一种自适应学的视频车辆检测方法

摘要

本发明公开了一种自适应学的视频车辆检测方法，该方法将视频车辆检测问题视为模式分类问题，主要由图像特征提取、分类器离线训练、分类器在线优化、车辆计数步骤组成：首先从监控视频中提取若干种有区分力的图像特征，这些特征既能够区分车辆和背景，又包含与光照和天气条件相关的环境信息；然后利用监督学方法离线训练模式分类器，并在线优化模式分类器，自动调整各个分量分类器的结构和参数，使分类器具有自适应学能力，在复杂交通场景中取得更好的分类效果；最后对分类结果序列做后处理，进一步提高车辆检测和计数的精度。本发明增强了现有的虚拟线圈车辆检测方法，具有显著的工程应用价值，能够促进视频监控领域和智能交通领域的发展。

主权项

一种自适应学习的视频车辆检测方法，其特征在于，该方法包括以下步骤：步骤1，从监控视频的每一帧视频图像中提取出若干种有区分力的图像特征；步骤2，从具有代表性的多个视频片段中采集图像特征及其标记生成训练样本集，基于所述步骤1得到的图像特征，利用监督学习方法训练得到模式分类器；步骤3，根据监控视频的变化对所述模式分类器进行优化，使所述模式分类器具有自适应学习能力，适应交通场景的复杂变化；步骤4，利用优化后的模式分类器对所述监控视频进行车辆检测，并利用检测结果的时域相关性信息对车辆检测结果序列进行后处理，其中，所述步骤2进一步包括以下步骤：步骤21，获取在不同地点、不同时段和不同天气条件下拍摄的多个监控视频片段；步骤22，从多个监控视频片段中，在视频图像中配置四边形虚拟线圈，计算每一训练样本的图像特征，采集所述图像特征及其标记生成训练样本集；步骤23，从所述监控视频片段中人工采集得到大致相等数量的正负样本，组成大小为n的原始训练样本集D；步骤24，从所述原始训练样本集D中随机抽取三次，每次抽取n’个训练样本用来训练分类器，剩余的(n‑n’)个训练样本作为分类器的验证集，从而训练得到三个相应的分量分类器，组合成模式分类器。