一種基于特征融合的城市交通場景中車輛行為的識別方法技術(shù)

本發(fā)明專利技術(shù)公開了一種基于特征融合的城市交通場景中車輛行為的識別方法，通過將HOG特征與LBP特征首尾串聯(lián)組成聯(lián)合特征作為車輛行為融合特征，采用支持向量機SVM分類器，對車輛行為進行分類識別。本發(fā)明專利技術(shù)基于特征融合的城市交通場景中車輛行為的識別方法來識別車輛異常行為，為自動交通事件檢測系統(tǒng)奠定了前沿基礎(chǔ)，對于提高車輛駕駛的安全性，避免道路交通事故發(fā)生具有重要的作用。

A method of vehicle behavior recognition in urban traffic scene based on Feature Fusion

The invention discloses a recognition method for vehicle behavior feature fusion of city traffic scene based on the HOG and LBP feature are connected in series to form a joint feature as the vehicle behavior fusion feature, using support vector machine classifier SVM, on the behavior of the vehicle classification recognition. The identification method of vehicle behavior feature fusion of city traffic scenes based on the recognition of vehicle abnormal behavior, laid the foundation for the advanced automatic traffic incident detection system, to improve the safety of the vehicle driving, avoid road traffic accidents has an important role.

【技術(shù)實現(xiàn)步驟摘要】
一種基于特征融合的城市交通場景中車輛行為的識別方法
本專利技術(shù)專利涉及交通事件檢測領(lǐng)域，尤其是車輛違章行為的檢測和研究。
技術(shù)介紹
全球交通事故年度統(tǒng)計報告表明道路交通事故多數(shù)是由車輛異常導(dǎo)致，例如闖紅燈、車輛壓線、超速等。車輛行為檢測對于保障交通安全、提高車輛駕駛的安全性，避免車禍的發(fā)生具有重要的作用。車輛行為識別是自動交通事件檢測系統(tǒng)的首要步驟和重要組成部分。傳統(tǒng)的車輛行為檢測技術(shù)如環(huán)形檢測、微波檢測由于需要挖掘路面，影響交通，往往成本巨大，現(xiàn)已逐漸被淘汰。而圖像處理檢測技術(shù)是利用計算機視覺技術(shù)對周圍情景進行感知，對環(huán)境幾乎沒有影響。利用計算機視覺進行車輛檢測的有很多，Klubsuwan等基于車輛在感興趣區(qū)域和均方位移法，并結(jié)合多車輛行為的評估對車輛闖紅燈和變道進行檢測，檢測結(jié)果具有較高的檢測精度。但在復(fù)雜交通場景下，效果不明顯。因此進行車輛行為檢測技術(shù)研究的關(guān)鍵在于檢測結(jié)果的高度精確以及其廣泛適用性。而其他研究大多是針對一種車輛行為特征的提取和分類，目前，尚未有出現(xiàn)有融合車輛特征對車輛行為的識別方法。
技術(shù)實現(xiàn)思路
本專利技術(shù)專利所要解決的問題是有效地提取車輛行為特征，以用于以車輛和道路標(biāo)線為中心的城市交通場景下車輛行為的識別。為解決上述技術(shù)問題，本專利技術(shù)專利采用如下技術(shù)方案：一種基于特征融合的城市交通場景中車輛行為的識別方法，包括步驟：1)采用中值濾波對城市交通場景圖像進行去噪，并采用光線補償對城市交通場景圖像進行預(yù)處理；2)計算圖像水平方向的一階差分并對圖像進行閾值處理，以此確定車牌的各個邊界、位置和尺寸，提取車輛的車牌特征，并根據(jù)車牌與車身的比例關(guān)系得到車輛區(qū)域；3)在步驟2)得到的車輛區(qū)域的基礎(chǔ)上，以車輛區(qū)域中心點為中心，長寬各增加一倍，擴大車輛定位區(qū)域，得到車輛與道路標(biāo)線的位置關(guān)系，并據(jù)此構(gòu)建車輛行為數(shù)據(jù)庫；4)分別提取步驟3)中車輛行為圖像的HOG特征和LBP特征，并將HOG特征與LBP特征首尾串聯(lián)組成聯(lián)合特征作為車輛行為融合特征；5)基于提取的車輛行為融合特征，采用支持向量機SVM分類器，并選取線性核函數(shù)為參數(shù)，對車輛行為進行分類識別。所述步驟1)中的城市交通場景圖像來自于道路交叉口電子警察系統(tǒng)記錄。所述步驟1)中的光線補償具體為：首先，對光線補償后的城市交通場景圖像進行灰度化處理，并對整幅灰度圖像進行直方圖統(tǒng)計；其次，將圖像中所有像素的亮度由高到低排列，并取前15％的亮度最大的像素，將這些像素的平均亮度線性放大為255，此時該亮度的臨界值定為亮度參考點；最后，增強圖像中部分像素的RGB值以把整幅圖像的亮度線性放大，即其中，IR、IG和IB分別為原圖像R、G、B三個分量表示，Igray是圖像中相應(yīng)的灰度值。所述步驟2)具體為：采用下式計算圖像水平方向的一階差分得到車牌區(qū)域；f(i,j)＝f(i,j+1)-f(i,j)采用下式對圖像進行閾值處理，閾值由列列相減后自身的灰度分布決定，所述閾值的表達式為：其中，f(x,y)為相減后的圖像，m為列數(shù)；根據(jù)閾值對邊緣圖像的灰度投影進行統(tǒng)計；從下向上搜索行目標(biāo)像素，當(dāng)行目標(biāo)像素個數(shù)大于閾值T時，此行作為車牌的下邊界；從左至右搜索列目標(biāo)像素，當(dāng)列目標(biāo)像素個數(shù)大于閾值T時，此列作為車牌的左邊界；根據(jù)車牌的高度和寬度估計車牌上邊界和右邊界。所述步驟3)中，所述車輛行為圖像中車輛與道路標(biāo)線包含有四種位置關(guān)系：(a)在車道線內(nèi)，車輛輪廓線未與車道線及斑馬線相交；(b)車輛前輪越過停止線，并與行人斑馬線平行相交；(c)車輛輪廓線與車道分界線相交壓線；(d)車輛轉(zhuǎn)彎，軸線方向偏轉(zhuǎn)，并與車道線或斑馬線相交。所述步驟4)中，所述HOG特征的提取具體為：首先輸入圖像并歸一化圖像，然后計算細(xì)胞內(nèi)梯度，對每一個細(xì)胞塊對梯度直方圖進行規(guī)定權(quán)重的投影，并對每一個重疊block塊內(nèi)的細(xì)胞進行對比度歸一化，最后將所有block內(nèi)的直方圖向量組成一個大的HOG特征向量；所述LBP特征公式為：其中，(xC,yC)表示3×3鄰域內(nèi)的中心元素，它的像素值為iC，iP表示鄰域內(nèi)其他像素的值，P表示鄰域集內(nèi)的采樣點數(shù)；s(x)是符號函數(shù)，即：所述步驟5)中采用線性核函數(shù)的支持向量機進行車輛行為分類具體如下，樣本集{(xi,yi)}應(yīng)滿足：yi[(w·xi)+b]-1+ξi≥0,i＝1,2,3,...n其中，x是特征向量，y是結(jié)果標(biāo)簽，i表示第i個樣本，w,b分別為d維空間的最佳分類超平面g(x)＝w·x+b＝0的斜率和截距；引入松弛項ξi≥0，將分類問題歸結(jié)為如下二次規(guī)劃問題：其中，C是一個常數(shù)，它控制對分錯樣本懲罰的程度；根據(jù)泛函的相關(guān)理論，只要一種核函數(shù)K(xi,yi)滿足Mercer條件，它就對應(yīng)某一空間變換的內(nèi)積，因此，在最優(yōu)分類面中采用合適的核函數(shù)K(xi,yi)就能實現(xiàn)某一非線性變換后的線性分類；線性核函數(shù)表達式為：k(x,xi)＝(x·xi)其中，k(x,xi)為核函數(shù)。與現(xiàn)有技術(shù)相比，本專利技術(shù)以一種基于特征融合的城市交通場景中車輛行為的識別方法來識別車輛異常行為，為自動交通事件檢測系統(tǒng)奠定了前沿基礎(chǔ)，對于提高車輛駕駛的安全性，避免道路交通事故發(fā)生具有重要的作用。附圖說明圖1為HOG特征提取步驟流程。具體實施方式下面結(jié)合具體實施方式對本技術(shù)方案作進一步說明：第一步：采用中值濾波對道路交叉口電子警察系統(tǒng)記錄的交通場景圖像進行預(yù)處理，以消除圖像含有的噪聲。而后采用光線補償操作以消除光照不穩(wěn)定或陰暗天氣下對圖像造成的影響。第一步中，采用中值濾波對城市交通場景圖像進行去噪，并采用光線補償對城市交通場景圖像進行預(yù)處理。根據(jù)不同的圖像特性，選擇不同的濾波函數(shù)，本專利中采用中值濾波作為濾波器函數(shù)，以保存圖像的細(xì)節(jié)部分。采用公式(1)對圖像進行中值濾波處理。A為濾波窗口，Xij，Yij分別為原始圖像和處理后圖像。對濾波后的圖像，本專利采用光線補償以消除陰暗天氣下對圖像造成的影響。首先對圖像進行灰度化處理，并對整幅灰度圖像的直方圖進行統(tǒng)計；其次，將圖像中所有像素的亮度由高到低排列；再次，取前15％的亮度最大的像素，將這些像素的平均亮度線性放大為255，此時該亮度的臨界值就稱為亮度參考點；最后，根據(jù)求得的系數(shù)再把整幅圖像的亮度線性放大，即其中，IR、IG和IB分別為原圖像R、G、B三個分量表示，Igray是圖像中相應(yīng)的灰度值。第二步：提取車輛的車牌特征，確定車牌的位置和尺寸，并根據(jù)車牌與車身的比例關(guān)系得到車輛區(qū)域。現(xiàn)有技術(shù)中，車輛檢測方法有基于車牌的車輛檢測方法、基于Gabor特征及SVM分類器的車輛檢測方法和基于Haar-like特征及AdaBoost分類器的車輛檢測方法，本技術(shù)方案中采用基于車牌特征的車輛檢測方法。提取車輛的車牌特征，由于車輛牌照區(qū)域的灰度投影變化較為劇烈，根據(jù)這一特點，采用公式(3)通過減法即圖像的列與列相減以凸顯車牌區(qū)域，即計算圖像水平方向的一階差分。f(i,j)＝f(i,j+1)-f(i,j)(3)采用公式(4)對圖像進行閾值處理，閾值由列列相減后自身的灰度分布決定，閾值的表達式為：其中，f(x,y)為相減后的圖像，m為列數(shù)。確定好閾值T后，對邊緣圖像的灰度投影進行統(tǒng)計。確定車牌的下邊界及右邊界后根據(jù)車牌的高度和寬度估計車牌上邊界和右邊界。本專利中令車牌的寬度和高度分別本文檔來自技高網(wǎng)...

【技術(shù)保護點】
一種基于特征融合的城市交通場景中車輛行為的識別方法，其特征在于，包括步驟：1)采用中值濾波對城市交通場景圖像進行去噪，并采用光線補償對城市交通場景圖像進行處理；2)計算圖像水平方向的一階差分并對圖像進行閾值處理，以此確定車牌的各個邊界、位置和尺寸，提取車輛的車牌特征，并根據(jù)車牌與車身的比例關(guān)系得到車輛區(qū)域；3)在步驟2)得到的車輛區(qū)域的基礎(chǔ)上，以車輛區(qū)域中心點為中心，長寬各增加一倍，擴大車輛定位區(qū)域，得到車輛與道路標(biāo)線的位置關(guān)系，并據(jù)此構(gòu)建車輛行為數(shù)據(jù)庫；4)分別提取步驟3)中車輛行為圖像的HOG特征和LBP特征，并將HOG特征與LBP特征首尾串聯(lián)組成聯(lián)合特征作為車輛行為融合特征；5)基于步驟4)得到的車輛行為融合特征，采用支持向量機SVM分類器，并選取線性核函數(shù)為參數(shù)，對車輛行為進行分類識別。

【技術(shù)特征摘要】
1.一種基于特征融合的城市交通場景中車輛行為的識別方法，其特征在于，包括步驟：1)采用中值濾波對城市交通場景圖像進行去噪，并采用光線補償對城市交通場景圖像進行處理；2)計算圖像水平方向的一階差分并對圖像進行閾值處理，以此確定車牌的各個邊界、位置和尺寸，提取車輛的車牌特征，并根據(jù)車牌與車身的比例關(guān)系得到車輛區(qū)域；3)在步驟2)得到的車輛區(qū)域的基礎(chǔ)上，以車輛區(qū)域中心點為中心，長寬各增加一倍，擴大車輛定位區(qū)域，得到車輛與道路標(biāo)線的位置關(guān)系，并據(jù)此構(gòu)建車輛行為數(shù)據(jù)庫；4)分別提取步驟3)中車輛行為圖像的HOG特征和LBP特征，并將HOG特征與LBP特征首尾串聯(lián)組成聯(lián)合特征作為車輛行為融合特征；5)基于步驟4)得到的車輛行為融合特征，采用支持向量機SVM分類器，并選取線性核函數(shù)為參數(shù)，對車輛行為進行分類識別。2.根據(jù)權(quán)利要求1所述的識別方法，其特征在于，所述步驟1)中的城市交通場景圖像來自于道路交叉口電子警察系統(tǒng)記錄。3.根據(jù)權(quán)利要求1所述的識別方法，其特征在于，所述步驟1)中的光線補償具體為：首先，對光線補償后的城市交通場景圖像進行灰度化處理，并對整幅灰度圖像進行直方圖統(tǒng)計；其次，將圖像中所有像素的亮度由高到低排列，并取前15％的亮度最大的像素，將這些像素的平均亮度線性放大為255，此時該亮度的臨界值定為亮度參考點；最后，增強圖像中部分像素的RGB值以把整幅圖像的亮度線性放大，即其中，IR、IG和IB分別為原圖像R、G、B三個分量表示，Igray是圖像中相應(yīng)的灰度值。4.根據(jù)權(quán)利要求1所述的識別方法，其特征在于，所述步驟2)具體為：采用下式計算圖像水平方向的一階差分得到車牌區(qū)域；f(i,j)＝f(i,j+1)-f(i,j)采用下式對圖像進行閾值處理，閾值由列列相減后自身的灰度分布決定，所述閾值的表達式為：其中，f(x,y)為相減后的圖像，m為列數(shù)；根據(jù)閾值對邊緣圖像的...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：趙池航，趙敏慧，齊行知，
申請(專利權(quán))人：東南大學(xué)，
類型：發(fā)明
國別省市：江蘇,32