專利名稱：一種監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計(jì)算機(jī)視覺(jué)、數(shù)字圖像處理和多媒體信息處理等技術(shù)領(lǐng)域，具體地，涉及一種監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)方法。
背景技術(shù)：
目前，違章停車檢測(cè)是智能城市管理中非常重要的組成部分。當(dāng)前在位置停車檢測(cè)領(lǐng)域，主要有基于人工干預(yù)檢測(cè)的方法和基于智能視覺(jué)攝像機(jī)監(jiān)控的方法。由于傳統(tǒng)的違章停車人工檢測(cè)的方法耗資耗力，所以目前最先進(jìn)的方法是基于智能視覺(jué)攝像機(jī)監(jiān)控的方法。當(dāng)前，基于攝像機(jī)監(jiān)控的違章停車檢測(cè)還主要應(yīng)用在攝像機(jī)靜止情況下，比如在高速公路的兩側(cè)架設(shè)攝像機(jī)來(lái)監(jiān)控過(guò)往的車輛是否有違規(guī)停車的現(xiàn)象發(fā)生。攝像機(jī)靜止情況下的違章停車檢測(cè)主要的是基于背景差分，通過(guò)當(dāng)前幀圖像與背景幀圖像相減來(lái)得到違章車輛的前景圖像，背景差分方法的大致流程圖如

圖1所示。在圖1中，背景差分方法包括
步驟100 :預(yù)處理；
步驟101:背景建模；
步驟102 :背景差分；
步驟103 :后期處理，經(jīng)背景模型更新，返回步驟101 ；
步驟104 目標(biāo)檢測(cè)，經(jīng)背景模型更新，返回步驟101。但是，大多數(shù)背景差分的方法，并不能得到車輛從運(yùn)動(dòng)到靜止?fàn)顟B(tài)時(shí)的前景圖像；因?yàn)?。?dāng)車輛由運(yùn)動(dòng)狀態(tài)到靜止?fàn)顟B(tài)時(shí)，基于背景差分的方法在背景更新的階段，會(huì)把車輛從前景中融合到背景中去。因此，基于這種方法的違章停車檢測(cè)，往往需要和跟蹤技術(shù)聯(lián)合在一起使用。在實(shí)際的監(jiān)控場(chǎng)景中，攝像機(jī)不一定是靜止不動(dòng)的，很多情況下需要在需要監(jiān)控的敏感區(qū)域安裝上帶云臺(tái)的攝像機(jī)。這樣攝像機(jī)靜止?fàn)顟B(tài)下基于背景差分的監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)方法就不適用了。綜上所述，現(xiàn)有技術(shù)中至少存在成本高、功能單一、準(zhǔn)確性差和適用范圍小等缺陷。

發(fā)明內(nèi)容
本發(fā)明的目的在于，針對(duì)上述問(wèn)題，提出一種監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)方法，以實(shí)現(xiàn)成本低、功能多、準(zhǔn)確性好和適用范圍廣的優(yōu)點(diǎn)。為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是一種監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)方法，包括
a、在檢測(cè)區(qū)域內(nèi)從無(wú)車輛到有車輛駛?cè)搿⒁约皺z測(cè)區(qū)域內(nèi)從車輛駛出到無(wú)車輛的過(guò)程中，進(jìn)行監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)處理；和/或，
b、對(duì)檢測(cè)區(qū)域內(nèi)的靜止車輛，進(jìn)行監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)處理；和/或， C、對(duì)檢測(cè)區(qū)域內(nèi)車輛重新運(yùn)動(dòng)時(shí)的非完整輪廓情況下，進(jìn)行監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)處理。進(jìn)一步地,步驟a具體包括
al、從各種渠道(比如google圖片)采集或搜集帶車輛的圖片，作為正例樣本圖；并從各種渠道(比如google圖片)采集或搜集不帶車輛的圖片，作為反例樣本 a2、采用訓(xùn)練分類器，分別基于正例樣本圖和反例樣本圖，對(duì)采集得到的不帶車輛的圖像和帶車輛的圖像分別進(jìn)行局部特征提取后，訓(xùn)練得到局部特征模型庫(kù)，該局部特征模型庫(kù)至少包括車輛的顏色、邊緣等特征；
a3、提取當(dāng)前幀目標(biāo)圖像的特征點(diǎn)，將該特征點(diǎn)與所述初級(jí)訓(xùn)練模型的模型庫(kù)中的特征點(diǎn)進(jìn)行匹配，給出識(shí)別結(jié)果；
a4、基于所述識(shí)別結(jié)果，判斷當(dāng)前時(shí)刻檢測(cè)區(qū)域內(nèi)是否有違章停滯車輛。具體地，如果特征點(diǎn)匹配數(shù)高于預(yù)設(shè)閾值，則認(rèn)為監(jiān)測(cè)區(qū)域內(nèi)存在違章停滯車輛；反之，如果特征點(diǎn)匹配數(shù)低于預(yù)設(shè)閾值，則認(rèn)為監(jiān)測(cè)區(qū)域內(nèi)不存在違章停滯車輛。進(jìn)一步地，在步驟a2中，所述訓(xùn)練得到局部特征模型庫(kù)的操作，具體包括
采用訓(xùn)練分類器，分別利用正例樣本圖和反例樣本圖的哈爾特征(harr特征)，進(jìn)行分類器訓(xùn)練，得到級(jí)聯(lián)的級(jí)聯(lián)分類器(boosted分類器)，該級(jí)聯(lián)的boosted分類器，即為訓(xùn)練好的分類器，用于識(shí)別檢測(cè)區(qū)域內(nèi)是否有車輛駛?cè)耄?br> 在圖像檢測(cè)中，被檢窗口依次通過(guò)級(jí)聯(lián)的boosted分類器中每一級(jí)分類器，使在前面幾層檢測(cè)中大部分候選區(qū)域已被排除，全部通過(guò)每一級(jí)分類器檢測(cè)的區(qū)域，即為目標(biāo)區(qū)域；
分類器訓(xùn)練結(jié)束，得到的局部特征模型庫(kù)，能夠應(yīng)用于輸入圖像中的感興趣區(qū)域的檢測(cè)；檢測(cè)到目標(biāo)區(qū)域時(shí)分類器輸出為1，否則輸出為O ;檢測(cè)整副圖像時(shí)，需在圖像中移動(dòng)搜索窗口，檢測(cè)每一個(gè)位置，以確定可能的目標(biāo)。進(jìn)一步地,步驟b具體包括
bl、采用直方圖匹配算法，以前一幀檢測(cè)到的車輛圖像作為模板，將當(dāng)前幀檢測(cè)到的車輛圖像與所述模板劃分成多個(gè)子塊，計(jì)算各子塊的色彩直方圖及其歐拉距離；
b2、當(dāng)相應(yīng)子塊的歐拉距離大于預(yù)設(shè)特定閾值時(shí)，停止計(jì)算后續(xù)其它子塊的色彩直方圖及其歐拉距離，認(rèn)為該監(jiān)測(cè)區(qū)域內(nèi)已無(wú)違章停滯車輛，沒(méi)有必要進(jìn)行后續(xù)的子塊計(jì)算。進(jìn)一步地,步驟bl具體包括
打開視頻文件，采集視頻序列的每一巾貞并存儲(chǔ)為CvCapture格式,并使用OpenCv庫(kù)中的ImageProcess類中的操作對(duì)圖像進(jìn)行劃分，保存劃分區(qū)域的左上角和右下角；
這里,OpenCv是專有名詞,特指Intel公司的開源計(jì)算機(jī)視覺(jué)庫(kù)；CvCapture是OpenCv中的一個(gè)數(shù)據(jù)結(jié)構(gòu)(類，包含一些變量和方法)；ImageProcess是OpenCv中的一個(gè)子類庫(kù)，主要是一些圖像處理類。讀入模板圖像，同樣，將模板圖像進(jìn)行劃分并保存劃分區(qū)域的左上角和右下角； 利用局部投影熵計(jì)算方法，計(jì)算各子塊的局部投影熵，并用局部投影熵中的幾對(duì)有序
數(shù)組或向量，分別依次保存各子塊的行投影熵和列投影熵；
相應(yīng)地，步驟b2具體包括
匹配方法采用實(shí)時(shí)采集圖和基準(zhǔn)模板圖全部計(jì)算的方式，具體來(lái)說(shuō)是一邊進(jìn)行子塊匹配計(jì)算一邊進(jìn)行閾值檢驗(yàn)，以決定后續(xù)的子塊計(jì)算是否還有必要繼續(xù)進(jìn)行計(jì)算。進(jìn)一步地，所述色彩直方圖，包括圖像中三個(gè)顏色通道的聯(lián)合概率密度函數(shù)
權(quán)利要求
1.一種監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)方法，其特征在于，包括a、在檢測(cè)區(qū)域內(nèi)從無(wú)車輛到有車輛駛?cè)?、以及檢測(cè)區(qū)域內(nèi)從車輛駛出到無(wú)車輛的過(guò)程中，進(jìn)行監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)處理；和/或，b、對(duì)檢測(cè)區(qū)域內(nèi)的靜止車輛，進(jìn)行監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)處理；和/或，C、對(duì)檢測(cè)區(qū)域內(nèi)車輛重新運(yùn)動(dòng)時(shí)的非完整輪廓情況下，進(jìn)行監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)處理。
2.根據(jù)權(quán)利要求1所述的監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)方法，其特征在于，步驟a具體包括al、從各種渠道采集或搜集帶車輛的圖片，作為正例樣本圖；并從各種渠道采集或搜集不帶車輛的圖片，作為反例樣本圖；a2、采用訓(xùn)練分類器，分別基于正例樣本圖和反例樣本圖，對(duì)采集得到的不帶車輛的圖像和帶車輛的圖像分別進(jìn)行局部特征提取后，訓(xùn)練得到至少包括車輛的顏色和邊緣特征的局部特征模型庫(kù)，包括車輛的顏色、邊緣等特征；a3、提取當(dāng)前幀目標(biāo)圖像的特征點(diǎn)，將該特征點(diǎn)與所述初級(jí)訓(xùn)練模型的模型庫(kù)中的特征點(diǎn)進(jìn)行匹配，給出識(shí)別結(jié)果；a4、基于所述識(shí)別結(jié)果，如果特征點(diǎn)匹配數(shù)高于預(yù)設(shè)閾值，則認(rèn)為監(jiān)測(cè)區(qū)域內(nèi)存在違章停滯車輛；反之，如果特征點(diǎn)匹配數(shù)低于預(yù)設(shè)閾值，則認(rèn)為監(jiān)測(cè)區(qū)域內(nèi)不存在違章停滯車輛。
3.根據(jù)權(quán)利要求2所述的監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)方法，其特征在于，在步驟a2中， 所述訓(xùn)練得到局部特征模型庫(kù)的操作，具體包括采用訓(xùn)練分類器，分別利用正例樣本圖和反例樣本圖的harr特征，進(jìn)行分類器訓(xùn)練， 得到級(jí)聯(lián)的boosted分類器，該級(jí)聯(lián)的boosted分類器，即為訓(xùn)練好的分類器，用于識(shí)別檢測(cè)區(qū)域內(nèi)是否有車輛駛?cè)?；在圖像檢測(cè)中，被檢窗口依次通過(guò)級(jí)聯(lián)的boosted分類器中每一級(jí)分類器，使在前面幾層檢測(cè)中大部分候選區(qū)域已被排除，全部通過(guò)每一級(jí)分類器檢測(cè)的區(qū)域，即為目標(biāo)區(qū)域；分類器訓(xùn)練結(jié)束，得到的局部特征模型庫(kù)，能夠應(yīng)用于輸入圖像中的感興趣區(qū)域的檢測(cè)；檢測(cè)到目標(biāo)區(qū)域時(shí)分類器輸出為1，否則輸出為O ;檢測(cè)整副圖像時(shí)，需在圖像中移動(dòng)搜索窗口，檢測(cè)每一個(gè)位置，以確定可能的目標(biāo)。
4.根據(jù)權(quán)利要求1所述的監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)方法，其特征在于，步驟b具體包括bl、采用直方圖匹配算法，以前一幀檢測(cè)到的車輛圖像作為模板，將當(dāng)前幀檢測(cè)到的車輛圖像與所述模板劃分成多個(gè)子塊，計(jì)算各子塊的色彩直方圖及其歐拉距離；b2、當(dāng)相應(yīng)子塊的歐拉距離大于預(yù)設(shè)特定閾值時(shí)，停止計(jì)算后續(xù)其它子塊的色彩直方圖及其歐拉距離，認(rèn)為該監(jiān)測(cè)區(qū)域內(nèi)已無(wú)違章停滯車輛，沒(méi)有必要進(jìn)行后續(xù)的子塊計(jì)算。
5.根據(jù)權(quán)利要求4所述的監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)方法，其特征在于，步驟bl具體包括打開視頻文件，采集視頻序列的每一巾貞并存儲(chǔ)為CvCapture格式,并使用OpenCv庫(kù)中的ImageProcess類中的操作對(duì)圖像進(jìn)行劃分，保存劃分區(qū)域的左上角和右下角；讀入模板圖像，同樣，將模板圖像進(jìn)行劃分并保存劃分區(qū)域的左上角和右下角； 利用局部投影熵計(jì)算方法，計(jì)算各子塊的局部投影熵，并用局部投影熵中的幾對(duì)有序數(shù)組或向量，分別依次保存各子塊的行投影熵和列投影熵； 相應(yīng)地，步驟b2具體包括 匹配方法采用實(shí)時(shí)采集圖和基準(zhǔn)模板圖全部計(jì)算的方式，具體來(lái)說(shuō)是一邊進(jìn)行子塊匹配計(jì)算一邊進(jìn)行閾值檢驗(yàn)，以決定后續(xù)的子塊計(jì)算是否還有必要繼續(xù)進(jìn)行計(jì)算。
6.根據(jù)權(quán)利要求4或5所述的監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)方法，其特征在于，所述色彩直方圖，包括圖像中三個(gè)顏色通道的聯(lián)合概率密度函數(shù)
7.根據(jù)權(quán)利要求1所述的監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)方法，其特征在于，步驟c具體包括 監(jiān)測(cè)區(qū)域內(nèi)車輛重新運(yùn)動(dòng)時(shí)，在攝像機(jī)定點(diǎn)勻速旋轉(zhuǎn)的情況下，匹配的是當(dāng)前幀的車輛與上一次旋轉(zhuǎn)時(shí)的圖像幀中的車輛目標(biāo)，通過(guò)SURF算法和SIFT算法相融合，將尺度不變特征與旋轉(zhuǎn)不變特征來(lái)進(jìn)行目標(biāo)的匹配，進(jìn)行監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)處理。
8.根據(jù)權(quán)利要求7所述的監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)方法，其特征在于，所述SIFT算法的基本操作，具體包括 通過(guò)建立圖像的多尺度空間，確定特征點(diǎn)位置的同時(shí)確定其尺度，以達(dá)到尺度抗縮放的目的； 通過(guò)剔除一些對(duì)比度較低的點(diǎn)以及邊緣響應(yīng)點(diǎn)以增強(qiáng)算法的穩(wěn)定性，并提取旋轉(zhuǎn)不變特征描述符以達(dá)到抗放射變換的目的； 利用高斯差分金字塔分層結(jié)構(gòu)提取出圖像中的極值點(diǎn)作為候選特征點(diǎn)，對(duì)這些候選特征點(diǎn)去掉那些低對(duì)比度邊緣上的點(diǎn)，最后得到穩(wěn)定的特征點(diǎn)； 為了得到高斯差分圖像中的極值點(diǎn)，每一個(gè)樣本像素點(diǎn)要和它相鄰的上下左右所有的點(diǎn)進(jìn)行比較； 如果該樣本點(diǎn)的灰度值是極大值或極小值，則這個(gè)樣本點(diǎn)是候選特征點(diǎn)，否則按照同樣的方法對(duì)其他的像素點(diǎn)進(jìn)行比較，這樣就確定了特征點(diǎn)的位置。
9.根據(jù)權(quán)利要求8所述的監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)方法，其特征在于，所述SURF算法，是一種基于快速穩(wěn)健特征的匹配算法，SURF算法的基本操作和SIFT相似，即 建立尺度空間、極值點(diǎn)定位和生成描述子，但SURF算法中的計(jì)算都是在積分圖像的基礎(chǔ)上進(jìn)行的，對(duì)積分圖像進(jìn)行卷積，增加特征點(diǎn)的提取速度，同時(shí)降低特征描述的維度，并且仍然具有較好的特征特異性，對(duì)光照、旋轉(zhuǎn)、縮放等具有不變性； 描述子描述極值點(diǎn)周圍像素的分布情況，在SIFT算法中是統(tǒng)計(jì)在梯度上的分布情況，SURF算法是統(tǒng)計(jì)描述子在Haar小波的x和y方向上的分布；為了使描述子具有旋轉(zhuǎn)不變性，要對(duì)描述子賦予一個(gè)方向值，通過(guò)該方向，在極值點(diǎn)周圍的描述子的區(qū)域旋轉(zhuǎn)到該主方向，然后再計(jì)算描述子。
10.根據(jù)權(quán)利要求9所述的監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)方法，其特征在于，所述計(jì)算描述子的操作，具體包括以特征點(diǎn)為中心，計(jì)算半徑為6s的鄰域內(nèi)的點(diǎn)在x、y方向的Haar小波響應(yīng)，并給這些響應(yīng)值賦高斯權(quán)重系數(shù)，使得靠近特征點(diǎn)的響應(yīng)貢獻(xiàn)大，而遠(yuǎn)離特征點(diǎn)的響應(yīng)貢獻(xiàn)??；s為特征點(diǎn)所在的尺度值，Haar小波的邊長(zhǎng)取4s ；將60°范圍內(nèi)的響應(yīng)相加以形成新的矢量，遍歷整個(gè)圓形區(qū)域，每次遍歷都得到一個(gè)矢量，選擇最長(zhǎng)矢量的方向?yàn)樵撎卣鼽c(diǎn)的主方向；這樣，通過(guò)特征點(diǎn)逐個(gè)進(jìn)行計(jì)算，得到每一個(gè)特征點(diǎn)的主方向。
全文摘要
本發(fā)明公開了一種監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)方法，包括a、在檢測(cè)區(qū)域內(nèi)從無(wú)車輛到有車輛駛?cè)搿⒁约皺z測(cè)區(qū)域內(nèi)從車輛駛出到無(wú)車輛的過(guò)程中，進(jìn)行監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)處理；和/或，b、對(duì)檢測(cè)區(qū)域內(nèi)的靜止車輛，進(jìn)行監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)處理；和/或，c、對(duì)檢測(cè)區(qū)域內(nèi)車輛重新運(yùn)動(dòng)時(shí)的非完整輪廓情況下，進(jìn)行監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)處理。本發(fā)明所述監(jiān)控場(chǎng)景中違章機(jī)動(dòng)車檢測(cè)方法，可以克服現(xiàn)有技術(shù)中成本高、功能單一、準(zhǔn)確性差和適用范圍小等缺陷，以實(shí)現(xiàn)成本低、功能多、準(zhǔn)確性高和適用范圍廣的優(yōu)點(diǎn)。
文檔編號(hào)G06K9/66GK103021183SQ201210526370
公開日2013年4月3日 申請(qǐng)日期2012年12月7日 優(yōu)先權(quán)日2012年12月7日
發(fā)明者林昭文, 陳英 申請(qǐng)人:北京中郵致鼎科技有限公司