[发明专利]一种视频图像中人群密度等级分类方法

权利要求书

1.一种视频图像中人群密度等级分类方法，其特征在于，包括如下步骤：

S1：在视频图像中选择一个感兴趣区域，并依据透视模型对其进行图像块的划块分析；

S2：针对所述每个图像块求取多尺度纹理特征；

S3：对于视频图像样本进行聚类分析，建立基于置信度分析的分类器模型；

S4：依据后验概率最大法则得到图像样本所属的人群密度等级。

2.根据权利要求1所述的方法，其特征在于，建立基于置信度分析的分类器模型包括如下步骤：

S1：基于二叉树的纠错输出码设计；

S2：基于置信样本的SVM训练；

S3：基于信道传输模型的解码算法。

3.根据权利要求2所述的方法，其特征在于，基于二叉树的纠错输出码设计包括如下步骤：

 S1：初始化，类别集合                                                ，令；

 S2：设为当前全集合的一种二分类方法，计算出所得的两个类别子集和之间的Fisher距离；

 S3：对于集合E中任一二分类重复Step2，求二分类，使其对应的两个类别子集和之间的Fisher距离为最大；

S4：以代表的二分类器为纠错输出码矩阵中的一列；

S5：分别令，，并重复Step1、Step2、Step3，直至所有类别子集中均只包含一个类别，输出所得的纠错输出码。

4.根据权利要求2所述的方法，其特征在于，基于置信样本的SVM训练包括如下步骤：

S1：估计后验概率；

S2：选择置信样本，权重为1；

S3：利用所有置信样本点，按照传统SVM训练算法训练SVM分类器。

5.根据权利要求2所述的方法，其特征在于，基于信道传输模型的解码算法内容如下：

在二分类器的传输模型中，其输入端为样本的真实类别，1代表该样本在此分类器中应属于正类别，-1表示该样本在此分类器中属于负类别，0表示该样本在此分类器中未涉及，其输出端表示该样本经过此分类器分类后的输出类别，1表示该样本被分为正样本，-1表示该样本被分为负样本，未涉及的类别以一定概率分别划分到这两类当中，模型中的传输参数a、b、c的可用经验值估计如下：

，

，

，

其中，a表示将输入正样本划分为正样本的概率；b表示将输入未涉及类别样本划分为正样本的概率；c表示将输入负样本划分为负样本的概率；、分别代表输入和输出的样本类别；、代表第个样本的输入类别和输出类别；代表训练样本的个数；代表示性函数，

。

6.根据权利要求1所述的方法，其特征在于，后验概率最大法则内容如下：

考虑由个二分类器组成的分类系统，假设样本的输出链码为，而类别对应的类别链码为，则最大后验概率，

其中，可看作类别的先验概率，在无先验知识的情况下可设为，为类别个数，是链码出现的概率，为似然函数，假设各二分类器相互独立，则有

其中，，，为第个分类器的传输参数，表示类别中的样本相对于第个分类器的输入量，取值为-1，0，或1，分别表示该类别样本在第j个分类器中作为负样本、不相关样本和正样本；为二分类器输出，取值为-1或1，取值为传输模型中的6个参数之一，其中传输模型参数可由训练样本集的分类结果估计；在先验概率相等的情况下，最大化后验概率转化为最大化似然函数值，最后，样本的分类决策为。

7.根据权利要求1所述的方法，其特征在于，基于透视模型对感兴趣区域进行图像块的划分步骤如下：

S1：设置容量相同的图像块；

S2：指定最小块和最大块图像块的尺寸；

S3：通过线性差值来近似透视比例模型得到中间块的尺寸。

8.根据权利要求1所述的方法，其特征在于，所述的求取多尺度纹理特征的步骤如下：

S1：对视频图像样本进行确定尺度的平均划分获得多层均值图像块；

S2：获得图像块均值矩阵；

S3：确定n×n邻域子矩阵，提取单层块均值的图像块纹理特征；

S4：根据不同尺度多次平均划分视频图像样本获得不同尺度的多层均值图像块，采取上述步骤，计算获得不同尺度的图像块纹理特征；

S5：组合所述不同尺度下的图像纹理块纹理特征，获得图像块的多尺度纹理特征。