CN106683119A - 基于航拍视频图像的运动车辆检测方法 - Google Patents

Abstract

本发明基于航拍视频图像的运动车辆检测方法，涉及图像数据处理中的图像运动分析，步骤是：对输入运动车辆彩色序列图像匹配，进一步得到背景补偿后的图像：包括基于SURF特征点的图像匹配和估计摄像机的全局运动参数得到背景补偿后的图像；运动车辆位置的粗检测；运动车辆位置的精确检测：包括自适应道路检测、提取候选车辆区域的CHLBP特征和利用SVM分类器对CHLBP特征进行判断获取运动车辆位置的精确检测。该方法融合时间和空间特性，克服了现有技术存在只适用于简单的单一场景运动车辆检测，难以适用于不同场景下的多运动车辆检测，检测的准确率容易受到尺度变化、复杂环境和摄像头运动的影响的缺陷。

Description

基于航拍视频图像的运动车辆检测方法

技术领域

本发明的技术方案涉及图像数据处理中的图像运动分析，具体地说是基于航拍视频图像的运动车辆检测方法。

背景技术

随着计算机和信息技术的迅猛发展和普及应用，智能交通系统ITS应运而生，它是解决当下交通问题的重要途径，更是未来智能交通事业发展的主要方向。运动车辆检测是智能交通系统的基本技术之一，是车辆计数、车速度、车流量和车密度这些交通流参数测量的基础。在运动车辆检测中，只有从图像背景中准确地分割出车辆，才能进行运动车辆的识别与跟踪，进而进行各种交通流参数的测量与分析。航拍是一种非接触式的，远距离的探测技术，随着科学技术和社会经济的不断发展，航拍技术也逐渐被用于道路上运动车辆的检测。航拍视频中的运动车辆检测技术的研发已成为计算机视觉、模式识别和图像处理领域备受关注的前沿课题。

基于固定摄像头的运动车辆检测算法，比如背景差分法、帧差法和光流法，这些检测算法不能直接用于摄像头运动的航拍视频检测场景中，主要原因是由于摄像头的运动使得图像背景变得复杂多变，从而不能精确地检测出运动车辆。

美国佛罗里达大学在2005年研发了COCOA系统，该系统是针对无人机航拍图像进行地面目标检测与跟踪，通过图像配准的方式消除运动背景，然后利用帧差和背景建模的方式检测运动车辆。由于该系统是基于Harris角点做的图像估计，所以针对于图像尺度变化的情况，检测精度不高；新加坡南洋理工大学的Aryo Wiman Nur Ibrahim提出了MODAT(Moving Objects Detection and Tracking)系统，该系统利用SIFT特征替代Harris角点特征完成图像匹配，具有尺度不变性，但是此算法只适用于简单场景的图像，不具有普适性。CN100545867C公开了航拍交通视频车辆快速检测方法，此方法利用全局运动估计方法分割出背景区域与前景区域，然后结合分水岭分割技术得出运动车辆，其存在使用二参数模型只模拟了航拍器的平移运动，会造成错误的全局运动估计，尤其会在复杂场景中引起较大的噪声干扰导致检测到错误的运动车辆的缺陷。

综上所述，基于航拍视频的运动车辆检测方法的现有技术存在只适用于简单的单一场景运动车辆检测，难以适用于不同场景下的多运动车辆检测，检测的准确率容易受到尺度变化、复杂环境和摄像头运动的影响的缺陷，因此，研发适应不同场景的基于航拍视频的运动车辆检测方法具有很高的实用价值。

发明内容

本发明所要解决的技术问题是：提供基于航拍视频图像的运动车辆检测方法，该方法融合时间和空间特性，适应对不同场景的运动车辆进行精确检测，克服了现有技术存在只适用于简单的单一场景运动车辆检测，难以适用于不同场景下的多运动车辆检测，检测的准确率容易受到尺度变化、复杂环境和摄像头运动的影响的缺陷。

本发明解决该技术问题所采用的技术方案是：基于航拍视频图像的运动车辆检测方法，该方法融合时间和空间特性，适应对不同场景的运动车辆进行精确检测，具体步骤如下：

第一步，对输入运动车辆彩色序列图像匹配，进一步得到背景补偿后的图像：

(1.1)基于SURF特征点的图像匹配：

分别用简单航拍场景采集简单航拍场景运动车辆彩色序列图像和复杂航拍场景采集复杂航拍场景运动车辆彩色序列图像，将采集到的所有运动车辆彩色序列图像F输入计算机中，并由RGB空间转化到灰度空间，采用的公式(1)如下：

I＝0.299R+0.587G+0.114B (1)，

在获得的灰度序列图像I上进行SURF特征点检测，然后在相邻的两帧灰度图像之间进行基于SURF特征点的图像匹配，得到匹配特征点对，用于下面进行摄相机的全局运动参数的估计；

(1.2)估计摄像机的全局运动参数，得到背景补偿后的图像：

摄像机的运动状态主要包括平移、旋转和缩放，采用六参数仿射模型近似表示，以估计全局运动参数，估计的过程如公式(2)所示：

其中(a₁,a₂,a₃,a₄)表示摄像机的旋转和缩放运动，(t₁,t₂)表示摄像机的平移运动，分别为第k-1帧和第k帧的第i个特征点对(p_i,q_i)的坐标，i＝1,…,N，利用公式(3)计算得到第i个特征点对(p_i,q_i)对应的摄像机的全局运动参数H，

其中，T为转置，且有，

根据相邻两帧灰度图像的N个特征点对，则有：

F＝AH (5)，

其中F＝(q₁,q₂,...,q_N)^T，将上述(1.1)步匹配得到的特征点对代入公式(5)，利用最小二乘法计算得到全局运动参数，并且根据公式(2)得到第k-1帧背景补偿后的灰度图像和第k+1帧背景补偿后的灰度图像

第二步，运动车辆位置的粗检测：

采用对“鬼影”现象不敏感的三帧差分法进行运动车辆的粗检测，三帧差分法的过程如下：

其中，和分别为上述第一步中得到的第k-1帧背景补偿后的灰度图像的灰度值和k+1帧帧背景补偿后的灰度图像的灰度值，I_k(x,y)代表上述第一步中得到的第k帧灰度图像I_k的灰度值，D₁(x,y)、D₂(x,y)代表差分的结果，对差分结果二值化并进行“与”运算，得到粗略检测的运动车辆的候选区域，如公式(7)、(8)和(9)所示，

R(x,y)＝R₁(x,y)∧R₂(x,y) (9)，

其中，R₁(x,y)，R₂(x,y)代表二值化结果，T为阈值，∧表示“与”运算，R(x,y)值为1的区域为粗略检测的运动车辆的候选区域；

第三步，运动车辆位置的精确检测：

在上述第二步运动车辆的粗检测的基础上，首先采用自适应的方法检测道路，得到感兴趣区域，然后对位于感兴趣区域的候选运动车辆进行验证，得到运动车辆位置的的精确检测，具体过程如下：

(3.1)自适应道路检测：

将上述第一步中航拍采集到的运动车辆彩色序列图像F由RGB空间转换为HSV空间，其中H代表色调，S代表饱和度，V代表明暗程度，将S分量图提取出来，利用大津算法计算出S分量的每一帧图像的阈值，根据该自适应的阈值将S分量图转换为二值图像，从而分割出道路区域，分别采用第一步中的简单航拍场景采集简单航拍场景运动车辆彩色序列图像和复杂航拍场景采集复杂航拍场景运动车辆彩色序列图像两种实验数据进行实验，分别得到两种航拍场景下的自适应道路检测结果，即道路区域图；

(3.2)提取候选车辆区域的CHLBP特征：

将上述步骤(3.1)得到的道路区域外的图像区域判定为非车辆候选区域，并在上述第二步得到的粗略检测的运动车辆的候选区域中去除这些非车辆候选区域，得到位于道路区域的候选车辆区域U，然后对这些区域进行CHLBP特征提取，得到CHLBP特征直方图；

(3.3)利用SVM分类器对CHLBP特征进行判断获取运动车辆位置的精确检测：

利用SVM分类器对上述步(3.2)得到的CHLBP特征直方图进行训练并分类，判断是否为车辆，具体过程是：首先在离线情况下，利用SVM分类器进行训练，正样本为航拍场景下的车辆，负样本为除车辆外随机选取的背景，对正负样本提取CHLBP特征，然后将特征数据输入到SVM分类器中训练，构造SVM分类器，再对经过道路区域得到的候选车辆区域进行CHLBP特征提取，利用构造好的SVM分类器进行验证，当判断为正样本时则为车辆，当判断为负样本时则定为非车辆；至此完成运动车辆位置的精确检测。

上述基于航拍视频图像的运动车辆检测方法，所述CHLBP特征提取，是基于七组编码模板M₁-M₇得到的，如公式(10)所示：

用上述公式(10)中七个模板分别对上述(3.2)步中得到的位于道路区域的候选车辆区域中所有像素点U(x,y)的5×5邻域进行点积运算并二值化后，采用类似LBP编码的加权求和形式，形成像素点U(x,y)的CHLBP编码，如下式(11)和(12)所示：

其中Μ_j(j＝1,2,3,4,5,6,7)为7组编码模板对应的矩阵，符号“*”为点积运算，t为阈值，W_U为位于道路区域的候选车辆区域中像素点U(x,y)为中心的5×5邻域的灰度值对应的矩阵,利用公式(11)得到所有像素点的CHLBP值后，计算其直方图，得到CHLBP特征直方图。

上述基于航拍视频图像的运动车辆检测方法，所述SVM分类器类型为默认设置C-SVC,核函数类型为RBF。

上述基于航拍视频图像的运动车辆检测方法，所述SURF、SVM分类器、六参数仿射模型、三帧差分法和大津算法是本技术领域公知的，所涉及的设备是本技术领域熟知并可通过商购途径获得的。

本发明的有益效果是：与现有技术相比，本发明的突出的实质性特点和显著进步如下：

(1)本发明方法融合时间和空间特性，首先对航拍视频中相邻的图像帧进行基于SURF特征点的配准，消除摄像头运动造成的影响，实现运动背景补偿，然后利用三帧差分法对运动目标进行粗定位，并对道路区域进行自适应阈值分割，去除周围环境的干扰，最后对位于道路区域的候选车辆区域提取CHLBP(Center Haar Local Binary Pattern)特征，结合SVM分类器进行验证，适应对不同场景的运动车辆进行精确检测，克服了现有技术存在只适用于简单的单一场景运动车辆检测，难以适用于不同场景下的多运动车辆检测，检测的准确率容易受到尺度变化、复杂环境和摄像头运动的影响的缺陷。

(2)本发明方法在自适应道路检测步骤中，克服了现有道路检测方法依靠于先验知识和固定阈值的局限性，通过颜色空间变换以及自适应阈值算法进行道路检测，降低了误检的数量，从而提高了车辆检测系统的效率。

(3)本发明方法利用了三帧差分法在时间序列上定位候选区域，然后提取空间的CHLBP特征输入到SVM分类对候选区域进行验证，避免了单一使用空间或者时间方法进行检查的不足，同时提高了算法的速度。

(4)本发明方法在车辆精确检测步骤中，提出了七组CHLBP特征模板，充分利用HAAR和LBP特性，能够对车辆特征进行更好的描述，进一步提高了航拍场景下车辆检测系统的实用性。

(5)本发明方法提高了航拍下运动车辆检测的鲁棒性和有效性，使得在简单和复杂的场景下都能准确检测出运动车辆，更具有实际的应用价值。

下面的实施例对本发明的突出的实质性特点和显著进步作了进一步的证明。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1为本发明方法的步骤流程示意图；

图2(a)为本发明方法中简单航拍场景，采集简单航拍场景运动车辆彩色序列图像的示意图；

图2(b)为本发明方法中复杂航拍场景，采集复杂航拍场景运动车辆彩色序列图像的示意图；

图3(a)为本发明方法中简单航拍场景下自适应道路检测的结果示意图；

图3(b)为本发明方法中复杂航拍场景下自适应道路检测的结果示意图；

图4(a)为本发明方法中简单航拍场景下运动车辆检测的结果示意图；

图4(b)为本发明方法中复杂航拍场景下运动车辆检测的结果示意图；

具体实施方式

图1所示实施例表明，本发明方法的步骤流程是：第一步，对输入运动车辆彩色序列图像匹配，进一步得到背景补偿后的图像→基于SURF特征点的图像匹配→估计摄像机的全局运动参数，得到背景补偿后的图像第二步，运动车辆位置的粗检测第三步，运动车辆位置的精确检测→自适应道路检测→提取候选车辆区域的CHLBP特征→利用SVM分类器对CHLBP特征进行判断获取运动车辆位置的精确检测。

图1表明，“第一步，对输入运动车辆彩色序列图像匹配，进一步得到背景补偿后的图像”，包括“基于SURF特征点的图像匹配”和“估计全局运动参数，得到背景补偿后的图像”两个步骤，即为运动背景补偿；第二步是运动车辆位置的粗检测，利用三帧差分法进行运动车辆的粗检测；第三步，运动车辆位置的精确检测，包括“自适应道路检测”、“提取候选车辆区域的CHLBP特征”和“利用SVM分类器对CHLBP特征进行判断获取运动车辆位置的的精确检测”，即为验证候选区域，获得运动车辆的精确检测。

图2(a)所示实施例显示，为本发明方法中简单航拍场景，采集简单航拍场景运动车辆彩色序列图像的示意图，周围环境简单，所有车辆均为运动车辆；

图2(b)所示实施例显示，为本发明方法中复杂航拍场景，采集复杂航拍场景运动车辆彩色序列图像的示意图，周围环境复杂，椭圆标出来的车辆为运动车辆。

图3(a)所示实施例显示，为本发明方法中简单航拍场景运动车辆彩色序列图像的道路检测效果图。

图3(b)所示实施例显示，为本发明方法中复杂航拍场景运动车辆彩色序列图像的道路检测效果图。

图4(a)所示实施例显示，为本发明方法中简单航拍场景运动车辆彩色序列图像的最终运动车辆检测效果图，用矩形标出。图4(b)为本发明方法中复杂航拍场景运动车辆彩色序列图像的最终运动车辆检测效果图，用矩形标出。

实施例1

基于航拍视频图像的运动车辆检测方法，该方法融合时间和空间特性，适应对不同场景的运动车辆进行精确检测，具体步骤如下：

第一步，对输入运动车辆彩色序列图像匹配，进一步得到背景补偿后的图像：

(1.1)基于SURF特征点的图像匹配：

分别用简单航拍场景采集简单航拍场景运动车辆彩色序列图像和复杂航拍场景采集复杂航拍场景运动车辆彩色序列图像，将采集到的所有运动车辆彩色序列图像F输入计算机中，并由RGB空间转化到灰度空间，采用的公式(1)如下：

I＝0.299R+0.587G+0.114B (1)，

在获得的灰度序列图像I上进行SURF特征点检测，然后在相邻的两帧灰度图像之间进行基于SURF特征点的图像匹配，得到匹配特征点对，用于下面进行摄相机的全局运动参数的估计；

(1.2)估计摄像机的全局运动参数，得到背景补偿后的图像：

摄像机的运动状态主要包括平移、旋转和缩放，采用六参数仿射模型近似表示，以估计全局运动参数，估计的过程如公式(2)所示：

其中(a₁,a₂,a₃,a₄)表示摄像机的旋转和缩放运动，(t₁,t₂)表示摄像机的平移运动，分别为第k-1帧和第k帧的第i个特征点对(p_i,q_i)的坐标，i＝1,…,N，利用公式(3)计算得到第i个特征点对(p_i,q_i)对应的摄像机的全局运动参数H，

其中，T为转置，且有，

根据相邻两帧灰度图像的N个特征点对，则有：

F＝AH (5)，

其中F＝(q₁,q₂,...,q_N)^T，将上述(1.1)步匹配得到的特征点对代入公式(5)，利用最小二乘法计算得到全局运动参数，并且根据公式(2)得到第k-1帧背景补偿后的灰度图像和第k+1帧背景补偿后的灰度图像

第二步，运动车辆位置的粗检测：

采用对“鬼影”现象不敏感的三帧差分法进行运动车辆的粗检测，三帧差分法的过程如下：

其中，和分别为上述第一步中得到的第k-1帧背景补偿后的灰度图像的灰度值和k+1帧帧背景补偿后的灰度图像的灰度值，I_k(x,y)代表上述第一步中得到的第k帧灰度图像I_k的灰度值，D₁(x,y)、D₂(x,y)代表差分的结果，对差分结果二值化并进行“与”运算，得到粗略检测的运动车辆的候选区域和运动车辆位置R(x,y)，如公式(7)、(8)和(9)所示，

R(x,y)＝R₁(x,y)∧R₂(x,y) (9)，

其中，R₁(x,y)，R₂(x,y)代表二值化结果，T为阈值，∧表示“与”运算，R(x,y)值为1的区域为粗略检测的运动车辆的候选区域；

第三步，运动车辆位置的精确检测：

在上述第二步运动车辆位置的粗检测的基础上，首先采用自适应的方法检测道路，得到感兴趣区域，然后对位于感兴趣区域的候选运动车辆进行验证，得到运动车辆位置的的精确检测，具体过程如下：

(3.1)自适应道路检测：

将上述第一步中航拍采集到的运动车辆彩色序列图像F由RGB空间转换为HSV空间，其中H代表色调，S代表饱和度，V代表明暗程度，将S分量图提取出来，利用大津算法计算出S分量的每一帧图像的阈值，根据该自适应的阈值将S分量图转换为二值图像，从而分割出道路区域，分别采用第一步中的简单航拍场景采集简单航拍场景运动车辆彩色序列图像和复杂航拍场景采集复杂航拍场景运动车辆彩色序列图像两种实验数据进行实验，分别得到两种航拍场景下的自适应道路检测结果，即道路区域图；

(3.2)提取候选车辆区域的CHLBP特征：

将上述步骤(3.1)得到的道路区域外的图像区域判定为非车辆候选区域，并在上述第二步得到的粗略检测的运动车辆的候选区域中去除这些非车辆候选区域，得到位于道路区域的候选车辆区域U，然后对这些区域进行CHLBP特征提取，得到CHLBP特征直方图；

所述CHLBP特征提取，是基于七组编码模板M₁-M₇得到的，如公式(10)所示：

用上述公式(10)中七个模板分别对上述(3.2)步中得到的位于道路区域的候选车辆区域中所有像素点U(x,y)的5×5邻域进行点积运算并二值化后，，采用类似LBP编码的加权求和形式，形成像素点U(x,y)的CHLBP编码，如下式(11)和(12)所示：

其中Μ_j(j＝1,2,3,4,5,6,7)为7组编码模板对应的矩阵，符号“*”为点积运算，t为阈值，W_U为位于道路区域的候选车辆区域中像素点U(x,y)为中心的5×5邻域的灰度值对应的矩阵,利用公式(11)得到所有像素点的CHLBP值后，计算其直方图，得到CHLBP特征直方图。

(3.3)利用SVM分类器对CHLBP特征进行判断获取运动车辆位置的的精确检测：

利用SVM分类器对上述步(3.2)得到的CHLBP特征直方图进行训练并分类，判断是否为车辆，具体过程是：首先在离线情况下，利用类型为默认设置C-SVC,核函数类型为RBF的SVM分类器进行训练，正样本为航拍场景下的车辆，负样本为除车辆外随机选取的背景，对正负样本提取CHLBP特征，然后将特征数据输入到SVM分类器中训练，构造SVM分类器，再对经过自适应道路区域检测后得到的位于道路区域的候选车辆区域进行CHLBP特征提取，利用构造好的SVM分类器进行验证，当判断为正样本时则为车辆，当判断为负样本时则定为非车辆；至此完成运动车辆位置的精确检测。

本实施例是利用MATLAB2010平台实现的，并分别对复杂场景和简单场景的航拍图像序列进行运动车辆检测实验，处理器是英特尔I3-2120，4G内存，使用的航拍图像序列是来自公开的VIVID EgTest01数据库和Munich Crossroad01数据库，为了对本实施例的方法进行有效的评估，选择在背景简单和复杂的两种航拍场景中进行实验分析，结果如表1所示。

表1.Egtest01和Crossroad01数据库中的航拍视频图像的运动车辆检测的实验结果

通过表1所列道路筛选前后的运动车辆检测的查全率对比可以看到，两个实验场景中道路筛选前后运动车辆检测的查全率并没有变化，说明将感兴趣区域定为道路是可行的,经过道路筛选后，两个数据库的查准率有所提升，这是由于道路外存在噪声干扰，经过道路筛选后，噪声被剔除，减少了运动车辆检测误检的数量，从而运动车辆检测的查准率有所提高。

实施例2

将本发明方法的运动车辆检测结果与现有技术的COCOA系统、显著性融合方法和LBP方法的运动车辆检测结果进行比较，结果见表2.

表2.Egtest01和Crossroad01数据库上四种方法运动车辆检测结果

通过表2可以看到，与目前流行的现有技术COCOA系统、显著性融合方法和LBP方法相比，本发明方法无论在背景简单的Egtest01数据库还是场景复杂的Munich Crossroad01数据库上对运动车辆检测的查全率和运动车辆检测的查准率都是最高的，验证了本发明方法的鲁棒性和有效性。

所示实施例中所述SURF、SVM分类器、六参数仿射模型、三帧差分法和大津算法是本技术领域公知的，所涉及的设备是本技术领域熟知并可通过商购途径获得的。

Claims (3)

1.基于航拍视频图像的运动车辆检测方法，该方法融合时间和空间特性，适应对不同场景的运动车辆进行精确检测，具体步骤如下：

第一步，对输入运动车辆彩色序列图像匹配，进一步得到背景补偿后的图像：

(1.1)基于SURF特征点的图像匹配：

分别用简单航拍场景采集简单航拍场景运动车辆彩色序列图像和复杂航拍场景采集复杂航拍场景运动车辆彩色序列图像，将采集到的所有运动车辆彩色序列图像F输入计算机中，并由RGB空间转化到灰度空间，采用的公式(1)如下：

I＝0.299R+0.587G+0.114B (1)，

在获得的灰度序列图像I上进行SURF特征点检测，然后在相邻的两帧灰度图像之间进行基于SURF特征点的图像匹配，得到匹配特征点对，用于下面进行摄相机的全局运动参数的估计；

(1.2)估计摄像机的全局运动参数，得到背景补偿后的图像：

摄像机的运动状态主要包括平移、旋转和缩放，采用六参数仿射模型近似表示，以估计全局运动参数，估计的过程如公式(2)所示：

$\left[\begin{array}{c}{x}_i^k\\ y_i^k\end{array}\right]=\left[\begin{array}{c}{a}_1{x}_i^{k-1}+a_2{y}_i^{k-1}+t_1\\ a_3{x}_i^{k-1}+a_4{y}_i^{k-1}+t_2\end{array}\right]---\left(2\right),$

其中(a₁,a₂,a₃,a₄)表示摄像机的旋转和缩放运动，(t₁,t₂)表示摄像机的平移运动，分别为第k-1帧和第k帧的第i个特征点对(p_i,q_i)的坐标，i＝1,…,N，利用公式(3)计算得到第i个特征点对(p_i,q_i)对应的摄像机的全局运动参数H，

$q_i^T=A_{i}H---\left(3\right),$

其中，T为转置，且有，

$A_i=\left(\begin{array}{cccccc}{x}_i^{k-1}& y_i^{k-1}& 0& 0& 1& 0\\ 0& 0& x_i^{k-1}& y_i^{k-1}& 0& 1\end{array}\right),H={(a_1,a_2,a_3,a_4,t_1,t_2)}^T---\left(4\right),$

根据相邻两帧灰度图像的N个特征点对，则有：

F＝AH (5)，

其中F＝(q₁,q₂,...,q_N)^T，将上述(1.1)步匹配得到的特征点对代入公式(5)，利用最小二乘法计算得到全局运动参数，并且根据公式(2)得到第k-1帧背景补偿后的灰度图像和第k+1帧背景补偿后的灰度图像

第二步，运动车辆位置的粗检测：

采用对“鬼影”现象不敏感的三帧差分法进行运动车辆的粗检测，三帧差分法的过程如下：

$\left\{\begin{array}{c}{D}_1(x,y)=|I_k(x,y)-{\hat{I}}_{k-1}(x,y)|\\ D_2(x,y)=|{\hat{I}}_{k+1}(x,y)-I_k(x,y)|\end{array}\right.---\left(6\right),$

其中，和分别为上述第一步中得到的第k-1帧背景补偿后的灰度图像的灰度值和k+1帧帧背景补偿后的灰度图像的灰度值，I_k(x,y)代表上述第一步中得到的第k帧灰度图像I_k的灰度值，D₁(x,y)、D₂(x,y)代表差分的结果，对差分结果二值化并进行“与”运算，得到粗略检测的运动车辆的候选区域和运动车辆位置R(x,y)，如公式(7)、(8)和(9)所示，

R(x,y)＝R₁(x,y)∧R₂(x,y) (9)，

其中，R₁(x,y)，R₂(x,y)代表二值化结果，T为阈值，∧表示“与”运算，R(x,y)值为1的区域为粗略检测的运动车辆的候选区域；

第三步，运动车辆位置的精确检测：

在上述第二步运动车辆位置的粗检测的基础上，首先采用自适应的方法检测道路，得到感兴趣区域，然后对位于感兴趣区域的候选运动车辆进行验证，得到运动车辆位置的的精确检测，具体过程如下：

(3.1)自适应道路检测：

将上述第一步中航拍采集到的运动车辆彩色序列图像F由RGB空间转换为HSV空间，其中H代表色调，S代表饱和度，V代表明暗程度，将S分量图提取出来，利用大津算法计算出S分量的每一帧图像的阈值，根据该自适应的阈值将S分量图转换为二值图像，从而分割出道路区域，分别采用第一步中的简单航拍场景采集简单航拍场景运动车辆彩色序列图像和复杂航拍场景采集复杂航拍场景运动车辆彩色序列图像两种实验数据进行实验，分别得到两种航拍场景下的自适应道路检测结果，即道路区域图；

(3.2)提取候选车辆区域的CHLBP特征：

将上述步骤(3.1)得到的道路区域外的图像区域判定为非车辆候选区域，并在上述第二步得到的粗略检测的运动车辆的候选区域中去除这些非车辆候选区域，得到位于道路区域的候选车辆区域U，然后对这些区域进行CHLBP特征提取，得到CHLBP特征直方图；

(3.3)利用SVM分类器对CHLBP特征进行判断获取运动车辆位置的的精确检测：

利用SVM分类器对上述步(3.2)得到的CHLBP特征直方图进行训练并分类，判断是否为车辆，具体过程是：首先在离线情况下，利用SVM分类器进行训练，正样本为航拍场景下的车辆，负样本为除车辆外随机选取的背景，对正负样本提取CHLBP特征，然后将特征数据输入到SVM分类器中训练，构造SVM分类器，再对经过道路区域得到的候选车辆区域进行CHLBP特征提取，利用构造好的SVM分类器进行验证，当判断为正样本时则为车辆，当判断为负样本时则定为非车辆；至此完成运动车辆位置的精确检测。

2.根据权利要求1所述基于航拍视频图像的运动车辆检测方法，其特征在于：所述CHLBP特征提取，是基于七组编码模板M₁-M₇得到的，如公式(10)所示：

$M_1=\left[\begin{array}{ccccc}0& 0& 1& 0& 0\\ 0& 0.25& -1& 0.25& 0\\ 1& -1& -1& -1& 1\\ 0& 0.25& -1& 0.25& 0\\ 0& 0& 1& 0& 0\end{array}\right],M_2=\left[\begin{array}{ccccc}0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0\\ 1& -1& -2& 0& 0\\ 1& -1& -1& 0& 0\\ 1& 1& 1& 0& 0\end{array}\right],M_3=\left[\begin{array}{ccccc}0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0\\ 0& 0& -2& -1& 1\\ 0& 0& -1& -1& 1\\ 0& 0& 1& 1& 1\end{array}\right]$

$M_4=\left[\begin{array}{ccccc}0& 0& 1& 1& 1\\ 0& 0& -1& -1& 1\\ 0& 0& -2& -1& 1\\ 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0\end{array}\right],M_5=\left[\begin{array}{ccccc}1& 1& 1& 0& 0\\ 1& -1& -1& 0& 0\\ 1& -1& -2& 0& 0\\ 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0\end{array}\right],M_6=\left[\begin{array}{ccccc}1& 1& 0& 1& 1\\ -1& -1& 0.25& -1& -1\\ 0& 0.25& -1& 0.25& 0\\ -1& -1& 0.25& -1& -1\\ 1& 1& 0& 1& 1\end{array}\right]$

$M_7=\left[\begin{array}{ccccc}1& -1& 0& -1& 1\\ 1& -1& 0.25& -1& 1\\ 0& 0.25& -1& 0.25& 0\\ 1& -1& 0.25& -1& 1\\ 1& -1& 0& -1& 1\end{array}\right]---\left(10\right),$

用上述公式(10)中七个模板分别对上述(3.2)步中得到的位于道路区域的候选车辆区域中所有像素点U(x,y)的5×5邻域进行点积运算并二值化后，采用类似LBP编码的加权求和形式，形成像素点U(x,y)的CHLBP编码，如下式(11)和(12)所示：

$CHLBP\left(U\right(x,y\left)\right)=\underset{j=1}{\overset{7}{\mathrm{\Σ}}}\mathrm{sgn}(M_j*W_U)\×2^{j-1}---\left(11\right),$

$\mathrm{sgn}\left(x\right)=\left\{\begin{array}{cc}1,& x\&GreaterEqual;t\\ 0,& x<t\end{array}\right.---\left(12\right),$

其中Μ_j(j＝1,2,3,4,5,6,7)为7组编码模板对应的矩阵，符号“*”为点积运算，t为阈值，W_U为位于道路区域的候选车辆区域中像素点U(x,y)为中心的5×5邻域的灰度值对应的矩阵,利用公式(11)得到所有像素点的CHLBP值后，计算其直方图，得到CHLBP特征直方图。

3.根据权利要求1所述基于航拍视频图像的运动车辆检测方法，其特征在于：所述SVM分类器类型为默认设置C-SVC,核函数类型为RBF。