[发明专利]基于鲁棒混合高斯模型的城市交通场景中车辆检测方法

权利要求书

1.基于鲁棒混合高斯模型的城市交通场景中车辆检测方法，其特征在于：包括以下步骤：

1)实时采集城市交通场景视频，以初始的视频对模型初始化，以基于帧的数量的学习率，运用传统混合高斯模型方法来训练模型，快速得到城市交通场景背景模型；

2)引入图像计数器，图像前景检测计数器，背景置信度图像计数器，图像更新标志，图像各点像素所处的交通状态并设置相应的初始值；

3)图像的像素点当前场景的交通状态的判定；

4)背景模型的每个像素点置信度是否更新的判定；

5)每个像素点背景模型更新判定；

6)背景更新时，根据当前场景所处的交通状态，用自适应的学习率来更新背景模型；

7)城市交通场景前景检测；

所述步骤1)中，用高斯的混合分布对随着时间推移的每一个像素的像素值建立模型，随着时间推移的每一个像素点的像素值在位置(x,y)能够用集合表示为{X₁,…,X_t},X_i＝I(x,y,i)，这里I(x,y,i)表示在第i帧，在位置(x,y)的灰度值或彩色值,i∈[1,t],每个像素点分别用K高斯分布构成的混合高斯模型来建模，即

$f\left(X_t\right)=\underset{j=1}{\overset{K}{\Σ}}{w}_{j,t}\mathrm{\Φ}(X_t;u_{j,t};{\mathrm{\Σ}}_{j,i})---\left(1\right)$

其中，w_j,t是混合高斯模型中第j个高斯模型在t帧的权重，Φ(X_t；u_j,t；Σ_j,t)是如下形式的混合高斯模型中第j个高斯模型在t帧的以u_j,t为均值且以Σ_j,t为协方差矩阵的高斯概率密度函数，即

$\mathrm{\Φ}(X_t;u_{j,t};{\mathrm{\Σ}}_{j,t})=\frac{1}{{\left(2\mathrm{\π}\right)}^{\frac{D}{2}}|{\mathrm{\Σ}}_{j,t}{|}^{\frac{1}{2}}}\exp \{-\frac{1}{2}{\mathrm{\Δ}}^2\}---\left(2\right)$

其中，D是像素值的维数，代表马氏距离，这个距离也被用来测试当前像素值是否属于高斯聚类，假定协方差矩阵Σ_j,t是(σ_j,t)²I形式的对角矩阵，σ_j,t是高斯模型中第j个高斯模型在t帧的方差；混合高斯模型的参数需要用新的观测结果更新，在线递归的方法更新参数，每一个新的像素运用马氏距离与K个高斯均值做比较，如果一个新的像素值X_t与其中的均值的差在其相应方差的倍数范围之内就找到了一个匹配的高斯分布，即

X_t∈Φ(X_t；u_j,t；Σ_j,t)，|X_t-u_j,t|＜Tσ_j,t(3)

其中，T是一个标准差的恒乘系数，在2.5到3.5之间选取；对于匹配的高斯分布，其相应的权重，均值方差按照如下的递归公式更新：

$\left\{\begin{array}{c}{w}_{j,t}=(1-a)w_{j.t-1}+a\\ u_{j,t}=(1-p)u_{j,t-1}+{\mathrm{pX}}_t\\ {\mathrm{\σ}}_{j,t}=(1-p){{\mathrm{\σ}}_{j,t-1}}^2+p{(X_t-u_{j,t})}^T(X_t-u_{j,t})\\ p=a\mathrm{\Φ}(X_t;u_{j,t-1};{\mathrm{\Σ}}_{j,t-1})\end{array}\right.---\left(4\right)$

其中，a和p分别是学习率和学习参数，a是以基于帧的数量的学习率，即

$a\left(t\right)=\frac{1+\log t^2}{t+1}---\left(5\right)$

对于剩下的没有匹配的分布，u_j,t和σ_j,t保持不变，而其权重通过乘(1-a)来减小；如果没有找到任何一个匹配的分布，权重最低的分布将会被以X_t作为均值、初始方差作为方差、保持最低权重的一个新的高斯分布取代；随后，分布按照w_j,t/σ_j,t值降序排列来决定背景模型，由于背景是由高权重低方差的分布组成的，第一个满足如下形式的B个高斯分布用来描述背景，即

$B=\arg \underset{b}{min}(\underset{j=1}{\overset{b}{\Σ}}{w}_{j,t}\>Th)---\left(6\right)$

Th是一个阈值来决定构成背景模型的最小个数；

所述步骤2)中，引入：第t帧图像计数器，第t帧图像前景检测计数器，第t帧背景置信度图像计数器，第t帧图像更新标志；C_t：第t帧图像各点像素所处的交通状态；初始状态设为：C₀＝0；

所述步骤3)中，图像的像素点根据检测率的关键参数来划分城市交通状态，判定为“非常畅通”、“畅通”、“一般”、“拥堵”和“非常拥堵”：

所述步骤4)中，当置信期结束，根据(7)式建立一个机制来更新当前该像素点的置信度，像素点在t时刻的置信度的更新按如下形式决定：

其中10，1，0，-1是根据实验中真实交通场景设定的值；

所述步骤5)中，根据像素点是否在置信期内和所处交通状态，决定背景是否更新，在置信期内，背景模型只在更新周期到达时，并且当检测比大于80％时更新，在置信期结束时，根据不同的交通状态决定背景更新，当交通状态为“非常畅通”、“畅通”、“一般”时，背景更新，交通状态为“拥堵”和“非常拥堵”时，背景模型更新风险大，背景不更新，而当置信度时，背景强制更新；

所述步骤6)中，在置信期内，更新采用固定的学习率a_min＝0.005更新背景模型；在置信期结束时，根据不同的交通状态决定背景更新，当交通状态为“非常畅通”、“畅通”、“一般”或者当置信度时自适应学习率为

所述步骤7)中，当置信度的估计和检测比例建议更新背景模型时，采用相应的自适应学习率，运用传统的混合高斯模型，对背景模型进行更新，得到一个满足(6)式的背景模型，当前像素点值与混合高斯模型前B个中任何一个都不匹配，则当前点为前景点，计数器加1即若没有背景更新的要求，直接判断当前像素点是否为前景点；若为前景点计数器加1。