图像处理算法1-多类别运动目标分类.doc

图像处理算法1-多类别运动目标分类.doc

ID:55107575

大小:872.00 KB

页数:15页

时间:2020-04-27

图像处理算法1-多类别运动目标分类.doc_第1页
图像处理算法1-多类别运动目标分类.doc_第2页
图像处理算法1-多类别运动目标分类.doc_第3页
图像处理算法1-多类别运动目标分类.doc_第4页
图像处理算法1-多类别运动目标分类.doc_第5页
资源描述:

《图像处理算法1-多类别运动目标分类.doc》由会员上传分享,免费在线阅读,更多相关内容在工程资料-天天文库

1、基于随机森林的多类别运动目标分类算法一、算法设计1.1目标定位为了描述目标,首先需要确定图像中有可能对应于目标区域的像素集合,即目标定位。目标定位通常有两种常用的处理方法,基于运动的方法和特定目标检索的方法,这两种方法在一定程度上有互补性。基于运动的方法假定是在静止摄像机或静止背景情况下,检测出场景中与背景有相对运动的像素集合,并对这些像素进行去噪、分割等处理以确定可能对应于目标的前景区域。目前,通常运用背景减除法、帧差分法提取出视频图像中的运动区域;跟踪检测到的运动区域;然后对跟踪区域执行分类算法以确定它们的类别。基于运动的目标定位方法主要是根据目

2、标相对于背景运动这一特性来检测目标区域。这种方法的特点是几乎不需要场景中目标类别的任何先验知识,而对检测到的运动区域进行目标分类的工作可以留到分类算法中实现。运动检测处理后,对于提取到的运动目标需要进一步抽取特征,设计分类器以实现目标分类算法。基于图像的特定目标检测方法,不依赖于目标运动,直接在整幅图像中进行全局搜索,判断图像中是否包含属于特定类别的目标。每一幅图像以整体作为输入,然后在整个图像空间中寻找符合感兴趣目标典型特征的像素区域,即比较所有可能的待检测区域与目标模板的匹配度,例如人脸、车辆或花朵等。这种特定目标模板需要事先利用一组属于此类目标

3、的已标记样本进行训练得到。这种方法使用时通常结合边界、小波特征等低级特征和矩形滤波器。由于在整个图像范围内的目标搜索匹配工作计算复杂度很大,消耗时间长,本文的目标检测采用基于运动的方法。基于运动的目标检测分类系统有很大优点,主要是可以将注意力集中在那些很有可能对应于运动目标的前景区域。这简化了目标分类的工作,只用区分检测到的目标区域是否属于某类别,而不用区分目标区域和图像中其它区域,减少了背景和目标之外的其它区域对分类问题的干扰。因此,可以避免背景区域中与感兴趣目标有相似外形特性的区域误检情况发生。基于运动的目标检测方法在每帧中含有的目标数量相对较少

4、时可以大大提高目标检测的效率。检测到运动区域也就相当于自动的提供了关于目标在像素平面的方位与尺度。由于本文选取的视频监控图像背景为静止,采用基于运动块的目标检测方法可以大幅度提高检测和分类的效率,较好的避免背景干扰。对比特定目标检测方法,本方法避免了在图像内多尺度的搜索,计算复杂度低,符合实时检测和分类的需求。此外,采用运动分割可以提供运动物体的轮廓及其在图像中的具体位置,可以为分类提供更多的有效信息。1.2分类器设计在分类器设计上,目前常用的目标分类方法有贝叶斯分类方法、K最近邻节点算法(K-NearestNeighbor:KNN)方法和多分类支持

5、向量机(MuticlassSupportVectorMachine:MSVM)方法及多核学习(MultipleKernelLearning:MKL)方法等,但是这些方法仅能够针对目标进行分类,无法像数据挖掘那样抽取其中的分类规则,不能有效的分析得到对目标识别贡献较大的特征。随机森林方法易于抽取直观易懂的分类规则,需要较少的参数调整,适用于数据集中存在多个特征的场合。由于本文的应用场景需要处理多类目标,随机森林算法在训练和测试阶段都优于SVM,同时随机森林算法可以采用多种特征,并估算每种特征的权重。算法的框架如下:图2-1目标分类识别流程图1.3特征选

6、取特征在分类过程中是一种非常重要的数据表达方式,特征选取是对分类精度和可靠性影响最大的因素之一。通常来说,选择的特征少,速度快,实现简单,单分类的精度不高;选择的特征太多,速度慢,实现复杂,分类效果也不好。对于属于不同类别的对象来说,它们的特征值应具有明显的差异;相同对象的特征值比较相近;所用的特征之间应彼此不相关。虽然相关性很高的特征可以组合起来减少噪声干扰,但一般不应作为单独的特征使用。模式识别系统的复杂度随着系统的维数(特征的个数)迅速增长,并且用来测试结果的样本数量随着特征的数量呈指数关系增长。本研究中选取了可以表征目标区域的多个特征,并根据

7、各个特征在仿真中的重要性赋予不同的权值,这些特征分别为:纹理特征(10维向量),边缘LBP直方图特征(32维向量),图像块密度(1维),轮廓不变矩(25维向量),椭圆特征(三维向量),外形特征(32维向量)。图2-2特征选取比例示意图1.3.1基于灰度共生矩阵的纹理特征灰度共生矩阵[17]被公认为当今的一种重要的纹理分析方法,是由R.W.Conners等人在1983年提出。灰度共生矩阵是一种优于灰度游程长度法和光谱方法的纹理特征的测量技术。灰度共生矩阵描述方法是基于在纹理中某一灰度级结构重复出现的情况。这个结构在精细纹理中随着距离而快速地变化,而在粗

8、糙纹理中则变化缓慢。图2-3灰度共生矩阵示意图在图2.3中设oxy为图像像素的坐标平面,灰度坐标为z轴,x方

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。