CN105976612B - 基于鲁棒混合高斯模型的城市交通场景中车辆检测方法 - Google Patents

Abstract

本发明公开了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，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。本发明用于实现车辆计数，车型分类，车辆跟踪以及交通参数的获取，从而实现对卡口视频数据的智能化管理。

Description

基于鲁棒混合高斯模型的城市交通场景中车辆检测方法

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：

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

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。如果没有找到如何一个匹配的分布，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/σ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

Th是一个阈值来决定构成背景模型的最小个数。

作为优选，所述步骤2)中，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：

引入5个新的图像，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，第t帧图像更新标志图像。C_t：第t帧图像各点像素所处的交通状态。初始状态设为：(表示模型不更新，表示更新)，C₀＝0。

作为优选，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“非常畅通”、“畅通”、“一般”、“拥堵”、“非常拥堵”：

作为优选，所述步骤4)中，背景模型的每个像素点置信度是否更新的判定，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，本文中，像素点在t时刻的置信度的更新按过如下形式决定：

其中10，1，0，-1是根据实验中真实交通场景设定的值。

作为优选，所述步骤5)中，每个像素点背景模型更新判定：

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(比如每P帧)，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。

作为优选，所述步骤6)中，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：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

作为优选，所述步骤7)中，城市交通场景前景检测：

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。

本发明方法在传统混合高斯模型的基础上，根据当前的交通状态，对每个像素点设置一个置信度，判断当前像素点是否处于置信期从而决定背景模型是否更新以及更新时算法的自适应学习率，得到一个具有鲁棒性的背景模型而不增加算法的复杂度。

有益效果：本发明有效地提取拍摄到的交通卡口视频中车辆信息的提取，用于车辆检测，车辆计数，车型分类，车辆跟踪以及交通参数的获取，实现对卡口视频数据的智能化管理。

具体实施方式

下面结合具体实施方案对本技术方案进一步说明：

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：

第一步：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：

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

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。如果没有找到如何一个匹配的分布，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/σ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

Th是一个阈值来决定构成背景模型的最小个数。

第二步：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：

引入5个新的图像，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，第t帧图像更新标志图像。C_t：第t帧图像各点像素所处的交通状态。初始状态设为：(表示模型不更新，表示更新)，C₀＝0。

第三步：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“非常畅通”、“畅通”、“一般”、“拥堵”和“非常拥堵”：

第四步：背景模型的每个像素点置信度是否更新的判定，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，本文中，像素点在t时刻的置信度的更新按过如下形式决定：

其中10，1，0，-1是根据实验中真实交通场景设定的值，

第五步：每个像素点背景模型更新判定：

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(比如每P帧)，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。

第六步：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：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

第七步：城市交通场景前景检测：

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。

应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (1)

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。