[發明專利]基于機器視覺的交通視頻監控目標檢測快速適應方法

有效

• 申請號: 201310091575.4
• 申請日: 2013-03-21
• 公開（公告）號: CN103208008A
• 公開（公告）日: 2013-07-17
• 發明（設計）人: 劉星;辛樂;楊德亮;陳陽舟;吳旭
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 吳蔭芳

1.基于機器視覺的交通視頻監控目標檢測快速適應方法，基于由監控攝像機、監控設備、服務器構成的硬件平臺，其特征在于包括以下步驟：

(1).建立初始訓練樣本庫，所述的初始訓練樣本庫由正樣本即包含待檢測目標的圖像，和負樣本即不包含待檢測目標的圖像組成；

(2).訓練初始分類器：

從初始訓練樣本庫的各個樣本中提取Haar特征，訓練初始AdaBoost分類器，所選擇的Haar特征包含邊緣特征、線性特征、中心環繞特征和特殊對角線特征；再從初始訓練樣本庫的各個樣本中提取HOG特征，訓練初始SVM分類器；

(3).使用檢測框對監控攝像機所拍攝的同一段視頻的同一幀圖像進行遍歷，對遍歷過程中檢測框所圈中的子圖像進行檢測，檢測過程結束后移動檢測框至下一位置重復檢測過程，直至遍歷完整幀圖像；之后擴大檢測框的大小并再次遍歷整幀圖像，直至檢測框的大小達到一幀圖像的一半時，完成對一幀圖像的檢測，繼續步驟(4)；

所述的檢測過程包括以下步驟：

（3.1）利用AdaBoost分類器和SVM分類器分別對同一子圖像進行檢測，分別得到子圖像的預測標簽和預測標簽用于表示子圖像屬于正樣本或負樣本，

若結果不一致，則跳出檢測過程，并將檢測框移動至下一位置；

若結果一致，則繼續進行下一步；其中若子圖像屬于視頻中的第一幀圖像，則使用步驟(2)所訓練的初始分類器，否則使用步驟(4)最近一次更新后的分類器；（3.2）從初始訓練樣本庫的各個樣本圖像中分別提取Haar特征和HOG特征的特征值，其中，表示第k個樣本圖像的Haar特征，表示第k個樣本圖像的HOG特征；從檢測的子圖像中分別提取Haar特征和HOG特征的特征值，記作和計算子圖像中提取的特征值與初始訓練樣本庫的各個樣本圖像中提取的特征值之間的歐式距離，其中，子圖像的Haar特征值與初始訓練樣本庫的第k個樣本圖像的Haar特征值之間的歐式距離為子圖像的HOG特征值與初始訓練樣本庫的第k個樣本圖像的HOG特征值之間的歐式距離為分別從兩組歐式距離中選出K個最小值計算得到兩組權重ω^Haar和ω^HOG，每組包括K個權重值，第k個權重值的計算公式為：

ωkHaar=(1+d(xpHaar,xqxHaar))-1,0<ωkHaar<1]]>

ωkHOG=(1+d(xpHOG,xqxHOG))-1,0<ωkHOG<1]]>

（3.3）計算子圖像的預測標簽對特征值的置信度以及子圖像的預測標簽對特征值的置信度其計算公式為

JpHaar=Σk=1KωkHaarIkHaar]]>

JpHOG=Σk=1KωkHOGIkHOG]]>

其中表示對應的初始訓練樣本庫的第k個樣本圖像的標簽是否與子圖像的預測標簽一致，若一致，否則樣本圖像的標簽即表示該樣本圖像屬于正樣本還是負樣本；

表示對應的初始訓練樣本庫的第k個樣本圖像的標簽是否與子圖像的預測標簽一致，若一致，否則

（3.4）比較步驟(3.3)計算出的和將大的置信度對應的預測標簽以及子圖像加入到小的置信度對應的分類器的附加訓練樣本庫中；所述的附加訓練樣本庫中的樣本由每次循環過程中加入的子圖像及其預測標簽構成，附加訓練樣本庫和初始訓練樣本庫共同構成對應分類器的訓練樣本庫；

(4).若視頻未檢測至最后一幀，則利用兩分類器各自的訓練樣本庫分別重新訓練基于Haar特征的AdaBoost分類器和基于HOG特征的SVM分類器，然后跳轉至步驟(3)繼續檢測下一幀圖像；

否則，分類器訓練完成，可將訓練的最終分類器用于實際的交通場景中進行車輛、行人等目標的檢測。