本发明涉及一种夜间运动车辆检测方法。
背景技术：
随着计算机技术和图像处理技术的发展，基于视频的车辆检测技术在智能交通管理系统的研究中占有很重要的地位，备受各地交通管理部门的关注。由于检测技术上的难点，现有的交通视频检测算法的研究大部分都集中在白天天气良好等交通环境下。夜间、阴雨、大雾和存在摄像机抖动以及车辆遮挡等复杂交通场景下，由于光照条件复杂等特殊性原因使得交通视频图像中运动车辆可辨信息量少，光照亮度变化大，且噪声干扰严重，车辆灯光有明显光晕，梯度信息不明显，目标提取困难，背景消减和帧间差分等许多适用于白天天气的视频检测算法，并不能适用于夜间、阴雨、大雾等复杂交通场景。夜间复杂交通场景中车辆检测就成为了视频车辆检测技术的难点。然而，智能交通监控系统应该是不分昼夜、环境、天气及光照的实时有效监控，要实现全天候的实时监控，需要加强对夜间车辆检测技术的研究，进一步完善智能监控系统在夜间交通场景下的监控。
目前，国内外对夜间车辆检测技术的研究甚少，大部分的研究都出现漏检率和误检率高的情况。
技术实现要素：
本发明要解决的技术问题是提供一种夜间运动车辆检测方法。
一种夜间运动车辆检测方法，包括以下步骤：
s1：采集夜间运动车辆视频图像，精确提取车头灯特征向量，利用改进的boosting模糊分类算法获取模糊分类规则集；
s2：利用获取的模糊分类规则对夜间运动车辆的车头灯进行分类判别；
s3根据分类判别结果，结合车头灯的空间距离信息、形状信息对属于同一辆车的车头灯进行配对和分组；
s4：利用车头灯的运动信息并结合先验知识，对车头灯进行合并。
进一步的，采用改进的boosting模糊分类算法获取模糊分类规则集的步骤如下：
1)有车头灯特征向量φi构成训练本集：{(φ1，c1)，(φ2，c2)，…，(φi，ci)，…，(φn，cn)}，其中，ci∈{c1，c2，…，cn}，表示车头灯类别，使每个训练样本的初始权值di相等(di＝l/n)；
2)对训练样本集进行t轮训练，产生t条新的模糊规则；
fort＝1,2,…,tdo
a)在样本的分布下，由下式通过遗传算法以迭代方式找出使f1越大且f2越小，适应度f最大时对应的模糊规则rt；
f1为类别相同的所有样本第t条模糊规则被激活的程度，f2为类别不同的所有样本第t条规则被激活的程度；
b)在不改变当前样本分布的条件下，由以下公式分别计算适应度f最大的模糊规则rt所对应的分类错误率e(rt)及其所对应的权值ht；
c)由下式计算di(t+1)，更新样本的权值di。
进一步的，对夜间运动车辆的车头灯进行分类判别的具体步骤如下：
1)提取夜间运动车辆车头灯的形状、颜色和运动特征，通过融合得到车头灯的特征向量φi；
2)对任意输入φi，由下式对每条模糊规则rj的激发度进行计算；
3)利用下式对类别未知的夜间运动车辆车头灯的类别进行判断；
进一步的，对属于同意了车的车头灯进行配对和分组的方法如下：
设τr和τy分别为横坐标和纵坐标的距离阈值，并由先验知识确定，定义车头灯横向距离dxij＝|xi-xj|，纵向距离为dyij＝|yi-yj|，计算dxij和dyij，对满足dxij≤τx∧dyij→0或dyij≤σy∧dxij→0的车头灯进行配对和分组。
进一步的，对车头灯进行合并的具体方法如下：
设si和sj分别为车头灯i和车头灯j中心的位移矢量，vi和vj为车头灯中心的速度矢量，定义侧头的运动特征的差分向量为：
tij＝{|si|-|sj|，|vi|-|vj|}；
计算同一类车的tij，满足条件|tij|≤τ的车头灯归为同一辆车，其中τ为运动特征差分的阈值。
本发明的有益效果是：
本发明方法实现了对夜间复杂交通场景中运动车辆的快速、准确检测，鲁棒性强、正确识别率高，完全满足夜间运动车辆实施检测的要求。
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。
一种夜间运动车辆检测方法，包括以下步骤：
s1：采集夜间运动车辆视频图像，精确提取车头灯特征向量，利用改进的boosting模糊分类算法获取模糊分类规则集；
s2：利用获取的模糊分类规则对夜间运动车辆的车头灯进行分类判别；
s3根据分类判别结果，结合车头灯的空间距离信息、形状信息对属于同一辆车的车头灯进行配对和分组；
s4：利用车头灯的运动信息并结合先验知识，对车头灯进行合并。
采用改进的boosting模糊分类算法获取模糊分类规则集的步骤如下：
1)有车头灯特征向量φi构成训练本集：{(φ1，c1)，(φ2，c2)，…，(φi，ci)，…，(φn，cn)}，其中，ci∈{c1，c2，…，cn}，表示车头灯类别，使每个训练样本的初始权值di相等(di＝1/n)；
2)对训练样本集进行t轮训练，产生t条新的模糊规则；
fort＝1,2,…,tdo
a)在样本的分布下，由下式通过遗传算法以迭代方式找出使f1越大且f2越小，适应度f最大时对应的模糊规则rt；
f1为类别相同的所有样本第t条模糊规则被激活的程度，f2为类别不同的所有样本第t条规则被激活的程度；
b)在不改变当前样本分布的条件下，由以下公式分别计算适应度f最大的模糊规则rt所对应的分类错误率e(rt)及其所对应的权值ht；
c)由下式计算di(t+l)，更新样本的权值di。
对夜间运动车辆的车头灯进行分类判别的具体步骤如下：
1)提取夜间运动车辆车头灯的形状、颜色和运动特征，通过融合得到车头灯的特征向量φi；
2)对任意输入φi，由下式对每条模糊规则rj的激发度进行计算；
3)利用下式对类别未知的夜间运动车辆车头灯的类别进行判断；
对属于同意了车的车头灯进行配对和分组的方法如下：
设τx和τy分别为横坐标和纵坐标的距离阈值，并由先验知识确定，定义车头灯横向距离dxij＝|xi-xj|，纵向距离为dyij＝|yi-yj|，计算dxij和dyij，对满足dxij≤τx∧dyij→0或dyij≤τy∧dxij→0的车头灯进行配对和分组。
对车头灯进行合并的具体方法如下：
设si和sj分别为车头灯i和车头灯j中心的位移矢量，vi和vj为车头灯中心的速度矢量，定义侧头的运动特征的差分向量为：
tij＝{|si|-|sj|，|vi|-|vj|}；
计算同一类车的tij，满足条件|tij|≤τ的车头灯归为同一辆车，其中τ为运动特征差分的阈值。