[发明专利]一种基于监控视频的多特征融合的车辆体型分类方法

权利要求书

1.一种基于监控视频的多特征融合的车辆体型分类方法，其特征在于：包括依次进行的训练过程和识别过程：

1）训练过程包括如下步骤：

1.1）将所有各种车辆样本图像逐个输入到训练数据库中，各种车辆样本图像包含车辆完整轮廓；

1.2）计算各个车辆样本图像的HU矩特征，并对其进行归一化处理，记为以下式1：

HU=(hu₁,hu₂,hu₃,hu₄,hu₅,hu₆,hu₇)       （1）

其中，hu₁～hu₇分别表示HU矩特征的每一个子分量；

1.3）计算各个车辆样本图像的LBPS特征：

对各个车辆样本图像分别进行2×2和3×3分块，计算每一个子块的LBP特征，接着计算每个子块的LBPS，LBPS以下公式2：

LBPS=-Σi=159lbpilog(lbpi)---(2)]]>

其中，lbp₁～lbp₅₉表示LBP特征的每一个子分量。计算出每个子块的LBPS值后，将上述2×2和3×3分块后得到的13个子块图像加上原始车辆样本图像得到总计14个子块图像，将该14个子块图像的LBPS值组合成该原始车辆样本图像的LBPS特征，并对其做归一化处理，记为以下公式3：

LBPS=(LBPS₁,LBPS₂,…LBPS_i,…LBPS₁₄)        （3）

1.4）计算各个车辆样本图像分的长宽比信息：

设车辆样本图像的宽度为width，高度为height，长宽比特征记为以下公式4：

Ratio=heightwidth---(4)]]>

1.5）将步骤1.2）～1.4）中计算得到的HU矩特征、LBPS特征和长宽比特征融合为一个特征向量feature，用于表征车辆样本图像的特征信息，记为以下公式5：

feature=(LBPSHURatio)        （5）

1.6）将上述车辆样本图像的特征向量feature和类别标注一起输入到支持向量机中训练，其中类别标注为车辆体型的标注，并利用改进的粒子群方法来对支持向量机进行参数优化；

2）识别过程包括如下步骤：

2.1）提取车辆前景，对需要识别的车辆视频中提取图像序列进行混合高斯背景建模，进行滤波处理和膨胀腐蚀后得到二值化图像，计算车辆前景的最大外接矩形，得到车辆前景的坐标信息；

2.2）对车辆前景按照步骤1.1）～1.5）进行计算得到该车辆图像的特征向量；

2.3）将车辆图像的特征向量输入步骤1.6）参数优化后的支持向量机中，输出车辆体型的识别结果。

2.根据权利要求1所述的一种基于监控视频的多特征融合的车辆体型分类方法，其特征在于：所述的改进的粒子群方法为：在粒子群方法的速度更新式中，增加对粒子群中随机粒子的追随，速度位置更新公式为以下式6：

vit+1=ω·vit+c1r1(pibestt-xit)+c2r2(pgbestt-xit)+c3r3(pmt-xit)xit1=xit+vit+1---(6)]]>

其中，为t+1时刻的飞行速度，为t时刻的飞行速度，为第i个粒子搜寻到的局部最优解，为整个粒子群搜寻到的全局最优解，为随机粒子在t时刻的局部最优解，为t时刻第i个粒子的位置，为t+1时刻第i个粒子的位置，ω为惯性权重，c₁为第一学习因子，c₂为第二学习因子，c₃为第三学习因子，r₁为第一控制参数，r₂为第二控制参数，r₃为第三控制参数；

接着引入t时刻的动量项改进后的粒子群方法如以下公式7：

vit+1=ω·vit+Δvit+α·Δvit-1xit+1=xit+vit+1---(7)]]>

其中，是粒子群方法中的t时刻的速度修正值，为t-1时刻的动量项，α为动量因子常数，其取值范围|α|∈[0,1)，如果和同号，则动量因子常数α取正值；若和异号，此时动量因子常数α取负值。

t时刻的动量项表示为以下公式8：

Δvit=c1r1(pibestt-xit)+c2r2(pgbestt-xit)+c3r3(pit-xit)---(8)]]>