基于SVM输出概率和后置滤波运动目标分类.docVIP

基于SVM输出概率和后置滤波运动目标分类 　　摘 要:提出了一种新的运动目标分类方法,该方法利用sigmoid函数将标准SVM的输出结果直接转换为目标所属类别的概率,避免了分类器的组合问题;同时该方法还利用后置加权均值滤波器对SVM的初始输出结果进行滤波平滑处理,进一步提高了分类的正确率。实验结果表明,该方法能有效地提高运动目标分类的精度。 　　关键词:支持向量机; 后验概率; 均值滤波; 运动目标分类 　　中图法分类号:TP391.4 　　文献标志码:A 　　 　　文章编号:1001-3695(2010)02-0778-03 　　doi:10.3969/j.issn.1001-3695.2010.2.106 　　 　　Moving target classification using SVM probability and post-filtering 　　 　　LI Zhan-chuang, XIAO Guo-qiang, DAI Yi, QIU Kai-jin 　　 　　(College of Computer Information Science, Southwest University, Chongqing 400715, China) 　　 　　Abstract:This paper presented a new method to classify moving targets, in which the outputs of standard SVMs could be mapped directly into target category’s posterior probabilities by the sigmoid function. Furthermore,also put forward a post-filtering framework to improve classification accuracy, using a weighted average filter to smooth the initial outputs of SVM classifiers. Experimental results demonstrate that the framework of SVM probability outputs combined with a post-filter is more effective for moving target classification from video in terms of classification accuracy. 　　Key words:SVM(support vector machine); posterior probability; average-filtering; moving target classification 　　 　　在智能视频处理中,需要系统依据原始的视频数据自动分析真实环境下发生的事件。运动目标分类是智能视频处理中一个重要的组成部分,它是指将视频中检测到的运动目标划分为预先定义好的目标类别,如交通视频中的行人、车辆等。运动目标分类的本质是多类分类问题,常用有监督的机器学习方法来解决,即先通过对已知类别样本进行学习获得分类模型,然后通过模型对未知类别样本进行预测。支持向量机(SVM)、K近邻、神经网络等都属于这类方法。其中,SVM方法由于其坚实的理论基础和良好的泛化性能,成为解决此类问题最常用的方法之一。 　　在标准SVM方法中,预测样本类别时只考虑两个极端情况,即样本属于某一类别的概率为1或0。因此,传统的SVM方法在解决运动目标分类问题时,必须将多个两类分类器的结果进行组合以获得最终的分类结果。其中最常用的组合方式是投票法[1]和Pairwise coupling[2]方法。投票法用于M类分类问题时,每任意两类都要构造一个SVM分类器,共需构造M(M-1)/2个分类器。由于每个分类器的输出结果都是1或0,组合分类器的结果只能得到样本的粗糙后验概率,因此不利于结果的后续优化处理。而Pairwise coupling方法由于在预测时要解一个优化问题,计算代价比较大,不利于实时处理。 　　 　　1 基于SVM输出概率的运动目标分类 　　基于SVM方法的目标分类可分解成两个步骤完成:a)预先定义目标类别和提取目标特征;b)设计合适的分类准则。 　　在步骤a)中首先预先定义目标类别。在本文中,行人、小轿车、自行车/摩托车和卡车四个目标类别被预先定义,然后进行目标特征的提取。本文所采用的目标特征有:(a)形状特征(包括目标高宽比,目标高度分别与目标区域三分之一