论文研究-基于模糊KNN的刑侦图像场景分类.pdf

所需积分/C币:9 2019-07-22 22:33:10 860KB .PDF
收藏 收藏
举报

针对刑侦图像数量大、质量差、管理难的特点,采用了一种基于模糊分类理论对刑侦视频图像的场景进行分类的方法。首先对监控视频图像的场景进行人工多标记分类,然后对刑侦视频图像提取两种纹理特征(局部二值模式和小波纹理)并进行融合,最后采用模糊K-最近邻(K-nearest neighbor,KNN)分类器实现刑侦图像四种场景(车辆、行人、建筑和街道)的分类并得到监控视频数据库中图像的模糊不确定性。实验结果表明,隶属度充分反映了刑侦图像的内容,同时分类的正确率高达85%,初步达到了对刑侦视频图像自动分类管理的目的。
3160· 计算机应用研究 第31卷 数,μ则是训练样本x属于第i类的隶属度。文献[2]提到可 表1八幅图的类别隶属度 以通过以下两种方法得到n:a)根据样木所属的类别以及先 验经验人为地给出;b)根据样本到类中心的距离计算得到 本文采用第一种方法 由于x距离公式是种非参数距离,对于特征分布不需 序号 要作任何假设,所以在本文的实验中,用x2距离来代替式(4) 车辆 0 0.3360 0.7481 0.8954 中的L-范数距离,x距离定义为 行人 0.l640 0. 0.0540 x2(p,q)=∑(P1-9:)2/(P1+q1) 街道 0.7774 0.2618 式中:p、q分别表示测试样本和训练样本。 娃筑 0 0.2382 0.0246 0.0506 2.4模糊KNN分类 表2八幅图的类别隶属度 为了对刑侦图像进行分类,在实验中采用K-最近邻 (KNN)分类器进行分类。 KNN分类是一种简洁而有效并且理论成熟的非参数分类 習圖阻 方法,它的工作原理是首先找到被分类对象在训练数据集屮的 序号 7 k个最近的邻居,然后根据这些邻居的分类属性进行投票,将 车辆 0.071 0.1307 0.1030 0.1211 得出的预测值赋给被分类对象的分类属性3。KNN有很多 行人 0.0670 0.3520 0.5211 自身的优点,如无须事先知道属性的分布情况、适合增量学 街道 0.7125 0.7834 习等。另外,由于KNN本身不要求得出显式的规则,一般來 娃筑 0.1534 0.535 0.3578 说,与其他分类方法相比,KNN具有较高的分类正确率。基于 表3人工标记的隶属度与计算所得的误差值 % 以上特点,自从KNN方法被提出以来就在文本分类、人脸 1234567 8对值平均 识别、图像分类等方面得到广泛的应用。 基于测试样本和训练样本之间的关系,刑侦图像模糊+17.74+6,40+2.49+8.48-671+6.93+271-12.2114,1 KNN分类算法根据k个训练样本之间的比例最终决策测试样 16.40-22.738.486.70+11.41-16.21-2.IL 道-17.74+3.820 0+28.75-18.340 本每个类别的隶属度。 建筑0+6.13-24.600-15.40-13.50+14.229.23 3实验结果及分析 由于是四类问题,k的取值只能是k=1,5,7,9,11…。图1 是k分别取1、5、7时四种类别对应的识别率,从图中可以看 木文所用的数据由陕西省公安厅提供。在实验之前,将数出,k=1时分类识别率最高,四者的平均识别率在85%以⊥。 据库中经过预处理的90幅刑侦图像分为训练集和测试集两个同时,从图1还可以得到这样的个结论:街道和建筑的总体 部分,训练集是随机选取的,余下的则组成测试集,然后按照第分类识别率要高于车辆和行人,这与表3的结果是一致的。 2章中的步骤完成对图像数据库的处理。 图2是在不同的训练样本数和测试样本数比值下k分别 3.1类别隶属度 取1、57时的四类的平均识别率。从图2可以看出,训练样 表1是训练样本数和测试样本数相等的情况下,从测试样本数和澳试样本数比越大,所得的分类识别率就越高。不过, 本中随机挑选的八幅图的类别隶属度。表2所示的是表1中在实验过程中,笔者发现当训练一测试比增大时,运算复杂度 八嗝图人标记的隶属度和通过实验计算所得的求属度的差和实验所用的时间会逐渐增加。因此在实际应用中,要根据具 值(人工标记一实验所得数据(%)。从表1可以看出,实验体情况选择合理的训练样本和测试样本比保证在不影响算法 所得的每幅图的类别隶属度符合人的视觉判断,充分反映了刑性能的前提下,降低算法复杂度和运行时间 侦图像的内容。同时通过对比表3中的误差绝对值平均这一09 栏可以看出,四类的平均误差都控制在15%以内,说明木文所7 用的方法能有效地计算出每幅图像的模糊隶属度。在上述四06 墨 0.5 种类别中,街道和建筑的平均误差要比其他两类低,其原因可 04 0.3 能是:街道和建筑相对于其他两类来说,纹理信息更能代表其2 0.7 06 特征;而形状信息能更好地表征车辆和行人的特征。 0车辆 人街道建筑 l:2 3.2分类识别率 类的分类正确率 训练测试样本比 在进行分类正确率计算时,本文对隶属度设置一个阈值 图1分类识别率 图2不同训练一测试比下的 平均识别率 只有当隶属度大于这阈值时,才是正确的,能够被识别。经 验证阈值为0.100时分类效果最好。 4结束语 在KNN分类中,k的诜择对分类正确率非常重要。k选择 根据刑侦图像的特殊性以及自动分类管理的需求,本文利 得过小,得到的近邻数目很少,这样就会明显地降低其分类精用分坎的LBP算法和二级小波分解提取图像的纹理特征,然 度;若k挑选得太大,就会很容易导致噪声数据增大而降低分类后结合模糊KN分类理论对刑侦视频图像的场景进行分类。 的准确率。分极端的情况下,参数左取数据库中所有样本的实验结果表明,该方法既可以达到85%的分类正确率,又能利 个数,则新样本的分类结果为全局最优,否则为局部最优解。 用模猢隶属度很好圯表征图像的内容,实现了(下转笫3164页) 3164 计算机应用研究 第31卷 对比图3中各算法对应曲线不难看出,PC-LBP算法优于[3]苏松志,李绍滋,陈淑媛,等·行人控测技术综述[J.子学报, HOG。相位一致性特征可以描述目标的轮廓和边缘特征,LBP 201240(4):814-820 特征则刻画了日标的纹特征,将两者相结合,得到的 PC-LBP[4 DALAL N, TRIGGS B. Histograms of oriented gradients for human 特征能更好地描述目标的特征,从而提高了检测率。 detection C]//Proe of IEEE Conference on Computer Vision and C-LB分类器造成的漏检如图4(a)所示,漏检是由于人 Pattern Recognition. 20015: 886-893 体的形变过大或行人重叠严重;图4(b)为部分误检图片;图45 VIOLA P, JONES M. Rapid object detection using a boosted cascade (c)展示了PC-LB算子检出而HG未检出的图片;图4(d) of simple features[ C|//Proc of IEEE Conference on Computer Vision and Pallern Recognition. 2001. 511-518 是PC-IBP算法在大尺度图片上的行人检测结果。在对大尺 [6] SABZMEYDANI P, MORI G. Delecting pedestrians by learning 度图片进行检測吋,本文选择对检测窗口进行缩放,缩放比例 hapelet features c// Proc of IEEE Conference on Computer Vision 为1.2,并将窗∏在图片上滑动,遍历整幅图片。对同一日标 d Pattern Recognition. 2007: 1-8. 产生多个检测结果的现象,需要引入检测窗口的合并。当两窗17」WUBo, NEVATIA R. Detection of multiple, partially occluded hu ∏相交的面积与两窗∏面积的比值均大于0.6时,计算两窗∏ mans in a single image by Bayesian combination of edgelet part detec 的平均位置和平均大小得到新的窗口,代替两窗口 rsL C//Proc of IEEE International Conference on Computer Vision 5结束语 [8 TUZEL O, PORIKLI F, MEER P. Region covariance: a fast descriptor for detection and classification[ C//Proc of ECCV. 2006: 589-600 为了提高行人检测系统的检测率,降低误检率,本文将相 位一致特征引入到行人检测中,将其与LBP特征相结合,得到[91WANG, Wei-hong,HANG,Jan, SHEN Chun-hua. Improved human detection and classification in thermal images[C]//Proc of IEEE In 了一种新的行人检测算法。新算法结合了轮廓特征和纹理特 ternational Conferenee on Image Processing. 2010: 2313-2316 征,与单一特征的OG算法比较,结果表明多特征能史完整地[10]曾波淀,王贵锦,林行刚。恭于颜色自相似度特征的实时行人检 表征出行人的特点,可提高行人检测的准确性。 测LJ」.清华大学学报:自然科学版,2012,52(4):571-574 参考文献: 「I邓乃扬,田美杰支持向量机;理论、算法与拓展「M.北京;科学 [1 LI Bo, YAO Qing-ming, WANG Kun-feng. A review on vision-based 出版社,2009 pedestrian detection in intelligent transportation systems[C]//Proc of L 12 KOVESI P Image features from phase congruency[ J. Computer Vi- IEEE Intemational Conference on Networking, Sensing and Control sion Research, 1999. 1(3): 1-26 2012:393-398 [13 OJALA T, PIETIKAINEN M, MAENPAA T. Multiresolution gray [2 ZHENG Gang, CHEN You-bin. A review on vision-based pedestrian scale and rotation invariant texture classific al ion with loral binary pal deleclion[ C]//Proc of IEEE Global High Tech Congress on Electro- terns[J]. IEEE Trans on Pattern Analysis and Machine Intelli nics.2U12:49-54. gence,2002,24(7):971-98 (上接第3160页)对刑侦图像有效的分类管理。但由于拍摄刑[7 FU Rong, GAO Xin-bo, JIAN Yong-jun. Patch aurora image segmen- 侦视频的设备性能、拍摄角度以及外界光线和遮挡物等原因 tation based on ALBP and block threshold[C]//Proc of Inlernational 现冇的刑侦视频视觉背景比较模糊,辨识度较低,这些都会对 Conference on Pattern Recognition. 2010.3380-3383 本算法的实验结果产生不同程度的影响。因此融合多种图像 〗李锦修,许勇.基于LBP和小波纹理特征的室内室外场景分类算 特征或针对不同情况选择合适的特征,增强算法对外界因素的 法[J].中国图象到形学报,2010,15(5):742-748. 鲁棒性是下一步要研究的内容。 [9]张景雄,遥感影像的全模煳监督分美[冂].武汉测绘科技大学学 报,1998,23(3):211-214. 参考文献 [10]孙即祥.现代模式识别[M].北京:高等教育出版社,2008 [] CAMPBELL J B. Introduction to remote sensing[ m」. New york:The[1张敏灵,一种新型多标记懒惰学习算法[J].计算机研究与发展, Guilford pregs 1987 2012,49(11):2271-2281 [2] KELLER M, GRAYMR, GIVENSJ A.A血 uzzy K-nearest neighbor[12]陈立君,王克奇,王辉,等,木材纹理分析中小波基的选拯和分解 algorithm[ J]. IEEE Trans on System, Man and Cybernetics 级数的确定LJ」.林业机械与木工设备 1985,15(4):580-585 [13 WILSON D L. Asymptotic properties of nearest neighbor rules using [3 TOBin K W, GLEASON SS, KARNOWSKI T P. Adaptation of the edited data[ J. IEEE Trans on System, Man and Cybernetics fuzzy K-nearest neighbor classifier for manufacturing automation 19722(3):408-421 [C]// Proc of the 10th International Symposium on Electronic Ima-[14]张著英,黄玉龙,王翰虎.一种高效的KNN分类算決[J].计算机 ging: Science and Technology. 1998 学报,2008,35(3):170-172 [4]刘佳,陈建明,陈安。应急管理中的动态模糊分类分级算法研究[I5]林民,朱卫东.模糊KNN在文本分类中的应用[J].计算杌应用 「J.应急管理,2007,19(3):38-43 研究,200,25(9):185-187 [5]耿连英,贺兴时,贺飞跃.基于模煳分类的MRF图像恢复方法[l6]宋家东,李晓娟,徐鵬飞,等.一科基于模糊ΣDPLA的人脸识别方 [J].计算机工程,2011,37(10):198-19),221 法[J].计算机科学,2011,38(4):286-29)1 [6 OJALA T, PIETIKAINEN M, HARWOOD D. A comparative study of [17 ZHAO Yang, HUANG De-shuang, JIA Wei. Completed local binary texture measures with classification based on feature distributions JI count for rolation invariant texture classification[J].IEEE Trans on Pattern Recognition, 1996, 29(1): 51-59 Image Processing, 2012, 21(10): 4492-4497

...展开详情
试读 4P 论文研究-基于模糊KNN的刑侦图像场景分类.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
抢沙发
一个资源只可评论一次,评论内容不能少于5个字
weixin_39840588 你的留言是对我莫大的支持
2019-07-22
上传资源赚积分or赚钱
最新推荐
论文研究-基于模糊KNN的刑侦图像场景分类.pdf 9积分/C币 立即下载
1/4
论文研究-基于模糊KNN的刑侦图像场景分类.pdf第1页

试读结束, 可继续读1页

9积分/C币 立即下载 >