[发明专利]基于场景分类的车辆检测方法

说明书

本发明涉及一种基于场景分类的车辆检测方法，该方法包括：训练分类器；对输入的视频进行场景分类，得到简单场景和复杂场景；对简单场景采用平均帧背景建模算法进行建模，对复杂场景采用高斯背景建模算法进行建模；对背景建模得到的前景二值图进行预处理；在预处理后的各前景块区域上用扫描子窗口进行遍历，提取HOG和LBP特征；将提取的HOG和LBP级联特征用训练好的分类器进行分类，判断是否为运动的车辆。本发明能根据场景复杂度自动选择最匹配的算法，还能同时提取HOG和LBP特征，将两种特征级联作为新的分类器特征，通过这两方面的改进，即保证活动车辆的检测效果，又极大提高系统整体检测速度，从而能更快更准确地定位到要待识别的车辆。

技术领域

本发明涉及监控视频的检索，具体地指一种基于场景分类的车辆检测方法。

背景技术

在刑侦业务中，车辆检测就是通过输入的视频判断是否包含待检测的运动车辆，如果包含则确定目标所在位置。在实际视频侦查中，侦查员常常根据车辆的活动画面和轨迹来快速锁定、排查和追踪嫌疑目标。传统的人工浏览视频侦查模式需要耗费大量的人力和时间，容易贻误破案时机。因此，精准快速的车辆检测技术便于视频侦查员快速、准确地发现嫌疑目标活动画面和轨迹，对公安部门提高破案率、维护人民群众生命财产安全具有重要意义。

但是，现有的车辆检测的步骤如图1所示，一般包括以下步骤：当利用车辆正负样本选取和提取特征后，便可利用这些特征训练分类器。得到了分类器后，首先是对输入视频帧进行背景建模，然后提取特征，最后将提取的特征给训练好的分类器，判断是否存在想要检测的目标。

其中，在上述现有的车辆检测步骤中，背景建模算法的效果会直接影响到车辆检测的效果，目前，一般的背景建模常常对不同的视频场景，只采用平均帧背景建模算法、VIBE背景建模算法、高斯背景建模算法中的一种算法进行背景建模。具体地，平均帧背景建模算法是通过求取连续视频序列固定位置上像素平均值，用该值表示当该位置像素点的背景模型的算法；高斯背景建模方法，首先对图像的每个像素或其他纹理特征建立一个或多个高斯背景模型，然后通过比较待检图像和背景模型的差异，来检测图像中的前景区域和背景区域；VIBE背景模型针对每个背景点保存了一个样本集，通过比较每一个新的像素点和样本集来判断该新像素点是否属于背景点。

然而在实际监控环境下，因为场景光照变化、气候变化或者摄像机本身的抖动等都会导致视频背景发生改变，这些因素给背景建模带来困难。虽然目前对复杂场景下的背景建模已经有很多研究，但目前还没有一种算法能全部解决上述所有问题。例如：平均帧背景建模算法和VIBE背景建模算法速度快，但是只针对简单的视频场景(主要是光照变化小的场景)有效；高斯背景建模算法，对复杂变化的场景具有比较好的鲁棒性，但是速度很慢，背景更新速度缓慢不利于实时检测。

此外，在上述现有的车辆检测步骤中，提取特征通常只是提取了图片的HOG特征用于检测，导致图像目标的视觉特征比较单一，辨识度不强，对噪声、光照变化、运动车辆的形变等鲁棒性不强。

发明内容

本发明目的在于克服上述现有技术的不足，而提出一种基于场景分类的车辆检测方法，该方法能根据场景复杂度自动选择最匹配的算法；还能在提取梯度特征HOG的基础上，同时提取纹理特征LBP，将两种特征级联作为新的分类器特征，通过这两方面的改进，即保证活动车辆的检测效果，又极大提高系统整体检测速度，从而能更快更准确地定位到要待识别的车辆。

实现本发明目的采用的技术方案是：一种基于场景分类的车辆检测方法，该方法包括：

训练分类器；

对输入的视频进行场景分类，得到简单场景和复杂场景；对所述简单场景采用平均帧背景建模算法进行建模，对所述复杂场景采用高斯背景建模算法进行建模；

对所述背景建模得到的前景二值图进行预处理；

在预处理后的各前景块区域上用扫描子窗口进行遍历，提取HOG和LBP特征；