本發(fā)明涉及一種智能視頻監(jiān)控技術(shù)，特別涉及一種道路汽車探測與分類方法。

背景技術(shù)：

在智能交通系統(tǒng)中，管理人員或計(jì)算機(jī)自動(dòng)管理系統(tǒng)需要獲取大量的有關(guān)道路、車輛的信息進(jìn)行決策，以便有效地進(jìn)行管理。其中車輛信息是最主要的。車輛分類數(shù)據(jù)在路面設(shè)計(jì)與管理、高速公路的維護(hù)與重建、日常車流量的預(yù)測、高速公路的環(huán)境分析以及高速公路投資政策的選擇等方面都有著重要的應(yīng)用。

目前較為通用的分類器有決策樹、K近鄰法、支持向量機(jī)、AdaBoost等，其分類決策依據(jù)均來自于對樣本數(shù)據(jù)的學(xué)習(xí)，故需以大量的類樣本為支撐，不足之處是訓(xùn)練過程比較耗時(shí)?？紤]到障礙物種類的多樣性、環(huán)境的復(fù)雜性以及外形的不確定性，僅依靠對樣本學(xué)習(xí)得到的分類規(guī)則受樣本容量及空間分布的影響較大。貝葉斯網(wǎng)絡(luò)則有著強(qiáng)大的不確定知識的表達(dá)能力，在分類決策過程中，可充分利用先驗(yàn)知識及統(tǒng)計(jì)學(xué)習(xí)兩方面的信息，使推理規(guī)則更加靈活有效。這也使得在數(shù)據(jù)缺失或沒有樣本數(shù)據(jù)的情況下依然可以建立有效的分類器。

然而，由于傳統(tǒng)貝葉斯網(wǎng)絡(luò)，也即靜態(tài)貝葉斯網(wǎng)絡(luò)在目標(biāo)分類和辨識過程中僅利用了某一時(shí)刻的靜態(tài)觀測值，而沒有充分利用同一目標(biāo)在前后時(shí)間的相關(guān)性。因此汽車分類問題仍是智能交通系統(tǒng)中的一個(gè)難題。雖然已經(jīng)提出了許多方法來解決這個(gè)問題。但是由于實(shí)時(shí)環(huán)境條件和諸多限制，如：目標(biāo)碰撞、交通擁堵、照明、陰影、粘連、遮擋、車輛外觀、車輛類型、視頻分辨率等，仍然沒有一個(gè)適用于各類現(xiàn)實(shí)條件下的有效的、魯棒性高的汽車分類系統(tǒng)。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述難題，本發(fā)明提供了一種基于混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的道路汽車探測與分類方法，

為實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：

添加時(shí)間維度到靜態(tài)貝葉斯網(wǎng)絡(luò)中，對每個(gè)時(shí)間片采用復(fù)制靜態(tài)貝葉斯網(wǎng)絡(luò)的方式進(jìn)行相同的表達(dá)，加入依賴于來自前一時(shí)間片內(nèi)節(jié)點(diǎn)與當(dāng)前時(shí)間片內(nèi)節(jié)點(diǎn)之間的時(shí)間弧。所述網(wǎng)絡(luò)的每個(gè)時(shí)間片具有相同的結(jié)構(gòu)，且時(shí)間片之間具有相同的時(shí)間條件依賴性。所述網(wǎng)絡(luò)包括離散節(jié)點(diǎn)和連續(xù)節(jié)點(diǎn)，構(gòu)成混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。

基于以上網(wǎng)絡(luò)的道路汽車分類方法，具體包括如下步驟：

a、通過車載立體視覺裝置采集交通視頻序列；

b、從后視圖的視頻圖像中提取汽車的三個(gè)主要類型特征：尾燈，車牌和汽車后臉；

c、對后視圖中汽車的低維特征進(jìn)行選擇；

d、將選擇的汽車特征向量輸入到混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)中，按分類規(guī)則進(jìn)行分類決策。

作為優(yōu)選，步驟b提取車輛的后臉、車牌和尾燈的低維特征集，應(yīng)用特征選擇算法定義特征向量，設(shè)計(jì)由多個(gè)時(shí)間片對應(yīng)多個(gè)視頻幀的混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的新式結(jié)構(gòu)，對已獲得的特征向量進(jìn)行處理。

作為優(yōu)選，步驟c中的低維特征集包括左尾燈寬度，右尾燈寬度，左尾燈與車牌的距離，右尾燈與車牌的距離，左尾燈與車牌的角度，右尾燈與車牌的角度，車牌中心至連接兩尾燈中心線的垂直距離，邊界框?qū)挾龋吔缈蚋叨?，車牌到邊界框底邊的距離及汽車的后臉面積。

在特征提取期間，汽車一側(cè)的特征不能被正確地提取時(shí)，如尾燈，可能導(dǎo)致分類器分類失敗。所以在進(jìn)行特征選擇時(shí)選擇它左側(cè)和右側(cè)各自的特征。

作為優(yōu)選，步驟d混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)采用容易增加更多后視特征的方式被定義和架構(gòu)，在一個(gè)視頻的一幀或更多幀中不能被正確提取的丟失的特征能夠在混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)中推斷出來，因此，分類不完全失敗。

發(fā)明的作用與效果

根據(jù)本發(fā)明涉及的道路汽車探測與分類方法，在車載立體視覺裝置的基礎(chǔ)上，結(jié)合汽車后視圖，提取車輛的后臉尺寸、車牌和尾燈的特征集，應(yīng)用特征選擇算法定義低維特征向量，設(shè)計(jì)由多個(gè)時(shí)間片對應(yīng)多個(gè)視頻幀的混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的新式結(jié)構(gòu)，對已獲得的特征向量進(jìn)行處理，最后對汽車進(jìn)行分類。它一方面摒棄了對高分辨率及近景圖像的需求，通過使用后視圖簡單的低層次特征，例如：高度，寬度和角度等，大大減少了計(jì)算量，并能實(shí)時(shí)運(yùn)行。另一方面混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建將前一時(shí)間片內(nèi)的分類結(jié)果及觀測證據(jù)作為下一時(shí)間片的分類依據(jù)，將單次錯(cuò)誤判決風(fēng)險(xiǎn)綜合化，使其降到最小。從而有效降低了靜態(tài)判決帶來的主觀性和不確定性。提高復(fù)雜場景下車輛分類系統(tǒng)識別的可靠性與準(zhǔn)確性。

附圖說明

圖1為本發(fā)明實(shí)施例的邏輯原理圖；

圖2為本發(fā)明實(shí)施例的靜態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)示意圖；

圖3為本發(fā)明實(shí)施例的混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)示意圖。

具體實(shí)施方式

為了進(jìn)一步理解本發(fā)明，下面結(jié)合實(shí)施例對本發(fā)明優(yōu)選實(shí)施方案進(jìn)行描述，但是應(yīng)當(dāng)理解，這些描述只是為進(jìn)一步說明本發(fā)明的特征和優(yōu)點(diǎn)，而不是對本發(fā)明權(quán)利要求的限制。

本實(shí)施例提供了一種道路汽車探測與分類方法，如附圖1所示，通過車載立體視覺裝置采集交通視頻序列，從后視圖的視頻圖像中提取汽車的三個(gè)主要類型特征：尾燈，車牌和汽車的后臉。特征提取主要包括：車輛檢測，車牌提取和尾燈提取。

車輛檢測：采用立體視覺與光流融合的方法對運(yùn)動(dòng)中的車輛進(jìn)行檢測。具體實(shí)現(xiàn)步驟：1、結(jié)合道路場景的深度信息和車輛的運(yùn)動(dòng)信息，估計(jì)圖像序列因攝像機(jī)運(yùn)動(dòng)產(chǎn)生的自運(yùn)動(dòng)光流，實(shí)現(xiàn)車輛的自運(yùn)動(dòng)補(bǔ)償；2、采用Horn算法估計(jì)場景的混合光流保證光流的估計(jì)精度；3、利用差分運(yùn)算形態(tài)學(xué)處理剔除背景中靜態(tài)目標(biāo)的運(yùn)動(dòng)干擾，完成運(yùn)動(dòng)目標(biāo)的檢測。

車牌提?。壕唧w實(shí)現(xiàn)步驟：1、將彩色圖像從RGB轉(zhuǎn)化為YUV分量彩色模型，得到Y(jié)分量作灰度圖，獲得車牌的水平灰度邊緣圖像；2、利用開閉運(yùn)算使鄰近的邊緣帶聚集成區(qū)域；3、利用連通域形狀測量初步確定車牌區(qū)域；4、利用車牌標(biāo)準(zhǔn)模型的彩色組合和局部紋理分析最終確定車牌區(qū)域。

尾燈提?。杭磮D像區(qū)域中紅色像素突出的地方要被定位，通過融合兩種方法來計(jì)算每幅圖像像素的紅色部分。

第一種方法是將視頻圖像轉(zhuǎn)換到HSV顏色空間，將像素分成三個(gè)主要顏色組：紅色，綠色和藍(lán)色。

第二種方法是在RGB顏色空間定義r_i＝2R_i+B_i為每個(gè)像素的紅色水平。

圍繞在每個(gè)尾燈的邊界框通過聯(lián)合兩種方法的計(jì)算結(jié)果并檢測是否具有較高的發(fā)紅地區(qū)即是尾燈來生成，例如它是對稱的并且接近于車輛的邊緣。當(dāng)車體本身的顏色是紅色時(shí)，車輛顏色可使用HSV顏色空間直方圖分析法進(jìn)行估計(jì)來確定車輛是否為紅色。當(dāng)檢測為紅色車輛，尾燈檢測通過添加額外的預(yù)處理來增強(qiáng)，這其中包括Otsu閾值，顏色分割，移除大的或小的區(qū)域以及進(jìn)行對稱性分析。尾燈檢測到之后，對于車牌的寬度，質(zhì)心，車牌到左、右尾燈的距離及角度等其他類似參數(shù)都可以分別計(jì)算出來。

提取車輛的后臉、車牌和尾燈的低維特征集，例如，汽車檢測框的寬度、高度、左右尾燈的寬度、左右尾燈與車牌的角度、左右尾燈與車牌的距離、車牌到邊界框底邊的距離、車牌中心至連接兩尾燈中心線的垂直距離和汽車后臉面積等。

對特征集進(jìn)行特征選擇，應(yīng)用序列浮動(dòng)前向選擇法生成的特征子集包括:右尾燈與車牌的角度、右尾燈與車牌的距離、車牌到邊界框底邊的距離、車牌中心至連接兩尾燈中心線的垂直距離和汽車后臉面積。和使用全部特征集相比,雖精度由95.66％降為94.21％,但每幀的平均檢測時(shí)間也從0.05s降為0.03s。

將已獲得的特征向量輸入到混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)中，按分類規(guī)則進(jìn)行分類決策。

分類部分具體由兩階段實(shí)現(xiàn)。第一階段，將訓(xùn)練集中所有車輛的近鄰距離參數(shù)進(jìn)行高斯分布估計(jì)，遵循經(jīng)驗(yàn)法則，將車輛特征向量先分為已知或未知。車輛被分類為已知，便作為候選進(jìn)入分類的第二階段：采用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)對車輛進(jìn)行分類。

如附圖2，圖中所示的為三層五個(gè)節(jié)點(diǎn)組成的靜態(tài)貝葉斯網(wǎng)絡(luò)模型，是一種基于網(wǎng)絡(luò)結(jié)構(gòu)的有向圖解描述，適用于不確定性和概率性事件，網(wǎng)絡(luò)結(jié)構(gòu)是一個(gè)有向無環(huán)圖，圖中的節(jié)點(diǎn)表示隨機(jī)變量，有向弧表示節(jié)點(diǎn)間的條件依存關(guān)系。圖中每個(gè)節(jié)點(diǎn)可描述如下：假定變量C為識別的汽車類型，其取值為所有可能的目標(biāo)類型，用根節(jié)點(diǎn)表示，待識別的汽車類為轎車設(shè)為sedan、貨車設(shè)為pickup和SUV或小貨車設(shè)為minivan；觀測變量為視覺傳感器觀測到的運(yùn)動(dòng)目標(biāo)的特征，用子節(jié)點(diǎn)來表示。如X_LP為車牌，包括車牌到邊界框底邊的距離和車牌到兩個(gè)尾燈中心連接線的垂直距離兩個(gè)特征；X_LTL和X_RTL分別為左、右尾燈，分別包括左、右尾燈的寬度，與車牌的角度及它到車牌質(zhì)心的距離三個(gè)特征；X_RD為后臉尺寸，包括邊界框的寬度、高度和車輛的后臉面積三個(gè)特征。

添加時(shí)間維度到靜態(tài)貝葉斯網(wǎng)絡(luò)中創(chuàng)建一個(gè)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，時(shí)間維度是明確的，離散的，通過狀態(tài)轉(zhuǎn)換概率的形式將相鄰時(shí)間片的靜態(tài)網(wǎng)絡(luò)聯(lián)系在一起，并將前一時(shí)刻的輸出結(jié)果作為后一時(shí)刻的輸入證據(jù)，從而將基于各個(gè)時(shí)刻的靜態(tài)方程聯(lián)系起來，形成一個(gè)動(dòng)態(tài)的網(wǎng)絡(luò)。該結(jié)構(gòu)定義如下：

一、對于每一個(gè)時(shí)間片t_i，i＝1，2，3…，5，動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)和靜態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)相同；

二、每一個(gè)特征是的父特征；

三、C^t是C^t+1的父類；

四、除了時(shí)間片t的假定變量到時(shí)間片t+1的觀測變量的弧以外，所有片內(nèi)依賴關(guān)系即有向弧都作為內(nèi)部時(shí)間片。

如附圖3所示，三個(gè)時(shí)間片的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)既包括離散節(jié)點(diǎn)，還包括連續(xù)節(jié)點(diǎn)，將其定義為混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。

對車輛分類前需要訓(xùn)練混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)或者學(xué)習(xí)混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的參數(shù)。對于賦予其父節(jié)點(diǎn)的每個(gè)節(jié)點(diǎn)的概率分布都應(yīng)被確定。對于時(shí)間片t_i，i＝2，…，5，有

p(X_LTL^t|C^t，X_LTL^t-1)，p(X_RTL^t|C^t，X_RTL^t-1)，p(C^t|C^t-1)，p(X_RD^t|C^t，X_RD^t-1)

p(X_LP^t|C^t，X_LTL^t，X_RTL^t，X_LP^t-1，X_LTL^t-1，X_RTL^t-1)

比如，為了確定p(X_RTL^t|C^t，X_RTL^t-1)，對于C^t的每一個(gè)不同參數(shù)的三個(gè)分布都需要知道，因此，p(X_RTL^t|X_RTL^t-1，C^t＝sedan)，p(X_RTL^t|X_RTL^t-1，C^t＝pickup)，和p(X_RTL|X_RTL^t-1，C^t＝SUV or Minivan)都要被估計(jì)，從而p(X_RTL|X_RTL^t-1)就可以從所有C^t事件求和中計(jì)算得出。

最后就是從被設(shè)定代表汽車特征向量的汽車類組中推理其概率分布，即推理p(C^t|f^(1：t))，其中f^(1：t)指的是從時(shí)間片t₁到t₅的所有特征。

以上實(shí)施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想。應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以對本發(fā)明進(jìn)行若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。