[发明专利]一种基于多高斯模型的助力车检测方法

权利要求书

1.一种基于多高斯模型的助力车检测方法，其特征在于，该方法通过提取运动物体的外形特征和运动特征进行助力车的识别，运动物体的大小和速度是两个非常重要的特征，该运动物体的大小和速度随着摄像头角度和与摄像头的距离的变化而不同，该方法建立两组高斯模型来反映不同种类运动物体的大小和速度分布；第一组高斯模型由三个高斯模型组成，分别描述汽车、助力车和行人的大小分布，根据运动物体的大小，很容易把汽车区分开；第二组高斯模型由两个高斯模型组成，分别表征助力车和行人的速度分布，得到这些分布后，根据“最小分类错误”原则，可以得到区分不同种类运动物体的阈值；具体的：

该方法运动物体大小的高斯模型具体为：

对每个像素点p(x,y)，经过该点的运动物体的大小建模成三个高斯分布，ηs=(p(x,y),μi,σi)=12πσie-(x-μi)22σi2,]]>  i＝1,2,3

其中η_s(p(x,y),μ_i,σ_i)是一个高斯密度函数，μ_i和σ_i²是对应的均值和方差，这三个分布中均值最大的表示汽车的大小分布，均值最小的代表行人的大小分布，第三个分布表示助力车的大小分布；

该方法运动物体速度的高斯模型具体为：

在视频图像中一给定的位置，根据运动物体的大小特征可以容易地区分出汽车，但是助力车和行人之间的大小差异并不明显，尤其当它们正对摄像头方向运动时，所以，为了进一步区分出助力车，在每个像素p(x,y)处，两个高斯模型将被建立以描述助力车和行人的速度分布，ηv=(p(x,y),μi,σi)=12πσie-(x-μi)22σi2,]]>  i＝1,2

其中η_s(p(x,y),μ_i,σ_i)是一个高斯密度函数，μ_i和σ_i²是对应的均值和方差，这两个分布中，均值较大的描述的是助力车的速度分布，另一个代表的是行人的速度分布，速度高斯模型参数的估计和物体大小模型参数的确定过程一样；

该方法分类阈值的确定具体为：

由“最小分类错误”准则可知，当选取两条分布曲线的交点作为两类物体的分类阈值时，会使得这两类物体的分类误差最小，对物体大小高斯模型来说，在某个给定位置，汽车的大小明显不同于其它运动物体，但是行人和助力车的差别就没有那么明显了，所以这里只确定用于区分汽车的阈值，该阈值为T_s，对速度分布模型来说，同理，取两条分布曲线的交点为分类阈值，该阈值为T_v，至此，在每个像素点p(x,y)处，有物体大小阈值T_s和速度阈值T_v用于识别助力车；

则助力车检测具体为：

采用三步来进行助力车的识别，首先，在运动物体覆盖的每个像素上，利用cascade分类器给出单个像素上的识别结果；接着，通过多数原则融合运动物体覆盖的所有像素上的识别结果，给出单帧识别结果；最后，通过多数原则把从运动物体进入场景到它消失时的单帧结果进行融合，给出最后的判决结果。

2.根据权利要求1所述的一种基于多高斯模型的助力车检测方法，其特征在于，采用三步来进行助力车的识别时，具体的：

在单像素p(x,y)上的判决结果为：

采用cascade分类器进行像素点上的判别，该分类器的头两个弱分类器由上节得到的大小阈值T_s和速度阈值T_v组成，当出现在该点的运动物体的大小小于T_s且速度大于T_v时，该物体才会被判别为助力车，当运动物体a在t时刻出现在像素点p(x,y)时，通过上述分类器可以得出一个分类结果L_a(x,y,t)，当运动物体判别为助力车时L_a(x,y,t)为1，否则为0，

在单帧上的判决结果为：

估计的物体大小和速度模型与它们真实的分布之间肯定存在一些偏差，此外，还有一些运动物体的大小和速度特征在分类阈值附近，所以在单像素上的判决可能存在一些误判，为了减少这种错误，通过多数原则融合运动物体覆盖的所有像素上的识别结果，给出单帧的判决结果，在t时刻检测到一个有N_p个像素的运动物体a，则单帧判决结果按下式给出，

如果L_a(t)＝1表示运动物体在这一帧被判为助力车，否则，L_a(t)＝0表示该运动物体在这一帧没被判为助力车；

最终判决结果为：

运动物体的特征会被噪声和光线变化干扰，所以单帧的判决结果也可能有误判，如果融合从运动物体进入场景到它消失时的单帧结果，则可以大大减少这种错误，假设运动物体a在场景中出现了N_f帧，最终的判决结果按下面的公式给出，

如果L_a表示运动物体最终是否被判为助力车，否则，L_a＝1表示待检测的物体是助力车，否则表示不是助力车，可以相信这个最终判决是比较可信的。