本發(fā)明屬于交通視頻監(jiān)控領(lǐng)域，尤其涉及一種基于視頻中車輛運(yùn)動(dòng)軌跡的路側(cè)停車行為精確識(shí)別方法。

背景技術(shù)：

隨著城市現(xiàn)代化建設(shè)的不斷加快以及城市人口和機(jī)動(dòng)車輛的迅速增加，城市交通相關(guān)問題，例如擁堵、停車等問題變得日益嚴(yán)重。其中一個(gè)典型問題就是路側(cè)停車問題。由于停車空間不封閉、停車環(huán)境復(fù)雜、停車資源緊缺、管理手段落后，路側(cè)停車問題成為城市交通停車管理中最困難的問題之一。針對(duì)城市車位資源緊張和停車難的問題，通過車位的統(tǒng)一管理和動(dòng)態(tài)實(shí)時(shí)監(jiān)測(cè)，可以充分利用車位資源，實(shí)現(xiàn)資源的有效整合，解決駕駛員尋停車位難的問題，提供停車服務(wù)的智能化和一體化。其中涉及的關(guān)鍵問題是對(duì)路側(cè)停車行為的識(shí)別分析技術(shù)。

現(xiàn)有的停車行為識(shí)別技術(shù)中最具代表性的是基于地磁的停車行為識(shí)別技術(shù)和基于視頻的停車行為識(shí)別技術(shù)?；诘卮诺耐＼囆袨樽R(shí)別技術(shù)主要依賴地磁感應(yīng)設(shè)備對(duì)車輛停車行為進(jìn)行分析。經(jīng)過幾十年的發(fā)展，地磁技術(shù)已發(fā)展形成商用產(chǎn)品，并在許多城市得到應(yīng)用。但該技術(shù)在地磁線圈設(shè)備的安裝和維護(hù)過程中需要破路施工，其性能易受到冰凍、鹽堿或繁忙交通的影響，同時(shí)對(duì)于復(fù)雜的異常停車行為(例如斜跨、半側(cè)位壓線、反復(fù)、跨位等停車行為)地磁技術(shù)往往無效。為了解決異常停車行為問題，基于圖像或視頻的停車行為識(shí)別技術(shù)得到了廣泛的研究和應(yīng)用。這種技術(shù)主要從停車行為的視頻幀序列中選取關(guān)鍵幀，從中提取感興趣區(qū)域(regionofinterest,roi)對(duì)停車行為進(jìn)行分類識(shí)別。然而車輛的停車行為是一種持續(xù)的動(dòng)態(tài)過程，單幀圖像無法描述其完整的運(yùn)動(dòng)過程，因此采用基于視頻圖像幀序列的停車行為識(shí)別技術(shù)更為合理?，F(xiàn)有基于視頻圖像幀序列的停車行為識(shí)別方法主要分為兩種：一種是根據(jù)車輛質(zhì)心位移和速度對(duì)停車行為進(jìn)行判別分析；另一種是根據(jù)劃定區(qū)域像素灰度值變化對(duì)停車行為進(jìn)行判別分析。第一種方法的缺陷是質(zhì)心位移和速度的計(jì)算量大，不能滿足實(shí)時(shí)性要求。第二種方法需要提前劃定計(jì)算灰度值的區(qū)域，對(duì)于不同的停車區(qū)域適應(yīng)性差。

技術(shù)實(shí)現(xiàn)要素：

現(xiàn)有的停車行為識(shí)別技術(shù)對(duì)于異常停車行為識(shí)別性能較差，例如地磁技術(shù)無法獲取車輛的視頻圖像資料，通過物理上的地磁信號(hào)檢測(cè)只能檢測(cè)到車輛是否經(jīng)過，不能準(zhǔn)確判斷停車時(shí)斜跨、半側(cè)位壓線、反復(fù)、跨位等異常行為。針對(duì)此類問題，本發(fā)明提出了一種基于視頻的停車行為識(shí)別技術(shù)，其主要目的是利用視頻監(jiān)控系統(tǒng)對(duì)視頻中運(yùn)動(dòng)車輛進(jìn)行分析，并提出一種基于視頻中車輛運(yùn)動(dòng)軌跡的路側(cè)停車行為識(shí)別方法，提高停車行為識(shí)別準(zhǔn)確率，并為車位資源的有效管理提供幫助。

本發(fā)明提供一種基于視頻中車輛運(yùn)動(dòng)軌跡的路側(cè)停車行為精確識(shí)別方法，通過klt(kanade-lucas-tomasi)角點(diǎn)檢測(cè)算法發(fā)現(xiàn)第一幀中角點(diǎn)，根據(jù)角點(diǎn)范圍確定待跟蹤車輛位置(左上角坐標(biāo)x0,y0,長寬ω,h)，然后將得到的車輛位置作為ct算法的輸入，利用ct算法跟蹤得到車輛的運(yùn)動(dòng)軌跡，根據(jù)跟蹤到的運(yùn)動(dòng)軌跡識(shí)別停車行為。其中，所述klt角點(diǎn)檢測(cè)算法起到了目標(biāo)檢測(cè)的作用。

為實(shí)現(xiàn)上述目的，本發(fā)明采用如下的技術(shù)方案：

一種基于視頻中車輛運(yùn)動(dòng)軌跡的路側(cè)停車行為識(shí)別方法包括以下步驟：

步驟1、停車行為監(jiān)控視頻預(yù)處理

將視頻幀一一提取出來，并將其下采樣至原始尺寸的三分之一，同時(shí)將場(chǎng)景圖像作為背景幀；

步驟2、確定待跟蹤車輛位置

通過klt角點(diǎn)檢測(cè)得到適合跟蹤的特征點(diǎn)，根據(jù)所述特征點(diǎn)的范圍確定待跟蹤車輛位置,角點(diǎn)坐標(biāo)中的最小值(xmin，ymin)作為待跟蹤車輛的左上角坐標(biāo)(x0，y0),角點(diǎn)橫縱坐標(biāo)的范圍作為待跟蹤車輛的長寬(w＝xmax-xmin，h＝y(tǒng)max-ymin)；

步驟3.提取得到停車過程運(yùn)動(dòng)軌跡

將klt角點(diǎn)檢測(cè)確定的待跟蹤車輛位置(x0，y0，w，h)的左下角部分(x0，y0+w/3，w/3，h/3)作為ct跟蹤算法的初始輸入，由ct算法跟蹤得到停車行為運(yùn)動(dòng)軌跡。

步驟4.根據(jù)跟蹤到的運(yùn)動(dòng)軌跡識(shí)別停車行為。

作為優(yōu)選，步驟2包含以下步驟：

步驟(2.1)像素點(diǎn)x(x，y)的光強(qiáng)度i由其泰勒展開式表示，g指強(qiáng)度梯度，d指像素位移

i(x-d)＝i(x)-g·d.(1)

步驟(2.2)選擇d使窗口w內(nèi)偏差能量∈最小，使其導(dǎo)數(shù)(公式(3))為0

其中，j(x)是下一時(shí)刻像素點(diǎn)x的光強(qiáng)度，i(x)-j(x)用h表示，ω表示權(quán)重，

∈＝∫w(i(x)-g·d-j(x)]²ωdx＝∫w(h-g·d)²ωdx，(2)

∫w(h-g·d)gωda＝0，(3)

(∫wggtωda)d＝∫whgωda.(4)

令

g＝∫wgg^tωda，(5)

e＝∫w(i-j)gωda.(6)

故

gd＝e.(7)

由上式，估計(jì)出位移向量d；

步驟(2.3)矩陣g特征值

角點(diǎn)的選擇依賴于矩陣g的兩個(gè)特征值λ1，λ2，，采用如下公式：

min(λ1，λ2)＞λ(8)

其中，閾值λ是為區(qū)分目標(biāo)前景同背景，選擇圖像上亮度相似區(qū)域的特征值作為閾值下限，而將角點(diǎn)或高紋理區(qū)域的特征值作為閾值上限，λ取值為上下限的一半左右，

步驟(2.4)特征點(diǎn)選擇

首先將圖像各區(qū)域中最小特征值降序排列，選擇其中前k個(gè)，k為預(yù)設(shè)的特征點(diǎn)個(gè)數(shù)，其中，所選特征點(diǎn)如果在先前選擇特征點(diǎn)的窗口內(nèi)則將其刪除。

作為優(yōu)選，步驟3包含以下步驟：

步驟(3.1)對(duì)于待跟蹤的第t幀圖像，首先在第t-1幀中已跟蹤到的目標(biāo)位置lt-1(xt-1，yt-1)的周圍(d^γ＝{z|||l(z)-lt-1||＜γ}，即選取圖像片z的位置中心l(z)與t-1幀位置中心lt-1小于γ的區(qū)域，其中，γ為預(yù)設(shè)像素點(diǎn)之間的第一距離)均勻采樣n個(gè)圖像片，然后對(duì)這些圖像片進(jìn)行特征提取，得到每個(gè)圖像片的特征向量其中，代表向量空間；

步驟(3.2)使用貝葉斯分類器h(v)對(duì)特征向量(v＝(υ1，…，υn)^t)進(jìn)行分類，找到最大分類分?jǐn)?shù)的圖像片作為當(dāng)前幀跟蹤到的目標(biāo)位置，記為lt；

其中，υi是特征向量v的第i項(xiàng)，先驗(yàn)概率p(y′＝1)＝p(y′＝0)，y′表示標(biāo)簽；

(3.3)采樣兩個(gè)圖像片集

d^α＝{z|||l(z)-lt||＜α}和d^ζ，β＝{z|ζ＜||l(z)-lt||＜β}，其中，α為預(yù)設(shè)像素點(diǎn)之間的第二距離，β為預(yù)設(shè)像素點(diǎn)之間的第三距離，α＜ζ＜β；

(3.4)提取上述兩個(gè)圖像片集的特征，更新分類器參數(shù)。

針對(duì)路側(cè)停車行為識(shí)別問題，本發(fā)明提出一種基于視頻中車輛運(yùn)動(dòng)軌跡的停車行為識(shí)別方法，解決目前單獨(dú)依靠地磁技術(shù)或單幀圖像無法準(zhǔn)確判斷異常停車行為的問題。在本發(fā)明中，利用klt(kanade-lucas-tomasi，klt)運(yùn)動(dòng)角點(diǎn)檢測(cè)方法和實(shí)時(shí)的壓縮跟蹤(real-timecompressivetracking,ct)方法提取視頻中車輛停車全過程的運(yùn)動(dòng)軌跡，實(shí)現(xiàn)對(duì)停車行為的準(zhǔn)確表達(dá)以及識(shí)別。選擇基于特征點(diǎn)匹配的klt跟蹤方法的原因在于該方法可以自動(dòng)發(fā)現(xiàn)圖像的運(yùn)動(dòng)角點(diǎn)，并可以實(shí)現(xiàn)角點(diǎn)的快速匹配。而選擇壓縮跟蹤算法的原因在于其快速跟蹤的特點(diǎn)，能夠滿足視頻監(jiān)控的實(shí)時(shí)性需求。同時(shí)，本發(fā)明提出的停車行為識(shí)別技術(shù)主要根據(jù)停車過程運(yùn)動(dòng)軌跡變化來分析停車行為。由于不同停車行為的運(yùn)動(dòng)軌跡不同，利用跟蹤技術(shù)提取到的軌跡可以對(duì)不同停車行為進(jìn)行有效分類，并且這里的跟蹤不需要計(jì)算質(zhì)心位移和速度，可達(dá)到實(shí)時(shí)的要求。另外，這種基于視頻停車行為識(shí)別技術(shù)不受停車區(qū)域路況的限制，例如上坡、下坡、停車場(chǎng)、路側(cè)等，具有較好的環(huán)境適應(yīng)性。

附圖說明

圖1為本發(fā)明路側(cè)停車行為識(shí)別方法流程圖；

圖2為不同停車行為對(duì)應(yīng)不同的運(yùn)動(dòng)軌跡示意圖；

圖3為svm分類器實(shí)驗(yàn)結(jié)果示意圖。

具體實(shí)施方式

如圖1所示,本發(fā)明提供一種基于視頻中車輛運(yùn)動(dòng)軌跡的路側(cè)停車行為精確識(shí)別方法，包括以下步驟：

步驟1、停車行為監(jiān)控視頻預(yù)處理

將視頻幀一一提取出來，并將其下采樣至原始尺寸的三分之一，用以加快跟蹤速度，同時(shí)將場(chǎng)景圖像作為背景幀。

步驟2、通過klt角點(diǎn)檢測(cè)算法發(fā)現(xiàn)適合跟蹤的特征點(diǎn)，確定待跟蹤車輛位置，其過程包含以下步驟：

步驟(2.1)像素點(diǎn)x(x，y)的光強(qiáng)度i由其泰勒展開式表示，g指強(qiáng)度梯度，d指像素位移

i(x-d)＝i(x)-g·d.(1)

步驟(2.2)選擇d使窗口w內(nèi)偏差能量∈最小，使其導(dǎo)數(shù)(公式(3))為0

其中，j(x)是下一時(shí)刻像素點(diǎn)x的光強(qiáng)度，i(x)-j(x)用h表示，ω表示權(quán)重，可置為1。

∈＝∫w[i(x)-g·d-j(x)]²ωdx＝∫w(h-g·d)²ωdx，(2)

∫w(h-g·d)gωda＝0，(3)

(∫wgg^tωda)d＝∫whgωda.(4)

令

g＝∫wgg^tωda，(5)

e＝∫w(i-j)gωda.(6)

故

gd＝e.(7)

由上式，估計(jì)出位移向量d；

步驟(2.3)矩陣g特征值

角點(diǎn)的選擇依賴于矩陣g的兩個(gè)特征值λ1，λ2，一方面兩個(gè)特征值不能太小，排除噪聲影響；另一方面兩個(gè)特征值不能差別太大，說明這是角點(diǎn)，提出了下面的公式：

min(λ1，λ2)＞λ(8)

其中，閾值λ是為區(qū)分目標(biāo)前景同背景，選擇圖像上亮度相似區(qū)域的特征值作為閾值下限，而將角點(diǎn)或高紋理區(qū)域的特征值作為閾值上限，λ取值為上下限的一半左右，優(yōu)選地，λ取值為10。

步驟(2.4)特征點(diǎn)選擇

首先將圖像各區(qū)域中最小特征值降序排列，選擇其中前k個(gè)，其中，k為預(yù)設(shè)的特征點(diǎn)個(gè)數(shù)，為防止窗口重疊，所選特征點(diǎn)如果在先前選擇特征點(diǎn)的窗口內(nèi)則將其刪除。

通過klt角點(diǎn)檢測(cè)得到適合跟蹤的特征點(diǎn)，可以根據(jù)這些特征點(diǎn)的范圍確定待跟蹤車輛位置,角點(diǎn)坐標(biāo)中的最小值(xmin，ymin)作為待跟蹤車輛的左上角坐標(biāo)(x0,y0),角點(diǎn)橫縱坐標(biāo)的范圍作為待跟蹤車輛的長寬(w＝xmax-xmin，h＝y(tǒng)max-ymin)。

步驟3.利用ct算法跟蹤車輛并提取得到停車過程運(yùn)動(dòng)軌跡。主要過程如下：

步驟(3.1)對(duì)于待跟蹤的第t幀圖像，首先在第t-1幀中已跟蹤到的目標(biāo)位置lt-1(xt-1，yt-1)的周圍(d^γ＝{z|||l(z)-lt-1||＜γ}，即選取圖像片z的位置中心l(z)與t-1幀位置中心lt-1小于γ的區(qū)域，其中，γ為預(yù)設(shè)像素點(diǎn)之間的第一距離)均勻采樣n個(gè)圖像片，然后對(duì)這些圖像片進(jìn)行特征提取，得到每個(gè)圖像片的特征向量其中，代表向量空間；

步驟(3.2)使用貝葉斯分類器h(v)對(duì)特征向量(v＝(υ1，…，υn)^t)進(jìn)行分類，找到最大分類分?jǐn)?shù)的圖像片作為當(dāng)前幀跟蹤到的目標(biāo)位置，記為lt；

其中，υi是特征向量v的第i項(xiàng)，先驗(yàn)概率p(y′＝1)＝p(y′＝0)，y′表示標(biāo)簽，取值范圍{0，1}。

(3.3)采樣兩個(gè)圖像片集：

d^α＝{z|||l(z)-lt||＜α}和d^ζ，β＝{z|ζ＜||l(z)-lt||＜β}，其中，α為預(yù)設(shè)像素點(diǎn)之間的第二距離，β為預(yù)設(shè)像素點(diǎn)之間的第三距離，α＜ζ＜β；

(3.4)提取上述兩個(gè)圖像片集的特征，更新分類器參數(shù)。

為了提高速度和精度，縮小跟蹤范圍，將klt角點(diǎn)檢測(cè)確定的待跟蹤車輛位置(x0，y0，w，h)的左下角部分(x0，y0+w/3，w/3，h/3)作為ct跟蹤算法的初始輸入，由ct算法跟蹤得到停車行為運(yùn)動(dòng)軌跡。

步驟4.根據(jù)跟蹤到的運(yùn)動(dòng)軌跡識(shí)別停車行為，如圖2所示，不同的停車行為有不同的運(yùn)動(dòng)軌跡，可以根據(jù)運(yùn)動(dòng)軌跡識(shí)別不同的停車行為。

由于各視頻段幀數(shù)不一致，得到的跟蹤軌跡長度不一；根據(jù)跟蹤得到的最長軌跡進(jìn)行維度補(bǔ)齊，重采樣軌跡點(diǎn)到同樣的維度；再計(jì)算每個(gè)軌跡點(diǎn)p(x，y)相對(duì)于圖像原點(diǎn)(0，0)的距離d＝x²+y²，將二維坐標(biāo)化為一維向量，將得到的一維數(shù)據(jù)規(guī)格化，然后放入分類器中分類，例如本發(fā)明用了svm、ksvd和kksvd三種方法。

本發(fā)明通過基于視頻跟蹤軌跡的停車檢測(cè)技術(shù)和停車行為識(shí)別技術(shù)，結(jié)合klt角點(diǎn)檢測(cè)跟蹤法和ct壓縮跟蹤算法的準(zhǔn)確性、基于軌跡的停車檢測(cè)對(duì)于復(fù)雜區(qū)域的適應(yīng)性以及對(duì)于復(fù)雜停車行為的魯棒性，彌補(bǔ)了地磁停車檢測(cè)的不足，實(shí)現(xiàn)了停車過程的準(zhǔn)確檢測(cè)。并在獲取停車信息的同時(shí)，實(shí)現(xiàn)對(duì)多種復(fù)雜停車行為的識(shí)別分類。

本發(fā)明方法針對(duì)5種典型的路側(cè)停車行為，包括斜位停車、跨位停車、半側(cè)位壓線停車、反復(fù)停車和正常停車。每類停車行為50個(gè)樣本，對(duì)每類樣本隨機(jī)選取25個(gè)樣本作為訓(xùn)練樣本，剩余樣本作為測(cè)試樣本。采用svm分類器的識(shí)別結(jié)果,實(shí)驗(yàn)結(jié)果正確率95.60％,如圖3所示。