[發(fā)明專利]基于稀疏編碼的監(jiān)控車輛特征表示及分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410396296.3
• 申請(qǐng)日: 2014-08-12
• 公開(kāi)（公告）號(hào): CN104134068B
• 公開(kāi)（公告）日: 2017-11-14
• 發(fā)明（設(shè)計(jì)）人: 陳湘軍;張杰;龍高燕
• 申請(qǐng)（專利權(quán)）人: 江蘇理工學(xué)院
• 主分類號(hào): G06K9/46
• 分類號(hào): G06K9/46;G06K9/62;G08G1/01
• 代理公司: 北京三聚陽(yáng)光知識(shí)產(chǎn)權(quán)代理有限公司11250
• 代理人: 張建綱

技術(shù)領(lǐng)域

本發(fā)明涉及智能交通信息技術(shù)領(lǐng)域，尤其是一種針對(duì)高速公路監(jiān)控視頻的基于稀疏編碼的監(jiān)控車輛特征表示及分類方法。

背景技術(shù)

在ITS(Intelligent Transport System，智能交通系統(tǒng))應(yīng)用中，交通流參數(shù)提取是道路感知的前提條件，一般車檢檢測(cè)方法有地感線圈檢車檢器、激光輪廓儀、RFID、監(jiān)控視頻挖掘等手段。

上述應(yīng)用中，地感線圈鋪設(shè)對(duì)路面破壞大，且受壓后容易損壞，安裝維護(hù)困難，不適于高速公路推廣；激光輪廓儀價(jià)格昂貴，不適合大面積布設(shè)；RFID需要分發(fā)標(biāo)簽與布設(shè)讀卡器，高速公路多車道長(zhǎng)距離鋪設(shè)不現(xiàn)實(shí)；鑒于目前高速公路平均2Km一對(duì)攝像頭，視覺(jué)傳感的路網(wǎng)感知方案利用已經(jīng)設(shè)備資源，數(shù)據(jù)源分布廣泛，成本低而普及范圍廣，是當(dāng)前智能交通研究熱點(diǎn)，但視頻計(jì)算易受光線變化、車輛遮擋、惡劣天氣等多種因素影響，但傳統(tǒng)基于輪廓特征、顏色特征的車輛提取需要在穩(wěn)定、高清的攝像機(jī)條件下實(shí)現(xiàn)，魯棒性及泛化能力較差。

稀疏編碼方法是近年來(lái)機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)領(lǐng)域的研究熱點(diǎn)，其基本思想來(lái)源于壓縮感知理論，如式(1)所示，稀疏編碼通過(guò)無(wú)監(jiān)督學(xué)習(xí)，提取數(shù)據(jù)的基本表示字典(bases，基)，將樣本表示成基與稀疏權(quán)向量的線性組合，由于稀疏權(quán)向量大部分?jǐn)?shù)據(jù)為0元素，從而實(shí)現(xiàn)最本質(zhì)數(shù)據(jù)特征表示及簡(jiǎn)化運(yùn)算的目的，其中y表示輸入，d表示字典，α表示稀疏編碼，y∈R^m，d∈R^m×p，a∈R^p。

人眼人腦圖像感知過(guò)程中，邊緣、輪廓等高層抽你本質(zhì)是目標(biāo)識(shí)別的本質(zhì)特征，而研究表明，圖像稀疏特征表示最終得出的即為圖像的邊緣輪廓，與圖像稀疏特征吻合，基于稀疏編碼的圖像特征能取得較好的分類效果。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問(wèn)題是：鑒于目前國(guó)內(nèi)高速公路擁有大量視頻監(jiān)控源，海量視頻所包含豐富的交通信息，如違章事件、交通事故、車速及流量等，但高速公路攝像機(jī)僅作為管理監(jiān)控視頻使用，后期視頻挖掘分析應(yīng)用不足。本發(fā)明提出并實(shí)現(xiàn)基于稀疏車輛圖像特征表示及分類的車輛信息挖掘算法框架，以稀疏特征表示運(yùn)動(dòng)目標(biāo)，并進(jìn)行分類和判別，識(shí)別出運(yùn)動(dòng)目標(biāo)在不同幀的位置，并通過(guò)距離變化與時(shí)間間隔計(jì)算車輛速度、進(jìn)行車輛計(jì)數(shù)，提取速度、流量等交通流參數(shù)，為高層應(yīng)用提供信息服務(wù)。

本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：一種基于稀疏編碼的監(jiān)控車輛特征表示及分類方法，采用稀疏特征表示車輛圖像，獲取目標(biāo)圖像本質(zhì)的字典基和稀疏表示，并進(jìn)行特征表示及目標(biāo)分類識(shí)別，包括如下步驟：

一、GMM背景建模及目標(biāo)提取：通過(guò)視覺(jué)傳感方法提取監(jiān)控視頻的運(yùn)動(dòng)目標(biāo)，以GMM提取出背景，將視頻中新出現(xiàn)幀與提取背景差分，得出運(yùn)動(dòng)目標(biāo)。

上述背景建模方法考慮高速公路攝像機(jī)場(chǎng)景固定，背景基本不變，為提高目標(biāo)物提取速度，使用混合高斯模型(GMM)進(jìn)行背景建模，建立背景后，將視頻中新幀與背景差分即可得到運(yùn)動(dòng)物目標(biāo)。

提取背景時(shí)，采用像素似然決策，式(1)是它的決策函數(shù)：

其中固定的閾值C>1意味著該像素點(diǎn)屬于背景，

車輛圖片中的像素點(diǎn)滿足混合高斯分布，如式(2)所示：

其中t代表更新的適應(yīng)時(shí)間，代表均值估計(jì)，代表高斯分布的方差。

二、車輛稀疏特征表示：使用L1正則限制，通過(guò)損失函數(shù)最小求解圖像的特征基向量及稀疏系數(shù)。

上述算法稀疏編碼針對(duì)背景建模條件下提取運(yùn)動(dòng)目標(biāo)出現(xiàn)的負(fù)樣本，如因攝像機(jī)抖動(dòng)、樹(shù)枝晃動(dòng)、惡劣天氣而出現(xiàn)的路面、護(hù)欄、樹(shù)枝、雨滴，或行人及車輛拋灑物等，通過(guò)稀疏學(xué)習(xí)算法建立各類目標(biāo)的字典和稀疏編碼，作為下一階段分類器訓(xùn)練參數(shù)。

在線性車輛圖像表示中，車輛圖像X用式(3)表示：

其中W是字典系數(shù)，h是對(duì)應(yīng)X的編碼向量，

W和h用式(4)損失函數(shù)得到：

在式(4)中增加正則約束項(xiàng)，并用L1約束，將參數(shù)W大部分值限制為0，達(dá)到稀疏編碼效果，如式(5)所示：

其中||h_i||₁是L1懲罰項(xiàng)，通過(guò)L1約束，λ參數(shù)可限制稀疏程序，通過(guò)訓(xùn)練求出車輛圖像最優(yōu)的特征基向量，并由根(5)求出車輛圖像的稀疏編碼表示。