[发明专利]一种智能交通监控系统中的高分辨率视频车辆检测方法

说明书

技术领域

本发明属于智能交通和视频监控技术领域，具体为一种基于高分辨率视频的车辆检测方法，用于智能交通监控系统中快速定位车辆目标。

背景技术

随着计算机视觉和成像技术的发展，基于视频的智能交通监控系统逐渐得到了广泛的应用。其中车辆检测是智能交通监控系统的核心技术，系统对监控场景的高层语义理解，如车辆轨迹获取、车辆行为分析、异常事件检测等，都很大程度上依赖于车辆检测的结果。因此高效、鲁棒的车辆检测方法对于智能交通监控系统具有重要的意义。

目前的视频车辆检测方法可分为两类。一类方法将车辆看成是场景中主要的运动目标，通过运动目标检测方法(如帧间差、背景建模)定位车辆。此类方法存在许多缺陷。首先场景中的阴影和遮挡会给运动目标检测带来很大的干扰，需要添加复杂的阴影和遮挡处理策略；其次，运动目标检测方法通常不能处理光照突变以及复杂的动态场景，限制了此类方法的应用场景；此外，运动目标检测很难处理高分辨视频，通常需要进行降采样，丢失了有用的细节信息。

另一类在视频中检测车辆的方法是，训练一个判别车辆与背景的二分类器，在视频中将分类为车辆的局部区域标记为车辆。此类方法能有效地处理复杂的动态场景，对交通场景中阴影、光照、天气条件等因素具有较好的稳定性，能够保证较高的检测精度。然而，此类方法通常采用滑动窗口作为搜索策略，处理高分辨率视频时往往会带来极大的计算量，从而不利于实际应用。

目前，为了获得行驶中的车辆以及驾驶员的清晰图像，高清摄像机在智能交通系统中已经得到了广泛的应用。同时，高清摄像机提供的高分辨率视频包含了丰富的细节信息，有利于提高车辆检测的准确率。

发明内容

本发明的目的是克服现有车辆检测技术无法有效处理高分辨率视频的不足，提高复杂交通场景中的车辆检测率，从而提供一种基于高分辨率视频的车辆检测方法。该方法能在高清摄像机获取的高分辨率图像中快速且准确地检测车辆，为后续的交通监控任务提供有效的基础信息。

本发明的主要内容为：结合智能交通系统的实际应用情况，将视频车辆检测问题视为车头(或车尾)区域的检测问题，为了便于描述以车头区域为例，车尾区域类似；首先在高分辨率监控视频中设置车辆检测的感兴趣区域，利用感兴趣区域中的梯度密度信息和车头区域的结构信息在感兴趣区域中生成一系列的候选区域；使用监督学习方法离线训练车辆与背景的二分类器，其中正样本满足车头的结构约束；然后使用分类器对候选区域进行验证，将分类为车辆的候选区域标记为车辆区域；最后使用聚类方法滤除误检并合并真实车辆区域周围的多个检测结果，得到最终的车辆检测结果。

本发明的实现步骤如下：

步骤一：感兴趣区域设置与网格化

设置感兴趣区域，将感兴趣区域网格化为若干个同样大小的胞元；

步骤二：特征提取与显著性计算

对每一个胞元，记其对应图像区域为C，则该区域内的每个像素点的水平梯度值C_x(i,j)可由下式计算：

C_x(i,j)＝|C(i+1,j)-C(i-1,j)|. (1)

其中C(i,j)为该位置的灰度值，该区域内水平梯度值的密度定义为：

其中|C|为该区域内的像素点总数。以每个胞元内的水平梯度值的密度为特征，将所有特征值大于给定阈值的胞元标记为显著性胞元；采用以下两个步骤滤除其他垂直边缘密集的区域，只保留车头或车尾区域内属于车灯和车牌的显著性胞元：

(i)车灯和车牌的正下方是平滑的车身或路面，滤除与正下方梯度密度相近的显著性胞元；

(ii)车灯和车牌区域是梯度密集的区域，滤除水平方向邻域内包含空间连续的显著性胞元个数少于3个的显著性胞元；

最终得到的显著性胞元即代表了感兴趣区域内可能存在的属于车灯和车牌的显著性部件；

步骤三：候选区域生成

车灯与车牌具有明显的结构信息，即两个车灯位置偏上且左右对称，车牌偏下且居中；利用此结构约束，使用滑动窗口搜索，将满足特定结构信息的区域标记为候选区域，具体步骤为：

(i)根据先验知识确定车头或车尾区域的大小，使用固定大小的滑动窗口进行搜索；对每个扫描窗口统计相应部件位置的显著性胞元个数；

(ii)车牌部件相对车灯部件具有更高的可靠性，为车牌部件对应位置的显著性胞元个数赋以大于车灯部件的权值；

(iii)将显著性胞元个数大于给定阈值的窗口标记为候选区域；

步骤四：收集训练样本并进行人工标注

步骤五：离线训练车辆分类器