式中，P狂t)值越大，则说明当前像素越符合背景模型，当P狂t)大于设定的阔值， 则将该像素判断为背景，否则将其判断为前景。
[0049] S300、对所述背景建模得到的前景二值图进行预处理。
[0化0] 具体地，本实施例预处理具体为运用膨胀腐蚀、形态滤波、中值滤波和前景块的面 积阔值，对背景建模得到的前景二值图进行预处理。本实施例中面积阔值大小，车辆设为 800 ~1500。
[0化1] S400、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。
[0052] 其中，HOG(方向梯度直方图）特征是一种在计算机视觉和图像处理中用来进行物 体检测的特征描述子，它通过计算和统计图像局部区域的梯度方向直方图来构成特征。提 取过程包括；检测窗口；归一化图像；计算梯度；对于每一个cell块对梯度直方图进行规 定权重的投影；对于每一个重叠block块内的cell进行对比度归一化。
[0化3]LBP(局部二值模式）是一种用来描述图像局部纹理特征的算子；它具有旋转不变 性和灰度不变性等显著的优点。LBP算子定义为在3*3的窗口内，W窗口中屯、像素为阔值， 将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中屯、像素值，则该像素点的 位置被标记为1，否则为0。该样，3*3邻域内的8个点经比较可产生8位二进制数（通常转 换为十进制数即LBP码，共256种），即得到该窗口中屯、像素点的LBP值，并用该个值来反映 该区域的纹理信息。
[0化4] 为了解决二进制模式过多的问题，提高统计性，Ojala提出了采用一种"等价模式" 来对LBP算子的模式种类进行降维。Ojala等认为，在实际图像中，绝大多数LBP模式最多 只包含两次从1到0或从0到1的跳变。因此，Ojala将"等价模式"定义为；当某个LBP所 对应的循环二进制数从0到1或从1到0最多有两次跳变时，该LBP所对应的二进制就称 为一个等价模式类。因此对于3X3邻域内8个采样点来说，LBP特征从原始的256维降到 了 59维。通过该样的改进，特征向量的维数减少，而不会丢失任何信息，同时减少高频噪声 带来的影响。
[0化5] 提取HOG和LBP特征的具体操作如下；
[0化6] 1)首先对输入视频进行转码处理，将其转化为分辨率为352*288,格式为avi的视 频。
[0化7] 2)首先将车辆检测子窗口Block的大小设为2aX2a，每个Block划分为4个Cell， 每个Cell的大小设为aXa;用车辆检测子窗口Block对视频帖从左到右从上至下进行扫 描，每次在X轴方向移动的步长设为a个像素，在Y轴方向移动的步长设为a个像素。
[0058] 3)然后将每个2aX2aBlock的大小的图像块，归一化为bXb的大小图像块化Xb 为训练所用的正负样本的大小）。
[0059] 4)首先用opencv中自带HOG特征提取函数提取该个图像块的HOG特征，每帖检 测视频提取M维的HOG特征向量的维数为M维。
[0060] W然后在自己编写函数，提取LBP特征向量，具体操作如下：
[0061] a.对于每个cell中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周 围像素值大于中屯、像素值，则该像素点的位置被标记为1，否则为0。该样，3*3邻域内的8 个点经比较可产生8位二进制数，即得到该窗口中屯、像素点的LBP值；
[0062] b.然后计算每个cell的直方图，即每个数字（假定是十进制数LBP值）出现的频 率；然后对该直方图进行归一化处理；
[0063] C.最后将得到的每个cell的统计直方图进行连接成为一个特征向量，也就是整 幅图的LBP纹理特征向量，每帖检测视频提取的LBP特征向量的维数为N维。
[0064] S500、将提取的HOG和LBP特征级联，得到一个新的M+N维的特征行向量，将得到 的新的级联特征向量用训练好的SVM分类器进行分类，判断是否为运动的车辆。
【主权项】
1. 一种基于场景分类的车辆检测方法，其特征在于，包括： 训练分类器； 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帧 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； 对所述背景建模得到的前景二值图进行预处理； 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； 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。2. 根据权利要求1所述基于场景分类的车辆检测方法，其特征在于所述训练分类器， 包括： 采集车辆正、负样本； 对每一张正、负样本的图片进行特征选取和提取； 根据提取的特征对SVM线性分类器进行训练，得到训练好的分类器。3. 根据权利要求2所述基于场景分类的车辆检测方法，其特征在于： 采集车辆的正样本图片包括：在实际监控视频中对于车辆在多段不同场景的道路监控 视频中，人工截取多张长宽为b*b，50 < b < 200,像素为352*288的车辆图片，所述车辆照 片包含完整的车辆且包含尽可能少的背景； 采集车辆的负样本图片包括：在实际监控视频中对于车辆在不同场景的道路监控视频 中，采用软件对监控视频的每帧自动切割为长宽为b*b的图片并保存，其中50 < 20,在 这些图片中选至少20000张不含车辆的图片作为负样本。4. 根据权利要求3所述基于场景分类的车辆检测方法，其特征在于： 在输入的视频中，对视频中活动目标进行检测，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，10 < m < 30,并且活动区域面积少于整张图像的n%， 40 < η < 70,则判定该视频场景为简单场景，采用平均帧背景建模算法；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，则可以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。5. 根据权利要求4所述基于场景分类的车辆检测方法，其特征在于所述平均帧背景建 模算法具体包括： 第一步：从视频中读取连续的K帧图像，并将每帧图像转化为灰度矩阵Dx Dx= {Yi；J, i e {Ι,.,.,Μ}, j e {Ι,.,.,Ν}} 式中，M表示图像帧的行数，N表示图像帧的列数，Yu是（i，j)位置像素转变后的灰度 值，Yu通过下式计算： Yi； J= 0. 299XRi；J+0. 587XGi；J+0. 114XBi；J 式中，Ri,」，Gy，分别是图像在第i行j列上的R、G、B颜色值； 第二步：将前K帧灰度矩阵叠加，然后再对叠加结果求平均值得到背景模型Ibgm; 第三步：当输入一帧图像Ipresmt，将其与背景模型Ibgm求差值，得到差值图像I abs: labs I I present Ibgm 第四步：将差值图像Iabs二值化，获得前景二值图，即活动目标彳目息I fOTegMund。6. 根据权利要求5所述基于场景分类的车辆检测方法，其特征在于：高斯背景建模算 法具体包括 在视频序列中，对于任意时刻t在位置{X(l，yj上，它的历史像素表示为：(X1, . . .，Xt} ={I (X(l，、i) : 1彡i彡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：式中，K为模型数量，为第i个高斯模型在t时刻属于背景的权重，μ U为第i个 高斯模型在t时刻的均值，Σ u为第i个高斯模型在t时刻的方差，Π 为高斯密度函数；其 中η为：式中，P(Xt)值越大，则说明当前像素越符合背景模型，当P(Xt)大于设定的阈值，则将 该像素判断为背景，否则将其判断为前景。7. 根据权利要求6所述基于场景分类的车辆检测方法，其特征在于所述预处理包括： 运用膨胀腐蚀、形态滤波、中值滤波和前景块的面积阈值，对背景建模得到的前景二值 图进行预处理。8. 根据权利要求7所述基于场景分类的车辆检测方法，其特征在于所述在预处理后的 各前景块区域上用扫描子窗口进行遍历包括： 首先将车辆检测子窗口 Block的大小设为2aX 2a，每个Block划分为4个Cell，每个 Cell的大小设为aXa ;用车辆检测子窗口 Block对视频帧从左到右从上至下进行扫描，每 次在X轴方向移动的步长设为a个像素，在Y轴方向移动的步长设为a个像素；然后将每个 2aX2a Block的大小的图像块，归一化为b*b的大小图像块。9. 根据权利要求8所述基于场景分类的车辆检测方法，其特征在于判断是否为运动的 车辆包括：将每帧提取的HOG特征和LBP特征级联，得到一个行向量，用训练好的SVM分类 器进行分类，判断是否为运动的车辆。
【专利摘要】本发明涉及一种基于场景分类的车辆检测方法，该方法包括：训练分类器；对输入的视频进行场景分类，得到简单场景和复杂场景；对简单场景采用平均帧背景建模算法进行建模，对复杂场景采用高斯背景建模算法进行建模；对背景建模得到的前景二值图进行预处理；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；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。本发明能根据场景复杂度自动选择最匹配的算法，还能同时提取HOG和LBP特征，将两种特征级联作为新的分类器特征，通过这两方面的改进，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。
【IPC分类】G06K9/62, G06K9/00
【公开号】CN104978567
【申请号】CN201510318709
【发明人】严国建
【申请人】武汉大千信息技术有限公司
【公开日】2015年10月14日
【申请日】2015年6月11日