• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 15
    • 下载费用:30 金币  

    重庆时时彩在哪可以买: 基于航拍视频图像的运动车辆检测方法.pdf

    关 键 词:
    基于 航拍 视频 图像 运动 车辆 检测 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201710013944.6

    申请日:

    2017.01.09

    公开号:

    CN106683119A

    公开日:

    2017.05.17

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):G06T 7/246申请日:20170109|||公开
    IPC分类号: G06T7/246(2017.01)I; G06T7/254(2017.01)I; G06T7/33(2017.01)I; G06T7/80(2017.01)I; G06T7/11(2017.01)I; G06T7/136(2017.01)I; G06K9/62 主分类号: G06T7/246
    申请人: 河北工业大学
    发明人: 于明; 刘双岭; 于洋; 师硕; 郭迎春; 刘依
    地址: 300130 天津市红桥区丁字沽光荣道8号河北工业大学东院330#
    优先权:
    专利代理机构: 天津翰林知识产权代理事务所(普通合伙) 12210 代理人: 胡安朋
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201710013944.6

    授权公告号:

    |||

    法律状态公告日:

    2017.06.09|||2017.05.17

    法律状态类型:

    实质审查的生效|||公开

    摘要

    本发明基于航拍视频图像的运动车辆检测方法,涉及图像数据处理中的图像运动分析,步骤是:对输入运动车辆彩色序列图像匹配,进一步得到背景补偿后的图像:包括基于SURF特征点的图像匹配和估计摄像机的全局运动参数得到背景补偿后的图像;运动车辆位置的粗检测;运动车辆位置的精确检测:包括自适应道路检测、提取候选车辆区域的CHLBP特征和利用SVM分类器对CHLBP特征进行判断获取运动车辆位置的精确检测。该方法融合时间和空间特性,克服了现有技术存在只适用于简单的单一场景运动车辆检测,难以适用于不同场景下的多运动车辆检测,检测的准确率容易受到尺度变化、复杂环境和摄像头运动的影响的缺陷。

    权利要求书

    1.基于航拍视频图像的运动车辆检测方法,该方法融合时间和空间特性,适应对不同
    场景的运动车辆进行精确检测,具体步骤如下:
    第一步,对输入运动车辆彩色序列图像匹配,进一步得到背景补偿后的图像:
    (1.1)基于SURF特征点的图像匹配:
    分别用简单航拍场景采集简单航拍场景运动车辆彩色序列图像和复杂航拍场景采集
    复杂航拍场景运动车辆彩色序列图像,将采集到的所有运动车辆彩色序列图像F输入计算
    机中,并由RGB空间转化到灰度空间,采用的公式(1)如下:
    I=0.299R+0.587G+0.114B (1),
    在获得的灰度序列图像I上进行SURF特征点检测,然后在相邻的两帧灰度图像之间进
    行基于SURF特征点的图像匹配,得到匹配特征点对,用于下面进行摄相机的全局运动参数
    的估计;
    (1.2)估计摄像机的全局运动参数,得到背景补偿后的图像:
    摄像机的运动状态主要包括平移、旋转和缩放,采用六参数仿射模型近似表示,以估计
    全局运动参数,估计的过程如公式(2)所示:
    <mrow> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msubsup> <mi>x</mi> <mi>i</mi> <mi>k</mi> </msubsup> </mtd> </mtr> <mtr> <mtd> <msubsup> <mi>y</mi> <mi>i</mi> <mi>k</mi> </msubsup> </mtd> </mtr> </mtable> </mfenced> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>a</mi> <mn>1</mn> </msub> <msubsup> <mi>x</mi> <mi>i</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>+</mo> <msub> <mi>a</mi> <mn>2</mn> </msub> <msubsup> <mi>y</mi> <mi>i</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>+</mo> <msub> <mi>t</mi> <mn>1</mn> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>a</mi> <mn>3</mn> </msub> <msubsup> <mi>x</mi> <mi>i</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>+</mo> <msub> <mi>a</mi> <mn>4</mn> </msub> <msubsup> <mi>y</mi> <mi>i</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>+</mo> <msub> <mi>t</mi> <mn>2</mn> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
    其中(a1,a2,a3,a4)表示摄像机的旋转和缩放运动,(t1,t2)表示摄像机的平移运动,
    分别为第k-1帧和第k帧的第i个特征点对(pi,qi)的坐标,i=1,…,
    N,利用公式(3)计算得到第i个特征点对(pi,qi)对应的摄像机的全局运动参数H,
    <mrow> <msubsup> <mi>q</mi> <mi>i</mi> <mi>T</mi> </msubsup> <mo>=</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <mi>H</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
    其中,T为转置,且有,
    <mrow> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>=</mo> <mfenced open = "(" close = ")"> <mtable> <mtr> <mtd> <msubsup> <mi>x</mi> <mi>i</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> </mtd> <mtd> <msubsup> <mi>y</mi> <mi>i</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>1</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <msubsup> <mi>x</mi> <mi>i</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> </mtd> <mtd> <msubsup> <mi>y</mi> <mi>i</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> <mi>H</mi> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>a</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>a</mi> <mn>2</mn> </msub> <mo>,</mo> <msub> <mi>a</mi> <mn>3</mn> </msub> <mo>,</mo> <msub> <mi>a</mi> <mn>4</mn> </msub> <mo>,</mo> <msub> <mi>t</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>t</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mi>T</mi> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
    根据相邻两帧灰度图像的N个特征点对,则有:
    F=AH (5),
    其中F=(q1,q2,...,qN)T,将上述(1.1)步匹配得到的特征点对
    代入公式(5),利用最小二乘法计算得到全局运动参数,并且根据公式(2)得到第k-1帧背景
    补偿后的灰度图像和第k+1帧背景补偿后的灰度图像
    第二步,运动车辆位置的粗检测:
    采用对“鬼影”现象不敏感的三帧差分法进行运动车辆的粗检测,三帧差分法的过程如
    下:
    <mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>D</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>|</mo> <msub> <mi>I</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mover> <mi>I</mi> <mo>^</mo> </mover> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>D</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>|</mo> <msub> <mover> <mi>I</mi> <mo>^</mo> </mover> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>I</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
    其中,和分别为上述第一步中得到的第k-1帧背景补偿后的灰度图像
    的灰度值和k+1帧帧背景补偿后的灰度图像的灰度值,Ik(x,y)代表上述第一步中得
    到的第k帧灰度图像Ik的灰度值,D1(x,y)、D2(x,y)代表差分的结果,对差分结果二值化并进
    行“与”运算,得到粗略检测的运动车辆的候选区域和运动车辆位置R(x,y),如公式(7)、(8)
    和(9)所示,


    R(x,y)=R1(x,y)∧R2(x,y) (9),
    其中,R1(x,y),R2(x,y)代表二值化结果,T为阈值,∧表示“与”运算,R(x,y)值为1的区
    域为粗略检测的运动车辆的候选区域;
    第三步,运动车辆位置的精确检测:
    在上述第二步运动车辆位置的粗检测的基础上,首先采用自适应的方法检测道路,得
    到感兴趣区域,然后对位于感兴趣区域的候选运动车辆进行验证,得到运动车辆位置的的
    精确检测,具体过程如下:
    (3.1)自适应道路检测:
    将上述第一步中航拍采集到的运动车辆彩色序列图像F由RGB空间转换为HSV空间,其
    中H代表色调,S代表饱和度,V代表明暗程度,将S分量图提取出来,利用大津算法计算出S分
    量的每一帧图像的阈值,根据该自适应的阈值将S分量图转换为二值图像,从而分割出道路
    区域,分别采用第一步中的简单航拍场景采集简单航拍场景运动车辆彩色序列图像和复杂
    航拍场景采集复杂航拍场景运动车辆彩色序列图像两种实验数据进行实验,分别得到两种
    航拍场景下的自适应道路检测结果,即道路区域图;
    (3.2)提取候选车辆区域的CHLBP特征:
    将上述步骤(3.1)得到的道路区域外的图像区域判定为非车辆候选区域,并在上述第
    二步得到的粗略检测的运动车辆的候选区域中去除这些非车辆候选区域,得到位于道路区
    域的候选车辆区域U,然后对这些区域进行CHLBP特征提取,得到CHLBP特征直方图;
    (3.3)利用SVM分类器对CHLBP特征进行判断获取运动车辆位置的的精确检测:
    利用SVM分类器对上述步(3.2)得到的CHLBP特征直方图进行训练并分类,判断是否为
    车辆,具体过程是:首先在离线情况下,利用SVM分类器进行训练,正样本为航拍场景下的车
    辆,负样本为除车辆外随机选取的背景,对正负样本提取CHLBP特征,然后将特征数据输入
    到SVM分类器中训练,构造SVM分类器,再对经过道路区域得到的候选车辆区域进行CHLBP特
    征提取,利用构造好的SVM分类器进行验证,当判断为正样本时则为车辆,当判断为负样本
    时则定为非车辆;至此完成运动车辆位置的精确检测。
    2.根据权利要求1所述基于航拍视频图像的运动车辆检测方法,其特征在于:所述
    CHLBP特征提取,是基于七组编码模板M1-M7得到的,如公式(10)所示:
    <mrow> <msub> <mi>M</mi> <mn>1</mn> </msub> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>1</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0.25</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>0.25</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0.25</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>0.25</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>1</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> <msub> <mi>M</mi> <mn>2</mn> </msub> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mrow> <mo>-</mo> <mn>2</mn> </mrow> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mn>1</mn> </mtd> <mtd> <mn>1</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> <msub> <mi>M</mi> <mn>3</mn> </msub> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>2</mn> </mrow> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>1</mn> </mtd> <mtd> <mn>1</mn> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> </mtable> </mfenced> </mrow>
    <mrow> <msub> <mi>M</mi> <mn>4</mn> </msub> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>1</mn> </mtd> <mtd> <mn>1</mn> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>2</mn> </mrow> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> <msub> <mi>M</mi> <mn>5</mn> </msub> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mn>1</mn> </mtd> <mtd> <mn>1</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mrow> <mo>-</mo> <mn>2</mn> </mrow> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> <msub> <mi>M</mi> <mn>6</mn> </msub> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mn>1</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>1</mn> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>0.25</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0.25</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>0.25</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>0.25</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mn>1</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>1</mn> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> </mtable> </mfenced> </mrow>
    <mrow> <msub> <mi>M</mi> <mn>7</mn> </msub> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>0.25</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0.25</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>0.25</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>0.25</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
    用上述公式(10)中七个模板分别对上述(3.2)步中得到的位于道路区域的候选车辆区
    域中所有像素点U(x,y)的5×5邻域进行点积运算并二值化后,采用类似LBP编码的加权求
    和形式,形成像素点U(x,y)的CHLBP编码,如下式(11)和(12)所示:
    <mrow> <mi>C</mi> <mi>H</mi> <mi>L</mi> <mi>B</mi> <mi>P</mi> <mrow> <mo>(</mo> <mi>U</mi> <mo>(</mo> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>7</mn> </munderover> <mi>sgn</mi> <mrow> <mo>(</mo> <msub> <mi>M</mi> <mi>j</mi> </msub> <mo>*</mo> <msub> <mi>W</mi> <mi>U</mi> </msub> <mo>)</mo> </mrow> <mo>&times;</mo> <msup> <mn>2</mn> <mrow> <mi>j</mi> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
    <mrow> <mi>sgn</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>1</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>x</mi> <mo>&GreaterEqual;</mo> <mi>t</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>x</mi> <mo>&lt;</mo> <mi>t</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
    其中Μj(j=1,2,3,4,5,6,7)为7组编码模板对应的矩阵,符号“*”为点积运算,t为阈
    值,WU为位于道路区域的候选车辆区域中像素点U(x,y)为中心的5×5邻域的灰度值对应的
    矩阵,利用公式(11)得到所有像素点的CHLBP值后,计算其直方图,得到CHLBP特征直方图。
    3.根据权利要求1所述基于航拍视频图像的运动车辆检测方法,其特征在于:所述SVM
    分类器类型为默认设置C-SVC,核函数类型为RBF。

    说明书

    基于航拍视频图像的运动车辆检测方法

    技术领域

    本发明的技术方案涉及图像数据处理中的图像运动分析,具体地说是基于航拍视
    频图像的运动车辆检测方法。

    背景技术

    随着计算机和信息技术的迅猛发展和普及应用,智能交通系统ITS应运而生,它是
    解决当下交通问题的重要途径,更是未来智能交通事业发展的主要方向。运动车辆检测是
    智能交通系统的基本技术之一,是车辆计数、车速度、车流量和车密度这些交通流参数测量
    的基础。在运动车辆检测中,只有从图像背景中准确地分割出车辆,才能进行运动车辆的识
    别与跟踪,进而进行各种交通流参数的测量与分析。航拍是一种非接触式的,远距离的探测
    技术,随着科学技术和社会经济的不断发展,航拍技术也逐渐被用于道路上运动车辆的检
    测。航拍视频中的运动车辆检测技术的研发已成为计算机视觉、模式识别和图像处理领域
    备受关注的前沿课题。

    基于固定摄像头的运动车辆检测算法,比如背景差分法、帧差法和光流法,这些检
    测算法不能直接用于摄像头运动的航拍视频检测场景中,主要原因是由于摄像头的运动使
    得图像背景变得复杂多变,从而不能精确地检测出运动车辆。

    美国佛罗里达大学在2005年研发了COCOA系统,该系统是针对无人机航拍图像进
    行地面目标检测与跟踪,通过图像配准的方式消除运动背景,然后利用帧差和背景建模的
    方式检测运动车辆。由于该系统是基于Harris角点做的图像估计,所以针对于图像尺度变
    化的情况,检测精度不高;新加坡南洋理工大学的Aryo Wiman Nur Ibrahim提出了MODAT
    (Moving Objects Detection and Tracking)系统,该系统利用SIFT特征替代Harris角点
    特征完成图像匹配,具有尺度不变性,但是此算法只适用于简单场景的图像,不具有普适
    性。CN100545867C公开了航拍交通视频车辆快速检测方法,此方法利用全局运动估计方法
    分割出背景区域与前景区域,然后结合分水岭分割技术得出运动车辆,其存在使用二参数
    模型只模拟了航拍器的平移运动,会造成错误的全局运动估计,尤其会在复杂场景中引起
    较大的噪声干扰导致检测到错误的运动车辆的缺陷。

    综上所述,基于航拍视频的运动车辆检测方法的现有技术存在只适用于简单的单
    一场景运动车辆检测,难以适用于不同场景下的多运动车辆检测,检测的准确率容易受到
    尺度变化、复杂环境和摄像头运动的影响的缺陷,因此,研发适应不同场景的基于航拍视频
    的运动车辆检测方法具有很高的实用价值。

    发明内容

    本发明所要解决的技术问题是:提供基于航拍视频图像的运动车辆检测方法,该
    方法融合时间和空间特性,适应对不同场景的运动车辆进行精确检测,克服了现有技术存
    在只适用于简单的单一场景运动车辆检测,难以适用于不同场景下的多运动车辆检测,检
    测的准确率容易受到尺度变化、复杂环境和摄像头运动的影响的缺陷。

    本发明解决该技术问题所采用的技术方案是:基于航拍视频图像的运动车辆检测
    方法,该方法融合时间和空间特性,适应对不同场景的运动车辆进行精确检测,具体步骤如
    下:

    第一步,对输入运动车辆彩色序列图像匹配,进一步得到背景补偿后的图像:

    (1.1)基于SURF特征点的图像匹配:

    分别用简单航拍场景采集简单航拍场景运动车辆彩色序列图像和复杂航拍场景
    采集复杂航拍场景运动车辆彩色序列图像,将采集到的所有运动车辆彩色序列图像F输入
    计算机中,并由RGB空间转化到灰度空间,采用的公式(1)如下:

    I=0.299R+0.587G+0.114B (1),

    在获得的灰度序列图像I上进行SURF特征点检测,然后在相邻的两帧灰度图像之
    间进行基于SURF特征点的图像匹配,得到匹配特征点对,用于下面进行摄相机的全局运动
    参数的估计;

    (1.2)估计摄像机的全局运动参数,得到背景补偿后的图像:

    摄像机的运动状态主要包括平移、旋转和缩放,采用六参数仿射模型近似表示,以
    估计全局运动参数,估计的过程如公式(2)所示:


    其中(a1,a2,a3,a4)表示摄像机的旋转和缩放运动,(t1,t2)表示摄像机的平移运
    动,分别为第k-1帧和第k帧的第i个特征点对(pi,qi)的坐标,i=
    1,…,N,利用公式(3)计算得到第i个特征点对(pi,qi)对应的摄像机的全局运动参数H,


    其中,T为转置,且有,


    根据相邻两帧灰度图像的N个特征点对,则有:

    F=AH (5),

    其中F=(q1,q2,...,qN)T,将上述(1.1)步匹配得到的特征
    点对代入公式(5),利用最小二乘法计算得到全局运动参数,并且根据公式(2)得到第k-1帧
    背景补偿后的灰度图像和第k+1帧背景补偿后的灰度图像

    第二步,运动车辆位置的粗检测:

    采用对“鬼影”现象不敏感的三帧差分法进行运动车辆的粗检测,三帧差分法的过
    程如下:


    其中,和分别为上述第一步中得到的第k-1帧背景补偿后的灰度
    图像的灰度值和k+1帧帧背景补偿后的灰度图像的灰度值,Ik(x,y)代表上述第一步
    中得到的第k帧灰度图像Ik的灰度值,D1(x,y)、D2(x,y)代表差分的结果,对差分结果二值化
    并进行“与”运算,得到粗略检测的运动车辆的候选区域,如公式(7)、(8)和(9)所示,



    R(x,y)=R1(x,y)∧R2(x,y) (9),

    其中,R1(x,y),R2(x,y)代表二值化结果,T为阈值,∧表示“与”运算,R(x,y)值为1
    的区域为粗略检测的运动车辆的候选区域;

    第三步,运动车辆位置的精确检测:

    在上述第二步运动车辆的粗检测的基础上,首先采用自适应的方法检测道路,得
    到感兴趣区域,然后对位于感兴趣区域的候选运动车辆进行验证,得到运动车辆位置的的
    精确检测,具体过程如下:

    (3.1)自适应道路检测:

    将上述第一步中航拍采集到的运动车辆彩色序列图像F由RGB空间转换为HSV空
    间,其中H代表色调,S代表饱和度,V代表明暗程度,将S分量图提取出来,利用大津算法计算
    出S分量的每一帧图像的阈值,根据该自适应的阈值将S分量图转换为二值图像,从而分割
    出道路区域,分别采用第一步中的简单航拍场景采集简单航拍场景运动车辆彩色序列图像
    和复杂航拍场景采集复杂航拍场景运动车辆彩色序列图像两种实验数据进行实验,分别得
    到两种航拍场景下的自适应道路检测结果,即道路区域图;

    (3.2)提取候选车辆区域的CHLBP特征:

    将上述步骤(3.1)得到的道路区域外的图像区域判定为非车辆候选区域,并在上
    述第二步得到的粗略检测的运动车辆的候选区域中去除这些非车辆候选区域,得到位于道
    路区域的候选车辆区域U,然后对这些区域进行CHLBP特征提取,得到CHLBP特征直方图;

    (3.3)利用SVM分类器对CHLBP特征进行判断获取运动车辆位置的精确检测:

    利用SVM分类器对上述步(3.2)得到的CHLBP特征直方图进行训练并分类,判断是
    否为车辆,具体过程是:首先在离线情况下,利用SVM分类器进行训练,正样本为航拍场景下
    的车辆,负样本为除车辆外随机选取的背景,对正负样本提取CHLBP特征,然后将特征数据
    输入到SVM分类器中训练,构造SVM分类器,再对经过道路区域得到的候选车辆区域进行
    CHLBP特征提取,利用构造好的SVM分类器进行验证,当判断为正样本时则为车辆,当判断为
    负样本时则定为非车辆;至此完成运动车辆位置的精确检测。

    上述基于航拍视频图像的运动车辆检测方法,所述CHLBP特征提取,是基于七组编
    码模板M1-M7得到的,如公式(10)所示:



    用上述公式(10)中七个模板分别对上述(3.2)步中得到的位于道路区域的候选车
    辆区域中所有像素点U(x,y)的5×5邻域进行点积运算并二值化后,采用类似LBP编码的加
    权求和形式,形成像素点U(x,y)的CHLBP编码,如下式(11)和(12)所示:



    其中Μj(j=1,2,3,4,5,6,7)为7组编码模板对应的矩阵,符号“*”为点积运算,t
    为阈值,WU为位于道路区域的候选车辆区域中像素点U(x,y)为中心的5×5邻域的灰度值对
    应的矩阵,利用公式(11)得到所有像素点的CHLBP值后,计算其直方图,得到CHLBP特征直方
    图。

    上述基于航拍视频图像的运动车辆检测方法,所述SVM分类器类型为默认设置C-
    SVC,核函数类型为RBF。

    上述基于航拍视频图像的运动车辆检测方法,所述SURF、SVM分类器、六参数仿射
    模型、三帧差分法和大津算法是本技术领域公知的,所涉及的设备是本技术领域熟知并可
    通过商购途径获得的。

    本发明的有益效果是:与现有技术相比,本发明的突出的实质性特点和显著进步
    如下:

    (1)本发明方法融合时间和空间特性,首先对航拍视频中相邻的图像帧进行基于
    SURF特征点的配准,消除摄像头运动造成的影响,实现运动背景补偿,然后利用三帧差分法
    对运动目标进行粗定位,并对道路区域进行自适应阈值分割,去除周围环境的干扰,最后对
    位于道路区域的候选车辆区域提取CHLBP(Center Haar Local Binary Pattern)特征,结
    合SVM分类器进行验证,适应对不同场景的运动车辆进行精确检测,克服了现有技术存在只
    适用于简单的单一场景运动车辆检测,难以适用于不同场景下的多运动车辆检测,检测的
    准确率容易受到尺度变化、复杂环境和摄像头运动的影响的缺陷。

    (2)本发明方法在自适应道路检测步骤中,克服了现有道路检测方法依靠于先验
    知识和固定阈值的局限性,通过颜色空间变换以及自适应阈值算法进行道路检测,降低了
    误检的数量,从而提高了车辆检测系统的效率。

    (3)本发明方法利用了三帧差分法在时间序列上定位候选区域,然后提取空间的
    CHLBP特征输入到SVM分类对候选区域进行验证,避免了单一使用空间或者时间方法进行检
    查的不足,同时提高了算法的速度。

    (4)本发明方法在车辆精确检测步骤中,提出了七组CHLBP特征模板,充分利用
    HAAR和LBP特性,能够对车辆特征进行更好的描述,进一步提高了航拍场景下车辆检测系统
    的实用性。

    (5)本发明方法提高了航拍下运动车辆检测的鲁棒性和有效性,使得在简单和复
    杂的场景下都能准确检测出运动车辆,更具有实际的应用价值。

    下面的实施例对本发明的突出的实质性特点和显著进步作了进一步的证明。

    附图说明

    下面结合附图和实施例对本发明进一步说明。

    图1为本发明方法的步骤流程示意图;

    图2(a)为本发明方法中简单航拍场景,采集简单航拍场景运动车辆彩色序列图像
    的示意图;

    图2(b)为本发明方法中复杂航拍场景,采集复杂航拍场景运动车辆彩色序列图像
    的示意图;

    图3(a)为本发明方法中简单航拍场景下自适应道路检测的结果示意图;

    图3(b)为本发明方法中复杂航拍场景下自适应道路检测的结果示意图;

    图4(a)为本发明方法中简单航拍场景下运动车辆检测的结果示意图;

    图4(b)为本发明方法中复杂航拍场景下运动车辆检测的结果示意图;

    具体实施方式

    图1所示实施例表明,本发明方法的步骤流程是:第一步,对输入运动车辆彩色序
    列图像匹配,进一步得到背景补偿后的图像→基于SURF特征点的图像匹配→估计摄像机的
    全局运动参数,得到背景补偿后的图像第二步,运动车辆位置的粗检测第三步,运动
    车辆位置的精确检测→自适应道路检测→提取候选车辆区域的CHLBP特征→利用SVM分类
    器对CHLBP特征进行判断获取运动车辆位置的精确检测。

    图1表明,“第一步,对输入运动车辆彩色序列图像匹配,进一步得到背景补偿后的
    图像”,包括“基于SURF特征点的图像匹配”和“估计全局运动参数,得到背景补偿后的图像”
    两个步骤,即为运动背景补偿;第二步是运动车辆位置的粗检测,利用三帧差分法进行运动
    车辆的粗检测;第三步,运动车辆位置的精确检测,包括“自适应道路检测”、“提取候选车辆
    区域的CHLBP特征”和“利用SVM分类器对CHLBP特征进行判断获取运动车辆位置的的精确检
    测”,即为验证候选区域,获得运动车辆的精确检测。

    图2(a)所示实施例显示,为本发明方法中简单航拍场景,采集简单航拍场景运动
    车辆彩色序列图像的示意图,周围环境简单,所有车辆均为运动车辆;

    图2(b)所示实施例显示,为本发明方法中复杂航拍场景,采集复杂航拍场景运动
    车辆彩色序列图像的示意图,周围环境复杂,椭圆标出来的车辆为运动车辆。

    图3(a)所示实施例显示,为本发明方法中简单航拍场景运动车辆彩色序列图像的
    道路检测效果图。

    图3(b)所示实施例显示,为本发明方法中复杂航拍场景运动车辆彩色序列图像的
    道路检测效果图。

    图4(a)所示实施例显示,为本发明方法中简单航拍场景运动车辆彩色序列图像的
    最终运动车辆检测效果图,用矩形标出。图4(b)为本发明方法中复杂航拍场景运动车辆彩
    色序列图像的最终运动车辆检测效果图,用矩形标出。

    实施例1

    基于航拍视频图像的运动车辆检测方法,该方法融合时间和空间特性,适应对不
    同场景的运动车辆进行精确检测,具体步骤如下:

    第一步,对输入运动车辆彩色序列图像匹配,进一步得到背景补偿后的图像:

    (1.1)基于SURF特征点的图像匹配:

    分别用简单航拍场景采集简单航拍场景运动车辆彩色序列图像和复杂航拍场景
    采集复杂航拍场景运动车辆彩色序列图像,将采集到的所有运动车辆彩色序列图像F输入
    计算机中,并由RGB空间转化到灰度空间,采用的公式(1)如下:

    I=0.299R+0.587G+0.114B (1),

    在获得的灰度序列图像I上进行SURF特征点检测,然后在相邻的两帧灰度图像之
    间进行基于SURF特征点的图像匹配,得到匹配特征点对,用于下面进行摄相机的全局运动
    参数的估计;

    (1.2)估计摄像机的全局运动参数,得到背景补偿后的图像:

    摄像机的运动状态主要包括平移、旋转和缩放,采用六参数仿射模型近似表示,以
    估计全局运动参数,估计的过程如公式(2)所示:


    其中(a1,a2,a3,a4)表示摄像机的旋转和缩放运动,(t1,t2)表示摄像机的平移运
    动,分别为第k-1帧和第k帧的第i个特征点对(pi,qi)的坐标,i=
    1,…,N,利用公式(3)计算得到第i个特征点对(pi,qi)对应的摄像机的全局运动参数H,


    其中,T为转置,且有,


    根据相邻两帧灰度图像的N个特征点对,则有:

    F=AH (5),

    其中F=(q1,q2,...,qN)T,将上述(1.1)步匹配得到的特征
    点对代入公式(5),利用最小二乘法计算得到全局运动参数,并且根据公式(2)得到第k-1帧
    背景补偿后的灰度图像和第k+1帧背景补偿后的灰度图像

    第二步,运动车辆位置的粗检测:

    采用对“鬼影”现象不敏感的三帧差分法进行运动车辆的粗检测,三帧差分法的过
    程如下:


    其中,和分别为上述第一步中得到的第k-1帧背景补偿后的灰度
    图像的灰度值和k+1帧帧背景补偿后的灰度图像的灰度值,Ik(x,y)代表上述第一步
    中得到的第k帧灰度图像Ik的灰度值,D1(x,y)、D2(x,y)代表差分的结果,对差分结果二值化
    并进行“与”运算,得到粗略检测的运动车辆的候选区域和运动车辆位置R(x,y),如公式
    (7)、(8)和(9)所示,



    R(x,y)=R1(x,y)∧R2(x,y) (9),

    其中,R1(x,y),R2(x,y)代表二值化结果,T为阈值,∧表示“与”运算,R(x,y)值为1
    的区域为粗略检测的运动车辆的候选区域;

    第三步,运动车辆位置的精确检测:

    在上述第二步运动车辆位置的粗检测的基础上,首先采用自适应的方法检测道
    路,得到感兴趣区域,然后对位于感兴趣区域的候选运动车辆进行验证,得到运动车辆位置
    的的精确检测,具体过程如下:

    (3.1)自适应道路检测:

    将上述第一步中航拍采集到的运动车辆彩色序列图像F由RGB空间转换为HSV空
    间,其中H代表色调,S代表饱和度,V代表明暗程度,将S分量图提取出来,利用大津算法计算
    出S分量的每一帧图像的阈值,根据该自适应的阈值将S分量图转换为二值图像,从而分割
    出道路区域,分别采用第一步中的简单航拍场景采集简单航拍场景运动车辆彩色序列图像
    和复杂航拍场景采集复杂航拍场景运动车辆彩色序列图像两种实验数据进行实验,分别得
    到两种航拍场景下的自适应道路检测结果,即道路区域图;

    (3.2)提取候选车辆区域的CHLBP特征:

    将上述步骤(3.1)得到的道路区域外的图像区域判定为非车辆候选区域,并在上
    述第二步得到的粗略检测的运动车辆的候选区域中去除这些非车辆候选区域,得到位于道
    路区域的候选车辆区域U,然后对这些区域进行CHLBP特征提取,得到CHLBP特征直方图;

    所述CHLBP特征提取,是基于七组编码模板M1-M7得到的,如公式(10)所示:



    用上述公式(10)中七个模板分别对上述(3.2)步中得到的位于道路区域的候选车
    辆区域中所有像素点U(x,y)的5×5邻域进行点积运算并二值化后,,采用类似LBP编码的加
    权求和形式,形成像素点U(x,y)的CHLBP编码,如下式(11)和(12)所示:



    其中Μj(j=1,2,3,4,5,6,7)为7组编码模板对应的矩阵,符号“*”为点积运算,t
    为阈值,WU为位于道路区域的候选车辆区域中像素点U(x,y)为中心的5×5邻域的灰度值对
    应的矩阵,利用公式(11)得到所有像素点的CHLBP值后,计算其直方图,得到CHLBP特征直方
    图。

    (3.3)利用SVM分类器对CHLBP特征进行判断获取运动车辆位置的的精确检测:

    利用SVM分类器对上述步(3.2)得到的CHLBP特征直方图进行训练并分类,判断是
    否为车辆,具体过程是:首先在离线情况下,利用类型为默认设置C-SVC,核函数类型为RBF
    的SVM分类器进行训练,正样本为航拍场景下的车辆,负样本为除车辆外随机选取的背景,
    对正负样本提取CHLBP特征,然后将特征数据输入到SVM分类器中训练,构造SVM分类器,再
    对经过自适应道路区域检测后得到的位于道路区域的候选车辆区域进行CHLBP特征提取,
    利用构造好的SVM分类器进行验证,当判断为正样本时则为车辆,当判断为负样本时则定为
    非车辆;至此完成运动车辆位置的精确检测。

    本实施例是利用MATLAB2010平台实现的,并分别对复杂场景和简单场景的航拍图
    像序列进行运动车辆检测实验,处理器是英特尔I3-2120,4G内存,使用的航拍图像序列是
    来自公开的VIVID EgTest01数据库和Munich Crossroad01数据库,为了对本实施例的方法
    进行有效的评估,选择在背景简单和复杂的两种航拍场景中进行实验分析,结果如表1所
    示。

    表1.Egtest01和Crossroad01数据库中的航拍视频图像的运动车辆检测的实验结



    通过表1所列道路筛选前后的运动车辆检测的查全率对比可以看到,两个实验场
    景中道路筛选前后运动车辆检测的查全率并没有变化,说明将感兴趣区域定为道路是可行
    的,经过道路筛选后,两个数据库的查准率有所提升,这是由于道路外存在噪声干扰,经过
    道路筛选后,噪声被剔除,减少了运动车辆检测误检的数量,从而运动车辆检测的查准率有
    所提高。

    实施例2

    将本发明方法的运动车辆检测结果与现有技术的COCOA系统、显著性融合方法和
    LBP方法的运动车辆检测结果进行比较,结果见表2.

    表2.Egtest01和Crossroad01数据库上四种方法运动车辆检测结果



    通过表2可以看到,与目前流行的现有技术COCOA系统、显著性融合方法和LBP方法
    相比,本发明方法无论在背景简单的Egtest01数据库还是场景复杂的Munich Crossroad01
    数据库上对运动车辆检测的查全率和运动车辆检测的查准率都是最高的,验证了本发明方
    法的鲁棒性和有效性。

    所示实施例中所述SURF、SVM分类器、六参数仿射模型、三帧差分法和大津算法是
    本技术领域公知的,所涉及的设备是本技术领域熟知并可通过商购途径获得的。

    关于本文
    本文标题:基于航拍视频图像的运动车辆检测方法.pdf
    链接地址://www.4mum.com.cn/p-6079502.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 快3和值死公式 安徽时时玩法 龙虎游戏官网下载 河北时时qq群是骗局揭秘 一天稳赚100的项目 十一选五我赚了几百万 快速时时走势图 后一6码如何倍投 破解游戏黑客联系方式 专业pk10计划软件下载 赛车北京pk10投注技巧 pk九码免费计划 j江西时时官网 时时彩后一6码倍投方法 千里马计划官网最新版本 对刷套利稳赚不赔图片