[發(fā)明專利]基于運動分析的車輛分類方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011058216.5
• 申請日: 2020-09-29
• 公開（公告）號: CN112598009A
• 公開（公告）日: 2021-04-02
• 發(fā)明（設計）人: 劉軍發(fā);鄭愛兵;劉宏
• 申請（專利權）人: 中科勁點(北京)科技有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/00;G06K9/62;G06T7/11;G06T7/187;G06T7/269;G06T7/62
• 代理公司: 北京市廣友專利事務所有限責任公司 11237
• 代理人: 張仲波

本發(fā)明提供了一種基于運動分析的車輛分類方法及系統(tǒng)，該方法包括：獲取圖像中的前景目標區(qū)域；針對前景目標區(qū)域，提取其中的連通區(qū)域的幾何特征，進行目標的初步分類；基于初步分類的結果，對二值邊緣圖像提取直線，基于橫向直線、縱向直線及第二類閾值，進行目標的二次分類；基于二次分類的結果，估計目標的運動方向，進行目標的三次分類，將目標區(qū)分為車輛和非車輛。本方案對復雜交通場景中的車輛和非車輛的識別準確率明顯提高，整體方案對硬件資源的消耗小，識別速度快，在交通監(jiān)控視頻等場景有廣泛的應用前景。

技術領域

本發(fā)明涉及智能交通領域，以及物聯(lián)網通信與智能交通的結合領域，尤其 涉及一種基于運動分析的車輛的智能分類相關的方法以及系統(tǒng)。

背景技術

交通監(jiān)控場景的攝像頭位置大多固定，拍攝的場景背景變化相對緩慢。一 般系統(tǒng)常采用構建背景模型，然后利用當前幀圖像和背景模型進行差值，得到 前景區(qū)域的方法來檢測運動前景信息。但是不同于高速路，或者交通主干道的 車輛信息，交通路口場景相對更復雜，運動目標除車輛之外還有行人、自行車、 電動車、摩托車等，對不同運動物體的交通規(guī)范是不同的。因此，迅速準確的 對運動目標分類識別是后續(xù)目標跟蹤和智能分析的前提，例如，只有將人和車 分類識別后才能判斷是否有錯道行駛、闖紅燈或者車輛逆行等違反交通規(guī)則的 行為。

目前對運動目標分類識別的方法有基于幾何特征的分類方法、基于直線特 征的分類方法和基于運動特征的分類方法，這三種方法各自有不同的局限性， 例如：基于幾何特征的方法不能處理粘連的人群；基于Hough線性特征的方法 不能很好地處理橫向運動的摩托尤其不能處理當兩輛摩托或自行車相向行駛發(fā) 生粘連的情況；基于運動特征的方法所不能處理的縱向行駛的非車輛目標。

因此，針對復雜路口的交通監(jiān)控場景視頻，更加需要一種高效準確的車輛 分類識別相關的檢測分析方法，以有效區(qū)分場景中的不同目標。

發(fā)明內容

有鑒于此，綜合考慮運動目標的幾何特征、邊緣直線特征和運動特征，本 發(fā)明將基于幾何特征的分類方法、基于直線特征的分類方法和基于運動特征的 分類方法三種方法有機的結合，提出了基于分層特征的目標分類方法，對交通 路口運動目標進行分類，相對于基于單特征的分類方法，該方法提高了分類的 準確性。能有效地區(qū)分車輛和非車輛目標，比如行人，摩托車等。具體而言， 本發(fā)明提供了以下技術方案：

一方面，本發(fā)明實施例提供了一種基于運動分析的車輛分類方法，該方法 包括：

S1、獲取圖像中的前景目標區(qū)域；

S2、針對所述前景目標區(qū)域，提取其中的連通區(qū)域的幾何特征，基于所述 幾何特征及預設的第一類閾值，進行目標的初步分類；

S3、基于所述初步分類的結果，提取前景目標區(qū)域的灰度子圖像，針對灰 度子圖像提取圖像的邊緣，得到二值邊緣圖像，對所述二值邊緣圖像提取直線， 將所述直線分類為橫向直線和縱向直線，基于所述橫向直線、縱向直線及第二 類閾值，進行目標的二次分類；

S4、基于所述二次分類的結果，針對前景目標區(qū)域，基于當前幀和前一幀 圖像，估計前景目標區(qū)域中目標的運動方向，基于所述運動方向，進行目標的 三次分類，將目標區(qū)分為車輛和非車輛。

優(yōu)選的，所述S2中，所述幾何特征包括前景目標區(qū)域的面積、寬度、長寬 比；所述第一類閾值包括面積閾值、寬度閾值、長寬比閾值。

優(yōu)選的，所述初步分類的方式為：

其中，area，width，ratio依次為運動目標的面積、寬度和長寬比；V為 分類結果：V＝1為車輛，否則為非車輛；T1為面積閾值，T2為寬度閾值，T3為 長寬比閾值。

優(yōu)選的，所述S3中，所述縱向直線為與縱向方向的夾角在一定范圍內的直 線，所述橫向直線為與橫向方向的夾角在一定范圍內的直線；