[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

技術領域

本發明屬于機器視覺與智能控制領域，是一種利用計算機技術、圖像處理技術、機器學習技術和模式識別技術等對交通視頻監控目標進行檢測的發明。

背景技術

準確而實時的檢測出交通視頻中的行人、車輛等監控目標是進行目標跟蹤、行為分析等后續交通視頻處理的根本保證。交通視頻監控目標檢測的相關研究已經有很多，目前大多采用模式識別中的機器學習方法進行目標檢測。只要將待檢測的目標圖像加入到訓練樣本庫的正樣本庫中，將復雜的背景加入到訓練樣本庫的負樣本庫中，選擇合適的分類器對正負樣本進行學習，從中找出目標與背景之間的差異，就可以在以后的檢測中準確檢測出來。

對于行人、車輛等交通視頻監控目標，已經具有大規模標注數據庫，然而利用這些數據庫中的樣本所訓練的分類器對一些特定場景中的監控目標進行檢測并不能取得較好的檢測效果，這是因為用于訓練分類器的樣本數據分布與目標場景中的數據分布存在一定差異。

已有數據庫中的正樣本圖像多為監控目標的正面圖像，而在實際應用中，由于不同路段的攝像機具有不同的架設條件，如不同的架設高度和傾斜角度，以及PTZ（Pan/Tilt/Zoom）的隨時調整，使得待檢測視頻中拍攝到的有可能是監控目標的側面或頂部，因此需要獲得這些監控目標圖像并加入到訓練樣本庫的正樣本庫中。已有數據庫中的負樣本圖像為不包含監控目標的背景圖像，然而在不同路段會存在不同的背景，使得拍攝的待檢測視頻中出現樹木及不同建筑等復雜背景圖像，因此需要獲得這些背景圖像并加入到訓練樣本庫的負樣本庫中。而這樣的過程需要花費大量的時間和人力成本，想要獲得全面的樣本庫是難以實現的，目前的現狀已經嚴重影響了交通視頻智能檢測技術的廣泛應用。

因此需要找到一種方法來改變目前的這種現狀，這種方法需要做到以下三點。第一，該方法能夠快速適應于各路段攝像機的不同架設條件，并得到魯棒的目標檢測精度。第二，該方法應適用于人臉檢測、車輛檢測及行人檢測等的分類器訓練，并可移植到DSP中，應用于實際系統中。第三，該方法應節省時間和人力成本，并加強基于模式識別的現代先進視覺目標檢測及識別技術的實際工程應用及系統維護。

發明內容

本發明提出了利用半監督學習方法中的co-training方法提高交通視頻監控目標檢測算法的魯棒性，使其自適應外界環境的變化。當檢測的交通場景發生改變時，通過co-training方法讓兩個相互獨立的分類器互相監督學習，為對方加入新環境下的待檢測目標和非檢測目標的樣本圖片進行新分類器的訓練，以此適應外界環境的變化，提高交通目標檢測算法的魯棒性。而為了保證新增加樣本的可靠性，在co-training方法中加入樣本圖片預測標簽的置信度判斷。

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特征用于訓練初始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特征用于訓練初始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)；

所述的檢測過程是對子圖像進行標簽預測并計算預測標簽的置信度，子圖像及其預測標簽將用于訓練更新分類器，因此為了保證更新分類器的檢測性能有所提高，就要保證用于訓練更新分類器的子圖像及其預測標簽的正確性，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，則表示無法保證預測標簽的正確性，因此跳出檢測過程，并將檢測框移動至下一位置；