CN104658011B - 一种智能交通运动目标检测跟踪方法 - Google Patents

Abstract

本发明公开了一种智能交通运动目标检测跟踪方法，用于对智能交通视频进行运动目标检测和跟踪。本发明考虑到视频帧图像中一般存在道路中间及两侧护栏等边缘特征明显的物体，采用有限差分一阶偏导矩阵计算输入前后视频帧图像的梯度，提取输入图像特征区域精细轮廓；将轮廓连接、区域填充合并等形态学处理从而得到预处理图像。对预处理图像采用改进的SIFT算法提取关键点，对预处理图像只构建一组六层的高斯金字塔。保证在图像存在较小尺度变化的时候的检测到较少数量的关键点，同时减少冗余的构建金字塔的计算需要，提高算法的时间效率。帧差前利用预处理图像得到的仿射变换模型对视频序列前后帧图像进行了配准，消除了视频帧漂移对检测性能造成的影响。

Description

一种智能交通运动目标检测跟踪方法

技术领域

本发明涉及一种智能交通视频监控系统数据的运动目标检测跟踪算法，属于图像处理技术领域。

背景技术

智能交通系统以其全天时，全天候、监控范围大等优点使其具有相当广泛的应用前景。智能视频监控的基础技术包括运动目标检测、运动目标分类、运动目标跟踪等，目前对这些技术的研究都备受瞩目。

现有的运动目标检测方法主要有：相邻帧差法、光流分割法、背景减法等等。帧间差分方法是对相邻帧图像作相减运算之后，对结果图像取阙值并分割，提取运动目标。基于光流方法的运动目标检测算法应用运动目标随时间变化的流矢量特性在图像序列中检测运动区城。背景减法相对于其他方法而言简单易于实现,利用当前图像与背景图像的差来检测运动区域。

基于视频图像是静态背景下拍摄而成的，同时考虑到算法实现的时间效率，宜于采用高效率的帧间差分法实现运动目标候选区域的检测跟踪。但是，由于拍摄条件及天气和人为因素的影响，导致拍摄的视频图像的背景不同帧图像存在漂移，虽然可能这种漂移的幅度是很小的，甚至人眼基本注意不到。但是这种影响却对于帧间差分检测运动目标的结果却产生不可弥补的影响，严重影响算法的检测跟踪性能。

发明内容

有鉴于此，本发明提供了一种智能交通运动目标检测跟踪方法，该方法消除了视频帧漂移对检测性能造成的影响，保证在图像存在较小尺度变化的时候检测到较少数量的关键点，减少了计算量，提高了时间效率。

为了达到上述目的，本发明的技术方案包括如下步骤：

步骤1，由智能交通视频监控系统所获取的视频数据中抽取当前帧原图像及其相邻的前一帧原图像，针对当前帧原图像和前一帧原图像分别进行如下Step101～Step104的处理获得预处理图像。

Step101，将当前原图像与3×3的高斯平滑模板作卷积处理去除图像噪声，获得滤波后的图像。

Step102，采用有限差分求导矩阵计算出滤波后的图像中每个像素位置处的水平梯度分量g_x和垂直梯度分量g_y，利用g_x和g_y求解获得滤波后的图像中每个像素位置处的梯度的幅值，并沿梯度方向查找梯度幅值局部极大值，剔除掉非极大值点所对应的像素点，获得梯度图像。

梯度的幅值为M(x,y)＝max(|g_x|,|g_y|)。

Step103，设定灰度阈值，将梯度图像进行二值化处理，获得二值图像。

Step104，将二值图像进行一次膨胀操作将边缘密集区域填充合并，进行两次腐蚀操作修正合并区域外围轮廓并剔除孤立的边缘区域，得到预处理图像。

步骤2，针对步骤1获得的每幅预处理图像，进行如下Step201～Step202的处理获得仿射变换模型，然后利用仿射变换模型将当前帧原图像和前帧原图像配准并进行帧间差分，获得两副配准后的图像。

Step201、以初始尺度1.6对预处理图像进行高斯模糊以及隔点抽样建立6层的高斯金字塔，对于高斯金字塔中每一层中得到的图像，进行角点检测获取候选关键点。

Step202、针对全部候选关键点进行关键点方向分配和局部描述子的计算，从而获得仿射变换模型。

步骤3，将配准后的图像中的连通区域进行区域合并以及小面积剔除，获得符合检测目标条件的疑似目标区域。

步骤4，检测两幅配准后的图像中的疑似目标区域，若分属于两幅配准后的图像中的两个疑似目标区域满足属于同一目标的判别条件，则判定该两个疑似目标区域为同一目标，否则两个疑似目标区域不为同一目标。

步骤5，依据步骤4中的判定，采用基于置信度检测的运动目标跟踪方法进行运动目标的跟踪，并根据跟踪到的运动目标的特征，提取具有高表征性的形状结构特征和局部描述特征，依据从样本数据学习获得的分类超平面对跟踪到的运动目标利用支持向量机分成行人、汽车和其他运行目标的三类。

进一步地，Step101中，所采用的3×3的高斯平滑模板的二维高斯函数的表达具体为其中x、y分别为原图像中像素的行、列号；σ的值为0.6。

进一步地，

其中I(*,*)为滤波后的图像，x、y分别为原图像中像素的行、列号；为水平方向的有限差分求导矩阵，为垂直方向的有限差分求导矩阵；则梯度的幅值为M(x,y)＝max(|g_x|,|g_y|)。

进一步地，在Step103中进行二值化处理时，设定灰度阈值为75。

进一步地，步骤3具体包括如下步骤：

Step301、在配准后的图像中，获取全部连通区域的四维方形边界信息，并将四维方形边界信息中的边界值向外围扩张5个像素点，获得全部连通区域的新边界信息。

Step302、在全部连通区域中，任取其中的两个，进行如下判断：

若该两个连通区域的新边界信息相互交叉或包含，则将该两个连通区域合并为一个新连通区域，新连通区域的边界取将上述两个连通区域包含在内的最小矩形的边界。

若该两个连通区域的新边界信息没有交叉或包含，则该两个连通区域被确定为两个目标。

Step303、重复Step302直至图像中所有的连通区域中的任意两个都不满足合并的条件。

进一步地，步骤4中属于同一目标的判别条件包括欧式距离、颜色直方图和局部模式直方图三个判别条件，若分属于两幅配准后的图像中的两个疑似目标区域同时满足上述三个判别条件，则则判定该两个疑似目标区域为同一目标。

进一步地，步骤5中，采用基于置信度检测的运动目标跟踪方法进行运动目标的跟踪，具体方法为：

Step501、依据步骤4中的判定，若两疑似目标区域为同一目标，则对于当前帧原图像来说，其中的疑似目标区域判定为已有目标，更新存储的已有目标信息，并针对该已有目标的置信度加1，若两个疑似目标区域不为同一目标，则对于当前帧原图像来说，其中的疑似目标区域为新目标，对该新目标进行存储，并设定置信度为初始值1，并标记该新目标被检测到的顺序。

Step502、对存储的已有目标进行排查，对于当前帧没有检测到的已有目标，置信度减1，并剔除置信度小于0的已有目标，当已有目标的置信度超过置信阈值，则将其置信度强制置为置信阈值。

Step503、将置信度达到置信阈值的已有目标，按其位置标记输出作为运动目标的跟踪结果。

进一步地，步骤5中的分类超平面的获得方法如下：

Step5001、在智能交通视频监控系统所获取的视频数据中选取不同状态、不同类型的数据样本对分类器进行学习训练，其中不同状态、不同类型的数据样本包括行人目标、汽车目标以及其他运动目标。

Step5002、针对行人目标、汽车目标以及其他运动目标三类目标形状结构的差异性，提取形状特征。

形状特征包括将三类目标进行目标二值分割后获得的连通区域的面积、长宽比以及饱和度。

Step5003、对三类目标提取其局部描述特征，并与其形状特征一起作为支持向量机进行分类的依据；局部描述特征包括梯度方向直方图和局部二值模式。

有益效果：

1、本发明考虑到视频帧图像中一般存在道路中间及两侧护栏等边缘特征明显的物体，采用有限差分一阶偏导矩阵计算输入前后视频帧图像的梯度，提取输入图像特征区域精细轮廓；将轮廓连接、区域填充合并等形态学处理从而得到预处理图像。对预处理图像采用改进的SIFT算法提取关键点，对预处理图像只构建一组六层的高斯金字塔。保证在图像存在较小尺度变化的时候的检测到较少数量的关键点，同时减少冗余的构建金字塔的计算需要，提高算法的时间效率。帧差前利用预处理图像得到的仿射变换模型对视频序列前后帧图像进行了配准，消除了视频帧漂移对检测性能造成的影响。

2、由于预处理后的图像为二值图，因此将形态骨架角点检测法应用于构建的高斯金字塔，舍弃原有的高耗时的极值检测算法，在保证检测到足够代表性的关键点的基础上，减少关键点检测所需的时间，提高整个系统的时间效率。

3、本发明对连通域采用区域合并进行形态学处理，消除了帧间差分过程中大面积目标产生的“断裂”及“空洞”的现象，使提取的目标候选区域更加完整，虚警率降低到最小。

4、本发明将运动目标利用SVM分成行人、汽车和其他运行目标的三类，提高了跟踪效率。

附图说明

图1为本发明一种智能交通运动目标检测跟踪方法的基本流程图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

一种智能交通运动目标检测跟踪方法，该方法步骤包括：

步骤1，由智能交通视频监控系统所获取的视频数据中抽取当前帧原图像及其相邻的前一帧原图像，针对当前帧原图像和前一帧原图像分别进行如下Step101～Step104的处理获得预处理图像；

Step101，将当前原图像与3*3的高斯平滑模板作卷积处理去除图像噪声，获得滤波后的图像。

本实施例中，考虑到选用较小的高斯滤波器更好地保留图像细节特征，利于检测较小、纹理变化明显的细线。因此所采用的3*3的高斯平滑模板的二维高斯函数的表达具体为其中x、y分别为原图像中像素的行、列号；σ的值为0.6。

因此本实施例中的3*3的高斯平滑模板为：

0.0273984	0.109878	0.0273984
			0.109878	0.440655	0.109878
0.0273984	0.109878	0.0273984

Step102，采用有限差分求导矩阵计算出滤波后的图像中每个像素位置处的水平梯度分量g_x和垂直梯度分量g_y，利用g_x和g_y求解获得滤波后的图像中每个像素位置处的梯度的幅值，并沿梯度方向查找梯度幅值局部极大值，剔除非极大值点所对应的像素点，获得梯度图像。

本实施例中利用水平梯度分量g_x和垂直梯度分量g_y，估计出图像中每个像素位置处的梯度的幅值M(x,y)和方位角，方位角采用公式计算，为了简化计算，令梯度的幅值M(x,y)＝max(|g_x|,|g_y|)。沿着梯度方向查找梯度幅值局部极大值，剔除非极大值点所对应的像素点(置0)。能够找出图像的纹理。

其中，I(x,y)为滤波后图像， 为水平和垂直方向的有限差分求导矩阵。

Step103，经测试发现，梯度图像中包含了很多由噪声及其他原因造成的虚警轮廓，因此设定灰度阈值，将梯度图像进行二值化处理，获得二值图像。

为简化运算，直接选取阈值75，可以得到二值图象N(x,y)，非轮廓点灰度值均为0，可能为轮廓的点设置其灰度为1。

Step104，将二值图像进行一次膨胀操作将边缘密集区域填充合并，进行两次腐蚀操作修正合并区域外围轮廓并剔除孤立的边缘区域，得到预处理图像。

所得到的预处理图像为二值图，因此将形态骨架角点检测法应用于构建的高斯金字塔，舍弃原有的高耗时的极值检测算法，在保证检测到足够代表性的关键点的基础上，减少关键点检测所需的时间，提高整个系统的时间效率。

步骤2，针对步骤1获得的每幅预处理图像，进行如下Step201～Step202的处理获得仿射变换模型，并利用仿射变换模型将当前帧原图像和前帧原图像配准并进行帧间差分，获得两副配准后的图像；

Step201、以初始尺度1.6对预处理图像进行高斯模糊以及隔点抽样建立6层的高斯金字塔，对于高斯金字塔中每一层中得到的图像，进行角点检测获取候选关键点；该步骤具体包括如下步骤：

S2011、选取不同尺度，得到水平方向和竖直方向上的一维高斯模板。首先，对图像在水平方向进行一维高斯矩阵变换，然后，在竖直方向进行一维高斯矩阵变换得到高斯模糊图像；

L’(x，y，σ)＝G(x，σ)*I(x，y)；

L(x，y，σ)＝G(y，σ)*L’(x，y，σ)；

其中， σ取值1.6，尺度所有取值如下，i为塔数(总数为6)，s为每塔层数S＝3。

2^i-1(σ，kσ，k²σ，...k^n-1σ)，k＝2^1/S

S2012、定义两种极小圆盘S4和S8，定义原图与圆盘形态和与形态差运算。

两种离散极小圆盘：S4为 S8为

形态和：

形态差：

S2013、定义原图检测算子Cor0及其补图检测算子Cor1，将结果异或得到全部候选关键点。

Cor＝Cor0ΛCnr1

其中I’表示I的补图，Λ表示图像的异或运算。

S2014.对图像做降采样(隔点采样)，即原图1/4(长宽分别减半)，构成高一层金字塔。重复上述步骤直到六层金字塔构建完毕。

Step202、针对全部候选关键点进行关键点方向分配和局部描述子的计算，从而获得仿射变换模型。

可以看出，本步骤2中是对预处理图像采用改进的SIFT算法提取关键点，对预处理图像只构建一组六层的高斯金字塔。保证在图像存在较小尺度变化的时候的检测到较少数量的关键点，同时减少冗余的构建金字塔的计算需要，提高算法的时间效率。帧差前利用预处理图像得到的仿射变换模型对视频序列前后帧图像进行了配准，消除了视频帧漂移对检测性能造成的影响。

步骤3，将配准后的图像中的连通区域进行区域合并以及小面积剔除，获得符合检测目标条件的疑似目标区域。

步骤3具体包括如下步骤：

Step301、在配准后的图像中，获取全部连通区域的四维方形边界信息，并将四维方形边界信息中的边界值向外围扩张5个像素点，获得全部连通区域的新边界信息；

Step302、在全部连通区域中，任取其中的两个，进行如下判断：

若该两个连通区域的新边界信息相互交叉或包含，则将该两个连通区域合并为一个新连通区域，新连通区域的边界取将上述两个连通区域包含在内的最小矩形的边界；

若该两个连通区域的新边界信息没有交叉或包含，则该两个连通区域被确定为两个目标；

Step303、重复Step302直至图像中所有的连通区域中的任意两个都不满足合并的条件。

可以看出，本实施例中对连通域采用区域合并进行形态学处理，消除了帧间差分过程中大面积目标产生的“断裂”及“空洞”的现象，使提取的目标候选区域更加完整，虚警率降低到最小。

步骤4，检测两幅配准后的图像中的疑似目标区域，若分属于两幅配准后的图像中的两个疑似目标区域同时满足欧式距离、颜色直方图和局部模式直方图三个判别条件，则判定该两个疑似目标区域为同一目标，否则两个疑似目标区域不为同一目标。

其中各方法具体为：

A、欧氏距离：求取前后疑似目标的质心欧式距离，设定阈值，判定二者的欧式距离是否满足设定要求。

B、颜色直方图：在相邻视频图像帧中，截取两个疑似目标区域图像，统计两个区域的颜色直方图，并进行直方图相似性判别，判定两个颜色直方图的相似性是否达到阈值T₂。将由R、G、B空间转化来的H、S、V空间等间隔量化，H、S、V每个空间量化成4级，最终生成64维的颜色直方图，而直方图相似性采用χ²距离度量：若两个目标区域统计得到的颜色直方图分别表示为：h_i＝{h_i(1),h_i(2),...,h_i(64)}和h_j＝{h_j(1),h_j(2),..._,h_j(64)}，则它们之间的χ²距离定义为：

经过反复测试与比较，阈值T₂设为0.09。

C、局部模式直方图：首先，若局部区域的大小为h*h，区域中心像素值为g_c，该局

部区域中的所有像素按下式进行量化赋值，产生图像的模式矩阵：

其中：gⁱ为局部区域中的像素值，t为选定的阈值。

然后，将模式矩阵分裂成3个矩阵：正矩阵(PM，Positive Matrix，)，等矩阵(EM，Equal Matrix)和负矩阵(NM，Negative Matrix，)。三个矩阵分别定义为：

对每个子矩阵，生成对应的子直方图：

上式中：表示直方图的维数变量(k∈[1,h²])，N为子矩阵连通区域的总数，num(n)表示连通区域包含的像素个数，当内部等式为真时，为1，否则为0。为了减少直方图的维数和增加局部模式直方图的可识别性，按下式对直方图进行合并处理：

vol(k)＝B×vol(k-1),k∈[2,...,K]

这里，vol(k)表示已有直方图的每个区间的体积，B是控制区间增长速度的系数，一般取值为2。最后将三个子直方图级联生成最后的局部模式直方图。对截取的两个疑似目标区域图像求得的局部模式直方图同样利用χ²距离对其进行相似性判别。

步骤5，依据步骤4中的判定，采用基于置信度检测的运动目标跟踪方法进行运动目标的跟踪，并根据跟踪到的运动目标的特征，提取具有高表征性的形状结构特征和局部描述特征，依据从样本数据学习获得的分类超平面对跟踪到的运动目标利用支持向量机分成行人、汽车和其他运行目标的三类。

本实施例中，采用基于置信度检测的运动目标跟踪方法进行运动目标的跟踪，具体方法为：

Step501、依据步骤4中的判定，若两疑似目标区域为同一目标，则对于当前帧原图像来说，其中的疑似目标区域判定为已有目标，更新存储的已有目标信息，并针对该已有目标的置信度加1，若两个疑似目标区域不为同一目标，则对于当前帧原图像来说，其中的疑似目标区域为新目标，对该新目标进行存储，并设定置信度为初始值1，并标记该新目标被检测到的顺序；

Step502、对存储的已有目标进行排查，对于当前帧没有检测到的已有目标，置信度减1，并剔除置信度小于0的已有目标，当已有目标的置信度超过置信阈值，则将其置信度强制置为置信阈值；

Step503、将置信度达到置信阈值的已有目标，按其位置标记输出作为运动目标的跟踪结果。

本实施例中，分类超平面的获得方法如下：

Step5001、在智能交通视频监控系统所获取的视频数据中选取不同状态、不同类型的数据样本对分类器进行学习训练，其中不同状态、不同类型的数据样本包括行人目标、汽车目标以及其他运动目标。

Step5002、针对行人目标、汽车目标以及其他运动目标三类目标形状结构的差异性，提取形状特征；

形状特征包括将三类目标进行目标二值分割后获得的连通区域的面积、长宽比以及饱和度；

Step5003、对三类目标提取其局部描述特征，并与其形状特征一起作为支持向量机进行分类的依据；局部描述特征包括梯度方向直方图和局部二值模式。

本发明将运动目标利用SVM分成行人、汽车和其他运行目标的三类，提高了跟踪效率。

综上，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种智能交通运动目标检测跟踪方法，其特征在于，该方法步骤包括：

步骤1，由智能交通视频监控系统所获取的视频数据中抽取当前帧原图像及其相邻的前一帧原图像，针对当前帧原图像和前一帧原图像分别进行如下Step101～Step104的处理获得预处理图像；

Step101，将当前原图像与3×3的高斯平滑模板作卷积处理去除图像噪声，获得滤波后的图像；

Step102，采用有限差分求导矩阵计算出所述滤波后的图像中每个像素位置处的水平梯度分量g_x和垂直梯度分量g_y，利用g_x和g_y求解获得所述滤波后的图像中每个像素位置处的梯度的幅值，并沿梯度方向查找梯度幅值局部极大值，剔除掉非极大值点所对应的像素点，获得梯度图像；

所述梯度的幅值为M(x,y)＝max(|g_x|,|g_y|)；

Step103，设定灰度阈值，将所述梯度图像进行二值化处理，获得二值图像；

Step104，将所述二值图像进行一次膨胀操作将边缘密集区域填充合并，进行两次腐蚀操作修正合并区域外围轮廓并剔除孤立的边缘区域，得到预处理图像；

步骤2，针对步骤1获得的每幅预处理图像，进行如下Step201～Step202的处理获得仿射变换模型，然后利用所述仿射变换模型将当前帧原图像和前帧原图像配准并进行帧间差分，获得两幅配准后的图像；

Step201、以初始尺度1.6对预处理图像进行高斯模糊以及隔点抽样建立6层的高斯金字塔，对于高斯金字塔中每一层中得到的图像，进行角点检测获取候选关键点；

Step202、针对全部所述候选关键点进行关键点方向分配和局部描述子的计算，从而获得仿射变换模型；

步骤3，将配准后的图像中的连通区域进行区域合并以及小面积剔除，获得符合检测目标条件的疑似目标区域；

步骤4，检测两幅配准后的图像中的疑似目标区域，若分属于两幅配准后的图像中的两个疑似目标区域满足属于同一目标的判别条件，则判定该两个疑似目标区域为同一目标，否则所述两个疑似目标区域不为同一目标；

步骤5，依据所述步骤4中的判定，采用基于置信度检测的运动目标跟踪方法进行运动目标的跟踪，并根据跟踪到的运动目标的特征，提取具有高表征性的形状结构特征和局部描述特征，依据从样本数据学习获得的分类超平面对跟踪到的运动目标利用支持向量机分成行人、汽车和其他运行目标的三类。

2.如权利要求1所述的一种智能交通运动目标检测跟踪方法，其特征在于，所述Step101中，所采用的3×3的高斯平滑模板的二维高斯函数的表达具体为其中x、y分别为原图像中像素的行、列号；σ的值为0.6。

3.如权利要求1所述的一种智能交通运动目标检测跟踪方法，其特征在于，所述所述

其中I(*,*)为滤波后的图像，x、y分别为原图像中像素的行、列号；为水平方向的有限差分求导矩阵，为垂直方向的有限差分求导矩阵；

则梯度的幅值为M(x,y)＝max(|g_x|,|g_y|)。

4.如权利要求1所述的一种智能交通运动目标检测跟踪方法，其特征在于，在Step103中进行二值化处理时，设定灰度阈值为75。

5.如权利要求1、2、3或4所述的一种智能交通运动目标检测跟踪方法，其特征在于，所述步骤3具体包括如下步骤：

Step301、在配准后的图像中，获取全部连通区域的四维方形边界信息，并将所述四维方形边界信息中的边界值向外围扩张5个像素点，获得全部连通区域的新边界信息；

Step302、在全部连通区域中，任取其中的两个，进行如下判断：

若该两个连通区域的新边界信息相互交叉或包含，则将该两个连通区域合并为一个新连通区域，所述新连通区域的边界取将上述两个连通区域包含在内的最小矩形的边界；

若该两个连通区域的新边界信息没有交叉或包含，则该两个连通区域被确定为两个目标；

Step303、重复Step302直至图像中所有的连通区域中的任意两个都不满足合并的条件。

6.如权利要求1、2、3或4所述的一种智能交通运动目标检测跟踪方法，其特征在于，所述步骤4中属于同一目标的判别条件包括欧式距离、颜色直方图和局部模式直方图三个判别条件，若分属于两幅配准后的图像中的两个疑似目标区域同时满足上述三个判别条件，则判定该两个疑似目标区域为同一目标。

7.如权利要求1、2、3或4所述的一种智能交通运动目标检测跟踪方法，其特征在于，所述步骤5中，采用基于置信度检测的运动目标跟踪方法进行运动目标的跟踪，具体方法为：

Step501、依据步骤4中的判定，若两疑似目标区域为同一目标，则对于当前帧原图像来说，其中的疑似目标区域判定为已有目标，更新存储的已有目标信息，并针对该已有目标的置信度加1，若两个疑似目标区域不为同一目标，则对于当前帧原图像来说，其中的疑似目标区域为新目标，对该新目标进行存储，并设定置信度为初始值1，并标记该新目标被检测到的顺序；

Step502、对存储的已有目标进行排查，对于当前帧没有检测到的已有目标，置信度减1，并剔除置信度小于0的已有目标，当已有目标的置信度超过置信阈值，则将其置信度强制置为置信阈值；

Step503、将置信度达到置信阈值的已有目标，按其位置标记输出作为运动目标的跟踪结果。

8.如权利要求1、2、3或4所述的一种智能交通运动目标检测跟踪方法，其特征在于，所述步骤5中的分类超平面的获得方法如下：

Step5001、在智能交通视频监控系统所获取的视频数据中选取不同状态、不同类型的数据样本对分类器进行学习训练，其中所述不同状态、不同类型的数据样本包括行人目标、汽车目标以及其他运动目标；

Step5002、针对行人目标、汽车目标以及其他运动目标三类目标形状结构的差异性，提取形状特征；

所述形状特征包括将三类目标进行目标二值分割后获得的连通区域的面积、长宽比以及饱和度；

Step5003、对三类目标提取其局部描述特征，并与其形状特征一起作为支持向量机进行分类的依据；所述局部描述特征包括梯度方向直方图和局部二值模式。