本發(fā)明涉及一種智能視頻監(jiān)控技術，特別涉及一種道路汽車探測與分類方法。

背景技術：

在智能交通系統(tǒng)中，管理人員或計算機自動管理系統(tǒng)需要獲取大量的有關道路、車輛的信息進行決策，以便有效地進行管理。其中車輛信息是最主要的。車輛分類數(shù)據(jù)在路面設計與管理、高速公路的維護與重建、日常車流量的預測、高速公路的環(huán)境分析以及高速公路投資政策的選擇等方面都有著重要的應用。

目前較為通用的分類器有決策樹、K近鄰法、支持向量機、AdaBoost等，其分類決策依據(jù)均來自于對樣本數(shù)據(jù)的學習，故需以大量的類樣本為支撐，不足之處是訓練過程比較耗時?？紤]到障礙物種類的多樣性、環(huán)境的復雜性以及外形的不確定性，僅依靠對樣本學習得到的分類規(guī)則受樣本容量及空間分布的影響較大。貝葉斯網(wǎng)絡則有著強大的不確定知識的表達能力，在分類決策過程中，可充分利用先驗知識及統(tǒng)計學習兩方面的信息，使推理規(guī)則更加靈活有效。這也使得在數(shù)據(jù)缺失或沒有樣本數(shù)據(jù)的情況下依然可以建立有效的分類器。

然而，由于傳統(tǒng)貝葉斯網(wǎng)絡，也即靜態(tài)貝葉斯網(wǎng)絡在目標分類和辨識過程中僅利用了某一時刻的靜態(tài)觀測值，而沒有充分利用同一目標在前后時間的相關性。因此汽車分類問題仍是智能交通系統(tǒng)中的一個難題。雖然已經提出了許多方法來解決這個問題。但是由于實時環(huán)境條件和諸多限制，如：目標碰撞、交通擁堵、照明、陰影、粘連、遮擋、車輛外觀、車輛類型、視頻分辨率等，仍然沒有一個適用于各類現(xiàn)實條件下的有效的、魯棒性高的汽車分類系統(tǒng)。

技術實現(xiàn)要素：

為了解決上述難題，本發(fā)明提供了一種基于混合動態(tài)貝葉斯網(wǎng)絡的道路汽車探測與分類方法，

為實現(xiàn)上述目的，本發(fā)明采用了如下技術方案：

添加時間維度到靜態(tài)貝葉斯網(wǎng)絡中，對每個時間片采用復制靜態(tài)貝葉斯網(wǎng)絡的方式進行相同的表達，加入依賴于來自前一時間片內節(jié)點與當前時間片內節(jié)點之間的時間弧。所述網(wǎng)絡的每個時間片具有相同的結構，且時間片之間具有相同的時間條件依賴性。所述網(wǎng)絡包括離散節(jié)點和連續(xù)節(jié)點，構成混合動態(tài)貝葉斯網(wǎng)絡結構。

基于以上網(wǎng)絡的道路汽車分類方法，具體包括如下步驟：

a、通過車載立體視覺裝置采集交通視頻序列；

b、從后視圖的視頻圖像中提取汽車的三個主要類型特征：尾燈，車牌和汽車后臉；

c、對后視圖中汽車的低維特征進行選擇；

d、將選擇的汽車特征向量輸入到混合動態(tài)貝葉斯網(wǎng)絡中，按分類規(guī)則進行分類決策。

作為優(yōu)選，步驟b提取車輛的后臉、車牌和尾燈的低維特征集，應用特征選擇算法定義特征向量，設計由多個時間片對應多個視頻幀的混合動態(tài)貝葉斯網(wǎng)絡的新式結構，對已獲得的特征向量進行處理。

作為優(yōu)選，步驟c中的低維特征集包括左尾燈寬度，右尾燈寬度，左尾燈與車牌的距離，右尾燈與車牌的距離，左尾燈與車牌的角度，右尾燈與車牌的角度，車牌中心至連接兩尾燈中心線的垂直距離，邊界框寬度，邊界框高度，車牌到邊界框底邊的距離及汽車的后臉面積。

在特征提取期間，汽車一側的特征不能被正確地提取時，如尾燈，可能導致分類器分類失敗。所以在進行特征選擇時選擇它左側和右側各自的特征。

作為優(yōu)選，步驟d混合動態(tài)貝葉斯網(wǎng)絡采用容易增加更多后視特征的方式被定義和架構，在一個視頻的一幀或更多幀中不能被正確提取的丟失的特征能夠在混合動態(tài)貝葉斯網(wǎng)絡中推斷出來，因此，分類不完全失敗。

發(fā)明的作用與效果

根據(jù)本發(fā)明涉及的道路汽車探測與分類方法，在車載立體視覺裝置的基礎上，結合汽車后視圖，提取車輛的后臉尺寸、車牌和尾燈的特征集，應用特征選擇算法定義低維特征向量，設計由多個時間片對應多個視頻幀的混合動態(tài)貝葉斯網(wǎng)絡的新式結構，對已獲得的特征向量進行處理，最后對汽車進行分類。它一方面摒棄了對高分辨率及近景圖像的需求，通過使用后視圖簡單的低層次特征，例如：高度，寬度和角度等，大大減少了計算量，并能實時運行。另一方面混合動態(tài)貝葉斯網(wǎng)絡結構的構建將前一時間片內的分類結果及觀測證據(jù)作為下一時間片的分類依據(jù)，將單次錯誤判決風險綜合化，使其降到最小。從而有效降低了靜態(tài)判決帶來的主觀性和不確定性。提高復雜場景下車輛分類系統(tǒng)識別的可靠性與準確性。

附圖說明

圖1為本發(fā)明實施例的邏輯原理圖；

圖2為本發(fā)明實施例的靜態(tài)貝葉斯網(wǎng)絡結構示意圖；

圖3為本發(fā)明實施例的混合動態(tài)貝葉斯網(wǎng)絡結構示意圖。

具體實施方式

為了進一步理解本發(fā)明，下面結合實施例對本發(fā)明優(yōu)選實施方案進行描述，但是應當理解，這些描述只是為進一步說明本發(fā)明的特征和優(yōu)點，而不是對本發(fā)明權利要求的限制。

本實施例提供了一種道路汽車探測與分類方法，如附圖1所示，通過車載立體視覺裝置采集交通視頻序列，從后視圖的視頻圖像中提取汽車的三個主要類型特征：尾燈，車牌和汽車的后臉。特征提取主要包括：車輛檢測，車牌提取和尾燈提取。

車輛檢測：采用立體視覺與光流融合的方法對運動中的車輛進行檢測。具體實現(xiàn)步驟：1、結合道路場景的深度信息和車輛的運動信息，估計圖像序列因攝像機運動產生的自運動光流，實現(xiàn)車輛的自運動補償；2、采用Horn算法估計場景的混合光流保證光流的估計精度；3、利用差分運算形態(tài)學處理剔除背景中靜態(tài)目標的運動干擾，完成運動目標的檢測。

車牌提?。壕唧w實現(xiàn)步驟：1、將彩色圖像從RGB轉化為YUV分量彩色模型，得到Y分量作灰度圖，獲得車牌的水平灰度邊緣圖像；2、利用開閉運算使鄰近的邊緣帶聚集成區(qū)域；3、利用連通域形狀測量初步確定車牌區(qū)域；4、利用車牌標準模型的彩色組合和局部紋理分析最終確定車牌區(qū)域。

尾燈提?。杭磮D像區(qū)域中紅色像素突出的地方要被定位，通過融合兩種方法來計算每幅圖像像素的紅色部分。

第一種方法是將視頻圖像轉換到HSV顏色空間，將像素分成三個主要顏色組：紅色，綠色和藍色。

第二種方法是在RGB顏色空間定義r_i＝2R_i+B_i為每個像素的紅色水平。

圍繞在每個尾燈的邊界框通過聯(lián)合兩種方法的計算結果并檢測是否具有較高的發(fā)紅地區(qū)即是尾燈來生成，例如它是對稱的并且接近于車輛的邊緣。當車體本身的顏色是紅色時，車輛顏色可使用HSV顏色空間直方圖分析法進行估計來確定車輛是否為紅色。當檢測為紅色車輛，尾燈檢測通過添加額外的預處理來增強，這其中包括Otsu閾值，顏色分割，移除大的或小的區(qū)域以及進行對稱性分析。尾燈檢測到之后，對于車牌的寬度，質心，車牌到左、右尾燈的距離及角度等其他類似參數(shù)都可以分別計算出來。

提取車輛的后臉、車牌和尾燈的低維特征集，例如，汽車檢測框的寬度、高度、左右尾燈的寬度、左右尾燈與車牌的角度、左右尾燈與車牌的距離、車牌到邊界框底邊的距離、車牌中心至連接兩尾燈中心線的垂直距離和汽車后臉面積等。

對特征集進行特征選擇，應用序列浮動前向選擇法生成的特征子集包括:右尾燈與車牌的角度、右尾燈與車牌的距離、車牌到邊界框底邊的距離、車牌中心至連接兩尾燈中心線的垂直距離和汽車后臉面積。和使用全部特征集相比,雖精度由95.66％降為94.21％,但每幀的平均檢測時間也從0.05s降為0.03s。

將已獲得的特征向量輸入到混合動態(tài)貝葉斯網(wǎng)絡中，按分類規(guī)則進行分類決策。

分類部分具體由兩階段實現(xiàn)。第一階段，將訓練集中所有車輛的近鄰距離參數(shù)進行高斯分布估計，遵循經驗法則，將車輛特征向量先分為已知或未知。車輛被分類為已知，便作為候選進入分類的第二階段：采用動態(tài)貝葉斯網(wǎng)絡對車輛進行分類。

如附圖2，圖中所示的為三層五個節(jié)點組成的靜態(tài)貝葉斯網(wǎng)絡模型，是一種基于網(wǎng)絡結構的有向圖解描述，適用于不確定性和概率性事件，網(wǎng)絡結構是一個有向無環(huán)圖，圖中的節(jié)點表示隨機變量，有向弧表示節(jié)點間的條件依存關系。圖中每個節(jié)點可描述如下：假定變量C為識別的汽車類型，其取值為所有可能的目標類型，用根節(jié)點表示，待識別的汽車類為轎車設為sedan、貨車設為pickup和SUV或小貨車設為minivan；觀測變量為視覺傳感器觀測到的運動目標的特征，用子節(jié)點來表示。如X_LP為車牌，包括車牌到邊界框底邊的距離和車牌到兩個尾燈中心連接線的垂直距離兩個特征；X_LTL和X_RTL分別為左、右尾燈，分別包括左、右尾燈的寬度，與車牌的角度及它到車牌質心的距離三個特征；X_RD為后臉尺寸，包括邊界框的寬度、高度和車輛的后臉面積三個特征。

添加時間維度到靜態(tài)貝葉斯網(wǎng)絡中創(chuàng)建一個動態(tài)貝葉斯網(wǎng)絡，時間維度是明確的，離散的，通過狀態(tài)轉換概率的形式將相鄰時間片的靜態(tài)網(wǎng)絡聯(lián)系在一起，并將前一時刻的輸出結果作為后一時刻的輸入證據(jù)，從而將基于各個時刻的靜態(tài)方程聯(lián)系起來，形成一個動態(tài)的網(wǎng)絡。該結構定義如下：

一、對于每一個時間片t_i，i＝1，2，3…，5，動態(tài)貝葉斯網(wǎng)絡結構和靜態(tài)貝葉斯網(wǎng)絡結構相同；

二、每一個特征是的父特征；

三、C^t是C^t+1的父類；

四、除了時間片t的假定變量到時間片t+1的觀測變量的弧以外，所有片內依賴關系即有向弧都作為內部時間片。

如附圖3所示，三個時間片的動態(tài)貝葉斯網(wǎng)絡結構既包括離散節(jié)點，還包括連續(xù)節(jié)點，將其定義為混合動態(tài)貝葉斯網(wǎng)絡結構。

對車輛分類前需要訓練混合動態(tài)貝葉斯網(wǎng)絡結構或者學習混合動態(tài)貝葉斯網(wǎng)絡的參數(shù)。對于賦予其父節(jié)點的每個節(jié)點的概率分布都應被確定。對于時間片t_i，i＝2，…，5，有

p(X_LTL^t|C^t，X_LTL^t-1)，p(X_RTL^t|C^t，X_RTL^t-1)，p(C^t|C^t-1)，p(X_RD^t|C^t，X_RD^t-1)

p(X_LP^t|C^t，X_LTL^t，X_RTL^t，X_LP^t-1，X_LTL^t-1，X_RTL^t-1)

比如，為了確定p(X_RTL^t|C^t，X_RTL^t-1)，對于C^t的每一個不同參數(shù)的三個分布都需要知道，因此，p(X_RTL^t|X_RTL^t-1，C^t＝sedan)，p(X_RTL^t|X_RTL^t-1，C^t＝pickup)，和p(X_RTL|X_RTL^t-1，C^t＝SUV or Minivan)都要被估計，從而p(X_RTL|X_RTL^t-1)就可以從所有C^t事件求和中計算得出。

最后就是從被設定代表汽車特征向量的汽車類組中推理其概率分布，即推理p(C^t|f^(1：t))，其中f^(1：t)指的是從時間片t₁到t₅的所有特征。

以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想。應當指出，對于本技術領域的普通技術人員來說，在不脫離本發(fā)明原理的前提下，還可以對本發(fā)明進行若干改進和修飾，這些改進和修飾也落入本發(fā)明權利要求的保護范圍內。