CN106203368A - 一种基于src和svm组合分类器的交通视频车辆识别方法 - Google Patents

Abstract

本发明公开了一种基于稀疏表示(SRC)和支持向量机(Support Vector Machine，SVM)组合分类器的交通视频车辆识别方法，通过字典训练(K‑SVD)算法对车辆样本的方向梯度直方图(Histogram of Oriented Gradient，HOG)特征进行训练得到过完备字典，从而构建稀疏表示(Sparse Representation‑based Classifier，SRC)分类器；同时将车辆正负样本和待分类样本的HOG特征进行稀疏重构，用重构的特征训练SVM分类器。最后利用SRC分类器和基于重构的SVM的线性加权构成组合分类器，完成车辆识别的综合决策。本发明提高整个系统在粘连、遮挡、目标类别多样等复杂交通场景中的识别率和鲁棒性，缩小训练时间。

Description

一种基于SRC和SVM组合分类器的交通视频车辆识别方法

技术领域

本发明涉及一种基于SRC和SVM组合分类器的交通视频车辆识别方法，属于图像识别技术领域。

背景技术

随着我国经济和社会的发展，城市的人口和机动车拥有量急剧增长，交通流量日益加大，交通问题已经成为城市管理工作中的重大社会问题，是阻碍和制约着城市发展的重要原因之一。因此，有关部门不断加强交通基础设施建设力度，其中，智能交通系统(Intelligent Transportation System，ITS)应运而生。所谓智能交通系统，就是在现有的交通状况下，充分利用现代高新技术，进行合理的交通需求分配和管理，通过卫星导航系统、汽车自动引路系统、视频监控和计算机管理等多种技术手段，将整个路网的通行能力迅速提高，实现安全、快速和便捷运输的一种交通综合治理方案。

车辆检测是智能交通系统的关键组成部分，通过车辆检测技术可以准确获得交通道路上的交通流量，车辆的基本信息等交通参数，从而为实时交通状况监控和交通管理提供重要依据。车辆检测方法主要有地感线圈车辆检测法、波频检测法、智能视频检测法等。其中智能视频车辆检测是一种利用视频图像实现对车辆进行检测的方法，是目前最具有发展前景的一种检测方法。

交通视频属于监控视频，其背景是不变的，因此属于背景建模的运动目标检测范畴。目前处理背景建模的问题主要有三种基本方法：帧间差分、背景差分、光流法。(1)帧间差分法是基于运动图像序列中，相邻两帧图像间具有强相关性而提出的检测方法，具有算法实现简单，对光线等场景变化不敏感，能够适应各种动态环境，稳定性较好的优点，但其不足是不能检测出静止或运动速度过慢的物体，对于高速运动的物体又会使得分割区域远远大于真实目标，不利于进一步的物体分析与识别。(2)光流法通过计算三维运动场投影到二维图像平面内的速度场来区分运动车辆和背景，主要缺点是所得到的是稀疏光流场，难以获取运动目标的精确形状，且特征匹配问题尚未得到较好的解决。(3)背景差分法是运动车辆检测中最常用的方法之一，基本原理是利用背景的参数模型来近似背景图像的像素值，将当前帧与背景图像进行差分比较实现对运动区域的检测，并根据场景的变化动态地对模型参数进行更新，对动态场景中由光照和干扰物等外界条件引起的变化较敏感，背景模型对环境依赖性较强。

运动车辆的识别一般由分类器来完成。目前，比较常见的分类器有贝叶斯(Bayes)分类器、神经网络分类器、Boosting分类器、SVM以及上面提到的稀疏表示分类器等。Bayes分类器，由目标的先验概率，通过贝叶斯公式，利用后验概率的最大值判断目标的类别，这种方法不适合较大样本数目的场合。神经网络模仿人类大脑神经结构，因此具有较好的容错能力，但是一般只能用于固定的类别。Boosting的主体思想是首先生成多个弱分类器，这些弱分类器的集合通过循环训练后形成的强分类器便可以用于目标识别，且识别率较好，但实际应用中比较难。支持向量机SVM是近年来出现的一种比较先进的机器学习方法，它可以解决神经网络的局部极值问题，同时利用核函数技术解决非线性和高维特征问题，在许多实际问题中得到验证和广泛应用，但是这些新技术的引入同时带来训练速度慢、算法复杂度高、难以实现以及运算量大等问题。目前现有的分类器很难兼顾识别率和训练速度两个方面，在复杂的交通场景中其应用受到一定的限制。

综上所述，交通视频的车辆检测的一般流程是：(1)基于背景建模的运动目标检测的基本算法获得运动目标；(2)获取运动目标图像的特征；(3)利用分类器进行判别；(4)判别结果反馈到视频帧上，完成车辆目标的定位识别。因为现有的分类器的诸多不足，交通视频的车辆检测识别还存在着准确率不高、运算时间较长的缺点，难以满足视频检测的实时性的要求。

发明内容

发明目的：针对现有技术中存在的识别率低、实时性差的问题与不足，本发明提供一种基于SRC和SVM组合分类器的交通视频车辆识别的方法，利用稀疏重构去除冗余信息，降低SVM训练时间和算法复杂度，同时结合SRC分类器做加权综合判决，这两种分类器的组合互补，能够同时具备SRC的抗噪声性能和SVM的小样本识别能力，显著提高整个系统的识别率和鲁棒性，缩短训练时间。

一种基于SRC和SVM组合分类器的交通视频车辆识别方法，包括以下步骤：

1)对读取的交通视频进行预处理后采用背景差分的方法获取运动目标区域；

2)对正负样本集和待分类的运动目标提取HOG特征；

3)对正负样本集和待分类的运动目标的HOG特征通过K-SVD算法对SRC和SVM组合分类器的字典进行训练得到过完备字典D′和稀疏系数向量，归一化后进行稀疏重构；

4)用稀疏重构的特征去完成SVM的训练，并得到相应的判决模型；

5)SRC和基于稀疏重构的SVM分类器对待分类的运动目标加权综合决策；

6)将判决结果反馈到视频图像中，并播放视频，完成识别。

步骤3)所述采用K-SVD算法对SRC和SVM组合分类器的字典进行训练的方法如下：

通过步骤2)对HOG特征的提取，得到的待分类的运动目标M特征H_M为：

H_M＝{h_i∈R^m,i＝1,2,....,n}

其中，块数n为特征数，m为每组特征单元h_i的维数；

所有基于HOG特征的向量表示车辆训练样本集即正负样本集为{H_i∈R^m,i＝1,2,....,n}，其中每个样本H_i代表一个车辆样本的HOG特征；初始化字典D＝{H₁,H₂,...,H_n}∈R^m×n，采用K-SVD算法对字典进行训练得到过完备字典D′并计算稀疏系数，得到稀疏系数向量α'。

所述过完备字典D′区分待分类的运动目标是否为车辆目标的方法如下：

待分类的运动目标即待测样本y∈R^m是待识别目标基于HOG特征的向量表示，给定一个稀疏约束因子L，求解一下L₂范式最小值：

$\begin{array}{ccc}\widehat{\mathrm{\α}}(y,D^{\′})=\arg \underset{{\mathrm{\α}}^{\′},D^{\′}}{min}\left|\right|y-D^{\′}{\mathrm{\α}}^{\′}|{|}_2^2,& s.t.& \left|\right|{\mathrm{\α}}^{\′}|{|}_0\≤L\end{array}$

计算待测样本y在过完备字典D′上的残差如下：

待测样本分类可通过以下的方法得到判定因子：

式中设定权值λ用于权衡稀疏表示残差和稀疏度；

最后设置软阈值T完成对目标的分类：

当判定因子β小于等于阈值T，则待测样本y属于车辆，否则样本y属于非车辆目标。

步骤4)所述基于稀疏重构的SVM的训练方法如下：

利用得到的重构后的训练样本，进行支持向量机SVM训练得到后续分类所需要的SVM判决模型：

f(x)＝sgn(w^tx+b)

其中，w为权重向量系数，b为偏置向量；

再将得到的重构后的运动目标的HOG特征送入判别式中：

步骤5)所述SRC和基于稀疏重构的SVM分类器对待分类的运动目标加权综合决策方法如下：

使用两种分类器综合决策，SRC分类结果值：1表示车辆，0表示其他；SVM分类器：1表示车辆，0表示其他，利用下面公式做综合判决：

y＝a×SVM分类结果+b×SRC分类结果

其中a和b为权重，满足0<a,b<1，a+b＝1，y表示待分类的运动目标。

有益效果：与现有技术相比，本发明具有如下优点：利用稀疏重构去除冗余信息，能够有效改善SVM分类器训练速度慢，复杂度高的缺点，提高实时性。SRC分类器在面对车辆遮挡、噪声仍具有较高的识别率。同时SVM可提高泛化性能，可以避免神经网络结构选择和局部极小点问题。这两种分类器的组合互补，能够同时具备SRC的抗噪声性能和SVM的小样本识别能力，从而提高整个系统在粘连、遮挡、目标类别多样等复杂交通场景中的识别率和鲁棒性，缩短训练时间。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，为本发明的一种基于SRC和SVM组合分类器的交通视频车辆识别方法，包括以下七个部分内容：

1)运动目标的获取：对读取的交通视频进行预处理，其中预处理包括灰度化视频图像和中值滤波去噪，然后对处理后的图像进行背景差分。背景差分的基本思想：首先，假设视频有M帧视频图像，选取其中N帧利用均值法计算背景图像B(x,y)和如式(1)，将后续的视频图像帧f_k(x,y)和背景模型B(x,y)相减，如公式(2)，其次，将计算结果在一定阈值T限制下进行二值化，如公式(3)，将当前图像中出现的偏离背景模型值较大的那些象素判断为运动目标像素，因为其中含有目标的二值化图像D_k(x,y)。由于运动物体和背景在灰度或色彩上存在差别，相减、阈值操作后得到的结果直接给出了目标的位置、大小、形状等，从而得到较完整的目标信息。其中，N的取值越大，构建的背景模型越好。现在对于背景建模有很多方法，例如，混合高斯背景建模、近似中值滤波、基于自回归模型的方法、基于在线学习的方法等。因为这一块不是本发明创新点，所以只采取了相对简单的均值法，但是都可以用以上方法替换。

$B(x,y)=\frac{\underset{k=1}{\overset{N}{\&Sigma;}}{F}_k(x,y)}{N}---\left(1\right)$

D_k(x,y)＝|f_k(x,y)-B_k(x,y)| (2)

$R_k(x,y)=\left\{\begin{array}{cc}1& D_k(x,y)>T\\ 0& else\end{array}\right.---\left(3\right)$

2)正负样本和运动目标的HOG特征提取：采用gamma校正法对输入图像进行颜色空间归一化，平方根gamma标准化可以很好地消除图像整体光照和对比度的影响。因为颜色信息作用不大，通常先转化为灰度图，设I_g(x,y)是(x,y)坐标像素点的灰度值，gamma压缩公式(4)：

I_g(x,y)＝I_g(x,y)^gamma，取gamma＝0.5 (4)

计算图像每个像素的梯度幅值和方向，使用1维的离散微分模板[-1,0,1]对车辆图像进行卷积计算，则I_g(x,y)的梯度为：

$G_x(x,y)=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]*I_g(x,y)---\left(5\right)$

$G_y(x,y)={\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]}^T*I_g(x,y)---\left(6\right)$

G_x(x,y)、G_y(x,y)分别代表横向及纵向边缘检测的梯度，而像素点(x,y)的梯度幅值大小G(x,y)和方向θ(x,y)如式(7)和式(8)所示：

$G(x,y)=\sqrt{G_x{(x,y)}^2+G_y{(x,y)}^2}---\left(7\right)$

$\mathrm{\&theta;}(x,y)=arctan\left(\frac{G_x(x,y)}{G_y(x,y)}\right)---\left(8\right)$

统计单元内梯度直方图，将图像窗口区域划分成均匀分布的细胞(cell)单元，每个cell单元包含4×4个像素，每个cell单元内把的梯度方向平均分成9个区间(bin)，然后在每个cell内所有像素的梯度值再分别在各个bin区间进行直方图统计，这样一个cell得到一个9维的特征向量，分别统计cell单元内方向梯度直方图；

归一化区域块内梯度方向直方图，每2×2个cell组成一个块(block)，这样一个block就形成36维的特征向量，利用L2-范数对整个block进行归一化，如式(9)所示：

$v\&LeftArrow;v/\sqrt{\left|\right|v|{|}_2^2+\mathrm{\&epsiv;}}---\left(9\right)$

其中v为特征向量，||v||₂表示v的2阶范数，ε表示一个很小的常数，用以避免分母为0；

最后序列化形成HOG特征向量，将所有block单元的HOG特征进行序列化处理便构成了训练样本或检测窗图像最终的HOG特征向量。

3)基于HOG特征的稀疏表示分类器的训练：稀疏表示分类器的核心就在于字典的构造。字典的构造是一种寻找稀疏表示下最优基的构造，字典的优劣是原始信号能否尽可能稀疏表示的关键。在上一步骤，通过对HOG特征的提取，将目标的表述由像素级转为向量级并序列化，可设得到的目标M特征H_M为式(10)，其中，块数n为特征数，m为每组特征单元h_i的维数：

H_M＝{h_i∈R^m,i＝1,2,....,n} (10)

记所有基于HOG特征的向量表示车辆训练样本集为{H_i∈R^m,i＝1,2,....,n}，其中每个样本H_i代表一个车辆样本的HOG特征。初始化字典D＝{H₁,H₂,...,H_n}∈R^m×n，采用K-SVD算法对字典进行训练得到过完备字典D′并计算稀疏系数，得到稀疏系数向量α'。

设待测样本y∈R^m是待识别目标基于HOG特征的向量表示，给定一稀疏约束因子L，求解一下L₂范式最小值，如式(11)：

$\begin{array}{ccc}\widehat{\mathrm{\&alpha;}}(y,D^{\&prime;})=\arg \underset{{\mathrm{\&alpha;}}^{\&prime;},D^{\&prime;}}{min}\left|\right|y-D^{\&prime;}{\mathrm{\&alpha;}}^{\&prime;}|{|}_2^2,& s.t.& \left|\right|{\mathrm{\&alpha;}}^{\&prime;}|{|}_0\&le;L\end{array}---\left(11\right)$

式(11)的求解是寻找一个在满足稀疏约束因子L条件下取得最小重构误差的稀疏表示的过程。在式(11)得到最优稀疏表示的基础上，计算y在字典D′上的残差如式(12)：

待测目标分类可通过以下的方法得到判定因子(13)：

式中设定权值λ用于权衡稀疏表示残差和稀疏度。

最后设置经验阈值T完成对目标的分类：

当判定因子口小于阈值T，则待测样本y属于车辆，否则样本y属于非车辆目标。

4)对车辆样本集和待分类的运动目标的HOG特征进行稀疏重构：利用3)中的方法，将车辆的正负样本y₁和运动目标即待分类的样本y₂的HOG特征，利用K-SVD算法对字典进行训练得到过完备字典D′和稀疏系数向量α′，并进行归一化。利用归一化后的过完备字典D′＝{H′₁,H′₂,...,H′_n}和公式y′＝D′x(x为系数向量)进行训练样本和待分类的稀疏重构，得到重构后的训练样本y′₁和待分类样本y′₂的HOG特征。根据稀疏算法的基本原理，得到的稀疏系数向量α′大部分分量为零，仅存在少数的非零系数，而这些非零系数又能很好反应HOG特征，因此以稀疏系数向量α′来重构HOG特征能够有效去除冗余信息，将不必要的数据归0，也就是用最少的数据来描述车辆的HOG特征，能够降低SVM训练的时间和复杂度。

5)基于稀疏重构的SVM的训练：利用得到的重构后的训练样本y′₁，进行支持向量机SVM训练得到后续分类所需要的SVM分类模型：

f(x)＝sgn(w^tx+b) (15)

其中，w为权重向量系数，b为偏置向量。

再将得到的重构后的运动目标的HOG特征y′₂送入判别式中

6)SRC和基于稀疏重构的SVM分类器的加权决策：使用两种分类器综合决策。定义SRC分类结果值，1表示车辆，0表示其他。SVM分类器结果“车辆”定义1，“其他”定义为0，本发明利用下面公式做综合判决：

y＝a×SVM分类结果+b×SRC分类结果 (17)

其中a＞0和b＞0均为权重，满足a+b＝1。

结合两种分类器的加权决策，车辆的识别率和准确率会有显著的提高。

7)判决结果反馈到视频图像中：根据综合判决的结果和运动目标的坐标，将是车辆的目标在视频图像中标出，最后播放视频图像，完成车辆识别。

Claims (5)

1.一种基于SRC和SVM组合分类器的交通视频车辆识别方法，其特征在于包括以下步骤：

1)对读取的交通视频进行预处理后采用背景差分的方法获取运动目标区域；

2)对正负样本集和待分类的运动目标提取HOG特征；

3)对正负样本集和待分类的运动目标的HOG特征通过K-SVD算法对SRC和SVM组合分类器的字典进行训练得到过完备字典D′和稀疏系数向量、并归一化后进行稀疏重构；

4)用稀疏重构的特征去完成SVM的训练，并得到相应的判决模型；

5)SRC和基于稀疏重构的SVM分类器对待分类的运动目标加权综合决策；

6)将判决结果反馈到视频图像中，并播放视频，完成识别。

2.根据权利要求1所述的基于SRC和SVM组合分类器的交通视频车辆识别方法，其特征在于步骤3)所述采用K-SVD算法对SRC和SVM组合分类器的字典进行训练的方法如下：

通过步骤2)对HOG特征的提取，得到的待分类的运动目标M特征H_M为：

H_M＝{h_i∈R^m,i＝1,2,....,n}

其中，块数n为特征数，m为每组特征单元h_i的维数；

所有基于HOG特征的向量表示车辆训练样本集即正负样本集为{H_i∈R^m,i＝1,2,....,n}，其中每个样本H_i代表一个车辆样本的HOG特征；初始化字典D＝{H₁,H₂,...,H_n}∈R^m×n，采用K-SVD算法对字典进行训练得到过完备字典D′并计算稀疏系数，得到稀疏系数向量α'。

3.根据权利要求2所述的基于SRC和SVM组合分类器的交通视频车辆识别方法，其特征在于所述过完备字典D′区分待分类的运动目标是否为车辆目标的方法如下：

待分类的运动目标即待测样本y∈R^m是待识别目标基于HOG特征的向量表示，给定一个稀疏约束因子L，求解一下L₂范式最小值：

s.t.||α'||₀≤L

计算待测样本y在过完备字典D′上的残差如下：

待测样本分类可通过以下的方法得到判定因子：

式中设定权值λ用于权衡稀疏表示残差和稀疏度；

最后设置软阈值T完成对目标的分类：

$C\left(y\right)=\left\{\begin{array}{c}\mathrm{\&beta;}\&le;T\\ \mathrm{\&beta;}>T\end{array}\right.$

当判定因子β小于等于阈值T，则待测样本y属于车辆，否则样本y属于非车辆目标。

4.如权利要求1所述的基于SRC和SVM组合分类器的交通视频车辆识别方法，其特征在于步骤4)所述基于稀疏重构的SVM的训练方法如下：

利用得到的重构后的训练样本，进行支持向量机SVM训练得到后续分类所需要的SVM判决模型：

f(x)＝sgn(w^tx+b)

其中，w为权重向量系数，b为偏置向量；

再将得到的重构后的运动目标的HOG特征送入判别式中：

$f\left(x\right)=\left\{\begin{array}{c}1\\ -1\end{array}\right..$

5.如权利要求1所述的基于SRC和SVM组合分类器的交通视频车辆识别方法，其特征在于步骤5)所述SRC和基于稀疏重构的SVM分类器对待分类的运动目标加权综合决策方法如下：

使用两种分类器综合决策，SRC分类结果值：1表示车辆，0表示其他；SVM分类器：1表示车辆，0表示其他，利用下面公式做综合判决：

y＝a×SVM分类结果+b×SRC分类结果

其中a和b为权重，满足0<a,b<1，a+b＝1，y表示待分类的运动目标。