专利名称：车辆检测方法和系统的制作方法
技术领域：
本发明涉及智能交通技术领域，更具体的说是涉及一种车辆检测方法和系统。
背景技术：
城市交通监控系统作为减少交通事故和交通拥挤的有效技术，已经在各大城市广 泛应用。低空对地城市交通监控系统，主要是利用无人驾驶飞机搭载摄像头拍摄城市道路 交通信息，然后对拍摄的视频序列进行处理，从而检测得出视频图像中的车辆。低空对地平 台下检测道路交通中的车辆以及其相应的信息已经成为研究界和产业界极为关注的关键 技术。国内外研究者在车辆检测方面取得了许多成果，对于车辆的检测而言，检测方法 需要满足以下要求1)实时性需求检测运行速度必须比视频的拍摄速度快；2)检测率需 求必须尽可能多得检测出视频流中的车辆；3)误报率需求必须尽可能减少非车辆物体 被误报为车辆。目前现有的车辆检测方法，通常采用帧差法或者背景差除法，帧差法是在图像序 列中的连续两帧或三帧之间采用基于像素点的时间差分并且阈值化来提取图像中的车辆 区域，背景差分法是指首先在视频帧中选取背景图像，然后将当前视频帧和背景图像相减， 进行背景消去，若所得到的像素数大于某一阀值，则判定被监视场景中存在运动物体，进一 步检测出为车辆，但是由于帧差法受光照和环境的影响比较大，背景差分法对于低空对地 拍摄的视频图像，又很难获得比较准确的背景信息，因此这两种方法进行车辆检测时误差 都比较大，从而导致检测率低，误报率高。
发明内容
有鉴于此，本发明提供了一种车辆检测方法，用以解决现有技术中车辆检测时检 测率低，误报率高的技术问题，同时还满足了实时性的需求。本发明还提供了一种车辆检测系统，用以保证上述方法在实际中的实现及应用。为实现上述目的，本发明提供如下技术方案一种车辆检测方法，所述方法包括获取输入视频图像的特征图，所述特征图包括颜色特征图、方向特征图和运动特 征图；计算所述特征图中每个像素点对应的特征值，并将所述特征值进行整合得出每个 像素点对应的显著值；依据所述显著值中的最大值对应的像素点位置获取显著区域，并将所述显著区域 进行整合得到车辆候选区域；通过预先根据样本训练出的分类器检测出车辆候选区域中的车辆。优选地，所述获取输入视频图像的特征图包括获取输入的当前帧图像的颜色特征形成颜色特征图，所述颜色特征图包括红r、绿(r+g+b)/3特征图；通过滤波器将所述灰度I特征图进行滤波获取方向特征图，所述方向特征图包括 {0°，45°，90°，135° }四个方向的特征图；依据与所述当前帧图像相隔若干帧的图像利用图像差分算法获取运动特征图，所 述运动特征图包括与所述当前帧分别相隔3、4、5帧的图像通过图像差分算法计算得出的 运动特征图。优选地，计算所述特征图中像素点对应的特征值，并将所述特征值进行整合得出 像素点对应的显著值包括计算特征图中每个像素与周围像素的差值，并将所有差值的均值作为该像素点的 特征值；依据第一显著位置计算公式将所述特征值进行整合获得每个像素点的第一初始 显著值；依据第二显著位置计算公式将所述第一初始显著值进行整合获得每个像素点对 应的显著值。优选地，所述依据第二显著位置计算公式将所述第一初始显著值进行整合获得每 个像素点对应的显著值包括依据第二显著位置计算公式将所述第一初始显著值进行整合获得每个像素点对 应的第二初始显著值；将像素点对应的返回抑制值、位置增强值和所述第二初始显著值整合得到显著值。优选地，所述依据所述显著值中的最大值对应的像素点位置获取显著区域，并将 所述显著区域整合得到车辆候选区域具体为依据所述显著值中的最大值对应的像素点以及与所述最大值相差一定范围的其 他显著值对应的像素点组成的区域，确定该区域的中心像素点；依据像素点对应的第一初始显著值和所述中心像素点对应的位置利用矩形算子 公式获取显著区域；将所述显著区域进行整合得到车辆候选区域。优选地，所述分类器为层叠分类器，则所述通过预先根据样本训练出的分类器检 测出车辆候选区域中的车辆包括利用所述层叠分类器前三层单分类器通过滑动窗口扫描技术获取最佳车辆候选 区域；利用所述层叠分类器剩余单分类器检测所述最佳车辆候选区域是否为车辆；
在原始输入的视频图像中将检测出的车辆进行标记。本发明还提供了一种车辆检测系统，所述系统包括特征图获取单元，用于获取输入视频图像的特征图，所述特征图包括颜色特征图、 方向特征图和运动特征图；计算单元，用于计算所述特征图中每个像素点对应的特征值，并将所述特征值进 行整合得出每个像素点对应的显著值；区域获取单元，用于依据所述显著值中的最大值对应的像素点位置获取显著区域，并将所述显著区域进行整合得到车辆候选区域；车辆检测单元，用于通过预先根据样本训练出的分类器检测出车辆候选区域中的 车辆。优选地，所述特征图获取单元包括颜色特征图获取单元，用于获取输入的当前帧图像的颜色特征形成颜色特征图， 所述颜色特征图包括红r、绿g、蓝1三原色特征图和灰度I = (r+g+b)/3特征图；方向特征图获取单元，用于通过滤波器将所述灰度I特征图进行滤波获取方向特 征图，所述方向特征图包括{0°，45°，90°，135° }四个方向的特征图；运动特征图获取单元，依据与所述当前帧图像相隔若干帧的图像利用图像差分算 法获取运动特征图，所述运动特征图包括与所述当前帧相隔3、4、5帧的图像通过图像差分 算法计算得出的运动特征图。优选地，所述计算单元包括特征值计算单元，用于计算特征图中每个像素与周围像素的差值，并将所有差值 的均值作为该像素点的特征值；第一初始显著值计算单元，用于依据第一显著位置计算公式将所述特征值进行整 合获得每个像素点的第一初始显著值；显著值计算单元，用于依据第二显著位置计算公式将所述第一初始显著值进行整 合获得每个像素点对应的显著值。优选地，所述显著值计算单元包括第二初始显著值计算单元，用于依据第二显著位置计算公式将所述第一初始显著 值进行整合获得每个像素点对应的第二初始显著值；显著值计算子单元，用于将像素点对应的返回抑制值、位置增强值和所述第二初 始显著值整合得到显著值。优选地，所述区域获取单元包括中心点确定单元，用于依据所述显著值中的最大值对应的像素点以及与所述最大 值相差一定范围的其他显著值对应的像素点组成的区域，确定该区域的中心像素点；显著区域获取单元，用于依据所述第一初始显著值和所述中心像素点对应的位置 利用矩形算子公式获取显著区域；车辆候选区域获取单元，用于将所述显著区域进行整合得到车辆候选区域。优选地，所述车辆检测单元包括最佳区域获取单元，用于利用所述层叠分类器前三层单分类器通过滑动窗口扫描 技术获取最佳车辆候选区域；车辆检测子单元，用于利用所述层叠分类器剩余单分类器检测所述最佳车辆候选 区域是否为车辆；标记单元，用于在原始输入的视频图像中将检测出的车辆进行标记。经由上述的技术方案可知，与现有技术相比，本发明提供了一种车辆检测方法和 系统，在错综复杂的城市交通背景中检测出车辆，通过获取输入视频图像的颜色、方向和运 动对应的特征图，计算特征图中像素点对应的特征值，最后整合出每个像素点对应的显著 值，并根据显著值中的最大值对应像素点的位置通过相应的算法获取显著区域，将显著区域整合得到车辆候选区域，然后在通过已经训练好的分类器精确判断所述车辆候选区域是 否为车辆。本发明保证实时性需求的前提下，通过颜色，方向，运动三方面特征来获取车辆 候选区域，检测率高、误报率低，又避免了使用过多的特征带来的计算复杂度，引起不必要 的计算开销，从而影响系统的处理速度的问题。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据 提供的附图获得其他的附图。图1为本发明一种车辆检测方法一个实施例的流程图；图2为本发明一种车辆检测系统一个实施例的结构图；图3为本发明一种车辆检测系统计算单元的结构图。
具体实施例方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。本发明实施例公开了一种车辆检测方法和系统，在错综复杂的城市交通背景中检 测出车辆。通过提取输入视频图像中的颜色、方向、运动特征对应的特征图，经过相应的计 算获得每个像素点对应的显著值，并根据该显著值获取车辆候选区域，然后在通过已经训 练好的分类器精确判断所述车辆候选区域是否为车辆。本发明保证实时性需求的前提下， 通过颜色，方向，运动三方面特征来获取车辆候选区域，检测率高、误报率低。参见图1，示出了本发明一种车辆检测方法一个实施例的流程图，可以包括以下步 骤步骤101 获取输入视频图像的特征图。特征图是指包含了视频帧图像中特征信息的图像，所述的特征信息包括颜色、方 向、运动等，所述的特征图可以是具体图像，例如颜色直方图，或者在具体算法过程中的抽 象概念，并不代表实际的图。由于选用图像的一种特征很难区分车辆以及非车辆区域，而使用过多的特征会带 来更高的计算复杂度，引起不必要的计算开销，从而影响系统的处理速度，影响检测实时 性，因此本发明采用颜色、方向以及运动三种计算复杂度低且便于获取的特征来作为提取 车辆候选区域的依据。获取输入视频图像的特征图具体为首先，获取输入的当前帧图像的颜色特征形成颜色特征图。所述颜色特征包括了红r、绿g、蓝1三原色特征，其中，r、g、1分别代表输入图像 的红、绿、蓝三通道。在输入的视频图像中，三原色通道存在着耦合关系，在光线强烈的像 素点，三原色普遍偏高，而在光线阴暗的像素点，三原色普遍偏低。因此，在引入三原色作为颜色特征的同时，还需要引入 I = (r+g+b) /3, R = r-(g+b) /2, G = g-(r+b) /2, and B = b-(r+g)/2四个新颜色通道作为耦合关系的补充，因此得到八张颜色特征图。其中I为图像 的灰度特征。另外，阴暗处的像素色调无法被光感系统感知，同时也不可能成为车辆候选区 域，因此新颜色特征只在灰度值大于图像灰度值的最大值的1/10的像素点处进行计算，其 余统一设置为0。然后，通过滤波器将所述灰度I特征图进行滤波获取方向特征图。由于车辆区别于道路和路旁建筑物，具有明显的方向性，因此可以采用视频图像 的方向特征作为获取车辆候选区域的依据。其中，Gabor滤波器G(o，θ，f)对于局部区 域的方向敏感，是提取方向特征的常用技术。根据车辆在图像中的大小，选用特定的o、f， 用{0°，45°，90°，135° }四个方向的Gabor滤波器对灰度I特征图进行滤波，得到包括 {0°，45°，90°，135° }方向的4张方向特征图。本发明只是从颜色特征图的灰度I特征 图提取方向特征。其次，依据与所述当前帧图像相隔若干帧的图像利用图像差分算法获取运动特征 图。为了能够更好的利用图像差分算法得出前后两帧图像的差异，所述相隔若干帧的 图像可以具体是具有3 6帧间隔的图像，具体取决于原始视频的fps (每秒帧数)。车辆相对于周围环境具有明显的位移特性。不同的时间间隔会对运动特性产生不 同的显著值，因此本发明实施例采用与当前帧分别间隔3、4、5帧的图像来分别计算运动特 征得出三张运动特征图。需要说明的是，所述相隔的视频帧数，以及选用的图像数还可以是 其它具体的值，本实施例并不对此做出具体限定。本实施例中获取视频图像的特征图，共获取了 14张特征图，其中包括了 7张颜色 特征图、4张方向特征图和3张运动特征图，所述的具体数值是根据实际情况以及实验数据 获得的，在实际应用的，本发明的特征图并不局限于14张。步骤102 计算所述特征图中每个像素点对应的特征值，并将所述特征值进行整 合得出每个像素点对应的显著值。在本实施例中，由步骤101中可知获取了三类特征图，每类特征图中又包括多张 特征图，计算所述特征图中像素点对应的特征值具体是，计算每张特征图中每个像素与周 围像素的差值，并将所有差值的均值作为该像素点的特征值，因此每张特征图的每个像素 点都获得一个特征值。然后在将该特征值进行整合。首先根据第一显著位置公式将所述特征值进行整合获得每个像素点的第一初始 显著值。此处第一显著位置计算公式采用标准算子N(*)，该算子可具体表述如下a、将整幅图像中的所有像素点归一化到一个固定的范围W M]；b、找出图像全局域中的最大值M以及所有极值点的平均值W;C、将全局域中的所有像素乘以。所述第一显著位置计算公式具体为
权利要求
1.一种车辆检测方法，其特征在于，所述方法包括获取输入视频图像的特征图，所述特征图包括颜色特征图、方向特征图和运动特征图；计算所述特征图中每个像素点对应的特征值，并将所述特征值进行整合得出每个像素 点对应的显著值；依据所述显著值中的最大值对应的像素点位置获取显著区域，并将所述显著区域进行 整合得到车辆候选区域；通过预先根据样本训练出的分类器检测出车辆候选区域中的车辆。
2.根据权利要求1所述的方法，其特征在于，所述获取输入视频图像的特征图包括 获取输入的当前帧图像的颜色特征形成颜色特征图，所述颜色特征图包括红r、绿g、蓝1三原色特征图和灰度I = (r+g+b)/3特征图；通过滤波器将所述灰度I特征图进行滤波获取方向特征图，所述方向特征图包括 {0°，45°，90°，135° }四个方向的特征图；依据与所述当前帧图像相隔若干帧的图像利用图像差分算法获取运动特征图，所述运 动特征图包括与所述当前帧分别相隔3、4、5帧的图像通过图像差分算法计算得出的运动 特征图。
3.根据权利要求1所述的方法，其特征在于，计算所述特征图中像素点对应的特征值， 并将所述特征值进行整合得出像素点对应的显著值包括计算特征图中每个像素与周围像素的差值，并将所有差值的均值作为该像素点的特征值；依据第一显著位置计算公式将所述特征值进行整合获得每个像素点的第一初始显著值；依据第二显著位置计算公式将所述第一初始显著值进行整合获得每个像素点对应的 显著值。
4.根据权利要求3所述的方法，其特征在于，所述依据第二显著位置计算公式将所述 第一初始显著值进行整合获得每个像素点对应的显著值包括依据第二显著位置计算公式将所述第一初始显著值进行整合获得每个像素点对应的 第二初始显著值；将像素点对应的返回抑制值、位置增强值和所述第二初始显著值整合得到显著值。
5.根据权利要求3或4所述的方法，其特征在于，所述依据所述显著值中的最大值对应 的像素点位置获取显著区域，并将所述显著区域整合得到车辆候选区域具体为依据所述显著值中的最大值对应的像素点以及与所述最大值相差一定范围的其他显 著值对应的像素点组成的区域，确定该区域的中心像素点；依据像素点对应的第一初始显著值和所述中心像素点对应的位置利用矩形算子公式 获取显著区域；将所述显著区域进行整合得到车辆候选区域。
6.根据权利要求1所述的方法，其特征在于，所述分类器为层叠分类器，则所述通过预 先根据样本训练出的分类器检测出车辆候选区域中的车辆包括利用所述层叠分类器前三层单分类器通过滑动窗口扫描技术获取最佳车辆候选区域；利用所述层叠分类器剩余单分类器检测所述最佳车辆候选区域是否为车辆； 在原始输入的视频图像中将检测出的车辆进行标记。
7.—种车辆检测系统，其特征在于，所述系统包括特征图获取单元，用于获取输入视频图像的特征图，所述特征图包括颜色特征图、方向 特征图和运动特征图；计算单元，用于计算所述特征图中每个像素点对应的特征值，并将所述特征值进行整 合得出每个像素点对应的显著值；区域获取单元，用于依据所述显著值中的最大值对应的像素点位置获取显著区域，并 将所述显著区域进行整合得到车辆候选区域；车辆检测单元，用于通过预先根据样本训练出的分类器检测出车辆候选区域中的车辆。
8.根据权利要求7所述的系统，其特征在于，所述特征图获取单元包括颜色特征图获取单元，用于获取输入的当前帧图像的颜色特征形成颜色特征图，所述 颜色特征图包括红r、绿g、蓝1三原色特征图和灰度I = (r+g+b)/3特征图；方向特征图获取单元，用于通过滤波器将所述灰度I特征图进行滤波获取方向特征 图，所述方向特征图包括{0°，45°，90°，135° }四个方向的特征图；运动特征图获取单元，依据与所述当前帧图像相隔若干帧的图像利用图像差分算法获 取运动特征图，所述运动特征图包括与所述当前帧相隔3、4、5帧的图像通过图像差分算法 计算得出的运动特征图。
9.根据权利要求7所述的系统，其特征在于，所述计算单元包括特征值计算单元，用于计算特征图中每个像素与周围像素的差值，并将所有差值的均 值作为该像素点的特征值；第一初始显著值计算单元，用于依据第一显著位置计算公式将所述特征值进行整合获 得每个像素点的第一初始显著值；显著值计算单元，用于依据第二显著位置计算公式将所述第一初始显著值进行整合获 得每个像素点对应的显著值。
10.根据权利要求9所述的系统，其特征在于，所述显著值计算单元包括第二初始显著值计算单元，用于依据第二显著位置计算公式将所述第一初始显著值进 行整合获得每个像素点对应的第二初始显著值；显著值计算子单元，用于将像素点对应的返回抑制值、位置增强值和所述第二初始显 著值整合得到显著值。
11.根据权利要求9或10所述的系统，其特征在于，所述区域获取单元包括中心点确定单元，用于依据所述显著值中的最大值对应的像素点以及与所述最大值相 差一定范围的其他显著值对应的像素点组成的区域，确定该区域的中心像素点；显著区域获取单元，用于依据所述第一初始显著值和所述中心像素点对应的位置利用 矩形算子公式获取显著区域；车辆候选区域获取单元，用于将所述显著区域进行整合得到车辆候选区域。
12.根据权利要求7所述的系统，其特征在于，所述车辆检测单元包括最佳区域获取单元，用于利用所述层叠分类器前三层单分类器通过滑动窗口扫描技术 获取最佳车辆候选区域；车辆检测子单元，用于利用所述层叠分类器剩余单分类器检测所述最佳车辆候选区域 是否为车辆；标记单元，用于在原始输入的视频图像中将检测出的车辆进行标记。
全文摘要
本发明提供了一种车辆检测方法和系统，所述方法包括获取输入视频图像的特征图，所述特征图包括颜色特征图、方向特征图和运动特征图；计算所述特征图中每个像素点对应的特征值，并将所述特征值进行整合得出每个像素点对应的显著值；依据所述显著值中的最大值对应的像素点位置获取显著区域，并将所述显著区域进行整合得到车辆候选区域；通过预先根据样本训练出的分类器检测出车辆候选区域中的车辆，本发明在保证实时性需求的前提下，通过颜色，方向，运动三方面特征分析来获取车辆候选区域，检测率高，误报率低。
文档编号G06K9/62GK102142090SQ20111006268
公开日2011年8月3日 申请日期2011年3月15日 优先权日2011年3月15日
发明者兰金鹤, 吴长侠, 宁博, 施峥嵘, 曹先彬, 林人俊, 汪中 申请人:中国科学技术大学