭代优化分类器参数，再将运动目标跟踪过程中的分类结果融合，输出在线学习的运动目标分类结果；步骤S3：根据运动目标所在场景覆盖视角大小，将整个运动目标所在场景分割成若干个子区域；步骤S4：对每个子区域中的运动目标区域提取特征向量；步骤S5：通过对特征向量的聚类算法对每个运动目标区域的类别进行粗略标注；步骤S6：每个子区域的运动目标个数达到某个阈值时，根据已经经过该子区域的所有运动目标区域的特征向量，初始化高斯分布和先验概率，完成该子区域对应分类器初始化；步骤S7：对经过该子区域的运动目标进行分类，并在在线分类基础上不断迭代优化分类器参数；步骤S8：将运动目标跟踪过程中的分类结果融合，输出在线学习的运动目标分类结果。