[发明专利]车辆检测方法和系统

说明书

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g、蓝l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。

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：