[发明专利]基于自组织背景差模型和多特征融合的黑烟车检测方法

权利要求书

1.基于自组织背景差模型和多特征融合的黑烟车检测方法，其特征在于，包括如下步骤：

(1)利用自组织背景差模型从视频监控中检测运动目标，确定关键区域，具体包括如下子步骤：

(11)背景建模，对输入视频帧的每个像素p都建立一个对应的神经图W(p)，每个神经图由n×n个权重向量w_ij(p)组成，i,j＝0,1,...,n-1，将所有的神经图放在同一张图中产生一张背景模型图，在模型初始化中，每个像素值p对应的背景模型采用第一帧I₀初始化；

(12)前景检测，将t时刻的像素p_t和它当前的背景模型像素集合作比较，找出在HSV颜色空间中当前像素点与其对应的模型块里像素点的最小距离，满足最小距离的点称为最佳匹配点，记作c_m，即

其中，p_j＝(v_j,s_j,h_j)和p_i＝(v_i,s_i,h_i)表示HSV颜色空间的两个像素，(v_j,s_j,h_j)表示HSV颜色空间的三个颜色分量值，包括色调Hue，饱度Saturation和明度Value，c_i表示背景模型中的第i个像素，i＝1,2,...,n²；

若最小距离d(c_m,p_t)＜ε，ε为阈值，则判定为背景，更新背景模型，否则，进行阴影判断，若判定为阴影，则不更新背景模型；

(13)背景更新，按一定的权值更新背景模型中最佳匹配点周围的像素点，在点周围n×n的小邻域的权重向量A_t的更新方法为：

其中，α(t)是常数，w_ij为背景模型中每个像素对应的权重，A_t(i,j)表示在t时刻权重向量A_t在位置(i,j)处的值，表示对*向下取整，p_t(x,y)表示在时刻为t、坐标位置为(x,y)的像素点的像素值，n表示所取小邻域的大小，取值范围为[2,7]；

(14)对前景目标做形态学腐蚀操作，去除较小目标，提取前景目标包围盒，将包围盒底部区域作为关键区域；

(2)将关键区域图像转化到YCrCb颜色空间，提取颜色矩特征；

(3)将关键区域转化到灰度空间，分别提取局部三值模式直方图特征和边缘方向直方图特征，所述提取局部三值模式直方图特征包括如下子步骤：

(31)将关键区域图像转化为灰度图像，利用下式计算局部三值模式LTP，

其中，t使用户指定的一个阈值，i_c是区域内的中心像素点，u是均匀分布在半径为R的圆域内的邻域像素点；

(32)将LTP编码拆分成正负两部分，正部分是把编码中的所有为-1的值用0代替，其余的不变，负部分是把所有为1的值用0代替，-1的值用1代替，剩下的不改变，将经过变换后的编码记作s，均利用下式计算LTP编码图：

其中，(x_c,y_c)表示所选取的近邻区域的中心像素P的坐标；

(33)分别提取LTP编码的正负部分的编码图的灰度直方图，串联起来得到局部三值模式直方图特征LTP-H，记作F_LTP；

所述提取边缘方向直方图特征包括如下子步骤：

(34)将关键区域图像转化为灰度图像，采用两种Sobel算子对图像进行边缘检测，并计算原图中每个像素p_i,j对应的梯度幅值Mag(p_i,j)和梯度方向Ori(p_i,j)：

其中，p_i,j表示位置(i,j)处的像素，G_x和G_y分别表示水平梯度和垂直梯度图像；

(35)将方向空间Ori(p)均分成K个不同的方向区间，记作θ(p)，则边缘方向直方图特征EOH的计算方法为，

其中，H_i,i＝1,2,...,K表示K维边缘方向直方图，p_i,j表示位置(i,j)处的像素，θ(p)分区间后像素方向空间；

(36)记F_EOH为边缘方向直方图特征，即

F_EOH＝{H₁,H₂,...,H_K}；

(4)根据当前帧关键区域的位置，在整个帧序列中提取其前后若干帧的对应区域，将所有时序区域提取的同一类特征串联形成每一类的特征向量，对每一类的特征向量归一化，串联起来形成最终的特征向量；

(5)利用剪枝径向基神经网络分类器对所提最终特征向量进行分类，识别黑烟关键区域，并进一步识别黑烟车。