本發(fā)明屬于智能交通技術(shù)領(lǐng)域，特別是涉及一種基于DSP的智能交通運動目標檢測方法。
背景技術(shù)：
具有識別功能足智能交通系統(tǒng)的智能性的體現(xiàn)之一。識別是指從客觀事實中自動建立符號描述或進行邏輯推理的數(shù)學(xué)和技術(shù)，因而人們定義模式識別是對客觀世界中物體和過程進行分類和描述的。在道路交通系統(tǒng)中，運動目標可以分為汽車、摩托車、自行車、行人等類別，這些目標在面積、形狀復(fù)雜度、顏色、紋理以及速度等方面都具有較大的差異。圖像的類型不同，其有效的目標標識別特征也不同，所以至今還沒有一種適用于各種識別的通用圖像特征參數(shù)。同時物體又足移動的，使得對于同一運動目標，因其姿態(tài)和距離的變化，會使攝像機采集的圖像，具有不同的特征此外，多固稱的出現(xiàn)、目標之間的遮擋、目標影子等因素都會增加目標識別的難度。
對交通系統(tǒng)中檢測出來的運動目標進行分類有很多種方法，像統(tǒng)計模式分類法，結(jié)構(gòu)法，神經(jīng)網(wǎng)絡(luò)法，分類數(shù)法等?？紤]到路口攝像頭的位置，拍攝的圖像以俯視圖為主，對檢測出的運動物體，根據(jù)其仿射不變矩、形狀和面積等特征，運用支持向量機、模糊積分等技術(shù)，將檢測分割后的區(qū)域進行分類識別，特征參數(shù)除了不變矩特征外，考慮面積和形狀等特征，以便實現(xiàn)對道路交通系統(tǒng)中運動目標的準確識別。
技術(shù)實現(xiàn)要素：
本發(fā)明的目的在于提供一種基于DSP的智能交通運動目標檢測方法，通過基于模糊積分的多特征融合目標分級識別方法，通過提取出面積、復(fù)雜度和放射不變矩三類特征；然后運用支持向量機對四個放射不變矩進行初步分類，分類的結(jié)采聯(lián)同面積特征和復(fù)雜度特征一同運用模糊，識分進行特征融合進行精確識別。
本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：
本發(fā)明為一種基于DSP的智能交通運動目標檢測方法，包括如下步驟：
步驟一，獲取待識別目標圖像數(shù)字數(shù)據(jù)，提取特征，并作歸一化處理；
步驟二，所述步驟一中，提取特征并作歸一化處理具體為：
a仿射不變矩：到第一級分類器，支持向量機，通過支持向量機分類器識別結(jié)果，果到第二級分類器，模糊積分；
b面部特征和形狀復(fù)雜度特征：到第二級分類器，模糊積分；
步驟三，輸出識別結(jié)果。
優(yōu)選地，所述步驟二中基于支持向量機的第一級分類器通過支持向量機算法，依據(jù)仿射不變矩初步判斷檢測目標。
在交通視頻監(jiān)視系統(tǒng)中，運動的目標可以細分為大型車(卡車、大客車等)，小型車(小轎車等)，行人三大類別。由于這幾種物體在面積、形狀復(fù)染度、仿射不變矩特征上具有較大差異，本文將融合這些特征中的一部分對分割出來的運動目標進行分類識別，在各個運動物體被分割出來后，其面積特征隨之得到。
現(xiàn)有的不變特征提収方法都是基于不同的抽象的數(shù)學(xué)物理模型來描述物理現(xiàn)象，而這種物理模型又可以建立多個數(shù)學(xué)模型，應(yīng)用對應(yīng)的數(shù)學(xué)分支的不變性構(gòu)造不變特征量。如Hu利用代數(shù)不變性、Yang利用解析兒何中的不變性。常用的仿射不變特征是仿射不變矩，它是由不具備真正的仿射不變性的Hu矩演進而來的具有仿射不變性的矩特征。
本發(fā)明具有以下有益效果：
本發(fā)明通過基于模糊積分的多特征融合目標分級識別方法，實現(xiàn)大型車、小型車和行人的多目標分類。首先提取出面積、復(fù)雜度和放射不變矩三類特征；然后運用支持向量機對四個放射不變矩進行初步分類，分類的結(jié)采聯(lián)同面積特征和復(fù)雜度特征一同運用模糊，識分進行特征融合進行精確識別。
當然，實施本發(fā)明的任一產(chǎn)品并不一定需要同時達到以上所述的所有優(yōu)點。
附圖說明
為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對實施例描述所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
圖1為本發(fā)明的一種基于DSP的智能交通運動目標檢測方法流程圖。
具體實施方式
下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其它實施例，都屬于本發(fā)明保護的范圍。
請參閱圖1所示，本發(fā)明為一種基于DSP的智能交通運動目標檢測方法，包括如下步驟：
步驟一，獲取待識別目標圖像數(shù)字數(shù)據(jù)，提取特征，并作歸一化處理；
步驟二，所述步驟一中，提取特征并作歸一化處理具體為：
a仿射不變矩：到第一級分類器，支持向量機，通過支持向量機分類器識別結(jié)果，果到第二級分類器，模糊積分；
b面部特征和形狀復(fù)雜度特征：到第二級分類器，模糊積分；
步驟三，輸出識別結(jié)果。
其中，步驟二中基于支持向量機的第一級分類器通過支持向量機算法，依據(jù)仿射不變矩初步判斷檢測目標。
在交通視頻監(jiān)視系統(tǒng)中，運動的目標可以細分為大型車(卡車、大客車等)，小型車(小轎車等)，行人三大類別。由于這幾種物體在面積、形狀復(fù)染度、仿射不變矩特征上具有較大差異，本文將融合這些特征中的一部分對分割出來的運動目標進行分類識別，在各個運動物體被分割出來后，其面積特征隨之得到。
現(xiàn)有的不變特征提収方法都是基于不同的抽象的數(shù)學(xué)物理模型來描述物理現(xiàn)象，而這種物理模型又可以建立多個數(shù)學(xué)模型，應(yīng)用對應(yīng)的數(shù)學(xué)分支的不變性構(gòu)造不變特征量。如Hu利用代數(shù)不變性、Yang利用解析兒何中的不變性。常用的仿射不變特征是仿射不變矩，它是由不具備真正的仿射不變性的Hu矩演進而來的具有仿射不變性的矩特征。
在模式識別中，把多個分類器的輸出信息融合起來進行分類決策與解決復(fù)雜分類問題的一種有效方法。模糊積分是處理信息融合問題的有效方法之一，它能夠融合多類輸出信息，同時考慮每類信息之間的相互聯(lián)系。日前有兩種節(jié)本模糊積分技術(shù)：(Choquet)模糊積分和管野(Sugeno)模糊積分。兩種積分都是被積函數(shù)的內(nèi)積，不同的只是以不同的測度為基礎(chǔ)。
竹野道夫(M.Sugcno)在他的博士論文中首次提出模糊測度和模糊積分的概念，即用比較弱的單調(diào)性和連續(xù)性來代鋝可加性的另一類集函數(shù)，也稱之為模糊測度，并相應(yīng)地定義可測函數(shù)關(guān)于模糊測度的積分。
值得注意的是，上述系統(tǒng)實施例中，所包括的各個單元只是按照功能邏輯進行劃分的，但并不局限于上述的劃分，只要能夠?qū)崿F(xiàn)相應(yīng)的功能即可；另外，各功能單元的具體名稱也只是為了便于相互區(qū)分，并不用于限制本發(fā)明的保護范圍。
另外，本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述各實施例方法中的全部或部分步驟是可以通過程序來指令相關(guān)的硬件來完成，相應(yīng)的程序可以存儲于一計算機可讀取存儲介質(zhì)中，所述的存儲介質(zhì)，如ROM/RAM、磁盤或光盤等。
以上公開的本發(fā)明優(yōu)選實施例只是用于幫助闡述本發(fā)明。優(yōu)選實施例并沒有詳盡敘述所有的細節(jié)，也不限制該發(fā)明僅為所述的具體實施方式。顯然，根據(jù)本說明書的內(nèi)容，可作很多的修改和變化。本說明書選取并具體描述這些實施例，是為了更好地解釋本發(fā)明的原理和實際應(yīng)用，從而使所屬技術(shù)領(lǐng)域技術(shù)人員能很好地理解和利用本發(fā)明。本發(fā)明僅受權(quán)利要求書及其全部范圍和等效物的限制。