[发明专利]一种交通场景的感兴趣区域分析方法

说明书

本发明公开一种交通场景的感兴趣区域分析方法。该方法首先对输入的彩色交通图像帧序列进行特征提取，提取包括色彩、统计、纹理、结构等相关特征，将所有提取后的特征进行堆叠，最终得到一个三维数据立方体，即为特征图像；将特征图像每一维度进行向量化，得到一个二维矩阵V，对此矩阵进行降维处理，并利用顶点成分分析方法将此矩阵分解成两个矩阵W与H乘积的形式；对于矩阵H，它的每一列均可以二维化，形成一个与输入交通图像大小一致的图像，在每一张图中，均有一个感兴趣区域。因此，通过提取特征，再进行分解的形式，得到交通场景的感兴趣区域，解决了非监督提取交通场景图像感兴趣区域的问题。

技术领域

本发明涉及到一种采用特征图像分解的形式探索交通场景图像感兴趣区域的分析方法，属于人工智能技术领域。

背景技术

常见的智能交通图像处理系统包括四个部分：分割、检测、识别和跟踪。对于分割任务而言，研究者常根据视觉经验或相关先验采用阈值化方法。对于检测和识别任务而言，研究者设计不同的描述子，如边缘、梯度方向直方图、局部二值模式及扩展形式等来处理。例如，Ruta采用了Canny边缘检测算子，并且报道了100％的检测率，但仅限于一种交通标识。Haar-like特征也被广泛使用并得到了一定的效果。其它的特征也引起了研究者的关注。HOG就是一种典型的特征，它通过计算统计图像局部窗口的梯度方向直方图来构成特征，可以和boosting方法或支持向量机结合用以解决检测和识别的任务。除交通标识外，车辆和行人也是重要的目标。Negri et al.通过设计一族梯度直方图描述子和序列boosting分类器实现视频监控中的行人检测。Duric et al.利用Darboux运动模型估计交通场景中的车辆相对运动。通过建立贝叶斯模型，Jia et al.讨论了前视静态图像的车辆检测，并用马尔科夫链检测车辆。

尽管不同的方法被提出来处理交通场景图像，有一个问题尚未被认识及解决。即如何寻找具有普遍意义上的交通场景“感兴趣区域”，更多的工作集中精力于利用不同的机器视觉方法来处理交通图像，提取感兴趣区域的不同特征进行分类，从而完成目标检测识别等任务。但这些特征都是根据目标进行针对性的设计，而且更多利用了空间和纹理信息，针对“感兴趣区域是什么”这一更加普遍而根本的问题则研究较少。

发明内容

本发明的目的在于提供一种采用特征图像分解的形式得到交通场景图像感兴趣区域的分析方法。

本发明提出一种交通场景的感兴趣区域分析方法，包括：

S1：对交通场景图像进行特征提取与组合，形成交通特征图像；

S2：对获取的交通特征图像进行向量化，形成二维矩阵，并对二维矩阵进行降维；

S3：对所述交通特征图像的降维矩阵进行分解，构成解空间，得到分解结果；

S4：将分解结果转化为二维矩阵，并归一化展示为图像，得到感兴趣区域。

进一步的，所述交通特征图像是对原输入交通场景图像I^M×N×L的颜色、统计、纹理、结构特征信息的提取，将提取信息组合成一个三维空间向量；所述三维空间向量的两维表示图像长宽，与所述原输入交通场景图像大小一致，另一维表示特征个数；其中M和N分别表示图像长宽，L表示图像光谱维度。

具体的，所述颜色特征信息I^c是原输入交通场景图像红绿蓝三通道信息以及HIS颜色空间中的色度和饱和度成分，具体为：

其中，I^r，I^g和I^b分别表示输入图像I的红绿蓝三波段，H，S和表示HIS空间的色度，饱和度和亮度，θ₁表示中间变量。