本發(fā)明屬于圖像分析技術領域，尤其涉及一種基于可信度的自更新人員入侵檢測方法。
背景技術：
在社會治安問題日益凸顯的今天，城市安防應急系統(tǒng)的建設顯得愈發(fā)重要，而圖像智能分析技術可以節(jié)省人力，及時反饋異常信息，提高效率。人員檢測是圖像識別領域常用的一種異常判斷處理方式。目前人員檢測主要基于統(tǒng)計學習的方法，其中以hog(梯度方向直方圖histogramoforientedgradient)特征+svm(支持向量機，supportvectormachine)的方式最為流行。提取大量圖片的hog特征，通過svm進行訓練，得到人員檢測的分類器，然后使用分類器對圖片進行識別，判斷其中是否有人出現(xiàn)。該方法存在兩個問題：1.分類器無法自動更新，沒有持續(xù)學習的能力。2.誤報率可觀，尤其當背景變化或者亮度變化時，檢測結果會受到很大影響。
綜上所述，現(xiàn)有技術存在的問題是：現(xiàn)有的侵入檢測系統(tǒng)一般為一次性訓練分類器，并沒有人工反饋和再次訓練的機制，所以分類器無法自動更新，沒有持續(xù)學習的能力；由于視頻中場景和光照條件的變換，無自更新能力的系統(tǒng)無法適應，會導致誤報率較高，檢測結果準確率底。
技術實現(xiàn)要素：
針對現(xiàn)有技術存在的問題，本發(fā)明提供了一種基于可信度的自更新人員入侵檢測方法。
本發(fā)明是這樣實現(xiàn)的，一種基于可信度的自更新人員入侵檢測方法，所述基于可信度的自更新人員入侵檢測方法根據(jù)時間位置復合可信度，對分類器得出的有人侵入的結果進行可信度判斷，綜合識別結果，最終得出是否有人侵入；用戶對決策的判斷結果進行反饋，判斷識別結果是否有誤；根據(jù)用戶的反饋，對分類器和可信度進行動態(tài)更新。
進一步，所述基于可信度的自更新人員入侵檢測方法包括以下步驟：
步驟一，針對場景準備樣本集合：包括正樣本集合和負樣本集合；正樣本為單個多姿態(tài)多尺度不同衣著的人截圖，負樣本是相應場景中所包含的各種背景以及經(jīng)常出現(xiàn)的非人的物品截圖；
步驟二，計算所有正樣本和負樣本中圖片的hog特征，通過svm算法對圖片進行分類，得到圖片分類器，并初始化各項參數(shù)；
步驟三，截取攝像頭視頻流的單幀圖片，計算圖片的hog特征，并作為輸入傳入圖片分類器進行運算，得到結果；如果判定沒有人，則繼續(xù)識別下一幀圖片；否則，轉到步驟四；
步驟四，根據(jù)識別到有人的時間t，以及識別到的人的位置d，確定可信度xtd，并根據(jù)xtd確定是否將識別結果作為人員入侵提醒用戶，如果作為人員入侵，則轉步驟五，否則轉步驟三；
步驟五，經(jīng)過步驟四之后，對用戶進行人員入侵提醒，同時由用戶判斷步驟四的識別結果是否正確，并對系統(tǒng)進行相應反饋，更新分類器和可信度；
步驟六，判斷是否需要重新訓練分類器，如果更新分類器條件不滿足，則轉步驟三；否則將此前步驟五中積攢的負樣本集并入訓練樣本集，轉步驟三同時并行步驟七重新訓練圖片分類器；
步驟七，根據(jù)步驟六中的得到的新的樣本集利用算法重新訓練分類器，并初始化各項參數(shù)，并用新的分類器替換舊的分類器。
所述步驟四進一步包括：
(1)從時間和空間維度對分類器的識別結果做可信度劃分；
(2)當決策是否發(fā)送圖片給用戶時，用偽隨機數(shù)模擬概率性決策過程，將系統(tǒng)當前時間作為輸入，通過偽隨機數(shù)生成器生成偽隨機數(shù)r，并讓r對100取余，得到r1＝rmod100。若r1＜100*xtd則向用戶發(fā)送該圖片；否則，否則轉步驟三。
所述步驟五進一步包括：
(1)可信度的公式為
(2)如果步驟四判斷正確，則ttd自加1，可信度xtd增大；
(3)如果步驟四判斷錯誤，則ftd自加1，可信度xtd減小，同時保存誤判的圖片加入負樣本集。
所述步驟六進一步包括：
每當發(fā)生誤判，系統(tǒng)將檢驗該場景的分類器累計產(chǎn)生的負樣本圖片是否達到最大容錯值n，如果滿足，則條件成立；
每當發(fā)生誤判，系統(tǒng)將檢驗分類器的時間位置復合可信度，當平均可信度低于臨界值x1或者y％的時間位置復合可信度低于臨界值x2，則條件成立；
判斷分類器是否已經(jīng)超過了使用周期r天，如果滿足，則條件成立。
本發(fā)明的另一目的在于提供一種所述基于可信度的自更新人員入侵檢測方法的基于可信度的自更新人員入侵檢測系統(tǒng)，所述基于可信度的自更新人員入侵檢測系統(tǒng)包括：
訓練模塊：通過計算樣本集的hog特征，再通過svm方法訓練得到圖片分類器；
識別模塊：通過分類器對圖片進行判斷，判斷是否有人侵入；
決策模塊：決策模塊根據(jù)時間位置復合可信度，對分類器得出的有人侵入的結果進行可信度判斷，綜合識別模塊和決策模塊的識別結果，最終得出是否有人侵入；
反饋模塊：用戶對決策模塊的判斷結果進行反饋，判斷識別結果是否有誤。根據(jù)用戶的反饋，對分類器和可信度進行動態(tài)更新。
本發(fā)明的另一目的在于提供一種應用所述基于可信度的自更新人員入侵檢測方法的城市安防應急系統(tǒng)。
本發(fā)明的優(yōu)點及積極效果為：本發(fā)明相對于現(xiàn)有方法，通過添加基于時間位置復合可信度的決策模塊，大幅度降低了系統(tǒng)的誤報率；通過引入用戶參與的反饋模塊，對分類器和可信度進行動態(tài)更新，不斷的優(yōu)化識別結果；訓練模塊，決策模塊，反饋模塊協(xié)同運作，使系統(tǒng)具有了對不同的環(huán)境和變化的光照條件的自適應能力。
現(xiàn)有技術與本發(fā)明的功能對比表
附圖說明
圖1是本發(fā)明實施例提供的基于可信度的自更新人員入侵檢測方法流程圖。
圖2是本發(fā)明實施例提供的基于可信度的自更新人員入侵檢測方法具體實現(xiàn)流程圖。
圖3是本發(fā)明實施例提供的反饋模塊實現(xiàn)流程圖。
具體實施方式
為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
下面結合附圖對本發(fā)明的應用原理作詳細的描述。
本發(fā)明實施例提供的基于可信度的自更新人員入侵檢測系統(tǒng)包括：
訓練模塊：通過計算樣本集的hog特征，再通過svm方法訓練得到圖片分類器。
識別模塊：通過分類器對圖片進行判斷，判斷是否有人侵入。
決策模塊：決策模塊根據(jù)時間位置復合可信度，對分類器得出的有人侵入的結果進行可信度判斷，綜合識別模塊和決策模塊的識別結果，最終得出是否有人侵入。
反饋模塊：用戶對決策模塊的判斷結果進行反饋，判斷識別結果是否有誤。根據(jù)用戶的反饋，對分類器和可信度進行動態(tài)更新。
如圖1所示，本發(fā)明實施例提供的基于可信度的自更新人員入侵檢測方法包括以下步驟：
s101：針對場景準備樣本集合：包括正樣本集合和負樣本集合；
s102：計算所有正樣本和負樣本中圖片的hog特征，通過svm算法對圖片進行分類，得到圖片分類器，并初始化各項參數(shù)；
s103：截取攝像頭視頻流的單幀圖片，計算該圖片的hog特征，并將其作為輸入傳入圖片分類器進行運算，得到結果；
s104：根據(jù)所識別到有人的時間以及識別到的人的位置，確定可信度并根據(jù)可信度確定是否將識別結果作為人員入侵提醒用戶；
s105：對用戶進行人員入侵提醒，同時由用戶判斷的識別結果是否正確，并對系統(tǒng)進行相應反饋，更新分類器和可信度；
s106：判斷是否需要重新訓練分類器；
s107：根據(jù)得到的新的樣本集利用算法重新訓練分類器，并初始化各項參數(shù)，并用新的分類器替換舊的分類器。
步驟s105中：反饋時只更新可信度，并判斷是否需要重新訓練分類器，也就是說s106判斷通過，才會執(zhí)行s107。并且，重新訓練分類器的同時系統(tǒng)還是在對視頻流繼續(xù)做圖像解析，所以，重新訓練分類器和視頻異常檢測是并行的。
下面結合附圖對本發(fā)明的應用原理作進一步的描述。
如圖2所示，本發(fā)明實施例提供的基于可信度的自更新人員入侵檢測方法包括以下步驟：
步驟1：針對場景準備樣本集合：包括正樣本集合和負樣本集合。正樣本為單個多姿態(tài)多尺度不同衣著的人截圖，負樣本是相應場景中所包含的各種背景以及經(jīng)常出現(xiàn)的非人的物品截圖。
步驟2：計算所有正樣本和負樣本中圖片的hog特征，通過svm算法對圖片進行分類，得到圖片分類器，并初始化各項參數(shù)。
步驟3：截取攝像頭視頻流的單幀圖片，計算該圖片的hog特征，并將其作為輸入傳入圖片分類器進行運算，得到結果。如果判定沒有人，則繼續(xù)識別下一幀圖片；否則，轉到步驟4。
步驟4：決策模塊，根據(jù)步驟3所識別到有人的時間t，以及識別到的人的位置d，確定可信度xtd，并根據(jù)xtd確定是否將步驟3的識別結果作為人員入侵提醒用戶，如果作為人員入侵，則轉步驟5，否則轉步驟3。其詳細步驟具體包括：
步驟4-1:因為分類器受外部條件影響，其識別結果的可信度并不是固定的，本發(fā)明從時間和空間維度對分類器的識別結果做可信度劃分，例如在t時間，分類器識別到d位置有人，此結果的可信度表示為xtd，初始可信度為1，范圍為0～1。其中t時間，代表時間段，將一天劃分為ω個時間段，則t的范圍是1～ω，通?？蓜澐譃?4個時間段，對應一天的24個小時。d位置代表，分類器識別到的人的位置(左上角坐標)相對于整個場景的位置。如果把整個圖片分成θ個區(qū)域，則d的范圍為1～θ。從時間和空間進行劃分，則對應一個場景，共有ω*θ個可信度。其中按時間劃分是為了適應不同的光照條件，因為不同的光照會對分類器的準確度產(chǎn)生影響，而光照條件大部分情況下會隨時間周期性變化。按空間劃分，是因為在場景中經(jīng)常會有一些非人的物體被分類器誤報為人，而且這些物體通常在一段時間內位置固定，造成分類器在該位置的識別結果可信度較低。
步驟4-2：當決策是否發(fā)送圖片給用戶時，本發(fā)明用偽隨機數(shù)模擬概率性決策過程。首先，將系統(tǒng)當前時間作為輸入，通過偽隨機數(shù)生成器生成偽隨機數(shù)r，并讓r對100取余，得到r1＝rmod100。若r1＜100*xtd則向用戶發(fā)送該圖片；否則，否則轉步驟3。
步驟5：經(jīng)過步驟4之后，對用戶進行人員入侵提醒，同時由用戶判斷步驟4的識別結果是否正確，并對系統(tǒng)進行相應反饋，更新分類器和可信度。其具體包括：
ⅰ.可信度的公式為
ⅱ.如果步驟4判斷正確，則ttd自加1，可信度xtd增大。
ⅲ.如果步驟4判斷錯誤，則ftd自加1，可信度xtd減小，同時保存誤判的圖片加入負樣本集。
步驟6：判斷是否需要重新訓練分類器，如果更新分類器條件不滿足，則轉步驟3；否則將此前步驟5中積攢的負樣本集并入訓練樣本集，轉步驟3同時并行步驟7重新訓練圖片分類器。其中，只要滿足以下條件中的任何一個，則重新訓練分類器：
①每當發(fā)生誤判，系統(tǒng)將檢驗該場景的分類器累計產(chǎn)生的負樣本圖片是否達到最大容錯值n，如果滿足，則條件成立。
②每當發(fā)生誤判，系統(tǒng)將檢驗分類器的時間位置復合可信度，當平均可信度低于臨界值x1或者y％的時間位置復合可信度低于臨界值x2，則條件成立。
③判斷分類器是否已經(jīng)超過了使用周期r天，如果滿足，則條件成立。
步驟7：根據(jù)步驟6中的得到的新的樣本集利用算法重新訓練分類器，并初始化各項參數(shù)，并用新的分類器替換舊的分類器。分類器訓練方法與步驟2一樣。
以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發(fā)明的保護范圍之內。