本发明具体涉及一种行人车辆检测与分类方法。
背景技术:
智能监控系统可不在人为干预情况下对摄像机记录的视频序列进行分析,并且对其中的行人和车辆等目标进行检测和分类,从而实现视频信息检索。目前常用的行人车辆检测分类方法可以分为:基于监督学习的方法和基于运动分割的方法。
基于监督学习的方法需要预先对分类器进行训练,,这类方法的优点在于准确度高、摄像机晃动影响小,但是缺点在于时间复杂度大,而且需要事先进行训练,场景变换后需要重新训练。基于运动分割的方法要求摄像机固定,对运动的物体进行检测分类。然而,由于采用固定阈值进行目标分类,缺乏自主学习能力,因此对应用场景有严格限制。有研究者对上述方法进行了改进,对运动目标的特征进行聚类,形成树分类器,能够得到较好的结果,然而该算法也存在过训练、收敛速度慢的问题。
技术实现要素:
本发明要解决的技术问题是提供一种行人车辆检测与分类方法。
一种行人车辆检测与分类方法,包括以下步骤:
s1:通过装置于车辆内的摄像机实时的采集车辆信息,将获得的车辆行驶视频按照帧分割成一系列的图像序列,并对图像进行灰度化、二值化及降噪预处理;
s2:运动目标检测:利用领域信息动态调整置信区间构造混合高斯模型,实现运动目标检测;
s3:目标跟踪:采用卡尔曼滤波预测目标下一帧的位置,同时提取目标的颜色直方图作为帧间匹配特征,实现目标跟踪;
s4:目标分类:通过自适应em聚类方法提取目标长宽比和面积作为特征,将目标分为行人和车辆。
进一步的,运动目标检测的方法如下:
1)假设像素点i当前的灰度值为
其中,
2)定义像素点i所在邻域
其中,z为归一化常数;
其中,
3)对后验概率进行滤波:
4)采用判断是否落入置信区间进行近似得到:
其中,n为置信度,取值2-3。
进一步的,目标分类的具体方法如下:
1)将图像划分为若干个1616的区域,每一个区域分别记录覆盖该区域的行人和车辆的信息,包括面积均值、面积方差以及样本数量,并假设该区域内的行人和车辆目标面积满足高斯分布;
2)em初始化阶段:采用一个固定长宽比阈值来判定行人和车辆表示行人,否则为车辆,相应地记录行人和车辆的面积平均值;
3)em估计阶段:对于每一个区域,当有新目标进入时,计算目标面积值所匹配的高斯分布,从而得出分类结果,相应地更新该类的参数。
本发明的有益效果是:
本发明利用领域信息动态调整置信区间构造混合高斯模型,采用卡尔曼滤波预测目标下一帧的位置,通过自适应em聚类方法提取目标长宽比和面积作为特征,将目标分为行人和车辆,提高检测准确性。
具体实施方式
以下具体实施例对本发明作进一步阐述,但不作为对本发明的限定。
一种行人车辆检测与分类方法,包括以下步骤:
s1:通过装置于车辆内的摄像机实时的采集车辆信息,将获得的车辆行驶视频按照帧分割成一系列的图像序列,并对图像进行灰度化、二值化及降噪预处理;
s2:运动目标检测:利用领域信息动态调整置信区间构造混合高斯模型,实现运动目标检测;
s3:目标跟踪:采用卡尔曼滤波预测目标下一帧的位置,同时提取目标的颜色直方图作为帧间匹配特征,实现目标跟踪;
s4:目标分类:通过自适应em聚类方法提取目标长宽比和面积作为特征,将目标分为行人和车辆。
运动目标检测的方法如下:
1)假设像素点i当前的灰度值为
其中,
2)定义像素点i所在邻域
其中,z为归一化常数;
其中,
3)对后验概率进行滤波:
4)采用判断是否落入置信区间进行近似得到:
其中,n为置信度,取值2-3。
目标分类的具体方法如下:
1)将图像划分为若干个1616的区域,每一个区域分别记录覆盖该区域的行人和车辆的信息,包括面积均值、面积方差以及样本数量,并假设该区域内的行人和车辆目标面积满足高斯分布;
2)em初始化阶段:采用一个固定长宽比阈值来判定行人和车辆表示行人,否则为车辆,相应地记录行人和车辆的面积平均值;
3)em估计阶段:对于每一个区域,当有新目标进入时,计算目标面积值所匹配的高斯分布,从而得出分类结果,相应地更新该类的参数。