[發(fā)明專利]一種基于特征融合的城市交通場景中車輛行為的識別方法

在審

• 申請?zhí)枺?/td>: 201611068388.4
• 申請日: 2016-11-28
• 公開（公告）號: CN106781513A
• 公開（公告）日: 2017-05-31
• 發(fā)明（設計）人: 趙池航;趙敏慧;齊行知
• 申請（專利權）人: 東南大學
• 主分類號: G08G1/017
• 分類號: G08G1/017;G08G1/01;G06K9/62;G06K9/46;G06K9/32;G06K9/00
• 代理公司: 南京瑞弘專利商標事務所(普通合伙)32249
• 代理人: 唐紹焜

技術領域

本發(fā)明專利涉及交通事件檢測領域，尤其是車輛違章行為的檢測和研究。

背景技術

全球交通事故年度統(tǒng)計報告表明道路交通事故多數(shù)是由車輛異常導致，例如闖紅燈、車輛壓線、超速等。車輛行為檢測對于保障交通安全、提高車輛駕駛的安全性，避免車禍的發(fā)生具有重要的作用。

車輛行為識別是自動交通事件檢測系統(tǒng)的首要步驟和重要組成部分。傳統(tǒng)的車輛行為檢測技術如環(huán)形檢測、微波檢測由于需要挖掘路面，影響交通，往往成本巨大，現(xiàn)已逐漸被淘汰。而圖像處理檢測技術是利用計算機視覺技術對周圍情景進行感知，對環(huán)境幾乎沒有影響。利用計算機視覺進行車輛檢測的有很多，Klubsuwan等基于車輛在感興趣區(qū)域和均方位移法，并結合多車輛行為的評估對車輛闖紅燈和變道進行檢測，檢測結果具有較高的檢測精度。但在復雜交通場景下，效果不明顯。因此進行車輛行為檢測技術研究的關鍵在于檢測結果的高度精確以及其廣泛適用性。而其他研究大多是針對一種車輛行為特征的提取和分類，目前，尚未有出現(xiàn)有融合車輛特征對車輛行為的識別方法。

發(fā)明內(nèi)容

本發(fā)明專利所要解決的問題是有效地提取車輛行為特征，以用于以車輛和道路標線為中心的城市交通場景下車輛行為的識別。為解決上述技術問題，本發(fā)明專利采用如下技術方案：

一種基于特征融合的城市交通場景中車輛行為的識別方法，包括步驟：

1)采用中值濾波對城市交通場景圖像進行去噪，并采用光線補償對城市交通場景圖像進行預處理；

2)計算圖像水平方向的一階差分并對圖像進行閾值處理，以此確定車牌的各個邊界、位置和尺寸，提取車輛的車牌特征，并根據(jù)車牌與車身的比例關系得到車輛區(qū)域；

3)在步驟2)得到的車輛區(qū)域的基礎上，以車輛區(qū)域中心點為中心，長寬各增加一倍，擴大車輛定位區(qū)域，得到車輛與道路標線的位置關系，并據(jù)此構建車輛行為數(shù)據(jù)庫；

4)分別提取步驟3)中車輛行為圖像的HOG特征和LBP特征，并將HOG特征與LBP特征首尾串聯(lián)組成聯(lián)合特征作為車輛行為融合特征；

5)基于提取的車輛行為融合特征，采用支持向量機SVM分類器，并選取線性核函數(shù)為參數(shù)，對車輛行為進行分類識別。

所述步驟1)中的城市交通場景圖像來自于道路交叉口電子警察系統(tǒng)記錄。

所述步驟1)中的光線補償具體為：首先，對光線補償后的城市交通場景圖像進行灰度化處理，并對整幅灰度圖像進行直方圖統(tǒng)計；其次，將圖像中所有像素的亮度由高到低排列，并取前15％的亮度最大的像素，將這些像素的平均亮度線性放大為255，此時該亮度的臨界值定為亮度參考點；最后，增強圖像中部分像素的RGB值以把整幅圖像的亮度線性放大，即

其中，I_R、I_G和I_B分別為原圖像R、G、B三個分量表示，I_gray是圖像中相應的灰度值。

所述步驟2)具體為：采用下式計算圖像水平方向的一階差分得到車牌區(qū)域；

f(i,j)＝f(i,j+1)-f(i,j)

采用下式對圖像進行閾值處理，閾值由列列相減后自身的灰度分布決定，所述閾值的表達式為：

其中，f(x,y)為相減后的圖像，m為列數(shù)；

根據(jù)閾值對邊緣圖像的灰度投影進行統(tǒng)計；從下向上搜索行目標像素，當行目標像素個數(shù)大于閾值T時，此行作為車牌的下邊界；從左至右搜索列目標像素，當列目標像素個數(shù)大于閾值T時，此列作為車牌的左邊界；根據(jù)車牌的高度和寬度估計車牌上邊界和右邊界。

所述步驟3)中，所述車輛行為圖像中車輛與道路標線包含有四種位置關系：(a)在車道線內(nèi)，車輛輪廓線未與車道線及斑馬線相交；(b)車輛前輪越過停止線，并與行人斑馬線平行相交；(c)車輛輪廓線與車道分界線相交壓線；(d)車輛轉彎，軸線方向偏轉，并與車道線或斑馬線相交。

所述步驟4)中，所述HOG特征的提取具體為：首先輸入圖像并歸一化圖像，然后計算細胞內(nèi)梯度，對每一個細胞塊對梯度直方圖進行規(guī)定權重的投影，并對每一個重疊block塊內(nèi)的細胞進行對比度歸一化，最后將所有block內(nèi)的直方圖向量組成一個大的HOG特征向量；

所述LBP特征公式為：