[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

说明书

技术领域

本发明专利涉及智能交通研究领域，尤其是复杂城市交通场景中车辆检测方法。

背景技术

作为智能交通系统和智慧城市的重要部分，近年来，城市交通的智能化得到了更多的关注,城市交通中交通密度大，交通拥堵严重，各道路使用者呈现多样性，从城市交通复杂的背景中得到运动的前景对城市交通和城市公共安全是重要的，然而找到一个通用的鲁棒的城市交通车辆的前景检测和分割的方法依然是一个公开的挑战。

背景相减技术是高效的从静态相机的视频序列中检测运动前景的方法，背景相减的性能由场景背景模型决定。近10年，基于各种不同的背景模型提出了许多背景相减技术来，其中最常用和最热门的方法是参数模型算法，高斯混合背景模型和其改进模型是最常用的参数类背景相减算法，然而，选择合适的学习率来平衡背景模型的鲁棒性和模型的灵敏性依然是一个关键的问题，在真实的城市交通环境中，交通参与者，如车辆，行人，以不同的速度移动，时而开始移动时而突然停止，因此，如果学习率太高，缓慢移动的物体会破坏背景，如果学习率太低，将要花很长的时间来在物体突然“醒来”或者“入睡”的区域得到一个好的背景模型。

发明内容

本发明的目的在于有效地解决复杂城市交通场景中移动缓慢车辆和临时停靠车辆“污染”背景检测模型，提供一种基于鲁棒混合高斯模型的城市交通场景中车辆检测方法。

本发明采用的技术方案为：一种基于鲁棒混合高斯模型的城市交通场景中车辆检测方法，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，快速得到较为理想的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。

作为优选，所述步骤1)中，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，快速得到较为理想的城市交通场景背景模型：

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(k一般为3-5个)高斯分布构成的混合高斯模型来建模，即

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

其中，D是像素值得维数(灰度或者彩色图像)，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，为了计算的方便，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是合高斯模型中第j个高斯模型在t帧的方差，此隐含地假定不同的维数即颜色通道部分之间的独立性，也假定了各个颜色通道有相同的方差，这种假设虽然不完全准确，但是避免高昂矩阵求逆的代价尽管精度略有减少。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，通常在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：