[go: up one dir, main page]

CN107169439A - 一种行人车辆检测与分类方法 - Google Patents

一种行人车辆检测与分类方法 Download PDF

Info

Publication number
CN107169439A
CN107169439A CN201710327871.8A CN201710327871A CN107169439A CN 107169439 A CN107169439 A CN 107169439A CN 201710327871 A CN201710327871 A CN 201710327871A CN 107169439 A CN107169439 A CN 107169439A
Authority
CN
China
Prior art keywords
target
pedestrians
area
vehicles
vehicle
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Withdrawn
Application number
CN201710327871.8A
Other languages
English (en)
Inventor
不公告发明人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanning Lehongpo Technology Co Ltd
Original Assignee
Nanning Lehongpo Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanning Lehongpo Technology Co Ltd filed Critical Nanning Lehongpo Technology Co Ltd
Priority to CN201710327871.8A priority Critical patent/CN107169439A/zh
Publication of CN107169439A publication Critical patent/CN107169439A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • 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
    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种行人车辆检测与分类方法，包括以下步骤：S1：通过装置于车辆内的摄像机实时的采集车辆信息，将获得的车辆行驶视频按照帧分割成一系列的图像序列，并对图像进行灰度化、二值化及降噪预处理；S2：运动目标检测：利用领域信息动态调整置信区间构造混合高斯模型，实现运动目标检测；S3：目标跟踪：采用卡尔曼滤波预测目标下一帧的位置，同时提取目标的颜色直方图作为帧间匹配特征，实现目标跟踪；S4：目标分类：通过自适应EM聚类方法提取目标长宽比和面积作为特征，将目标分为行人和车辆。

Description

一种行人车辆检测与分类方法
技术领域
本发明具体涉及一种行人车辆检测与分类方法。
背景技术
智能监控系统可不在人为干预情况下对摄像机记录的视频序列进行分析，并且对其中的行人和车辆等目标进行检测和分类，从而实现视频信息检索。目前常用的行人车辆检测分类方法可以分为：基于监督学习的方法和基于运动分割的方法。
基于监督学习的方法需要预先对分类器进行训练，，这类方法的优点在于准确度高、摄像机晃动影响小，但是缺点在于时间复杂度大，而且需要事先进行训练，场景变换后需要重新训练。基于运动分割的方法要求摄像机固定，对运动的物体进行检测分类。然而，由于采用固定阈值进行目标分类，缺乏自主学习能力，因此对应用场景有严格限制。有研究者对上述方法进行了改进，对运动目标的特征进行聚类，形成树分类器，能够得到较好的结果，然而该算法也存在过训练、收敛速度慢的问题。
发明内容
本发明要解决的技术问题是提供一种行人车辆检测与分类方法。
一种行人车辆检测与分类方法，包括以下步骤：
S1：通过装置于车辆内的摄像机实时的采集车辆信息，将获得的车辆行驶视频按照帧分割成一系列的图像序列，并对图像进行灰度化、二值化及降噪预处理；
S2：运动目标检测：利用领域信息动态调整置信区间构造混合高斯模型，实现运动目标检测；
S3：目标跟踪：采用卡尔曼滤波预测目标下一帧的位置，同时提取目标的颜色直方图作为帧间匹配特征，实现目标跟踪；
S4：目标分类：通过自适应EM聚类方法提取目标长宽比和面积作为特征，将目标分为行人和车辆。
进一步的，运动目标检测的方法如下：
1）假设像素点i当前的灰度值为，隐含的映射关系为（前景和若干个背景），假定条件下灰度值满足高斯分布，即：
，
其中，为高斯分布j的均值；为j的方差；
2）定义像素点i所在邻域范围内的滤波函数为：
，
其中，Z为归一化常数；为势能函数，定义如下：
其中，为相互作用系数；c表示领域的子群；C表示子群集合；表示像素点i周围点的映射关系；
3）对后验概率进行滤波：
；
；
4）采用判断是否落入置信区间进行近似得到：
；
其中，N为置信度，取值2-3。
进一步的，目标分类的具体方法如下：
1）将图像划分为若干个1616的区域，每一个区域分别记录覆盖该区域的行人和车辆的信息，包括面积均值、面积方差以及样本数量，并假设该区域内的行人和车辆目标面积满足高斯分布；
2）EM初始化阶段：采用一个固定长宽比阈值来判定行人和车辆表示行人，否则为车辆，相应地记录行人和车辆的面积平均值；
3）EM估计阶段：对于每一个区域，当有新目标进入时，计算目标面积值所匹配的高斯分布，从而得出分类结果，相应地更新该类的参数。
本发明的有益效果是：
本发明利用领域信息动态调整置信区间构造混合高斯模型，采用卡尔曼滤波预测目标下一帧的位置，通过自适应EM聚类方法提取目标长宽比和面积作为特征，将目标分为行人和车辆，提高检测准确性。
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。
一种行人车辆检测与分类方法，包括以下步骤：
S1：通过装置于车辆内的摄像机实时的采集车辆信息，将获得的车辆行驶视频按照帧分割成一系列的图像序列，并对图像进行灰度化、二值化及降噪预处理；
S2：运动目标检测：利用领域信息动态调整置信区间构造混合高斯模型，实现运动目标检测；
S3：目标跟踪：采用卡尔曼滤波预测目标下一帧的位置，同时提取目标的颜色直方图作为帧间匹配特征，实现目标跟踪；
S4：目标分类：通过自适应EM聚类方法提取目标长宽比和面积作为特征，将目标分为行人和车辆。
运动目标检测的方法如下：
1）假设像素点i当前的灰度值为，隐含的映射关系为（前景和若干个背景），假定条件下灰度值满足高斯分布，即：
，
其中，为高斯分布j的均值；为j的方差；
2）定义像素点i所在邻域范围内的滤波函数为：
，
其中，Z为归一化常数；为势能函数，定义如下：
其中，为相互作用系数；c表示领域的子群；C表示子群集合；表示像素点i周围点的映射关系；
3）对后验概率进行滤波：
；
；
4）采用判断是否落入置信区间进行近似得到：
；
其中，N为置信度，取值2-3。
目标分类的具体方法如下：
1）将图像划分为若干个1616的区域，每一个区域分别记录覆盖该区域的行人和车辆的信息，包括面积均值、面积方差以及样本数量，并假设该区域内的行人和车辆目标面积满足高斯分布；
2）EM初始化阶段：采用一个固定长宽比阈值来判定行人和车辆表示行人，否则为车辆，相应地记录行人和车辆的面积平均值；
3）EM估计阶段：对于每一个区域，当有新目标进入时，计算目标面积值所匹配的高斯分布，从而得出分类结果，相应地更新该类的参数。

Claims (3)

1.一种行人车辆检测与分类方法，其特征在于，包括以下步骤：
S1：通过装置于车辆内的摄像机实时的采集车辆信息，将获得的车辆行驶视频按照帧分割成一系列的图像序列，并对图像进行灰度化、二值化及降噪预处理；
S2：运动目标检测：利用领域信息动态调整置信区间构造混合高斯模型，实现运动目标检测；
S3：目标跟踪：采用卡尔曼滤波预测目标下一帧的位置，同时提取目标的颜色直方图作为帧间匹配特征，实现目标跟踪；
S4：目标分类：通过自适应EM聚类方法提取目标长宽比和面积作为特征，将目标分为行人和车辆。
2.根据权利要求1所述的行人车辆检测与分类方法，其特征在于，运动目标检测的方法如下：
1）假设像素点i当前的灰度值为，隐含的映射关系为（前景和若干个背景），假定条件下灰度值满足高斯分布，即：
，
其中，为高斯分布j的均值；为j的方差；
2）定义像素点i所在邻域范围内的滤波函数为：
，
其中，Z为归一化常数；为势能函数，定义如下：
其中，为相互作用系数；c表示领域的子群；C表示子群集合；表示像素点i周围点的映射关系；
3）对后验概率进行滤波：
；
；
4）采用判断是否落入置信区间进行近似得到：
；
其中，N为置信度，取值2-3。
3.根据权利要求1所述的行人车辆检测与分类方法，其特征在于，目标分类的具体方法如下：
1）将图像划分为若干个1616的区域，每一个区域分别记录覆盖该区域的行人和车辆的信息，包括面积均值、面积方差以及样本数量，并假设该区域内的行人和车辆目标面积满足高斯分布；
2）EM初始化阶段：采用一个固定长宽比阈值来判定行人和车辆表示行人，否则为车辆，相应地记录行人和车辆的面积平均值；
3）EM估计阶段：对于每一个区域，当有新目标进入时，计算目标面积值所匹配的高斯分布，从而得出分类结果，相应地更新该类的参数。
CN201710327871.8A 2017-05-11 2017-05-11 一种行人车辆检测与分类方法 Withdrawn CN107169439A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710327871.8A CN107169439A (zh) 2017-05-11 2017-05-11 一种行人车辆检测与分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710327871.8A CN107169439A (zh) 2017-05-11 2017-05-11 一种行人车辆检测与分类方法

Publications (1)

Publication Number Publication Date
CN107169439A true CN107169439A (zh) 2017-09-15

Family

ID=59814866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710327871.8A Withdrawn CN107169439A (zh) 2017-05-11 2017-05-11 一种行人车辆检测与分类方法

Country Status (1)

Country Link
CN (1) CN107169439A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596944A (zh) * 2018-04-25 2018-09-28 普联技术有限公司 一种提取运动目标的方法、装置及终端设备
CN108961838A (zh) * 2018-08-16 2018-12-07 大连民族大学 道路行人分类系统
CN111402293A (zh) * 2020-03-10 2020-07-10 北京邮电大学 面向智能交通的一种车辆跟踪方法及装置
CN112163121A (zh) * 2020-11-03 2021-01-01 南京邦峰智能科技有限公司 一种基于大数据的视频内容信息智能分析处理方法
CN114299463A (zh) * 2021-12-31 2022-04-08 新疆爱华盈通信息技术有限公司 车辆报警方法、电子设备及车辆

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101025862A (zh) * 2007-02-12 2007-08-29 吉林大学 基于视频的混合交通流参数的检测方法
CN102054176A (zh) * 2010-12-23 2011-05-11 中国科学院自动化研究所 用计算机对运动目标的场景图像建立语义场景模型的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101025862A (zh) * 2007-02-12 2007-08-29 吉林大学 基于视频的混合交通流参数的检测方法
CN102054176A (zh) * 2010-12-23 2011-05-11 中国科学院自动化研究所 用计算机对运动目标的场景图像建立语义场景模型的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨阳 等: ""基于视频的行人车辆检测与分类"", 《计算机工程》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596944A (zh) * 2018-04-25 2018-09-28 普联技术有限公司 一种提取运动目标的方法、装置及终端设备
CN108961838A (zh) * 2018-08-16 2018-12-07 大连民族大学 道路行人分类系统
CN111402293A (zh) * 2020-03-10 2020-07-10 北京邮电大学 面向智能交通的一种车辆跟踪方法及装置
CN111402293B (zh) * 2020-03-10 2023-11-14 北京邮电大学 面向智能交通的一种车辆跟踪方法及装置
CN112163121A (zh) * 2020-11-03 2021-01-01 南京邦峰智能科技有限公司 一种基于大数据的视频内容信息智能分析处理方法
CN114299463A (zh) * 2021-12-31 2022-04-08 新疆爱华盈通信息技术有限公司 车辆报警方法、电子设备及车辆

Similar Documents

Publication Publication Date Title
US20230289979A1 (en) A method for video moving object detection based on relative statistical characteristics of image pixels
Cao et al. Vehicle detection and motion analysis in low-altitude airborne video under urban environment
CN102799863B (zh) 视频监控中的团体人群异常行为检测方法
Peng et al. Drone-based vacant parking space detection
Zhang et al. Moving vehicles detection based on adaptive motion histogram
CN107169439A (zh) 一种行人车辆检测与分类方法
CN102147861A (zh) 一种基于颜色-纹理双重特征向量进行贝叶斯判决的运动目标检测方法
CN106127812B (zh) 一种基于视频监控的客运站非出入口区域的客流统计方法
CN106570490B (zh) 一种基于快速聚类的行人实时跟踪方法
Momin et al. Vehicle detection and attribute based search of vehicles in video surveillance system
CN104036250B (zh) 视频行人检测与跟踪方法
CN105260715B (zh) 面向偏僻地段的小动物目标检测方法
CN115131325A (zh) 一种基于图像识别分析的断路器故障运维监测方法及系统
CN105303571A (zh) 用于视频处理的时空显著性检测方法
Nosheen et al. Efficient vehicle detection and tracking using blob detection and kernelized filter
Li et al. Automatic passenger counting system for bus based on RGB-D video
Su et al. A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification
Hou et al. Human detection and tracking over camera networks: A review
Bailke et al. Real-time moving vehicle counter system using OpenCV and Python
Devi et al. A survey on different background subtraction method for moving object detection
Qadar et al. A comparative study of nighttime object detection with datasets from australia and china
CN107341456B (zh) 一种基于单幅户外彩色图像的天气晴阴分类方法
Li et al. An efficient self-learning people counting system
CN112733770A (zh) 一种区域入侵监测方法和装置
Rashid et al. Detection and classification of vehicles from a video using time-spatial image

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20170915