本發(fā)明涉及檢測(cè)技術(shù)領(lǐng)域，特別是涉及一種基于相關(guān)濾波和顏色匹配的汽車(chē)車(chē)窗檢測(cè)方法及裝置。

背景技術(shù)：

隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展，汽車(chē)等交通工具逐漸興起，交通安全問(wèn)題得到了越來(lái)越多的關(guān)注。

在交通安全領(lǐng)域，對(duì)汽車(chē)車(chē)窗的檢測(cè)尤為重要。通過(guò)對(duì)汽車(chē)車(chē)窗的檢測(cè)可以判斷汽車(chē)中的人員是否處于正常駕駛狀態(tài)，是否有扣安全帶，或者是否存在使用手機(jī)行為等。

目前，多是由監(jiān)控人員人工對(duì)監(jiān)控視頻圖像中出現(xiàn)的汽車(chē)車(chē)窗進(jìn)行檢測(cè)，人力成本較高，效率較低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種基于相關(guān)濾波和顏色匹配的汽車(chē)車(chē)窗檢測(cè)方法及裝置，以對(duì)汽車(chē)車(chē)窗進(jìn)行自動(dòng)截取和實(shí)時(shí)跟蹤，提高檢測(cè)準(zhǔn)確率，減少人力成本，提高效率。

為解決上述技術(shù)問(wèn)題，本發(fā)明提供如下技術(shù)方案：

一種基于相關(guān)濾波和顏色匹配的汽車(chē)車(chē)窗檢測(cè)方法，包括：

確定當(dāng)前幀視頻圖像中的目標(biāo)車(chē)輛；

基于所述目標(biāo)車(chē)輛在所述視頻圖像中的位置，確定初始搜索區(qū)域；

確定所述初始搜索區(qū)域內(nèi)圖像與預(yù)先獲得的參數(shù)模型是否匹配，所述參數(shù)模型包含位置濾波參數(shù)信息、尺度濾波參數(shù)信息和顏色直方圖參數(shù)信息；

如果是，則確定所述初始搜索區(qū)域內(nèi)圖像中的目標(biāo)車(chē)窗所在區(qū)域；

在所述視頻圖像中截取并存儲(chǔ)所述目標(biāo)車(chē)窗所在區(qū)域的圖像。

在本發(fā)明的一種具體實(shí)施方式中，所述確定所述初始搜索區(qū)域內(nèi)圖像與預(yù)先獲得的參數(shù)模型是否匹配，包括：

獲得所述初始搜索區(qū)域內(nèi)圖像的相關(guān)參數(shù)信息；

將獲得的相關(guān)參數(shù)信息分別與預(yù)先獲得的參數(shù)模型中相應(yīng)的相關(guān)參數(shù)信息進(jìn)行匹配；

如果每個(gè)相關(guān)參數(shù)信息的匹配程度均大于預(yù)設(shè)閾值，則確定所述初始搜索區(qū)域內(nèi)圖像與所述參數(shù)模型匹配。

在本發(fā)明的一種具體實(shí)施方式中，所述確定所述初始搜索區(qū)域內(nèi)圖像中的目標(biāo)車(chē)窗所在區(qū)域，包括：

計(jì)算所述初始搜索區(qū)域內(nèi)圖像中最接近目標(biāo)車(chē)窗的中心點(diǎn)位置；

基于所述中心點(diǎn)位置，確定新搜索區(qū)域；

將所述新搜索區(qū)域確定為所述目標(biāo)車(chē)窗所在區(qū)域。

在本發(fā)明的一種具體實(shí)施方式中，所述基于所述中心點(diǎn)位置，確定新搜索區(qū)域，包括：

基于所述中心點(diǎn)位置，調(diào)整所述初始搜索區(qū)域的寬和高，獲得調(diào)整搜索區(qū)域；

按照設(shè)定比例擴(kuò)大所述調(diào)整搜索區(qū)域，獲得新搜索區(qū)域。

在本發(fā)明的一種具體實(shí)施方式中，通過(guò)以下步驟預(yù)先獲得所述參數(shù)模型：

采集多個(gè)具有前車(chē)窗的車(chē)輛圖片樣本，多個(gè)車(chē)輛圖片樣本包含多種顏色的信息；

對(duì)采集到的車(chē)輛圖片樣本進(jìn)行訓(xùn)練，確定相關(guān)參數(shù)信息，所述相關(guān)參數(shù)信息包括位置濾波參數(shù)信息、尺度濾波參數(shù)信息和顏色直方圖參數(shù)信息；

基于所述相關(guān)參數(shù)信息，建立所述參數(shù)模型。

一種基于相關(guān)濾波和顏色匹配的汽車(chē)車(chē)窗檢測(cè)裝置，包括：

目標(biāo)車(chē)輛確定模塊，用于確定當(dāng)前幀視頻圖像中的目標(biāo)車(chē)輛；

初始搜索區(qū)域確定模塊，用于基于所述目標(biāo)車(chē)輛在所述視頻圖像中的位置，確定初始搜索區(qū)域；

匹配模塊，用于確定所述初始搜索區(qū)域內(nèi)圖像與預(yù)先獲得的參數(shù)模型是否匹配，如果是，則觸發(fā)目標(biāo)車(chē)窗所在區(qū)域確定模塊，所述參數(shù)模型包含位置濾波參數(shù)信息、尺度濾波參數(shù)信息和顏色直方圖參數(shù)信息；

所述目標(biāo)車(chē)窗所在區(qū)域確定模塊，用于確定所述初始搜索區(qū)域內(nèi)圖像中的目標(biāo)車(chē)窗所在區(qū)域；

圖像截取存儲(chǔ)模塊，用于在所述視頻圖像中截取并存儲(chǔ)所述目標(biāo)車(chē)窗所在區(qū)域的圖像。

在本發(fā)明的一種具體實(shí)施方式中，所述匹配模塊，具體用于：

獲得所述初始搜索區(qū)域內(nèi)圖像的相關(guān)參數(shù)信息；

將獲得的相關(guān)參數(shù)信息分別與預(yù)先獲得的參數(shù)模型中相應(yīng)的相關(guān)參數(shù)信息進(jìn)行匹配；

如果每個(gè)相關(guān)參數(shù)信息的匹配程度均大于預(yù)設(shè)閾值，則確定所述初始搜索區(qū)域內(nèi)圖像與所述參數(shù)模型匹配。

在本發(fā)明的一種具體實(shí)施方式中，所述目標(biāo)車(chē)窗所在區(qū)域確定模塊，具體用于：

計(jì)算所述初始搜索區(qū)域內(nèi)圖像中最接近目標(biāo)車(chē)窗的中心點(diǎn)位置；

基于所述中心點(diǎn)位置，確定新搜索區(qū)域；

將所述新搜索區(qū)域確定為所述目標(biāo)車(chē)窗所在區(qū)域。

在本發(fā)明的一種具體實(shí)施方式中，所述目標(biāo)車(chē)窗所在區(qū)域確定模塊，具體用于：

基于所述中心點(diǎn)位置，調(diào)整所述初始搜索區(qū)域的寬和高，獲得調(diào)整搜索區(qū)域；

按照設(shè)定比例擴(kuò)大所述調(diào)整搜索區(qū)域，獲得新搜索區(qū)域。

在本發(fā)明的一種具體實(shí)施方式中，還包括參數(shù)模型獲得模塊，用于通過(guò)以下步驟預(yù)先獲得所述參數(shù)模型：

采集多個(gè)具有前車(chē)窗的車(chē)輛圖片樣本，多個(gè)車(chē)輛圖片樣本包含多種顏色的信息；

對(duì)采集到的車(chē)輛圖片樣本進(jìn)行訓(xùn)練，確定相關(guān)參數(shù)信息，所述相關(guān)參數(shù)信息包括位置濾波參數(shù)信息、尺度濾波參數(shù)信息和顏色直方圖參數(shù)信息；

基于所述相關(guān)參數(shù)信息，建立所述參數(shù)模型。

應(yīng)用本發(fā)明實(shí)施例所提供的技術(shù)方案，預(yù)先獲得參數(shù)模型，該參數(shù)模型中包含位置濾波參數(shù)信息、尺度濾波參數(shù)信息和顏色直方圖參數(shù)信息，在確定當(dāng)前幀視頻圖像中的目標(biāo)車(chē)輛后，可以基于目標(biāo)車(chē)輛在視頻圖像中的位置，確定初始搜索區(qū)域，確定初始搜索區(qū)域內(nèi)圖像與參數(shù)模型是否匹配，如果匹配，則可以確定初始搜索區(qū)域內(nèi)圖像中的目標(biāo)車(chē)窗所在區(qū)域，在視頻圖像中截取并存儲(chǔ)目標(biāo)車(chē)窗所在區(qū)域的圖像?？梢詫?duì)汽車(chē)車(chē)窗進(jìn)行自動(dòng)截取和實(shí)時(shí)跟蹤，提高了檢測(cè)準(zhǔn)確率，減少了人力成本，提高效率。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例中一種基于相關(guān)濾波和顏色匹配的汽車(chē)車(chē)窗檢測(cè)方法的實(shí)施流程圖；

圖2為本發(fā)明實(shí)施例中一種基于相關(guān)濾波和顏色匹配的汽車(chē)車(chē)窗檢測(cè)裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

參見(jiàn)圖1所示，為本發(fā)明實(shí)施例所提供的一種基于相關(guān)濾波和顏色匹配的汽車(chē)車(chē)窗檢測(cè)方法，該方法可以包括以下步驟：

S110：確定當(dāng)前幀視頻圖像中的目標(biāo)車(chē)輛。

在視頻監(jiān)控過(guò)程中，可以確定當(dāng)前幀視頻圖像中的目標(biāo)車(chē)輛。具體的，可以在監(jiān)控場(chǎng)景中設(shè)置紅外線(xiàn)檢測(cè)設(shè)備，通過(guò)紅外線(xiàn)檢測(cè)到有車(chē)輛進(jìn)入到視頻監(jiān)控區(qū)域時(shí)，觸發(fā)確定當(dāng)前幀視頻圖像中的目標(biāo)車(chē)輛?；蛘撸梢酝ㄟ^(guò)圖像幀差法確定當(dāng)前幀視頻圖像中是否存在目標(biāo)車(chē)輛?；蛘?，可以由監(jiān)控人員指定車(chē)輛位置，在接收到監(jiān)控人員的檢測(cè)指令時(shí)，確定當(dāng)前幀視頻圖像中的目標(biāo)車(chē)輛。

確定當(dāng)前幀視頻圖像中的目標(biāo)車(chē)輛后，可以繼續(xù)執(zhí)行步驟S120的操作。

S120：基于所述目標(biāo)車(chē)輛在所述視頻圖像中的位置，確定初始搜索區(qū)域。

在確定當(dāng)前幀視頻圖像中的目標(biāo)車(chē)輛時(shí)，可以獲得目標(biāo)車(chē)輛在當(dāng)前幀視頻圖像中的位置的信息?；谀繕?biāo)車(chē)輛在視頻圖像中的位置P，可以確定初始搜索區(qū)域。該初始搜索區(qū)域可以是一個(gè)矩形區(qū)域，表示為R0，由四個(gè)參數(shù)組成，分別是：Px、Py、Width、Height。其中，Px和Py表示P經(jīng)過(guò)轉(zhuǎn)化的在當(dāng)前幀視頻圖像上的像素點(diǎn)位置，Width和Height分別表示初始搜索區(qū)域R0的寬和高。

S130：確定所述初始搜索區(qū)域內(nèi)圖像與預(yù)先獲得的參數(shù)模型是否匹配。

其中，參數(shù)模型包含位置濾波參數(shù)信息、尺度濾波參數(shù)信息和顏色直方圖參數(shù)信息。

在本發(fā)明的一種具體實(shí)施方式中，可以通過(guò)以下步驟預(yù)先獲得所述參數(shù)模型：

步驟一：采集多個(gè)具有前車(chē)窗的車(chē)輛圖片樣本，多個(gè)車(chē)輛圖片樣本包含多種顏色的信息；

步驟二：對(duì)采集到的車(chē)輛圖片樣本進(jìn)行訓(xùn)練，確定相關(guān)參數(shù)信息，所述相關(guān)參數(shù)信息包括位置濾波參數(shù)信息、尺度濾波參數(shù)信息和顏色直方圖參數(shù)信息；

步驟三：基于所述相關(guān)參數(shù)信息，建立所述參數(shù)模型。

為便于描述，將上述三個(gè)步驟結(jié)合起來(lái)進(jìn)行說(shuō)明。

預(yù)先采集多個(gè)具有前車(chē)窗的車(chē)輛圖片樣本，多個(gè)車(chē)輛圖片樣本包含多種顏色的信息。如采集到1000張具有前車(chē)窗的車(chē)輛圖片，其中車(chē)輛具有不同的顏色。對(duì)采集到的車(chē)輛圖片樣本進(jìn)行訓(xùn)練，可以確定相關(guān)參數(shù)信息，相關(guān)參數(shù)信息包括位置濾波參數(shù)信息、尺度濾波參數(shù)信息和顏色直方圖參數(shù)信息?；谙嚓P(guān)參數(shù)信息，可以建立穩(wěn)定的參數(shù)模型。

具體的，可以將車(chē)輛圖像樣本作為訓(xùn)練樣本，初始化訓(xùn)練樣本數(shù)目，然后初始化位置濾波參數(shù)Position、尺度濾波參數(shù)Scale和顏色直方圖參數(shù)ColorHist，以訓(xùn)練樣本中的第一幅圖像的車(chē)窗位置、尺度和顏色直方圖的參數(shù)值作為初始化值，對(duì)其他的樣本繼續(xù)進(jìn)行訓(xùn)練，穩(wěn)定后，即可確定相應(yīng)參數(shù)值，從而可以建立參數(shù)模型。

在信號(hào)處理中，相關(guān)性(correlation)用來(lái)描述兩個(gè)因素之間的聯(lián)系。相關(guān)性又分為互相關(guān)(cross-correlation)和自相關(guān)(auto-correlation)，其中，互相關(guān)是指兩個(gè)信號(hào)之間的聯(lián)系，自相關(guān)是指本身在不同頻域的相關(guān)性。相關(guān)性的直觀(guān)解釋就是衡量?jī)蓚€(gè)函數(shù)在某個(gè)時(shí)刻的相似程度。

相關(guān)濾波器(Correlation Filter)源于信號(hào)處理領(lǐng)域，被運(yùn)用于圖像分類(lèi)等方面。本發(fā)明實(shí)施例將相關(guān)濾波器應(yīng)用于跟蹤，即利用兩個(gè)信號(hào)的相關(guān)性，兩個(gè)信號(hào)越相似，其相關(guān)值越高。跟蹤就是找到與跟蹤目標(biāo)響應(yīng)最大的項(xiàng)。

相關(guān)濾波跟蹤的基本原理是，最小輸出平方誤差和(MOSSE，Minimum Output Sum of Squared Error)，另外一個(gè)關(guān)鍵思想是利用密集時(shí)空環(huán)境上下文(Dense Spatio-Temporal Context)，把周?chē)膱D像像素考慮進(jìn)去，可以借助周?chē)h(huán)境來(lái)確定目標(biāo)所在，能夠在一定程度上降低跟蹤失敗的風(fēng)險(xiǎn)。跟蹤目標(biāo)位置，是根據(jù)目標(biāo)出現(xiàn)的概率值(響應(yīng))的最大值所對(duì)應(yīng)的像素點(diǎn)位置來(lái)確定的。目標(biāo)框大小變化由模板更新時(shí)的尺度變換來(lái)確定。除了跟蹤準(zhǔn)確率高，相關(guān)濾波跟蹤的一大優(yōu)點(diǎn)是速度非?？?，可以達(dá)到669幀/s。

在現(xiàn)有技術(shù)中，相關(guān)濾波算法僅僅利用圖像的灰度值，沒(méi)有利用圖像中有用顏色特征。因此，在相關(guān)濾波跟蹤中加入顏色特征，可以在一定程度上提高跟蹤的準(zhǔn)確性。

將圖像的顏色特征加入到相關(guān)濾波器中主要有兩個(gè)作用：首先，將相關(guān)濾波器在灰度圖的求出響應(yīng)的最大值與顏色分布的最大值做加權(quán)求和，求出目標(biāo)的最大值點(diǎn)位置，此位置即是目標(biāo)的最佳跟蹤點(diǎn)位置。其次，通過(guò)迭代訓(xùn)練和參數(shù)更新，可以在訓(xùn)練穩(wěn)定后得到相關(guān)濾波參數(shù)和關(guān)于顏色分布直方圖相結(jié)合模型。顏色分布直方圖體現(xiàn)在目標(biāo)顏色(前景)和背景的比例，用于判斷所跟蹤的目標(biāo)的顏色分布是否匹配該顏色分布模型。

本發(fā)明實(shí)施例利用相關(guān)濾波器中的空間上下文特性和顏色分布直方圖特征，考慮到如果車(chē)窗的顏色與目標(biāo)車(chē)輛的顏色接近，如黑色車(chē)與車(chē)窗顏色接近，則可以將上述的響應(yīng)與顏色分布的權(quán)值調(diào)整設(shè)置為：賦予響應(yīng)更大的權(quán)值，賦予顏色分布的權(quán)值更小，有利于改善當(dāng)出現(xiàn)車(chē)窗顏色與車(chē)輛顏色接近時(shí)車(chē)窗跑偏的情況。

在本發(fā)明實(shí)施例中，可以確定所述初始搜索區(qū)域內(nèi)圖像與預(yù)先獲得的參數(shù)模型是否匹配。具體的，可以獲得初始搜索區(qū)域內(nèi)圖像的相關(guān)參數(shù)信息，將獲得的相關(guān)參數(shù)信息分別與預(yù)先獲得的參數(shù)模型中相應(yīng)的相關(guān)參數(shù)信息進(jìn)行匹配，如果每個(gè)相關(guān)參數(shù)信息的匹配程度均大于預(yù)設(shè)閾值，則可以確定初始搜索區(qū)域內(nèi)圖像與參數(shù)模型匹配。

如果匹配，則可以繼續(xù)執(zhí)行步驟S140的操作。如果不匹配，則可以重復(fù)執(zhí)行步驟S110的操作，如圖1所示，或者不做處理。

S140：確定所述初始搜索區(qū)域內(nèi)圖像中的目標(biāo)車(chē)窗所在區(qū)域。

在步驟S130，如果確定初始搜索區(qū)域內(nèi)圖像與預(yù)先獲得的參數(shù)模型匹配，則可以在初始搜索區(qū)域內(nèi)圖像中確定目標(biāo)車(chē)窗所在區(qū)域。

在本發(fā)明的一種具體實(shí)施方式中，步驟S140可以包括以下步驟：

第一個(gè)步驟：計(jì)算所述初始搜索區(qū)域內(nèi)圖像中最接近目標(biāo)車(chē)窗的中心點(diǎn)位置；

第二個(gè)步驟：基于所述中心點(diǎn)位置，確定新搜索區(qū)域；

第三個(gè)步驟：將所述新搜索區(qū)域確定為所述目標(biāo)車(chē)窗所在區(qū)域。

為便于描述，將上述三個(gè)步驟結(jié)合起來(lái)進(jìn)行說(shuō)明。

在確定初始搜索區(qū)域內(nèi)圖像與預(yù)先獲得的參數(shù)模型匹配后，可以計(jì)算初始搜索區(qū)域內(nèi)圖像中最接近目標(biāo)車(chē)窗的中心點(diǎn)位置P1，基于中心點(diǎn)位置，調(diào)整初始搜索區(qū)域的寬和高，確定新搜索區(qū)域，該新搜索區(qū)域也為一個(gè)矩形框R1(P1x,P1y,W1,H1)?？梢灾苯訉⒃撔滤阉鲄^(qū)域確定為目標(biāo)車(chē)窗所在區(qū)域。

在本發(fā)明的一個(gè)實(shí)施例中，在確定新搜索區(qū)域時(shí)，可以基于中心點(diǎn)位置，調(diào)整初始搜索區(qū)域的寬和高，獲得調(diào)整搜索區(qū)域，按照設(shè)定比例擴(kuò)大調(diào)整搜索區(qū)域，如擴(kuò)大1.1倍，獲得新搜索區(qū)域R11(0.9*P1x,0.9*P1y,1.1*W1,1.1*H1)。將該新搜索區(qū)域確定為目標(biāo)車(chē)窗所在區(qū)域。

S150：在視頻圖像中截取并存儲(chǔ)目標(biāo)車(chē)窗所在區(qū)域的圖像。

在當(dāng)前幀視頻圖像中截取目標(biāo)車(chē)窗所在區(qū)域的圖像，將截取到的圖像顯示在監(jiān)控屏幕上。同時(shí)可以將其存儲(chǔ)到存儲(chǔ)設(shè)備中?？梢砸栽O(shè)定的命名規(guī)則進(jìn)行存儲(chǔ)，以便于后續(xù)使用該圖像進(jìn)行各種應(yīng)用。

隨著車(chē)輛的繼續(xù)駕駛，車(chē)輛會(huì)從視頻圖像中從上端往下移動(dòng)，對(duì)每一幀視頻圖像均執(zhí)行本發(fā)明實(shí)施例所提供的技術(shù)方案，可以獲得每一幀視頻圖像中目標(biāo)車(chē)窗所在區(qū)域的圖像。

應(yīng)用本發(fā)明實(shí)施例所提供的方法，預(yù)先獲得參數(shù)模型，該參數(shù)模型中包含位置濾波參數(shù)信息、尺度濾波參數(shù)信息和顏色直方圖參數(shù)信息，在確定當(dāng)前幀視頻圖像中的目標(biāo)車(chē)輛后，可以基于目標(biāo)車(chē)輛在視頻圖像中的位置，確定初始搜索區(qū)域，確定初始搜索區(qū)域內(nèi)圖像與參數(shù)模型是否匹配，如果匹配，則可以確定初始搜索區(qū)域內(nèi)圖像中的目標(biāo)車(chē)窗所在區(qū)域，在視頻圖像中截取并存儲(chǔ)目標(biāo)車(chē)窗所在區(qū)域的圖像?？梢詫?duì)汽車(chē)車(chē)窗進(jìn)行自動(dòng)截取和實(shí)時(shí)跟蹤，提高了檢測(cè)準(zhǔn)確率，減少了人力成本，提高效率。

本發(fā)明實(shí)施例充分利用圖像的彩色信息，利用機(jī)器學(xué)習(xí)的方法對(duì)車(chē)輛圖片樣本進(jìn)行訓(xùn)練，獲得參數(shù)模型，能夠?qū)δ繕?biāo)車(chē)窗進(jìn)行定位，并進(jìn)行自動(dòng)截取。利用相關(guān)濾波器準(zhǔn)確對(duì)車(chē)窗進(jìn)行跟蹤并反饋顯示出車(chē)窗圖像。當(dāng)出現(xiàn)車(chē)窗顏色與車(chē)輛顏色接近時(shí)，出現(xiàn)車(chē)窗跑偏的情況較少。應(yīng)用本發(fā)明實(shí)施例所提供的技術(shù)方案，車(chē)窗檢測(cè)速度較快，在視頻處理中消耗時(shí)間較少，效率較高。具有對(duì)光照和顏色的魯棒性、快速實(shí)時(shí)性及較高的準(zhǔn)確率。

主要有以下體現(xiàn)：

本發(fā)明實(shí)施例利用機(jī)器學(xué)習(xí)的思想，采用一定數(shù)量的訓(xùn)練集來(lái)進(jìn)行模型訓(xùn)練。通過(guò)一定次數(shù)的迭代和參數(shù)更新得到穩(wěn)定的參數(shù)模型。該參數(shù)模型具有對(duì)車(chē)窗的檢測(cè)準(zhǔn)確性高和穩(wěn)定性高的特點(diǎn)。

充分利用原始圖像的顏色特征。在搜索區(qū)域中，對(duì)目標(biāo)車(chē)窗的前景和背景的顏色分布直方圖進(jìn)行分析匹配。加載訓(xùn)練后的參數(shù)模型，如果實(shí)現(xiàn)目標(biāo)車(chē)窗的匹配，則可以根據(jù)概率(響應(yīng))的最大值自動(dòng)判斷車(chē)窗在圖像中具體位置。

跟蹤算法的運(yùn)用。本發(fā)明實(shí)施例利用相關(guān)濾波器(Correlation Filter)來(lái)實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤。當(dāng)檢測(cè)到目標(biāo)與參數(shù)模型匹配時(shí)，跟蹤算法自動(dòng)對(duì)目標(biāo)進(jìn)行跟蹤。運(yùn)用相關(guān)濾波器跟蹤算法的優(yōu)點(diǎn)在于：利用目標(biāo)與接下來(lái)的視頻幀中出現(xiàn)的目標(biāo)的相關(guān)信息，能夠大大減少信息冗余；實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤，大大減少漏檢誤檢率；自動(dòng)對(duì)目標(biāo)進(jìn)行跟蹤鎖定，結(jié)合顏色信息，大大減少跑偏的情況，提高檢測(cè)率和跟蹤準(zhǔn)確性；跟蹤速度快，在視頻幀中可以實(shí)現(xiàn)實(shí)時(shí)的快速跟蹤。

計(jì)算代價(jià)低消耗少，在處理視頻中的每一幀時(shí)不會(huì)帶來(lái)過(guò)多計(jì)算，減少信息冗余，可以實(shí)現(xiàn)實(shí)時(shí)的目標(biāo)的自動(dòng)檢測(cè)截取與跟蹤，具有實(shí)時(shí)性。

在訓(xùn)練的過(guò)程中，由于賦予響應(yīng)更大權(quán)值而顏色分布的權(quán)值更小，在程序運(yùn)行過(guò)程中，如果出現(xiàn)車(chē)窗的顏色與目標(biāo)車(chē)輛顏色接近(如黑、灰色車(chē)與車(chē)窗顏色接近)時(shí)，車(chē)窗跑偏的概率較低，而且具有對(duì)光照的魯棒性。

形變魯棒性。對(duì)目標(biāo)車(chē)窗出現(xiàn)形變的情況，例如小轎車(chē)、大客車(chē)和泥土車(chē)等等，由于訓(xùn)練過(guò)程中，相關(guān)濾波器中含有的尺度的參數(shù)以及經(jīng)過(guò)迭代訓(xùn)練穩(wěn)定后保存在上述的參數(shù)模型中，因此具有對(duì)車(chē)窗的形變魯棒性。當(dāng)出現(xiàn)車(chē)窗不全的情況，也能根據(jù)參數(shù)模型與目標(biāo)是否匹配，來(lái)判斷目標(biāo)為車(chē)窗并且定位目標(biāo)車(chē)窗的位置。

相應(yīng)于上面的方法實(shí)施例，本發(fā)明實(shí)施例還提供了一種基于相關(guān)濾波和顏色匹配的汽車(chē)車(chē)窗檢測(cè)裝置，下文描述的一種基于相關(guān)濾波和顏色匹配的汽車(chē)車(chē)窗檢測(cè)裝置與上文描述的一種基于相關(guān)濾波和顏色匹配的汽車(chē)車(chē)窗檢測(cè)方法可相互對(duì)應(yīng)參照。

參見(jiàn)圖2所示，該裝置包括以下模塊：

目標(biāo)車(chē)輛確定模塊210，用于確定當(dāng)前幀視頻圖像中的目標(biāo)車(chē)輛；

初始搜索區(qū)域確定模塊220，用于基于所述目標(biāo)車(chē)輛在所述視頻圖像中的位置，確定初始搜索區(qū)域；

匹配模塊230，用于確定所述初始搜索區(qū)域內(nèi)圖像與預(yù)先獲得的參數(shù)模型是否匹配，如果是，則觸發(fā)目標(biāo)車(chē)窗所在區(qū)域確定模塊240，所述參數(shù)模型包含位置濾波參數(shù)信息、尺度濾波參數(shù)信息和顏色直方圖參數(shù)信息。

所述目標(biāo)車(chē)窗所在區(qū)域確定模塊240，用于確定所述初始搜索區(qū)域內(nèi)圖像中的目標(biāo)車(chē)窗所在區(qū)域；

圖像截取存儲(chǔ)模塊250，用于在所述視頻圖像中截取并存儲(chǔ)所述目標(biāo)車(chē)窗所在區(qū)域的圖像。

應(yīng)用本發(fā)明實(shí)施例所提供的裝置，預(yù)先獲得參數(shù)模型，該參數(shù)模型中包含位置濾波參數(shù)信息、尺度濾波參數(shù)信息和顏色直方圖參數(shù)信息，在確定當(dāng)前幀視頻圖像中的目標(biāo)車(chē)輛后，可以基于目標(biāo)車(chē)輛在視頻圖像中的位置，確定初始搜索區(qū)域，確定初始搜索區(qū)域內(nèi)圖像與參數(shù)模型是否匹配，如果匹配，則可以確定初始搜索區(qū)域內(nèi)圖像中的目標(biāo)車(chē)窗所在區(qū)域，在視頻圖像中截取并存儲(chǔ)目標(biāo)車(chē)窗所在區(qū)域的圖像?？梢詫?duì)汽車(chē)車(chē)窗進(jìn)行自動(dòng)截取和實(shí)時(shí)跟蹤，提高了檢測(cè)準(zhǔn)確率，減少了人力成本，提高效率。

在本發(fā)明的一種具體實(shí)施方式中，所述匹配模塊230，具體用于：

獲得所述初始搜索區(qū)域內(nèi)圖像的相關(guān)參數(shù)信息；

將獲得的相關(guān)參數(shù)信息分別與預(yù)先獲得的參數(shù)模型中相應(yīng)的相關(guān)參數(shù)信息進(jìn)行匹配；

如果每個(gè)相關(guān)參數(shù)信息的匹配程度均大于預(yù)設(shè)閾值，則確定所述初始搜索區(qū)域內(nèi)圖像與所述參數(shù)模型匹配。

在本發(fā)明的一種具體實(shí)施方式中，所述目標(biāo)車(chē)窗所在區(qū)域確定模塊240，具體用于：

計(jì)算所述初始搜索區(qū)域內(nèi)圖像中最接近目標(biāo)車(chē)窗的中心點(diǎn)位置；

基于所述中心點(diǎn)位置，確定新搜索區(qū)域；

將所述新搜索區(qū)域確定為所述目標(biāo)車(chē)窗所在區(qū)域。

在本發(fā)明的一種具體實(shí)施方式中，所述目標(biāo)車(chē)窗所在區(qū)域確定模塊240，具體用于：

基于所述中心點(diǎn)位置，調(diào)整所述初始搜索區(qū)域的寬和高，獲得調(diào)整搜索區(qū)域；

按照設(shè)定比例擴(kuò)大所述調(diào)整搜索區(qū)域，獲得新搜索區(qū)域。

在本發(fā)明的一種具體實(shí)施方式中，還包括參數(shù)模型獲得模塊，用于通過(guò)以下步驟預(yù)先獲得所述參數(shù)模型：

采集多個(gè)具有前車(chē)窗的車(chē)輛圖片樣本，多個(gè)車(chē)輛圖片樣本包含多種顏色的信息；

對(duì)采集到的車(chē)輛圖片樣本進(jìn)行訓(xùn)練，確定相關(guān)參數(shù)信息，所述相關(guān)參數(shù)信息包括位置濾波參數(shù)信息、尺度濾波參數(shù)信息和顏色直方圖參數(shù)信息；

基于所述相關(guān)參數(shù)信息，建立所述參數(shù)模型。

本說(shuō)明書(shū)中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其它實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同或相似部分互相參見(jiàn)即可。對(duì)于實(shí)施例公開(kāi)的裝置而言，由于其與實(shí)施例公開(kāi)的方法相對(duì)應(yīng)，所以描述的比較簡(jiǎn)單，相關(guān)之處參見(jiàn)方法部分說(shuō)明即可。

專(zhuān)業(yè)人員還可以進(jìn)一步意識(shí)到，結(jié)合本文中所公開(kāi)的實(shí)施例描述的各示例的單元及算法步驟，能夠以電子硬件、計(jì)算機(jī)軟件或者二者的結(jié)合來(lái)實(shí)現(xiàn)，為了清楚地說(shuō)明硬件和軟件的可互換性，在上述說(shuō)明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來(lái)執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專(zhuān)業(yè)技術(shù)人員可以對(duì)每個(gè)特定的應(yīng)用來(lái)使用不同方法來(lái)實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。

結(jié)合本文中所公開(kāi)的實(shí)施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來(lái)實(shí)施。軟件模塊可以置于隨機(jī)存儲(chǔ)器(RAM)、內(nèi)存、只讀存儲(chǔ)器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤(pán)、可移動(dòng)磁盤(pán)、CD-ROM、或技術(shù)領(lǐng)域內(nèi)所公知的任意其它形式的存儲(chǔ)介質(zhì)中。

本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明的技術(shù)方案及其核心思想。應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以對(duì)本發(fā)明進(jìn)行若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。