一种道路车辆监控视频中的关键帧提取方法

摘要

本发明公开了一种道路车辆监控视频中的关键帧提取方法，首先提取采集到的道路车辆监控视频的样本图像集，通过前景运动对象检测提取车辆最小外接矩形图像作为样本图像源，针对每个从进入到离开监控区域的车辆目标的外接矩形序列图像，判断符合车辆监控分析要求的作为正样本图像，不符合要求的作为负样本图像，得到用于训练AdaBoost分类器的训练样本图像集；提取前景车辆目标的面积特征和积分通道特征，训练得到AdaBoost分类器；利用训练好的分类器对从进入到离开监控区域的车辆目标的外接矩形图像序列进行分类，AdaBoost分类器对每帧图像打分，选择打分最高的图像作为关键帧。本发明可提高道路车辆监控视频关键帧提取的有效性和准确性。

主权项

一种道路车辆监控视频中的关键帧提取方法，其特征在于，该方法为：1)通过前景运动对象检测方法从采集到的道路车辆监控视频序列中提取前景车辆目标，解码所述采集到的道路车辆监控视频序列，得到多帧序列图像，从每一帧序列图像中截取前景车辆目标最小外接矩形图像，计算所有前景车辆目标最小外接矩形图像在其所对应的序列图像中的面积比例P：其中，分别为前景车辆目标最小外接矩形图像的像素高和宽；分别为序列图像的像素高和宽；得到面积特征向量；2)将所有前景车辆目标最小外接矩形图像转换成像素大小一致的转换图像，对所述转换图像进行梯度幅值通道变换和梯度方向通道变换，得到积分通道特征向量；3)扩充上述面积特征向量，使得面积特征向量与积分通道特征向量维数一致，合并维数一致的面积特征向量与积分通道特征向量，得到总的特征向量；4)将上述所有前景车辆目标最小外接矩形图像作为样本图像源，从所述样本图像源中选取肉眼主观判断符合车辆监控分析要求的作为正样本图像，将样本图像源中不符合车辆监控分析要求的作为负样本图像；符合车辆监控分析要求是指能清晰辨识车牌号码、且样本图像在对应的序列图像中占的面积比例为0.4％以上，不符合车辆监控分析要求是指无法清晰辨识车牌号码、且样本图像在对应的序列图像中占的面积比例小于0.4％；5)标记所有的正样本图像和负样本图像：其中表示负样本图像，表示正样本图像，表示样本图像源中的样本图像；6)初始化权重${\omega }_{1,i}:{\omega }_{1,i}=\left\{\begin{array}{c}\frac{1}{2m},y_i=0\\ \frac{1}{2l},y_i=1\end{array}\right.;$其中和分别为负样本图像和正样本图像的个数；$n=m+l;$7)训练分类器：令t＝1；8)利用下式归一化权重：为训练第个分类器的第个样本图像的权重；为归一化后的第个分类器的第个样本图像的权重；9)对所述总的特征向量中的每个元素训练一个弱分类器即得到阈值和方向其中是总的特征向量中的元素最大值，所述弱分类器为：$h_j=\left\{\begin{array}{cc}1& p_{j}f<p_j{\theta }_j\\ 0& \mathrm{else}\end{array}\right.$其中决定不等式的方向，为1或者0；则第个弱分类器的迭代误差和为：10)选择迭代误差和最小的弱分类器作为候选分类器；11)利用下式更新权重：${\omega }_{t+1,i}={{\omega }^{\prime }}_{t,i}{\beta }_t^{1-e_i},$当被正确分类时，$e_i=0,$反之，$e_i=1;$${\beta }_t=\frac{{ϵ}_t}{1-{ϵ}_t};$设${\alpha }_t=\log \frac{1}{{\beta }_t};$为最小的迭代误差和；12)令t＝t+1，将作为训练第个分类器的第个样本图像的权重，重复上述步骤8)～步骤11)，直到得到T个候选分类器，利用所述T个候选分类器确定强分类器$h\left(x\right)=\left\{\begin{array}{c}1,\underset{t=1}{\overset{T}{\Sigma }}{\alpha }_t{h}_t\left(x\right)\ge \frac{1}{2}\underset{t=1}{\overset{T}{\Sigma }}{\alpha }_t\\ 0,\mathrm{else}\end{array}\right.;$13)解码需要检测的道路车辆监控视频序列，得到多帧需检测的序列图像，利用上述强分类器对所述多帧需检测的序列图像打分，将得分最高的作为关键帧。