[發(fā)明專利]高斯背景建模與循環(huán)神經網絡相結合的車型分類方法

有效

• 申請?zhí)枺?/td>: 201710409429.X
• 申請日: 2017-06-02
• 公開（公告）號: CN107133974B
• 公開（公告）日: 2019-08-27
• 發(fā)明（設計）人: 阮雅端;儲新迪;陳金艷;趙博睿;許山;陳啟美
• 申請（專利權）人: 南京大學
• 主分類號: G06T7/254
• 分類號: G06T7/254;G06K9/62;G06K9/46;G06K9/00
• 代理公司: 南京天翼專利代理有限責任公司 32112
• 代理人: 奚銘

1.高斯背景建模與循環(huán)神經網絡相結合的視頻車型分類方法，其特征是通過使用混合高斯模型提取運動目標，并將運動目標送循環(huán)神經網絡提取特征，根據循環(huán)神經網絡輸出的向量判斷目標是否為車輛以及車輛類型，步驟如下：

步驟1：混合高斯背景建模，提取運動目標區(qū)域：

1.1)初始化高速公路背景，首先利用視頻的前n幀連續(xù)視頻流圖像來構建高速公路背景；

1.2)對前n幀的每一幀圖像的每個像素點的灰度值用K個高斯分布來近似逼近，設像素點在與當前幀最近的t幀圖中灰度值為{X1,X2……，Xt}＝{I(X0,i)|1≤i≤t}，其中變量Xt表示像素點在t時刻對應的像素灰度值，表示第k個高斯分布在t時刻的狀態(tài)，I_t表示當前像素點的像素值，μ_k,t表示當前像素點的像素值的均值，∑_k,t表示當前像素點的像素值的協(xié)方差矩陣，則像素點I(X,Y)的概率分布為ω_k,t表示第k個高斯分布的權重；

1.3)當視頻的第n+1幀圖像出現(xiàn)的時候，利用這幀圖像來更新高斯模型參數(shù)，以適應動態(tài)場景的改變，符合公式|I_t-μ_k,t-1|≤τσ_k,t-1，k＝1,2,...K就更新高斯模型，式中τ是一個關于匹配程度的閾值，取2.5，如果像素值在某個高斯分布的2.5倍標準差之內，就認為該像素點與這個高斯分布匹配，

根據公式：

μ_k,t＝(1-α)μ_k,t-1+αI_t，

更新高斯模型的對應的均值和方差，式中α為參數(shù)更新率，如果當前幀中的像素值I_t和當前的混合高斯背景模型中的一個或者多個分布匹配時，增加其權重，權重更新如下：

ω_k,t＝(1-β)ω_k,t-1+βθ，k＝1,2,…K

其中β為學習速率，且更新速率α滿足α＝βη(I_t|μ_k,t-1,σ_k,t-1)；

1.4)對當前時刻所有完成參數(shù)更新的模型的權重進行歸一化處理：

將K個高斯分布按照權值ω_k,t從大到小排序，取前B個來建立背景模型：

式中T是選擇前B個背景分布的閾值；

1.5)得到背景的高斯分布之后，通過像素點是否能夠與高斯分布所選擇的前B個高斯分布匹配，來判斷像素點是否為運動區(qū)域目標即前景；

步驟2：對運動區(qū)域目標提取輪廓，利用循環(huán)神經網絡進行車型分類。

2.根據權利要求1所述的高斯背景建模與循環(huán)神經網絡相結合的視頻車型分類方法，其特征是步驟2中，混合高斯背景建模提取的運動區(qū)域目標首先輸入到卷積神經網絡CNN中，CNN網絡使用Alex-Net網絡結構，然后將Alex-Net網絡層中最后一層softmax分類器結果送入到循環(huán)卷積網絡中，循環(huán)卷積網絡使用LSTM模型，最后輸出分類結果。

3.根據權利要求2所述的高斯背景建模與循環(huán)神經網絡相結合的視頻車型分類方法，其特征是對于得到的運動區(qū)域目標，首先根據數(shù)學形態(tài)學濾波，查找所有運動目標點的集合，提取所有目標區(qū)域的輪廓，然后在目標區(qū)域輪廓上取最小旋轉矩形輪廓，根據最小旋轉矩形輪廓濾噪，得到有效輪廓，對有效輪廓進行再次過濾，過濾有效面積小于s的輪廓，用來去掉虛假運動目標，得到最終的檢測目標輪廓，遍歷所有檢測目標輪廓位置，并在原圖像上的位置標記；將所有檢測目標區(qū)域和背景區(qū)域歸一化后送到卷積神經網絡中進行訓練即可以得到車型的可能性，訓練使用Alex-Net網絡結構，再將Alex-Net網絡結構softmax層結果σ輸入到到RNN類型中的LSTM網絡中。