CN108538051A - 一种夜间运动车辆检测方法 - Google Patents
一种夜间运动车辆检测方法 Download PDFInfo
- Publication number
- CN108538051A CN108538051A CN201710123536.6A CN201710123536A CN108538051A CN 108538051 A CN108538051 A CN 108538051A CN 201710123536 A CN201710123536 A CN 201710123536A CN 108538051 A CN108538051 A CN 108538051A
- Authority
- CN
- China
- Prior art keywords
- headlight
- classification
- vehicle
- night movement
- fuzzy
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
Abstract
本发明公开了一种夜间运动车辆检测方法,包括以下步骤:S1:采集夜间运动车辆视频图像,精确提取车头灯特征向量,利用改进的Boosting模糊分类算法获取模糊分类规则集;S2:利用获取的模糊分类规则对夜间运动车辆的车头灯进行分类判别;S3根据分类判别结果,结合车头灯的空间距离信息、形状信息对属于同一辆车的车头灯进行配对和分组;S4:利用车头灯的运动信息并结合先验知识,对车头灯进行合并。本发明方法实现了对夜间复杂交通场景中运动车辆的快速、准确检测,鲁棒性强、正确识别率高,完全满足夜间运动车辆实施检测的要求。
Description
技术领域
本发明涉及一种夜间运动车辆检测方法。
背景技术
随着计算机技术和图像处理技术的发展,基于视频的车辆检测技术在智能交通管理系统的研究中占有很重要的地位,备受各地交通管理部门的关注。由于检测技术上的难点,现有的交通视频检测算法的研究大部分都集中在白天天气良好等交通环境下。夜间、阴雨、大雾和存在摄像机抖动以及车辆遮挡等复杂交通场景下,由于光照条件复杂等特殊性原因使得交通视频图像中运动车辆可辨信息量少,光照亮度变化大,且噪声干扰严重,车辆灯光有明显光晕,梯度信息不明显,目标提取困难,背景消减和帧间差分等许多适用于白天天气的视频检测算法,并不能适用于夜间、阴雨、大雾等复杂交通场景。夜间复杂交通场景中车辆检测就成为了视频车辆检测技术的难点。然而,智能交通监控系统应该是不分昼夜、环境、天气及光照的实时有效监控,要实现全天候的实时监控,需要加强对夜间车辆检测技术的研究,进一步完善智能监控系统在夜间交通场景下的监控。
目前,国内外对夜间车辆检测技术的研究甚少,大部分的研究都出现漏检率和误检率高的情况。
发明内容
本发明要解决的技术问题是提供一种夜间运动车辆检测方法。
一种夜间运动车辆检测方法,包括以下步骤:
S1:采集夜间运动车辆视频图像,精确提取车头灯特征向量,利用改进的Boosting模糊分类算法获取模糊分类规则集;
S2:利用获取的模糊分类规则对夜间运动车辆的车头灯进行分类判别;
S3根据分类判别结果,结合车头灯的空间距离信息、形状信息对属于同一辆车的车头灯进行配对和分组;
S4:利用车头灯的运动信息并结合先验知识,对车头灯进行合并。
进一步的,采用改进的Boosting模糊分类算法获取模糊分类规则集的步骤如下:
1)有车头灯特征向量φi构成训练本集:{(φ1,c1),(φ2,c2),…,(φi,ci),…,(φN,cN)},其中,ci∈{c1,c2,…,cN},表示车头灯类别,使每个训练样本的初始权值Di相等(Di=l/N);
2)对训练样本集进行T轮训练,产生T条新的模糊规则;
For t=1,2,…,T Do
A)在样本的分布下,由下式通过遗传算法以迭代方式找出使F1越大且F2越小,适应度F最大时对应的模糊规则Rt;
F1为类别相同的所有样本第t条模糊规则被激活的程度,F2为类别不同的所有样本第t条规则被激活的程度;
B)在不改变当前样本分布的条件下,由以下公式分别计算适应度F最大的模糊规则Rt所对应的分类错误率e(Rt)及其所对应的权值ht;
C)由下式计算Di(t+1),更新样本的权值Di。
进一步的,对夜间运动车辆的车头灯进行分类判别的具体步骤如下:
1)提取夜间运动车辆车头灯的形状、颜色和运动特征,通过融合得到车头灯的特征向量φi;
2)对任意输入φi,由下式对每条模糊规则Rj的激发度进行计算;
3)利用下式对类别未知的夜间运动车辆车头灯的类别进行判断;
进一步的,对属于同意了车的车头灯进行配对和分组的方法如下:
设τr和τy分别为横坐标和纵坐标的距离阈值,并由先验知识确定,定义车头灯横向距离dxij=|xi-xj|,纵向距离为dyij=|yi-yj|,计算dxij和dyij,对满足dxij≤τx∧dyij→0或dyij≤σy∧dxij→0的车头灯进行配对和分组。
进一步的,对车头灯进行合并的具体方法如下:
设si和sj分别为车头灯i和车头灯j中心的位移矢量,vi和vj为车头灯中心的速度矢量,定义侧头的运动特征的差分向量为:
Tij={|si|-|sj|,|vi|-|vj|};
计算同一类车的Tij,满足条件|Tij|≤τ的车头灯归为同一辆车,其中τ为运动特征差分的阈值。
本发明的有益效果是:
本发明方法实现了对夜间复杂交通场景中运动车辆的快速、准确检测,鲁棒性强、正确识别率高,完全满足夜间运动车辆实施检测的要求。
具体实施方式
以下具体实施例对本发明作进一步阐述,但不作为对本发明的限定。
一种夜间运动车辆检测方法,包括以下步骤:
S1:采集夜间运动车辆视频图像,精确提取车头灯特征向量,利用改进的Boosting模糊分类算法获取模糊分类规则集;
S2:利用获取的模糊分类规则对夜间运动车辆的车头灯进行分类判别;
S3根据分类判别结果,结合车头灯的空间距离信息、形状信息对属于同一辆车的车头灯进行配对和分组;
S4:利用车头灯的运动信息并结合先验知识,对车头灯进行合并。
采用改进的Boosting模糊分类算法获取模糊分类规则集的步骤如下:
1)有车头灯特征向量φi构成训练本集:{(φ1,c1),(φ2,c2),…,(φi,ci),…,(φN,cN)},其中,ci∈{c1,c2,…,cN},表示车头灯类别,使每个训练样本的初始权值Di相等(Di=1/N);
2)对训练样本集进行T轮训练,产生T条新的模糊规则;
For t=1,2,…,T Do
A)在样本的分布下,由下式通过遗传算法以迭代方式找出使F1越大且F2越小,适应度F最大时对应的模糊规则Rt;
F1为类别相同的所有样本第t条模糊规则被激活的程度,F2为类别不同的所有样本第t条规则被激活的程度;
B)在不改变当前样本分布的条件下,由以下公式分别计算适应度F最大的模糊规则Rt所对应的分类错误率e(Rt)及其所对应的权值ht;
C)由下式计算Di(t+l),更新样本的权值Di。
对夜间运动车辆的车头灯进行分类判别的具体步骤如下:
1)提取夜间运动车辆车头灯的形状、颜色和运动特征,通过融合得到车头灯的特征向量φi;
2)对任意输入φi,由下式对每条模糊规则Rj的激发度进行计算;
3)利用下式对类别未知的夜间运动车辆车头灯的类别进行判断;
对属于同意了车的车头灯进行配对和分组的方法如下:
设τx和τy分别为横坐标和纵坐标的距离阈值,并由先验知识确定,定义车头灯横向距离dxij=|xi-xj|,纵向距离为dyij=|yi-yj|,计算dxij和dyij,对满足dxij≤τx∧dyij→0或dyij≤τy∧dxij→0的车头灯进行配对和分组。
对车头灯进行合并的具体方法如下:
设si和sj分别为车头灯i和车头灯j中心的位移矢量,vi和vj为车头灯中心的速度矢量,定义侧头的运动特征的差分向量为:
Tij={|si|-|sj|,|vi|-|vj|};
计算同一类车的Tij,满足条件|Tij|≤τ的车头灯归为同一辆车,其中τ为运动特征差分的阈值。
Claims (5)
1.一种夜间运动车辆检测方法,其特征在于,包括以下步骤:
S1:采集夜间运动车辆视频图像,精确提取车头灯特征向量,利用改进的Boosting模糊分类算法获取模糊分类规则集;
S2:利用获取的模糊分类规则对夜间运动车辆的车头灯进行分类判别;
S3根据分类判别结果,结合车头灯的空间距离信息、形状信息对属于同一辆车的车头灯进行配对和分组;
S4:利用车头灯的运动信息并结合先验知识,对车头灯进行合并。
2.根据权利要求1所述的夜间运动车辆检测方法,其特征在于,采用改进的Boosting模糊分类算法获取模糊分类规则集的步骤如下:
1)有车头灯特征向量φi构成训练本集:{(φ1,c1),(φ2,c2),…,(φi,ci),…,(φN,cN)},其中,ci∈{c1,c2,…,cN},表示车头灯类别,使每个训练样本的初始权值Di相等(Di=I/N);
2)对训练样本集进行T轮训练,产生T条新的模糊规则;
For t=1,2,…,T Do
A)在样本的分布下,由下式通过遗传算法以迭代方式找出使F1越大且F2越小,适应度F最大时对应的模糊规则Rt;
F1为类别相同的所有样本第t条模糊规则被激活的程度,F2为类别不同的所有样本第t条规则被激活的程度;
B)在不改变当前样本分布的条件下,由以下公式分别计算适应度F最大的模糊规则Rt所对应的分类错误率e(Rt)及其所对应的权值ht;
C)由下式计算Di(t+1),更新样本的权值Di。
3.根据权利要求1所述的夜间运动车辆检测方法,其特征在于,对夜间运动车辆的车头灯进行分类判别的具体步骤如下:
1)提取夜间运动车辆车头灯的形状、颜色和运动特征,通过融合得到车头灯的特征向量φi;
2)对任意输入φi,由下式对每条模糊规则Rj的激发度进行计算;
3)利用下式对类别未知的夜间运动车辆车头灯的类别进行判断;
4.根据权利要求1所述的夜间运动车辆检测方法,其特征在于,对属于同意了车的车头灯进行配对和分组的方法如下:
设τx和τy分别为横坐标和纵坐标的距离阈值,并由先验知识确定,定义车头灯横向距离dxij=|xi-xj|,纵向距离为dyij=|yi-yj|,计算dxij和dyij,对满足dxij≤τx∧dyij→0或dyij≤τy∧dxij→0的车头灯进行配对和分组。
5.根据权利要求1所述的夜间运动车辆检测方法,其特征在于,对车头灯进行合并的具体方法如下:
设si和sj分别为车头灯i和车头灯j中心的位移矢量,vi和vj为车头灯中心的速度矢量,定义侧头的运动特征的差分向量为:
Tij={|si|-|sj|,|vi|-|vj|};
计算同一类车的Tij,满足条件|Tij|≤τ的车头灯归为同一辆车,其中τ为运动特征差分的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710123536.6A CN108538051A (zh) | 2017-03-03 | 2017-03-03 | 一种夜间运动车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710123536.6A CN108538051A (zh) | 2017-03-03 | 2017-03-03 | 一种夜间运动车辆检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108538051A true CN108538051A (zh) | 2018-09-14 |
Family
ID=63488745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710123536.6A Withdrawn CN108538051A (zh) | 2017-03-03 | 2017-03-03 | 一种夜间运动车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108538051A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044151A (zh) * | 2010-10-14 | 2011-05-04 | 吉林大学 | 基于光照可见度辨识的夜间车辆视频检测方法 |
CN106407931A (zh) * | 2016-09-19 | 2017-02-15 | 杭州电子科技大学 | 一种新型深度卷积神经网络运动车辆检测方法 |
-
2017
- 2017-03-03 CN CN201710123536.6A patent/CN108538051A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044151A (zh) * | 2010-10-14 | 2011-05-04 | 吉林大学 | 基于光照可见度辨识的夜间车辆视频检测方法 |
CN106407931A (zh) * | 2016-09-19 | 2017-02-15 | 杭州电子科技大学 | 一种新型深度卷积神经网络运动车辆检测方法 |
Non-Patent Citations (1)
Title |
---|
朱韶平: "基于改进Boosting算法的夜间运动车辆检测", 《宁夏大学学报(自然科学版)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816024B (zh) | 一种基于多尺度特征融合与dcnn的实时车标检测方法 | |
Khosroshahi et al. | Surround vehicles trajectory analysis with recurrent neural networks | |
CN105631414B (zh) | 一种基于贝叶斯分类器的车载多障碍物分类装置及方法 | |
CN104573646B (zh) | 基于激光雷达和双目相机的车前行人检测方法及系统 | |
Soleimanitaleb et al. | Object tracking methods: a review | |
CN107766821A (zh) | 基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法及系统 | |
CN105956608A (zh) | 一种基于深度学习的目标定位、分类算法 | |
CN111340855A (zh) | 一种基于轨迹预测的道路移动目标检测方法 | |
CN106778712A (zh) | 一种多目标检测与跟踪方法 | |
Altun et al. | Road scene content analysis for driver assistance and autonomous driving | |
CN106204594A (zh) | 一种基于视频图像的弥散性运动物体的方向检测方法 | |
CN112084833A (zh) | 图像识别装置 | |
Aziz et al. | Implementation of vehicle detection algorithm for self-driving car on toll road cipularang using Python language | |
CN105809954A (zh) | 交通事件检测方法以及系统 | |
CN107085703A (zh) | 融合脸部检测与跟踪的汽车乘员计数方法 | |
KR20100026123A (ko) | 이동 물체의 특징점을 이용하는 영상 검지 방법 | |
US20070223785A1 (en) | Image processor and method | |
Raktrakulthum et al. | Vehicle classification in congested traffic based on 3D point cloud using SVM and KNN | |
CN113221739B (zh) | 基于单目视觉的车距测量方法 | |
CN105046285B (zh) | 一种基于运动约束的异常行为辨识方法 | |
CN108538051A (zh) | 一种夜间运动车辆检测方法 | |
CN106446832B (zh) | 一种基于视频的实时检测行人的方法 | |
Tian et al. | Vehicle Detection and Tracking at Night in Video Surveillance. | |
Angelico et al. | Convolutional Neural Network Using Kalman Filter for Human Detection and Tracking on RGB-D Video | |
Masalov et al. | Cydet: Improving camera-based cyclist recognition accuracy with known cycling jersey patterns |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180914 |
|
WW01 | Invention patent application withdrawn after publication |