基于对象检测的交通流量检测方法

摘要

本发明提供了一种基于对象检测的交通流量检测方法，属于智能视频监控技术领域。目前交通流量检测存在难以对机动或非机动车辆实现有效的区分的问题。本发明首先通过离线训练得到基于随机蕨的实时对象检测器，然后通过该检测器对交通视频图像进行对象检测，确定当前视频场景中对象的类型和数量；接着在运行时对检测结果进行基于活动区的标记匹配，实现对交通流量的计算。同时，本发明支持通过加入新的训练数据在线更新检测器，使系统能够得到不断的优化和完善，可以对交通流量进行实时地分类计算和统计，使流量计算结果更加准确。主要用于交通流量检测。

主权项

1.一种基于对象检测的交通流量检测方法，包括如下步骤：（1）初始化收集交通对象图像数据，所述图像数据均为包围该对象的最小矩形图像，然后将这些图像统一规则化为一个固定的大小，从而得到用于初始检测器训练的样例数据集；采用随机蕨作为对象检测器，设该检测器包含M个蕨，每个蕨包含不同的N个图像特征，图像特征采用像素对比较特征，像素点A的亮度值减去像素点B的亮度值的正负符号作为一个像素对比较特征，若该值符号为正，则对应特征值为1，否则为0；（2）输入交通视频图像输入交通流量的视频图像，它们是通过交通监控摄像头实时采集得到的视频图像，或者是由已采集的视频文件分解为多个帧组成的图像序列，按照时间顺序逐个输入图像，若输入图像为空，则整个流程中止；（3）对象检测采用滑动搜索窗的方法对整个图像区域进行对象检测，具体为，从图像的初始坐标位置开始移动具有不同尺度和纵横比的搜索窗，直到搜索完整个图像为止；将搜索窗选取的图像块作为候选图像块，并将其规则化为与训练样例相同的大小；检测器对候选图像块进行评价，即首先对每个蕨计算该图像块的特征编码值，然后由蕨对应的叶节点估计其类型和概率，最后对所有蕨估计的类型概率求平均值，所述类型包含所有受关注和不受关注的对象类型；设x表示候选图像块，则对于蕨f_k在对应叶节点中关于类型c的概率p_k(c|x)计算为：$p_k\left(c\right|x)=\frac{N_c}{N},$其中，N为该叶节点包含的样例总数，N_c为该叶节点中属于类型c的样例数目，c∈Y，因此检测器对于该候选图像块x关于类型c的概率p(c|x)计算为：$p\left(c\right|x)=\frac{1}{M}\underset{k=1}{\overset{M}{\Sigma }}{p}_k\left(c\right|x),$其中，M为检测器包含的蕨的数量；如果x属于背景类型c_background的概率p(c_background|x)大于阈值θ_b，如θ_b=0.5，则认为x属于背景；否则，x属于某个受关注的对象，此时选择除背景类型外具有最大概率的类型c_max作为x所属的对象类型即：$c_{\max }=\underset{c\in Y,c\ne c_{\mathrm{background}}}{\arg \max }p\left(c\right|x).$其中，Y为所有对象类型的集合；（4）流量计算对象检测的结果包含了在不同位置属于不同受关注类型的对象，通过对象的活动区来对连续检测结果进行分析；对当前图像中存在的每个对象设置一个活动区，第一次检测时，对检测得到的对象及其类型按照序号依次进行标记，如果有更多的检测对象，则按照相同的办法增加相应的序号和标记，在随后的检测过程中，将通过对检测结果进行基于活动区的标记匹配实现对交通流量的计算；设t时刻有属于类型i的第j个已标记对象，在t+1时刻的活动区内检测到与具有相同类型的对象O^t+1，则将的标记配置给O^t+1，即O^t+1=,如果这样的O^t+1不只一个，则只配置其中的任意一个，若在t+1时刻的活动区内没有检测到同类型的对象，则进行如下的处理：当对象活动区处于图像边缘，且该对象运动方向为离开视频范围的方向，则认为在t+1时刻消失，即对象移出视频范围；否则，认为该对象被遮挡，遮挡情况下，该对象的活动区将被保留一段时间，保留时间内若再次出现该对象则该对象标记保持不变，否则，移除该活动区；所述对象运动方向可根据该对象前后所处的图像坐标计算得到，而活动区保留时间可根据具体场景设置；在根据前一时刻的对象对当前检测的结果进行标记配置结束之后，如果当前仍存在未配置标记的对象，则分别根据它们的类型依次在原有最大序号的基础上加1，作为新的序号标记；因此，类型i的流量G_i为该类型中现有对象具有的最大序号j_max，即G_i=j_max，则总的交通流量G计算为：$G=\underset{i=1}{\overset{K}{\Sigma }}{G}_i,$其中，K为所有交通对象类型的数目。