CN106446966A - 一种基于dsp的智能交通运动目标检测方法 - Google Patents
一种基于dsp的智能交通运动目标检测方法 Download PDFInfo
- Publication number
- CN106446966A CN106446966A CN201610921421.7A CN201610921421A CN106446966A CN 106446966 A CN106446966 A CN 106446966A CN 201610921421 A CN201610921421 A CN 201610921421A CN 106446966 A CN106446966 A CN 106446966A
- Authority
- CN
- China
- Prior art keywords
- method based
- support vector
- vector machine
- characteristic
- dsp
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于DSP的智能交通运动目标检测方法。包括获取待识别目标图像数字数据,提取特征,并作归一化处理;提取特征并作归一化处理具体为:a仿射不变矩:到第一级分类器,支持向量机,通过支持向量机分类器识别结果,果到第二级分类器,模糊积分;b面部特征和形状复杂度特征:到第二级分类器,模糊积分;输出识别结果。本发明通过基于模糊积分的多特征融合目标分级识别方法,实现大型车、小型车和行人的多目标分类。首先提取出面积、复杂度和放射不变矩三类特征;然后运用支持向量机对四个放射不变矩进行初步分类,分类的结采联同面积特征和复杂度特征一同运用模糊,识分进行特征融合进行精确识别。
Description
技术领域
本发明属于智能交通技术领域,特别是涉及一种基于DSP的智能交通运动目标检测方法。
背景技术
具有识别功能足智能交通系统的智能性的体现之一。识别是指从客观事实中自动建立符号描述或进行逻辑推理的数学和技术,因而人们定义模式识别是对客观世界中物体和过程进行分类和描述的。在道路交通系统中,运动目标可以分为汽车、摩托车、自行车、行人等类别,这些目标在面积、形状复杂度、颜色、纹理以及速度等方面都具有较大的差异。图像的类型不同,其有效的目标标识别特征也不同,所以至今还没有一种适用于各种识别的通用图像特征参数。同时物体又足移动的,使得对于同一运动目标,因其姿态和距离的变化,会使摄像机采集的图像,具有不同的特征此外,多固称的出现、目标之间的遮挡、目标影子等因素都会增加目标识别的难度。
对交通系统中检测出来的运动目标进行分类有很多种方法,像统计模式分类法,结构法,神经网络法,分类数法等。考虑到路口摄像头的位置,拍摄的图像以俯视图为主,对检测出的运动物体,根据其仿射不变矩、形状和面积等特征,运用支持向量机、模糊积分等技术,将检测分割后的区域进行分类识别,特征参数除了不变矩特征外,考虑面积和形状等特征,以便实现对道路交通系统中运动目标的准确识别。
发明内容
本发明的目的在于提供一种基于DSP的智能交通运动目标检测方法,通过基于模糊积分的多特征融合目标分级识别方法,通过提取出面积、复杂度和放射不变矩三类特征;然后运用支持向量机对四个放射不变矩进行初步分类,分类的结采联同面积特征和复杂度特征一同运用模糊,识分进行特征融合进行精确识别。
本发明是通过以下技术方案实现的:
本发明为一种基于DSP的智能交通运动目标检测方法,包括如下步骤:
步骤一,获取待识别目标图像数字数据,提取特征,并作归一化处理;
步骤二,所述步骤一中,提取特征并作归一化处理具体为:
a仿射不变矩:到第一级分类器,支持向量机,通过支持向量机分类器识别结果,果到第二级分类器,模糊积分;
b面部特征和形状复杂度特征:到第二级分类器,模糊积分;
步骤三,输出识别结果。
优选地,所述步骤二中基于支持向量机的第一级分类器通过支持向量机算法,依据仿射不变矩初步判断检测目标。
在交通视频监视系统中,运动的目标可以细分为大型车(卡车、大客车等),小型车(小轿车等),行人三大类别。由于这几种物体在面积、形状复染度、仿射不变矩特征上具有较大差异,本文将融合这些特征中的一部分对分割出来的运动目标进行分类识别,在各个运动物体被分割出来后,其面积特征随之得到。
现有的不变特征提収方法都是基于不同的抽象的数学物理模型来描述物理现象,而这种物理模型又可以建立多个数学模型,应用对应的数学分支的不变性构造不变特征量。如Hu利用代数不变性、Yang利用解析儿何中的不变性。常用的仿射不变特征是仿射不变矩,它是由不具备真正的仿射不变性的Hu矩演进而来的具有仿射不变性的矩特征。
本发明具有以下有益效果:
本发明通过基于模糊积分的多特征融合目标分级识别方法,实现大型车、小型车和行人的多目标分类。首先提取出面积、复杂度和放射不变矩三类特征;然后运用支持向量机对四个放射不变矩进行初步分类,分类的结采联同面积特征和复杂度特征一同运用模糊,识分进行特征融合进行精确识别。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种基于DSP的智能交通运动目标检测方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明为一种基于DSP的智能交通运动目标检测方法,包括如下步骤:
步骤一,获取待识别目标图像数字数据,提取特征,并作归一化处理;
步骤二,所述步骤一中,提取特征并作归一化处理具体为:
a仿射不变矩:到第一级分类器,支持向量机,通过支持向量机分类器识别结果,果到第二级分类器,模糊积分;
b面部特征和形状复杂度特征:到第二级分类器,模糊积分;
步骤三,输出识别结果。
其中,步骤二中基于支持向量机的第一级分类器通过支持向量机算法,依据仿射不变矩初步判断检测目标。
在交通视频监视系统中,运动的目标可以细分为大型车(卡车、大客车等),小型车(小轿车等),行人三大类别。由于这几种物体在面积、形状复染度、仿射不变矩特征上具有较大差异,本文将融合这些特征中的一部分对分割出来的运动目标进行分类识别,在各个运动物体被分割出来后,其面积特征随之得到。
现有的不变特征提収方法都是基于不同的抽象的数学物理模型来描述物理现象,而这种物理模型又可以建立多个数学模型,应用对应的数学分支的不变性构造不变特征量。如Hu利用代数不变性、Yang利用解析儿何中的不变性。常用的仿射不变特征是仿射不变矩,它是由不具备真正的仿射不变性的Hu矩演进而来的具有仿射不变性的矩特征。
在模式识别中,把多个分类器的输出信息融合起来进行分类决策与解决复杂分类问题的一种有效方法。模糊积分是处理信息融合问题的有效方法之一,它能够融合多类输出信息,同时考虑每类信息之间的相互联系。日前有两种节本模糊积分技术:(Choquet)模糊积分和管野(Sugeno)模糊积分。两种积分都是被积函数的内积,不同的只是以不同的测度为基础。
竹野道夫(M.Sugcno)在他的博士论文中首次提出模糊测度和模糊积分的概念,即用比较弱的单调性和连续性来代锊可加性的另一类集函数,也称之为模糊测度,并相应地定义可测函数关于模糊测度的积分。
值得注意的是,上述系统实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘或光盘等。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (2)
1.一种基于DSP的智能交通运动目标检测方法,其特征在于,包括如下步骤:
步骤一,获取待识别目标图像数字数据,提取特征,并作归一化处理;
步骤二,所述步骤一中,提取特征并作归一化处理具体为:
a仿射不变矩:到第一级分类器,支持向量机,通过支持向量机分类器识别结果,果到第二级分类器,模糊积分;
b面部特征和形状复杂度特征:到第二级分类器,模糊积分;
步骤三,输出识别结果。
2.根据权利要求1所述的一种基于DSP的智能交通运动目标检测方法,其特征在于,所述步骤二中基于支持向量机的第一级分类器通过支持向量机算法,依据仿射不变矩初步判断检测目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610921421.7A CN106446966A (zh) | 2016-10-21 | 2016-10-21 | 一种基于dsp的智能交通运动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610921421.7A CN106446966A (zh) | 2016-10-21 | 2016-10-21 | 一种基于dsp的智能交通运动目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106446966A true CN106446966A (zh) | 2017-02-22 |
Family
ID=58176868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610921421.7A Pending CN106446966A (zh) | 2016-10-21 | 2016-10-21 | 一种基于dsp的智能交通运动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106446966A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794515A (zh) * | 2010-03-29 | 2010-08-04 | 河海大学 | 基于协方差和二叉树支持向量机的目标检测系统及方法 |
EP2850454A1 (en) * | 2012-05-15 | 2015-03-25 | Raytheon Company | Motion detection through stereo rectification |
CN104658011A (zh) * | 2015-01-31 | 2015-05-27 | 北京理工大学 | 一种智能交通运动目标检测跟踪方法 |
-
2016
- 2016-10-21 CN CN201610921421.7A patent/CN106446966A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794515A (zh) * | 2010-03-29 | 2010-08-04 | 河海大学 | 基于协方差和二叉树支持向量机的目标检测系统及方法 |
EP2850454A1 (en) * | 2012-05-15 | 2015-03-25 | Raytheon Company | Motion detection through stereo rectification |
CN104658011A (zh) * | 2015-01-31 | 2015-05-27 | 北京理工大学 | 一种智能交通运动目标检测跟踪方法 |
Non-Patent Citations (1)
Title |
---|
贾涛: "《基于DSP的智能交通运动目标检测与识别技术研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Palffy et al. | CNN based road user detection using the 3D radar cube | |
Xiao et al. | CRF based road detection with multi-sensor fusion | |
Behley et al. | Laser-based segment classification using a mixture of bag-of-words | |
Wang et al. | Appearance-based brake-lights recognition using deep learning and vehicle detection | |
Spinello et al. | A layered approach to people detection in 3d range data | |
US8744122B2 (en) | System and method for object detection from a moving platform | |
Masmoudi et al. | Object detection learning techniques for autonomous vehicle applications | |
Wu et al. | LiDAR/camera sensor fusion technology for pedestrian detection | |
Manzoor et al. | Vehicle Make and Model classification system using bag of SIFT features | |
Byeon et al. | A performance comparison of pedestrian detection using faster RCNN and ACF | |
Alvarez et al. | Hierarchical camera auto-calibration for traffic surveillance systems | |
Al-Heety | Moving vehicle detection from video sequences for traffic surveillance system | |
Bahri et al. | Real-time moving human detection using HOG and Fourier descriptor based on CUDA implementation | |
Alturki | Traffic sign detection and recognition using adaptive threshold segmentation with fuzzy neural network classification | |
Huynh et al. | Convolutional neural network for motorbike detection in dense traffic | |
Chughtai et al. | Traffic Surveillance System: Robust Multiclass Vehicle Detection and Classification | |
Silva et al. | Automatic motorcycle detection on public roads | |
Behera et al. | A novel method for day time pedestrian detection | |
Farajzadeh et al. | Vehicle logo recognition using image matching and textural features | |
Thai et al. | Learning bag of visual words for motorbike detection | |
Braik et al. | Pedestrian detection using multiple feature channels and contour cues with census transform histogram and random forest classifier | |
Mukhopadhyay et al. | Performance comparison of different cnn models for indian road dataset | |
CN106446966A (zh) | 一种基于dsp的智能交通运动目标检测方法 | |
CN115685237A (zh) | 视锥与几何约束相结合的多模态三维目标检测方法及系统 | |
Gupta et al. | Military surveillance with deep convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170222 |
|
RJ01 | Rejection of invention patent application after publication |