一種基于交通視頻數(shù)據(jù)圖像的確定交通目標(biāo)所在區(qū)域的方法
【專利摘要】本發(fā)明涉及一種基于交通視頻數(shù)據(jù)圖像的確定交通目標(biāo)所在區(qū)域的方法，技術(shù)特征在于：記錄駕駛員觀察真實交通視頻時的關(guān)注點；訓(xùn)練交通目標(biāo)檢測模板，用交通目標(biāo)檢測模板與視頻做卷積，提取出視頻的基于物體的特征；利用時空方向濾波器，提取視頻的運動特征；將人眼關(guān)注位置的像素作為正樣本，除關(guān)注點以外的像素作為負(fù)樣本；使用樣本的標(biāo)簽以及樣本的特征、通過機器學(xué)習(xí)的方法訓(xùn)練出支持向量機分類器；這樣，對于任意給定的交通駕駛視頻，在提取了物體級別特征和運動特征以后，將這些特征輸入到訓(xùn)練好的支持向量機分類器中，就可以預(yù)測出交通駕駛視頻中的交通目標(biāo)所在區(qū)域。
【專利說明】一種基于交通視頻數(shù)據(jù)圖像的確定交通目標(biāo)所在區(qū)域的方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于計算機視覺【技術(shù)領(lǐng)域】，涉及一種基于交通視頻數(shù)據(jù)圖像的確定交通目標(biāo)所在區(qū)域的方法。
【背景技術(shù)】
[0002]研究駕駛員的視覺注意力對于減少交通事故、提高駕駛舒適度、研究智能視覺導(dǎo)航系統(tǒng)和交互式負(fù)載操控系統(tǒng)均具有重要意義。研究駕駛員的視覺注意力的目的在于確定交通視頻中引起駕駛員關(guān)注的交通目標(biāo)所在區(qū)域，常見的交通目標(biāo)包括了行人、車輛、交通標(biāo)志等。相較于使用昂貴的高精度相機、導(dǎo)航儀器、傳感器等硬件設(shè)備來識別和定位交通目標(biāo)所在區(qū)域的方法而言，基于計算視覺的算法具有成本低、智能度高、易于移植等優(yōu)勢。目前已有的基于計算機視覺的定位交通目標(biāo)所在區(qū)域的方法大多建立于人體視網(wǎng)膜系統(tǒng)中存在的“中心-周圍對比機制”上，通過計算顏色、邊緣等底層特征，找出具有明顯中心-周圍差異的區(qū)域、作為可能存在交通目標(biāo)的區(qū)域，然后進一步通過分割、濾波等方法，最終定位出交通目標(biāo)。這些方法雖然取得了較好的效果，卻也具有一些難以克服的缺陷:1)只能識別出某一種交通目標(biāo)，無法找出整個交通場景中的所有可能引起駕駛員關(guān)注的交通目標(biāo)；2)方法繁瑣復(fù)雜；3)未考慮高層視覺認(rèn)知的指導(dǎo)，不符合真實的駕駛員視覺注意力分配情況。4)大多數(shù)是無監(jiān)督的處理方法，未能充分利用已經(jīng)掌握的交通目標(biāo)的視覺特征。

【發(fā)明內(nèi)容】

[0003]要解決的技術(shù)問題
[0004]為了避免現(xiàn)有技術(shù)的不足之處，本發(fā)明提出一種基于交通視頻數(shù)據(jù)圖像的確定交通目標(biāo)所在區(qū)域的方法，是一種眼動跟蹤數(shù)據(jù)指導(dǎo)的確定交通目標(biāo)所在區(qū)域的方法。
[0005]技術(shù)方案
[0006]一種基于交通視頻數(shù)據(jù)圖像的確定交通目標(biāo)所在區(qū)域的方法，其特征在于步驟如下:
[0007]步驟1、提取基于物體的特征:
[0008]步驟a:訓(xùn)練目標(biāo)檢測模板:利用Pedro Felzenszwalb在2010年發(fā)布的可變局部模型方法，訓(xùn)練交通目標(biāo)檢測模板；
[0009]所述Pedro Felzenszwalb在2010年公布的可變局部模型方法見論文ObjectDetection with Discriminatively Trained Part-Based Models ；
[0010]步驟b:用步驟a訓(xùn)練好的模板，對圖像進行濾波，具體過程為:首先利用下采樣技術(shù)得到每一幅輸入圖像在4個不同尺度上的圖像，將這4幅各自位于4個不同尺度上的圖像與步驟a訓(xùn)練好的所有模板逐個進行卷積計算，得到4幅響應(yīng)圖像；接下來，將這4幅響應(yīng)圖像進行線性插值，使其變換到相同尺寸；然后找出每個像素在這4幅響應(yīng)圖上的最大響應(yīng)值、組成一幅最大響應(yīng)圖，求最大響應(yīng)圖里的像素平均值，作為此幅圖像關(guān)于當(dāng)前這個模板的特征值；對步驟a訓(xùn)練得到的12個模板，逐一按照上述方法進行濾波，就得到了分別對應(yīng)這個12個模板的12個特征值，將這12個特征值線性連接成一個12維的特征向量，代表基于物體的特征；
[0011]步驟2、提取運動特征:
[0012]步驟a:構(gòu)造三維高斯濾波器，并與原始視頻I進行卷積:定義采樣頻率Sr =0.5，在采樣區(qū)間[-3，3]之間按照采樣頻率進行采樣，獲得采樣值i = -1, -2.5，-1,...2，
2.5，3 ;定義權(quán)值C = 0.184，利用采樣值i，計算出以下5個濾波器常量f1; f2,..., f5:
【權(quán)利要求】
1.一種基于交通視頻數(shù)據(jù)圖像的確定交通目標(biāo)所在區(qū)域的方法，其特征在于步驟如下: 步驟1、提取基于物體的特征: 步驟a:訓(xùn)練目標(biāo)檢測模板:利用Pedro Felzenszwalb在2010年發(fā)布的可變局部模型算法，訓(xùn)練交通目標(biāo)檢測模板； 所述Pedro Felzenszwalb在2010年公布的可變局部模型算法見論文ObjectDetection with Discriminatively Trained Part-Based Models ； 步驟b:用步驟a訓(xùn)練好的模板，對圖像進行濾波，具體過程為:首先利用下采樣技術(shù)得到每一幅輸入圖像在4個不同尺度上的圖像，將這4幅各自位于4個不同尺度上的圖像與步驟a訓(xùn)練好的所有模板逐個進行卷積計算，得到4幅響應(yīng)圖像；接下來，將這4幅響應(yīng)圖像進行線性插值，使其變換到相同尺寸；然后找出每個像素在這4幅響應(yīng)圖上的最大響應(yīng)值、組成一幅最大響應(yīng)圖，求最大響應(yīng)圖里的像素平均值，作為此幅圖像關(guān)于當(dāng)前這個模板的特征值；對步驟a訓(xùn)練得到的12個模板，逐一按照上述方法進行濾波，就得到了分別對應(yīng)這個12個模板的12個特征值，將這12個特征值線性連接成一個12維的特征向量，代表基于物體的特征； 步驟2、提取運動特征: 步驟a:構(gòu)造三維高斯濾波器，并與原始視頻I進行卷積:定義采樣頻率& = 0.5，在米樣區(qū)間[-3,3]之間按照米樣頻率進行米樣，獲得米樣值i = -1, -`2.5, -1,...2,2.5，3 ;定義權(quán)值C = 0.184，利用采樣值i，計算出以下5個濾波器常量f1; f2,..., f5:/i = —4C(2/3 — 3i)e ' j f2 =ie ' > f3 = —4C(2/2 — l)e '，J4 =e ' > f5 = -SCie'，其中，e 代表指數(shù)函數(shù)； 依次在x，y，z三個方向上、使用不同的濾波器常量fi; i e {1，2，`3，4，5}，對原始視頻I進行卷積運算，得出10段卷積視頻Ia，Ib, , Ip其中Z表示時間軸，X, y組成的平面為單幀圖像所在平面，χ代表圖像平面的橫軸，y代表圖像平面的縱軸，具體實現(xiàn)過程如下:
2.根據(jù)權(quán)利要求1所述的基于交通視頻數(shù)據(jù)圖像的確定交通目標(biāo)所在區(qū)域的方法，其特征在于:所述可變局部模型算法為Object Detection with Discriminatively TrainedPart-Based Models文章中的算法。
3.根據(jù)權(quán)利要求1所述的基于交通視頻數(shù)據(jù)圖像的確定交通目標(biāo)所在區(qū)域的方法，其特征在于:所述 IibSVM 算法為 A Library for Support Vector Machines 中的算法。
4.根據(jù)權(quán)利要求1所述的基于交通視頻數(shù)據(jù)圖像的確定交通目標(biāo)所在區(qū)域的方法，其特征在于訓(xùn)練支持向量機 模型的參數(shù)設(shè)置為s = 2，t = 2。
【文檔編號】G06T7/20GK103455795SQ201310380247
【公開日】2013年12月18日 申請日期:2013年8月27日 優(yōu)先權(quán)日:2013年8月27日
【發(fā)明者】韓軍偉, 孫立曄, 郭雷 申請人:西北工業(yè)大學(xué)