基于云台和相机设备的车辆行为分析识别方法
【专利摘要】本发明公开了一种基于云台和相机设备的车辆行为分析识别方法，包括如下步骤：利用基于图像弱边缘的混合高斯背景建模方法进行运动前景检测；利用基于级联LBP空间直方图特征的车辆检测算法检测运动前景区域，判断该区域是否有车辆，并精确定位车辆位置；利用基于类Fern特征的快速车辆匹配算法长时间匹配定位目标车辆；利用目标的特征匹配数量来判断是否为违章停车，云台预置位切换后，对事前目标车辆进行分析与识别；使用嵌入式一体化的硬件结构，实现实时视频图像的采集、车辆行为分析、云台联动、图像压缩和网络传输等全部功能，同时还具有分时间段使能、分预置位使能等设备管理功能，后端平台软件只要接收图片并做数据整理筛选工作即可。
【专利说明】基于云台和相机设备的车辆行为分析识别方法
【技术领域】
[0001]本发明属于智能交通【技术领域】，涉及一种基于云台和相机设备的车辆行为分析识别方法。
【背景技术】
[0002]在智能交通行业，监控摄像机和云台已经非常普及，但是对车辆的行为检测和分析的智能化程度却较低，自动检测违章事件(违章停车，逆行等)的能力不强，大多派专人查看，这样不仅需要投入大量的人力物力资源，而且由于人的精力和注意力有限，在高强度的工作环境下，往往会出现疏漏，从而，不能及时地对异常情况进行反应。
【发明内容】
[0003]本发明就是为了解决上述现有技术中的问题，提供了一种基于云台和相机设备的车辆行为分析识别方法。
[0004]为了达到上述目的，本发明采用如下技术方案:
本发明的基于云台和相机设备的车辆行为分析识别方法，包括如下步骤:
利用基于图像弱边缘的混合高斯背景建模方法进行运动前景检测；
利用基于级联LBP (local binary patterns,局部二值模式特征)空间直方图特征的车辆检测算法检测运动前景区域，判断该区域是否有车辆，并精确定位车辆位置；
利用基于类蕨(Fern)特征的快速车辆匹配算法长时间匹配定位目标车辆；
利用目标的特征匹配数量来判断是否为违章停车，云台预置位切换后在未检测出运动前景下静态检测目标车辆，对事前目标车辆进行分析与识别；
使用嵌入式一体化的硬件结构，实现实时视频图像的采集、车辆行为分析、云台联动、相机变倍聚焦、车辆抓拍、车牌识别、图像压缩和网络传输。
[0005]其中，利用基于图像弱边缘的混合高斯背景建模方法进行运动前景检测的具体步骤如下:首先利用改进的大尺度SOBEL (索贝尔)算子对图象进行垂直和水平方向卷积并取最大值得到边缘图；然后用边缘图象建立混合高斯模型建立背景和提取前景。
[0006]利用基于级联LBP空间直方图特征的车辆检测算法确认检测运动前景中是否有车辆存在的步骤级联使用了两种分类器:快速检测并过滤掉非车辆的SVM( support vectormachine,支持向量基)线性分类器和进行精确的确认的SVM HIKCHistogram intersectionkernel，直方图交叉核)非线性分类器。
[0007]基于类Fern特征的快速车辆匹配算法把匹配图像分为子区域，利用积分图方法计算所有子区域内的平均灰度作为匹配准则。
[0008]利用目标的特征匹配数量来判断是否为违章停车，将每帧图象检测到运动目标的位置、大小和距离放入固定长度的缓冲区进行不断的更新，并把最新检测到的目标特征和历史数据遍历进行匹配记数，达到预定数值便为停车。
[0009]在云台预置位切换后，采用基于多标定尺度的静态车辆检测技术，对事前目标车辆进行分析与识别，由远及近计算出不同的车辆标定尺度。
[0010]使用嵌入式一体化的硬件结构，通过智能分析模块、视频采集缓冲模块、云台主控模块和视频压缩等四大模块在云台前端完成监控、智能分析功能。
[0011]本发明具有的优点和积极效果是:
本发明的基于云台和相机设备的车辆行为分析识别方法，可以对目标车辆进行实时的检测与分析，对违章车辆进行抓拍图像并录像，记录下整个违章过程，操作人员只需要查询违章记录即可，大大提高了操作人员的工作效率。该方法能够及时地对异常情况进行反应和记录,避免了由于人工而造成疏漏。
【专利附图】
【附图说明】
[0012]图1是本发明的LBP算子的计算方法；
图2是本发明的LBP空间直方图；
图3是基于级联LBP空间直方图特征的车辆检测算法流程图；
图4是基于类Fern特征的快速车辆匹配算法的分区图；
图5是本发明的硬件结构系统框图；
图6是违章车辆检测、车辆抓拍、车牌分析识别的流程图。
【具体实施方式】
[0013]下面结合附图和具体实施例对本发明的基于云台和相机设备的车辆行为分析识别方法做进一步说明。下述各实施例仅用于说明本发明而并非对本发明的限制。
[0014]本发明的基于云台和相机设备的车辆行为分析识别方法，包括如下步骤:
利用基于图像弱边缘的混合高斯背景建模方法进行运动前景检测:
利用基于级联LBP空间直方图特征的车辆检测算法检测运动前景区域，判断该区域是否有车辆，并精确定位车辆位置；
利用基于类Fern特征的快速车辆匹配算法长时间匹配定位目标车辆；
利用目标的特征匹配数量来判断是否为违章停车，云台预置位切换后在未检测出运动前景下静态检测目标车辆，对事前目标车辆进行分析与识别；
使用嵌入式一体化的硬件结构，实现实时视频图像的采集、车辆行为分析、云台联动、相机变倍聚焦、车辆抓拍、车牌识别、图像压缩和网络传输等全部功能，同时还具有分时间段使能、分预置位使能等设备管理功能。
[0015]其中，利用基于图像弱边缘的混合高斯背景建模方法进行运动前景检测的具体步骤如下:首先利用改进的大尺度SOBEL算子对图象进行垂直和水平方向卷积并取最大值得到边缘图，能够使比较弱的边缘增强，然后用边缘图象建立混合高斯模型建立背景和提取前景，可快速的提取驶入设定区域的违法车辆，大大提高了系统的抗干扰性和检测的准确性。
[0016]利用基于级联LBP空间直方图特征的车辆检测算法确认检测运动前景中是否有车辆存在，该步骤级联使用了 SVM线性分类器和SVM HIK非线性分类器两种分类器，线性分类器快速检测并过滤掉非车辆，非线性分类器进行精确的确认。
[0017]LBP算子的计算方法如图1所示，对于作为中心点的每个像素与周围8联通域的像素进行比较，如果大于或者等于则得到对应位的编码为1，否则为O，把这8个对应位的编码按照一定的顺序连接起来得到8位二进制数的十进制表示即为该中心点像素的LBP值。
[0018]LBP空间直方图如图2所示，把车辆样本分为一定的cell，每2x2个cell记为一个block，在每个block中统计LBP直方图，每个block在水平方向，竖直方向移动的步进为一个cell，直到遍历整个样本图像，并把每一个block的直方图串联起来得到整个样本的LBP空间直方图特征。
[0019]基于级联LBP空间直方图特征的车辆检测算法流程图如图3所示。对前景图像提取LBP空间直方图特征，对每个特征分别利用两个分类器进行分类判断，都认为有车则认为该位置有车，否则认为该位置无车。
[0020]基于类Fern特征的快速车辆匹配算法可以长时间的匹配目标车辆，该算法把匹配图像分为子区域，利用积分图方法计算所有子区域内的平均灰度作为匹配准则，该算法运行速度快，对遮挡和光照变化有一定的鲁棒性。
[0021]基于类Fern特征的快速车辆匹配算法把匹配图像分成13个子区域，如图4所示，分别统计子区域的的均值进行匹配。
[0022]利用目标的特征匹配数量来判断是否为违章停车，将每帧图象检测到运动目标的位置、大小和距离放入固定长度的缓冲区进行不断的更新，并把最新检测到的目标特征和历史数据遍历进行匹配记数，达到预定数值便认为停车，所有参数可调节，大大提高了系统的适应性。
[0023]在云台预置位切换后，采用基于多标定尺度的静态车辆检测技术，可以对事前目标车辆进行分析与识别。该技术对车辆检测标定尺度进行逻辑优化，由远及近计算出不同的车辆标定尺度，使场景中不同远近、不同大小的车辆全部能够由基于级联LBP空间直方图特征的车辆检测算法准确检测出来。
[0024]使用嵌入式一体化的硬件结构，如图5所示，硬件电路主要包括智能分析主控模块、视频采集缓冲模块、云台主控模块和视频压缩模块。通过智能分析模块、视频采集缓冲模块、云台主控模块和视频压缩模块，可在云台前端完成监控、智能分析功能，该系统具有响应速度快，占用后端平台资源少，智能分析无延时等优点。
[0025]在云台前端实现视频图像的采集、车辆行为分析、云台联动、相机变倍聚焦、车辆抓拍、车牌识别、图像压缩和网络传输等全部功能，同时还具有分时间段使能、分预置位使能等设备管理功能，后端平台软件只要接收图片并做数据整理筛选工作即可。
[0026]违章车辆检测、车辆抓拍、车牌识别线程实现流程图如图6所示，当有违章车辆时，需抓拍全景图，计算停车时长，超过规定时长后，控制云台，抓拍特写图片，进行车牌识另IJ，然后控制云台，返回监控位置，再次抓拍全景图片。
【权利要求】
1.一种基于云台和相机设备的车辆行为分析识别方法，其特征在于，该方法包括如下步骤: 利用基于图像弱边缘的混合高斯背景建模方法进行运动前景检测； 利用基于级联的LBP空间直方图特征的车辆检测算法检测运动前景区域，判断该区域是否有车辆，并精确定位车辆位置； 利用基于类蕨特征的快速车辆匹配算法长时间匹配定位目标车辆； 利用目标的特征匹配数量来判断是否为违章停车，云台预置位切换后在未检测出运动前景下静态检测目标车辆，对事前目标车辆进行分析与识别； 使用嵌入式一体化的硬件结构，实现实时视频图像的采集、车辆行为分析、云台联动、相机变倍聚焦、车辆抓拍、车牌识别、图像压缩和网络传输。
2.根据权利要求1所述的基于云台和相机设备的车辆行为分析识别方法，其特征在于，利用基于图像弱边缘的混合高斯背景建模方法进行运动前景检测的具体步骤如下:首先利用改进的大尺度SOBEL算子对图象进行垂直和水平方向卷积并取最大值得到边缘图；然后用边缘图象建立混合高斯模型建立背景和提取前景。
3.根据权利要求1所述的基于云台和相机设备的车辆行为分析识别方法，其特征在于，利用基于级联LBP空间直方图特征的车辆检测算法确认检测运动前景中是否有车辆存在的步骤级联使用了两种分类器:快速检测并过滤掉非车辆的SVM线性分类器和进行精确的确认的基于SVM HIK的非线性分类器。
4.根据权利要求1所述的基于云台和相机设备的车辆行为分析识别方法，其特征在于，基于类Fern特征的快速车辆匹配算法把匹配图像分为子区域，利用积分图方法计算所有子区域内的平均灰度作为匹配准则。
5.根据权利要求1所述的基于开关电源红外灯驱动电路，其特征在于:利用目标的特征匹配数量来判断是否为违章停车，将每帧图象检测到运动目标的位置、大小和距离放入固定长度的缓冲区进行不断的更新，并把最新检测到的目标特征和历史数据遍历进行匹配记数，达到预定数值便为停车。
6.根据权利要求1所述的基于开关电源红外灯驱动电路，其特征在于:在云台预置位切换后，采用基于多标定尺度的静态车辆检测技术，对事前目标车辆进行分析与识别，由远及近计算出不同的车辆标定尺度。
7.根据权利要求1所述的基于开关电源红外灯驱动电路，其特征在于:使用嵌入式一体化的硬件结构，通过智能分析模块、视频采集缓冲模块、云台主控模块和视频压缩等四大模块在云台前端完成监控、智能分析功能。
【文档编号】H04N7/18GK103646544SQ201310567228
【公开日】2014年3月19日 申请日期:2013年11月15日 优先权日:2013年11月15日
【发明者】戴林, 李志国, 朱明
申请人:天津天地伟业数码科技有限公司