[發(fā)明專利]一種基于雙目視覺的車載視頻異常運動檢測方法

有效

• 申請?zhí)枺?/td>: 201710722400.7
• 申請日: 2017-08-22
• 公開（公告）號: CN107480646B
• 公開（公告）日: 2020-09-25
• 發(fā)明（設(shè)計）人: 陳建平;付利華;李燦燦;崔鑫鑫;廖湖聲
• 申請（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/44;G06K9/46;G06K9/62;G06T5/30
• 代理公司: 北京思海天達(dá)知識產(chǎn)權(quán)代理有限公司 11203
• 代理人: 張慧

1.一種基于雙目視覺的車載視頻異常運動檢測方法，其特征在于，包括以下步驟：

1)按照一定步長在當(dāng)前幀的左視圖中提取像素點，作為原左視圖的特征點，結(jié)合前一幀圖像計算特征點的光流信息，獲得特征點對集合，并在當(dāng)前幀的左視圖中檢測車道線；

2)通過當(dāng)前幀的左視圖和右視圖計算視差矩陣，基于雙目視覺成像原理得到視差值和真實距離的關(guān)系，計算每個特征點在相機坐標(biāo)系中的真實距離，并由近及遠(yuǎn)將特征點劃分為多層；

3)根據(jù)得到的多層特征點集合，分別對每一層對應(yīng)的特征點對進(jìn)行多次仿射變換建模，將其劃分為多個集合，每個集合中的特征點符合同一種運動模型；

4)根據(jù)得到的符合不同運動模型的多個特征點集合，分別對每個運動模型對應(yīng)的特征點集合，采用基于密度的聚類算法進(jìn)行聚類，從而得到各待檢測區(qū)域的位置和大小；

5)根據(jù)得到的各待檢測區(qū)域的位置和大小，結(jié)合視差矩陣、光流信息和車道線信息，計算各待檢測區(qū)域的光流幅值、光流方向、真實距離和所屬車道；

6)建立異常運動檢測模型，根據(jù)得到的各待檢測區(qū)域的信息，計算該區(qū)域的異常性值，完成異常運動區(qū)域的檢測；其中，

步驟6)具體為：

步驟6.1、根據(jù)該幀圖像中所有待檢測區(qū)域中的最大光流幅值f_{mag_max}和最小光流幅值f_{mag_min}，歸一化待檢測區(qū)域R_i的光流幅值，并將其作為該待檢測區(qū)域的初始異常性值：

其中，f_i表示區(qū)域R_i的光流幅值，

步驟6.2、假設(shè)距離權(quán)值符合高斯分布模型，則距離權(quán)值計算公式如下：

其中，D_i表示待檢測區(qū)域R_i到自車的距離，σ²取值為5；

步驟6.3、由于待檢測區(qū)域距離自車的遠(yuǎn)近對自車的威脅程度是不同的，如果距離較遠(yuǎn)，目標(biāo)區(qū)域的異常性則會降低，如果距離較近，目標(biāo)區(qū)域的異常性則會加強，因此，采用一種指數(shù)型廣義加權(quán)算子對距離權(quán)值進(jìn)行加強或抑制，將其結(jié)果作為該待檢測區(qū)域真實距離對異常性值的影響權(quán)值：

n＝ln(2)/(ln(2)-ln(1-α_d))

其中，α_d表示距離對異常性的影響程度，α_d越大，則影響越強，反之，影響越弱，α_d取值為0.9，e_d表示抑制或加強的臨界值，大于e_d則加強距離權(quán)值對異常性的影響，反之，則抑制距離權(quán)值對異常性的影響，本發(fā)明中e_d取值為0.5，

步驟6.4、待檢測區(qū)域R_i屬于不同的車道，其光流方向權(quán)值的計算公式也將不同，如下所示：

當(dāng)L_i＝1時：

當(dāng)L_i＝2時：

當(dāng)L_i＝0時：

其中，O_i表示待檢測區(qū)域R_i的光流方向,O_V表示待檢測區(qū)域的幾何中心到自車的方向，O_ld表示左車道線的下端點到上端點的方向，O_lu表示左車道線的上端點到下端點的方向，O_rd表示右車道線的上端點到下端點的方向，O_ru表示右車道的下端點到上端點的方向，N_Bin表示方向等分?jǐn)?shù)量；

步驟6.5、待檢測區(qū)域R_i的異常性量化公式為：

其中，norm(x)為歸一化函數(shù)，將參數(shù)x歸一化為[0,1]；

根據(jù)異常性量化公式計算每個待檢測區(qū)域的異常性值，如果異常性值大于閾值，則該區(qū)域為異常運動區(qū)域。