一种基于局部对称特征的视频车辆检测方法

摘要

本发明公开了一种基于局部对称特征的视频车辆检测方法，利用局部不变特征的集合来描述车辆目标，可以有效避免分割问题，与现有技术相比，该方法将车辆的对称特征作为车辆局部特征聚类的重要线索，实现车辆中心位置的定位，有效避免了采用常规聚类算法时产生的算法复杂度高的问题，而且该方法具有较高的检测精度，运算过程简单，实时性强，能有效地对静态图片和视频图像中的车辆目标进行检测和识别，因此具有广阔的应用前景。

主权项

一种基于局部对称特征的视频车辆检测方法，其特征在于，包括以下步骤：步骤一，在初始帧上，沿车道线手动设置ROI区域，并记录ROI区域边界线上每个像素点的坐标；步骤二，对于ROI区域内部，计算当前帧中视频图像的特征角点p_i，并记录特征角点p_i的位置坐标；步骤三，以步骤二得到的各特征角点为中心，各构造一个正方形区域，采用特征描述算子构造各特征角点的特征矢量步骤四，构造各特征角点的水平对称角点q_i的特征矢量步骤五，计算任一特征角点p_i与其他所有特征角点分别对应的水平对称角点q_i的距离，其最小距离表示为Min(p_i)，次最小距离表示为Min^Sec(p_i)，Min(p_i)的计算公式如下所示：$Min\left(p_i\right)=Min\left(D\right(p_i,q_j\left)\right)=\underset{i=1}{\overset{M}{\Sigma }}\underset{j\ne i}{\overset{M}{\Sigma }}{(V_p^i-V_q^j)}^2---\left(1.1\right)$其中，表示第i个特征角点的特征矢量，表示第j个水平对称角点q_j的特征矢量，q_j为特征角点p_j的水平对称角点；步骤六，若特征角点p_i满足以下条件，则特征角点p_i和特征角点p_j为对称角点对，特征角点p_j为与特征角点p_i距离最小的水平对称角点q_j所对应的特征角点，；$\frac{Min\left(p_i\right)}{{\mathrm{Min}}^{Sec}\left(p_i\right)}<0.65---\left(1.2\right)$步骤七，遍历所有特征角点p_i，重复上述步骤五和步骤六，直至找到所有对称角点对；步骤八，假设用表示每个对称角点对，分别求得各个对称角点对中心位置的x坐标为计算得到中心位置的统计直方图，将该统计直方图的峰值点作为候选车辆中心线的初始位置x_vehicle，并计算统计直方图的方差步骤九，判断对称角点对是否属于同一辆车上的对称角点对，若对称角点对的中心位置x坐标满足式(1.3)，则保留该对称角点对，反之删除；$|C_{p\leftrightarrow q}^i.x-x_{vehicle}|<3{\sigma }_{vehicle}^2---\left(1.3\right)$步骤十，统计步骤九中保留下来的所有对称角点对中心位置的平均值μ_vehicle，μ_vehicle即为候选车辆的中心线位置；步骤十一，选取当前视频图像中的若干帧，手动选取车辆底部阴影区域，利用阴影的几何特点、亮度和色彩信息进行建模，训练阴影样本的均值μ_shadow和方差σ_shadow，以及阴影区域的x方向像素点个数l和y方向像素点个数h；步骤十二，利用高斯混合模型，对中心线两侧的疑似车辆区域像素点进行测试，其中疑似车辆区域为x∈[μ_vehicle‑l，μ_vehicle+l]，如式(1.4)所示，其中，p_i表示图像中被测像素点，T_shadow为阴影样本集的G_shadow(p_i)函数的均值；如果被测像素点满足式(1.5)，则判定为阴影点，当阴影点是连续的，且满足|N_x‑l|＜0.2*l和|N_y‑h|＜0.1*h时，N_x、N_y分别为x方向和y方向上连续的阴影点个数，则可判断该阴影区域所对应的中心线为车辆的中心线，否则该中心线不是车辆的中心线，结束检测；$G_{shadow}\left(p_i\right)=\exp (-\frac{p_i-{\mu }_{shadow}{)}^2}{{\sigma }_{shadow}^2})---\left(1.4\right)$G_shadow(p_i)＞T_shadow   (1.5)步骤十三，假设车辆目标区域可表示为R＝(l_R,r_R,u_R,b_R)，l_R和r_R分别是以μ_vehicle为中心的目标区域的左侧和右侧边界值，u_R和b_R表示目标区域的上面和下面的边界值，确定l_R、r_R、u_R和b_R取值的方法如下：b_R的计算方法：逐行统计车辆底部阴影区域像素值个数，取其最大值作为b_R的宽度，以b_R的宽度为界限，利用垂直Sobel算子，提取车辆底部阴影区域上方的ROI区域内图像的边缘，车辆的后保险杠和车辆底部阴影区域之间的中心线确定为b_R的位置；r_R和l_R的计算方法：r_R和l_R的取值根据车辆的中心线位置及b_R的宽度来确定，如式(1.6)所示；l_R＝μ_vehicle‑width(b_R)/2 r_R＝μ_vehicle+width(b_R)/2   (1.6)u_R的计算方法：假设车辆高度为h，其高度和宽度满足比例关系h＝γ(r_R‑l_R)，其中，γ由一组车辆数据训练获得；利用垂直Sobel算子提取图像[l_R,r_R]范围内水平边缘，并统计其灰度图像的水平投影，假设P(y)表示其水平投影直方图分布，那么y∈[b_R+0.5h,b_R+1.5h]范围内的P(y)最大值即为u_R的值；通过对上述方法，我们可以依次获得b_R、l_R、r_R和u_R取值，从而确定目标车辆。