一种交通流信息视频检测中的特征采集方法

摘要

一种交通流信息视频检测中的特征采集方法，该检测系统包括摄像机、信号处理器，使用改进的混合高斯分布模型来表征图像帧中每一个像素点的特征，表征的特征只采用亮度特征，如果没有运动目标(车辆)存在，则视频图像相对静止，每一像素点随时间变化都服从一定的统计模型，该算法中每一个像素点由K个高斯分布的混合模型来表征。当获得新的图像帧时，更新混合高斯分布模型，如果当前图像的像素点与混合高斯分布模型相匹配，则判定该点为背景点，否则判定该点为前景点。将建立的背景模型与当前图像进行绝对值差分，经过处理得到比较精确的车辆轮廓，和需要跟踪的参数。本发明能够适应环境变化、实时性强、处理速度快。

主权项

1、一种交通流信息视频检测中的特征采集方法，该检测系统包括摄像机、信号处理器，摄像机输入视频图像序列为{1，2，…，t，…}，即在第t帧视频图像中，处理第i个像素点的值xi，t[Ri，t，Gi，t，Bi，t]，第k个高斯分布的概率密度函数为式(1)：式中k指的是第t时刻第i个像素点的第k个高斯分布，μk表示均值矢量，∑k表示协方差矩阵；像素点i当前的特征与该像素点过去时刻的特征有关，其概率计算式为式(2)：式中t为时间点，μi，t-1，k和∑i，t-1，k分别是像素点i在t-1时刻的第k个高斯分布模型的均值矢量和协方差矩阵，ωi，t-1，k为与高斯分布相对应的权值；该方法包括以下步骤：(1)、采集摄像机的视频图像，得到R、G、B颜色空间图像序列，用中值滤波对图像滤波除噪；(2)、对处理过的图像序列进行颜色空间的转化，将R、G、B颜色空间转化成亮度空间，S(亮度空间)＝(R+G+B)/3；(3)、设定混合高斯算法的参数，所述的参数包括全局背景阈值T、学习率α、高斯分布模型个数K、初始化权重ω；(4)、读取图像的亮度空间，将第一帧图像每一个像素点的亮度值作为混合高斯的均值，方差为预定的经验值，建立单高斯混合背景模型；(5)、读取第t帧图像，将每个像素与该像素的已有的k(k<＝K)个高斯模型相比较，比较下式(3)是否成立：|xi，t—μi，t，k|<2.5σ2i，t，k (3)式中，σ2i，t，k为像素点i在t时刻的第k个高斯分布模型的亮度方差；(5. 1)、如果匹配，更新第k个混合高斯模型的参数和权重，参数包括期望、方差，参见式(4)、(5)、(6)：μi，t，k＝(1-ρ)μi，t-1，k+ρxi，t，k (4)σ2i，t，k＝(1-ρ)σ2i，t-1，k+ρ(xi，t-μi，t，k)T(xi，t-μi，t，k) (5)ρ＝aηk(xi，t|μi，t，k，σk) (6)式中μi，t，k和σ2i，t，k分别是像素点i在t时刻的第k个高斯分布模型的均值矢量和亮度方差，α为学习率，ρ是模型适应的学习因子，作用与a相似；(5. 2)、如果不匹配，且k