基于场景分类的车辆检测方法
【技术领域】
[0001] 本发明设及监控视频的检索，具体地指一种基于场景分类的车辆检测方法。
【背景技术】
[0002] 在刑侦业务中，车辆检测就是通过输入的视频判断是否包含待检测的运动车辆， 如果包含则确定目标所在位置。在实际视频侦查中，侦查员常常根据车辆的活动画面和轨 迹来快速锁定、排查和追踪嫌疑目标。传统的人工浏览视频侦查模式需要耗费大量的人力 和时间，容易贻误破案时机。因此，精准快速的车辆检测技术便于视频侦查员快速、准确地 发现嫌疑目标活动画面和轨迹，对公安部口提高破案率、维护人民群众生命财产安全具有 重要意义。
[0003] 但是，现有的车辆检测的步骤如图1所示，一般包括W下步骤：当利用车辆正负样 本选取和提取特征后，便可利用该些特征训练分类器。得到了分类器后，首先是对输入视频 帖进行背景建模，然后提取特征，最后将提取的特征给训练好的分类器，判断是否存在想要 检测的目标。
[0004] 其中，在上述现有的车辆检测步骤中，背景建模算法的效果会直接影响到车辆检 测的效果，目前，一般的背景建模常常对不同的视频场景，只采用平均帖背景建模算法、 VIBE背景建模算法、高斯背景建模算法中的一种算法进行背景建模。具体地，平均帖背景建 模算法是通过求取连续视频序列固定位置上像素平均值，用该值表示当该位置像素点的背 景模型的算法；高斯背景建模方法，首先对图像的每个像素或其他纹理特征建立一个或多 个高斯背景模型，然后通过比较待检图像和背景模型的差异，来检测图像中的前景区域和 背景区域；VIBE背景模型针对每个背景点保存了一个样本集，通过比较每一个新的像素点 和样本集来判断该新像素点是否属于背景点。
[0005] 然而在实际监控环境下，因为场景光照变化、气候变化或者摄像机本身的抖动等 都会导致视频背景发生改变，该些因素给背景建模带来困难。虽然目前对复杂场景下的背 景建模已经有很多研究，但目前还没有一种算法能全部解决上述所有问题。例如；平均帖 背景建模算法和VIBE背景建模算法速度快，但是只针对简单的视频场景（主要是光照变化 小的场景）有效；高斯背景建模算法，对复杂变化的场景具有比较好的鲁椿性，但是速度很 慢，背景更新速度缓慢不利于实时检测。
[0006] 此外，在上述现有的车辆检测步骤中，提取特征通常只是提取了图片的HOG特征 用于检测，导致图像目标的视觉特征比较单一，辨识度不强，对噪声、光照变化、运动车辆的 形变等鲁椿性不强。
【发明内容】
[0007] 本发明目的在于克服上述现有技术的不足，而提出一种基于场景分类的车辆检测 方法，该方法能根据场景复杂度自动选择最匹配的算法；还能在提取梯度特征HOG的基础 上，同时提取纹理特征LBP，将两种特征级联作为新的分类器特征，通过该两方面的改进，即 保证活动车辆的检测效果，又极大提高系统整体检测速度，从而能更快更准确地定位到要 待识别的车辆。
[000引实现本发明目的采用的技术方案是；一种基于场景分类的车辆检测方法，该方法 包括：
[0009] 训练分类器；
[0010] 对输入的视频进行场景分类，得到简单场景和复杂场景；对所述简单场景采用平 均帖背景建模算法进行建模，对所述复杂场景采用高斯背景建模算法进行建模；
[0011] 对所述背景建模得到的前景二值图进行预处理；
[0012] 在预处理后的各前景块区域上用扫描子窗口进行遍历，提取HOG和LBP特征；
[0013] 将提取的HOG和LBP级联特征用训练好的分类器进行分类，判断是否为运动的车 辆。
[0014] 本发明具有W下优点：
[0015] 1、与现有技术相比，本发明方法引入基于场景分类的背景建模，通过将视频按照 内容划分为简单场景视频和复杂场景视频两大类，然后计算机根据划分的场景类别自动的 选择最优的背景建模算法，该样既能保证检测算法效果，又能实现活动目标快速检测，具有 很高的应用价值；
[0016] 2、与现有技术相比，本发明考虑了在检测视频的特征提取，在提取的HOG特征的 基础上同时提取了LBP特征，将两种特征级联作为新的分类器特征。相比现有技术提取特 征通常只是提取图片的HOG特征用于检测，本方法极大提高运动车辆检测的准确性，也增 强了对噪声、光照变化、运动车辆的形变的鲁椿性。
【附图说明】
[0017] 图1为本发明基于场景分类的车辆检测方法流程图。
【具体实施方式】
[0018] 下面结合附图和具体实施例对本发明作进一步的详细说明。
[0019] 本发明基于场景分类的车辆检测方法具体包括W下步骤：
[0020] S100、训练分类器。
[0021] 首先，采集车辆的正、负样本。
[0022] 车辆的正样本图片的采集过程为；在实际监控视频中对于车辆在8段不同场景的 道路监控视频中，人工截取10000张，长宽为b*b，50《b《200像素为352*288的车辆图 片，该些正样本图片应包含完整的车辆而且包含尽可能少的背景，完整的车辆应该包含了 车辆的正面、侧面、背面。
[0023] 车辆的负样本图片的采集过程为；在实际监控视频中对于车辆在8段不同场景的 道路监控视频中，采用软件对监控视频的每帖自动切割为长宽为b*b的图片并保存，其中， 50《b《200,在该些图片中选至少20000张不含车辆的图片作为负样本。
[0024] 然后，训练正负样本，分别对每一张正、负样本的图片进行特征选取和提取。
[0025] 最后，训练分类器，本实施例采用SVM线性分类器。训练分类器即用分类器训练 正、负样本，得到训练好的分类器。
[0026]S200、对输入的视频进行场景分类，得到简单场景和复杂场景；对所述简单场景采 用平均帖背景建模算法进行建模，对所述复杂场景采用高斯背景建模算法进行建模。
[0027] 建模算法成立的前提假设是一般监控视频中，单帖图像所包含的活动目标数量不 会太多（一般不会超过30个），活动目标面积也较少（不多于整幅图像面积的70%); [002引首先选用平均帖背景建模算法，对视频活动目标进行检测，然后统计检测出来的 活动目标块数量和面积。当活动目标数量小于m个（m的取值范围10~30)，并且活动区域 面积少于整张图像的n% (n的取值范围40~70)，则判定该视频场景为简单场景，采用平 均帖背景建模算法。当活动目标数量大于m个，或者活动区域面积几近覆盖全画面，则可W 判定该视频场景为复杂场景，相应的采用高斯背景建模算法。
[0029] 平均帖背景建模算法是通过求取连续视频序列固定位置上像素平均值，用该值表 示当该位置像素点的背景模型的算法。本算法成立的依据是：通过大量统计监控视频图像， 发现在每一帖视频图像中活动区域只占画面小部分，而大部分区域都是静止的背景。因此 对于整个视频序列而言，相同位置上的像素集合中绝大部分都是静止的，只有少数是变动 的活动区域。当求取相同位置像素集合的平均值时，少量活动目标像素对该平均值的影响 很小，该平均值即能代表图像背景特征。
[0030] 在算法速度测试方面，平均帖算法明显快于高斯背景建模算法和VIBE背景建模 算法；VIBE算法速度略高于基于高斯背景建模算法的检测速度。
[0031] 而在算法运行效果方面，清晰场景、模糊场景、夜晚场景下=种算法整体效果都不 错，其中背景相对稳定的清晰场景和模糊场景下，平均帖背景建模算法和VIBE背景建模算 法稍微好于高斯背景建模算法，而在夜晚和强光变化的场景下，由于平均帖背景建模算法 的背景固定，所W效果急剧下降，VIBE算法更新策略上选用随机方式，更新速度相对较慢， 所W检测效果也不如高斯背景建模算法。
[0032] 发明在相对简单的场景下采用平均帖背景建模算法，效果最好，速度最快；而在场 景相对复杂情况下，采用高斯背景建模算法则是最佳选择。
[0033] 本实施例采用平均帖背景建模算法的具体步骤如下：
[0034] 第一步；从视频中读取连续的K帖图像，并将每帖图像转化为灰度矩阵Dx
[0035] Dx= {Yu'i G j G
[0036] 式中，M表示图像帖的行数，N表示图像帖的列数，Yu是（i，j)位置像素转变后的 灰度值，Yu通过下式计算：
[0037] Yu = 0. 299 X R U+0. 587 X Gi, J+0. 114 X Bi, J
[00測式中，Ru，Gu，Bu分别是图像在第i行j列上的R、G、B颜色值；
[0039] 第二步：将前K帖灰度矩阵叠加，然后再对叠加结果求平均值得到背景模型Ib^;
[0040]第；步：当输入一帖图像IpuwM，将其与背景模型Ibgm求差值，得到差值图像I abs:
[0041] labs二II present - IbgJ
[00创第四步：将差值图像Lbs二值化，获得前景二值图，即活动目标信息I foreground。
[0043] 高斯背景建模算法具体包括：
[0044] 在视频序列中，对于任意时刻t在位置{X。，y。}上，它的历史像素（如灰度值）表 示为；找1，. ..，XJ={I(X。，y。，U:1《i《t}，其中I表示图像序列；对背景建立K-高斯 模型，则在Xt属于背景的概率为：
[0045]
[0046] 式中，K为模型数量，"i,为第i个高斯模型在t时刻属于背景的权重，yi,t为第i个高斯模型在t时刻的均值，E为第i个高斯模型在t时刻的方差，n为高斯密度函 数；其中n为：
[0047]
[0048]