一种人车分类视频流式处理系统及方法
【技术领域】
[0001] 本发明设及机器视觉领域，特别设及一种人车分类视频流式处理系统及方法。
【背景技术】
[0002] 近年来，随着人们生活文化水平的逐步提高及经济的飞速发展，人口高度聚集造 成的交通拥堵和社会安全问题越来越受到人们的重视，与之对应的视频监控技术也得到了 极大发展。视频监控系统已经成为处理城市交通问题和社区安全问题的一种实用的基本做 法。但是在高清视频数据快速膨胀的今天，对海量的视频进行人车分类视频流式处理越来 越重要。
[0003] 在人车分类方法实现中，针对复杂场景下前景目标的提取一般采用混合高斯背景 建模，但是由于像素值在光线干扰下在中屯、位置停留时间较短，围绕运一中屯、位置波动的 数据准确地来说并不属于高斯分布，因此也就无法准确地确定运些数据的中屯、值及方差， 造成实际分割的效果并不完美。对于人车目标检测识别部分的实现中，传统的方法是针对 基于HOG算子结合SVM分类器实现固定滑窗检测目标，该方法会造成过小目标的漏检、过 大目标的误检的问题，目前并行处理海量大数据的流行平台是hadoop开源并行框架，但是 hadoop针对离线海量视频批处理无法满足视频流式处理需求。
【发明内容】
[0004] 本发明所要解决的技术问题是提供一种能在复杂场景下前景准确提取前景目标， 提升了目标准确性，能够稳定高效对多路视频流数据进行并行化处理的人车分类视频流式 处理系统及方法。 阳〇化]本发明解决上述技术问题的技术方案如下：一种人车分类视频流式处理系统，包 括前景目标提取模块、前景检测识别模块和人车目标分类模块；
[0006] 所述前景目标提取模块，用于输入视频，采用混合高斯背景建模参数自适应在线 学习算法和在线EM算法对视频进行前景提取；
[0007] 所述前景检测识别模块，用于采用多级别可控划窗的人车目标识别算法对前景中 的人车识别；
[0008] 所述人车目标分类模块，用于通过人车分类算法对人车识别后的前景进行人车分 类测试分析，实现人车分类。
[0009] 本发明的有益效果是：通过对高斯分布的自适应在线学习和在线EM算法能较快 的获得高斯背景模型更新的最优化参数组合，有效提高了复杂场景下前景目标提取的准确 性；其次通过不同级别的滑动窗口尺寸及训练对应的SVM分类器，有效提高了目标识别的 准确性；最后融入人车分类算法进行测试分析，能够稳定高效的完成多路视频流数据处理。
[0010] 在上述技术方案的基础上，本发明还可W做如下改进。
[0011] 进一步，所述混合高斯背景建模参数自适应在线学习算法的具体为：通过对视频 观测值的扰动进行学习来评估高斯分布数，将混合高斯模型数m迭代计算实时更新，实现 混合高斯背景建模参数的自适应学习。
[0012] 采用上述进一步方案的有益效果是：能更准确的获得背景信息，减少后续迭代计 算的工作量，提高了复杂场景下前景目标提取的准确性。
[0013] 进一步，所述多级别可控划窗的人车目标识别单元具体实现为：通过对不同级别 大小的滑窗尺寸进行设定及训练对应的SVM分类器模板，进而匹配缩放后的不同大小R0I 前景区域实现目标的识别。
[0014] 进一步，所述前景检测识别模块包括窗口设置单元、匹配值计算单元、匹配窗口单 元、前景缩放单元和检测识别单元；
[0015] 所述窗口设置单元，用于设置多个不同级别尺寸的滑动窗口；
[0016] 所述匹配值计算单元，用于在前景R0I区域提取运动目标轮廓组成的矩形区域， 计算矩形区域的高度值W，根据矩形区域高度值W匹配多个不同级别尺寸的滑动窗口，匹配 算法如下：
[0017] N,=W/W,(i= 1, 2, 3)
[001引其中Wi为不同级别的滑动窗口高度尺寸，Ni为匹配值；
[0019] 所述匹配窗口单元，用于根据向下采样规则利用匹配值Ni选择对应尺寸的滑动窗 P;
[0020] 所述前景缩放单元，用于最后对前景R0I区域进行缩放处理，使之能达到对应尺 寸的滑动窗口的尺寸；
[0021] 所述检测识别单元，用于根据不同级别尺寸的滑窗选择训练样本，利用训练样本 训练相对应的SVM分类器，通过对应尺寸的滑动窗口的SVM分类器对前景R0I区域进行人 车的检测识别。
[0022] 采用上述进一步方案的有益效果是：能有效避免固定滑窗检测目标过程中过小目 标的漏检、过大目标的误检的问题，有效提高了目标识别的准确性。
[0023] 进一步，所述人车目标分类模炔基于Storm云平台的视频流式并行化处理框架， 通过人车分类算法对人车识别后的前景进行人车分类测试分析，实现人车分类。
[0024] 采用上述进一步方案的有益效果是：能够稳定高效的完成多路视频流数据的并行 化处理，提升了视频流处理过程中数据处理的可靠性。
[0025] 本发明解决上述技术问题的另一技术方案如下：一种人车分类视频流式处理方 法，包括W下步骤：
[00%] 步骤S1.用于输入视频，采用混合高斯背景建模参数自适应在线学习算法和在线EM算法对视频进行前景提取；
[0027] 步骤S2.用于采用多级别可控划窗的人车目标识别算法对前景中的人车识别；
[0028] 步骤S3.通过人车分类算法对人车识别后的前景进行人车分类测试分析，实现人 车分类。
[0029] 本发明的有益效果是：通过对高斯分布的自适应在线学习和在线EM算法能较快 的获得高斯背景模型更新的最优化参数组合，有效提高了复杂场景下前景目标提取的准确 性；其次通过不同级别的滑动窗口尺寸及训练对应的SVM分类器，有效提高了目标识别的 准确性；最后融入人车分类算法进行测试分析，能够稳定高效的完成多路视频流数据处理。
[0030] 进一步，所述混合高斯背景建模参数自适应在线学习算法的具体为：通过对视频 观测值的扰动进行学习来评估高斯分布数，将混合高斯模型数m迭代计算实时更新，实现 混合高斯背景建模参数的自适应学习。
[0031] 采用上述进一步方案的有益效果是：能更准确的获得背景信息，减少后续迭代计 算的工作量，提高了复杂场景下前景目标提取的准确性。
[0032] 进一步，所述多级别可控划窗的人车目标识别单元具体实现为：通过对不同级别 大小的滑窗尺寸设定及训练对应的SVM分类器模板，进而匹配缩放后的不同大小R0I前景 区域实现目标的识别。
[0033] 进一步，所述步骤S2的多级别可控划窗的人车目标识别算法的具体实现步骤为：
[0034] 步骤S21.设置多个不同级别尺寸的滑动窗口；
[0035] 步骤S22.在前景R0I区域提取运动目标轮廓组成的矩形区域，计算矩形区域的高 度值W，根据矩形区域高度值W匹配多个不同级别尺寸的滑动窗口，匹配算法如下：
[0036]N,=W/W,(i= 1, 2, 3)
[0037] 其中Wi为不同级别的滑动窗日高度尺寸，Ni为匹配值；
[0038] 步骤S23.根据向下采样规则利用匹配值Ni选择对应尺寸的滑动窗口；
[0039] 步骤S24.最后对前景R0I区域进行缩放处理，使之能达到对应尺寸的滑动窗口的 尺寸；
[0040] 步骤S25.根据不同级别尺寸的滑窗选择训练样本，利用训练样本训练相对应的 SVM分类器，通过对应尺寸的滑动窗口的SVM分类器对前景R0I区域进行人车的检测识别。
[0041] 采用上述进一步方案的有益效果是：能有效避免固定滑窗检测目标过程中过小目 标的漏检、过大目标的误检的问题，有效提高了目标识别的准确性。
[0042] 进一步，所述人车目标分类模炔基于Storm云平台的视频流式并行化处理框架， 通过人车分类算法对人车识别后的前景进行人车分类测试分析，实现人车分类。
[0043]