[发明专利]一种基于SVM的实时视频目标动态分类方法

说明书

本发明公开了一种基于SVM的实时视频目标动态分类方法，所述方法包括如下步骤：步骤一、选定三个基础类别模型，并通过训练数据的训练得到三个对应的SVM分类器；步骤二、对于第j个待分类视频目标，得到Curve_j；步骤三、将Curve_j作为输入，分别通过三个SVM分类器，从而得到三个归属度结果；步骤四、将归属度结果组合成三元组D_j，并规范化到区间[0,1]；步骤五、将三元组D_j＝(d₁,d₂,d₃)进行加权计算；步骤六、根据加权结果确定类别归属编号，并保存有关信息。本发明的方法用多元群表示目标类别，并参照颜色表示系统实现分类，解决了类别不确定情况下的多类别分类问题。

技术领域

本发明涉及一种基于支持向量机的多类分类方法。

背景技术

经过多年的发展，视觉领域的模式识别技术已经成为解决各种静态物体分类问题的重要方法。但在一些实际应用中，视频中的运动目标需要实时识别和分类，这些情况下无法及时获得足够的训练样本，数据类别的维数可能很大，这些问题给大多数模式识别算法带来了很大的障碍。在这种情况下，基于支持向量机的图像和视频分类算法成为一种潜在的选择，因为它即使在训练样本数不足的情况下也能获得更好的分类能力，而且对分类数据的维数不敏感。为了解决多类分类问题，基于支持向量机的算法需要构造多类分类器。然而，基本分类器构造中的一个局限性是分类类别必须是预先确定的，因此这种算法一般针对的是将对象分类到已知类别的应用。但对于一些基于实时视频的对象分类应用，其目标类别是未知或不确定的，如一些实时交通对象识别和分类应用，这就需要进一步改进基于支持向量机的基于确定类别的多类分类算法。

发明内容

本发明针对实时视频中运动目标的分类问题，考虑到基于支持向量机的多类分类算法依赖于已确定类别的局限性，提供了一种基于SVM的实时视频目标动态分类方法。

本发明的目的是通过以下技术方案实现的：

一种基于SVM的实时视频目标动态分类方法，包括如下步骤：

步骤一、选定三个基础类别模型，并通过训练数据的训练得到三个对应的SVM分类器；

步骤二、对于第j个待分类视频目标，得到其图像签名特征曲线Curve_j；

步骤三、将步骤二得到的曲线特征向量Curve_j作为输入，分别通过三个SVM分类器，从而得到三个归属度结果，其中：

式中，f_k为归属度，Curve_j为图像签名特征曲线，y′_i为对应于样本i的类别属性，α_i^*为拉格朗日乘子，为核函数，b_k^*为超平面截距(分类阈值)；

步骤四、将步骤三得到的归属度结果组合成三元组D_j，并规范化到区间[0,1]，有D_j＝(d₁,d₂,d₃)，其中0≤d₁≤1，0≤d₂≤1，0≤d₃≤1；

步骤五、将三元组D_j＝(d₁,d₂,d₃)依据下式进行加权计算：

s＝0.299d₁+0.587d₂+0.114d₃；

步骤六、根据步骤五计算得到的加权结果s确定类别归属编号，并保存有关信息。