一种室外视频监控中多尺度车辆的识别方法技术

本发明专利技术提出了一种室外视频监控中多尺度车辆识别方法。首先，采用归一化处理，将不同尺度的车辆目标归一化到大、中、小三个尺度，并对小尺度车辆目标进行直方图均衡化增强处理；其次，在三个尺度下提取SIFT特征，并对小尺度车辆目标在提取的SIFT特征基础上采用空间金字塔匹配的方法增强特征描述；然后，使用词包模型（Bag?of?Words,BOW）来表示特征；最后，针对三种尺度的车辆目标，使用支持向量机训练生成三个相应的分类器。在线识别时，根据待识别目标的尺度范围，选用相应的分类器进行识别。本发明专利技术有效提升了多尺度车辆识别的准确率。

【技术实现步骤摘要】

本专利技术涉及一种车辆识别方法，尤其涉及一种室外视频监控中多尺度车辆识别的方法，属于模式识别领域。
技术介绍
视频分析有助于提高对海量视频数据的理解与分析，已成为多媒体领域的研究热点之一，其中，针对视频中车辆的识别技术越来越受到重视。车辆识别旨在从视频图像中提取出车辆并定位车辆位置。由于具有成本低、集成度高、灵活性强等优点，视频车辆识别技术已广泛应用于在城市交通管理、小区安防等室外视频监控系统。车辆识别是对视频中提取的运动目标进行确认，识别其是否为车辆。传统的车辆识别方法大都基于物理检测，如使用超声波、红外线和雷达等射线反射识别，或者使用地感线圈感应识别。其中，超声波和红外线检测精度较低，且容易受周边环境的干扰，如车辆遮挡，行人等。雷达检测和地感线圈精度相对较高，但是设备安装不便，而且容易损坏。相比较而言，基于视频的车辆识别技术具有明显的优越性，它应用范围广，而且更容易集成到已有的监控系统中。此外，基于视频的车辆识别还可以完成离线状态下的车辆识别，即将已经采集并存储下来的视频进行识别，这是传统方法所不能达到的。计算机视觉、人工智能领域的飞速发展为车辆识别提供了坚实的理论基础，信息化社会的建设也对车辆识别提出了市场需求。所以，基于视频的车辆识别技术在工程应用领域有着很广阔的前景。然而面向室外视频监控应用中，目标尺度多样、特征差异大，并且背景复杂、干扰大，这些实际应用中的难点问题成为制约视频车辆识别技术应用的瓶颈，主要体现在以下两个方面。(I)在一般的视 频监控(如街道视频监控)中，会出现多个大小尺度相差很大的运动目标。例如，在一段室外监控视频中，大目标200X200像素，小目标50X50像素。在如此大的尺度范围内，限于特征的本身的表示能力，要对各个尺度的车辆进行准确识别是一件很困难的事。再加上车辆本身在视频中呈现出来的姿态变化多样，增加了车辆准确识别的难度。(2)在远距离大场景视频监控中，由于目标距离视频传感器较远，视频中的运动目标相对较小，监控视频中的车辆目标的边长大小通常在100-200个像素之间，而远距离监控中的目标大小可能只有不到50个像素。在这种尺度下的运动目标，目标模糊，可以利用的特征信息有限，致使车辆识别准确率较低。
技术实现思路
本专利技术技术解决问题:克服现有技术的不足，提供一种室外视频监控中多尺度车辆识别的方法，实现了视频监控中对不同尺度车辆目标的有效识别。为实现上述目的，本专利技术采用下述技术方案。一种室外视频监控中多尺度车辆识别的方法，包括如下步骤:(A)对不同尺度的车辆目标进行归一化处理，将最短边长小于75像素的车辆目标归一化到最小边长为50像素的小尺度车辆目标，将最短边长大于150像素的车辆目标归一化到最小边长为200像素的大尺寸车辆目标，将最小边长介于75像素和150像素的车辆目标归一化到最小边长为100像素的中尺度车辆目标；(B)对归一化后的三个尺度车辆目标提取SIFT (Scale-1nvariant FeatureTransform)特征；(C)对于中尺度和大尺度车辆目标，根据提取的SIFT特征使用词包模型生成特征频率的分布；对于小尺度车辆目标，根据提取的SIFT特征，使用空间金字塔匹配方法，生成特征统计直方图后，再使用词包模型生成特征频率的分布；(D)针对三种尺度的车辆目标，使用支持向量机根据特征频率的分布训练生成三个相应尺度的分类器；(E)在线识别时，根据待识别目标的尺度范围，选用相应的分类器进行识别。如上所述的室外视频监控中多尺度车辆识别的方法，其特征在于所述步骤(A)中归一化处理时，上采样使用双线性插值的方法，下采样使用邻近值的方法。如上所述的室外视频监控中多尺度车辆识别的方法，其特征在于所述步骤(A)中对于归一化后的小尺度车辆目标，进行直方图均衡化增强处理。如上所述的室外视频监控中多尺度车辆识别的方法，其特征在于所述步骤(C)中空间金字塔匹配方法中空间金字塔的层数为3。如上所述的室 外视频监控中多尺度车辆识别的方法，其特征在于所述步骤(C)中词包模型的词典大小为2000，并选用K-means算法进行聚类，其量化时的度量标准选用曼哈顿距离(L1距离)，加权策略选用软加权。如上所述的室外视频监控中多尺度车辆识别的方法，其特征在于所述步骤(D)中支持向量机采用RBF (Radial Basis Function)核函数。本专利技术与现有技术相比的优点在于:本专利技术提出了一种室外视频监控中多尺度车辆识别的方法，采用了归一化处理，将不同尺寸的目标归一化到大、中、小三个尺度，并在不同尺度下训练生成不同的分类器用于车辆识别，这样能有效缩小不同尺度目标特征个数之间的差异；其次，结合词包模型，将特征空间转换到特征频率空间，以进一步鲁棒地描述不同尺度目标的不同特征。此外，针对小尺度目标，采用增强预处理和空间金字塔匹配相结合的方法来增强小目标特征信息的描述。综合上述处理方法有效提升了多尺度车辆识别的识别准确率，并提升了方法的鲁棒性。附图说明图1为本专利技术多尺度车辆识别方法框架示意图；图2为图像增强前后效果对比图；图3为空间金字塔匹配示例图；图4为车辆识别率与空间金字塔层数的关系图；图5为基于词包模型的车辆识别方法流程图。具体实施方式下面结合附图和具体实施方式对本专利技术作进一步的说明。如图1所示，本专利技术提出的一种室外视频监控中多尺度车辆识别的方法，主要包括以下三部分。第一，远距离小目标车辆识别。通过图像预处理和空间金字塔匹配方法，有效解决了目标小、图像模糊而导致的特征信息少的问题。第二，基于词包(Bag ofWords, BOW)模型的车辆识别。采用归一化预处理结合BOW模型，将特征空间转换到特征频率空间，鲁棒地描述了不同尺度目标的不同特征。第三，多尺度车辆识别方法。将样本分为大中小三个尺度，对小尺度采用增强处理，在对三种尺度采用基于BOW模型的车辆识别，有效提升了多尺度车辆识别的识别率。下面展开具体说明。1.远距离小目标车辆识别在远距离大场景的视频监控中，运动目标相对较小，较难检测。这主要是因为小目标车辆的检测存在两个难点:(1)运动目标小，可以利用的有效特征较少；(2)图像模糊。针对上述两个难点，相应地提出了解决方案，形成了小目标车辆识别算法:针对小目标图像模糊的问题，采用预处理的方法，利用直方图均衡化方法来增强小目标图像的对比度，从而更有效地提取特征；针对小目标特征少的问题，使用基于空间金字塔匹配的SIFT(Scale-1nvariant Feature Transform)特征提取方法,将特征空间与图像空间相结合,在保留原有特征的同时加入了空间信息。为了增强小目标的纹理边缘信息，同时减少不同样本图像间因光照等因素带来的明暗差异，本专利技术采用直方图均 衡化对小目标进行增强处理。直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。直方图均衡化就是把给定图像的直方图转换为“均匀”的直方图。使用直方图均衡化对图像处理后图像对比度明显增强，车辆的边缘纹理信息得到进一步提升，处理效果如图2所示，因而采用直方图均衡化的图像增强方法能够有效提升车辆识别本文档来自技高网...

【技术保护点】
一种室外视频监控中多尺度车辆识别的方法，采用大、中、小三个尺度的分类器来实现对多尺度车辆的识别，其特征在于包括如下步骤：（A）对不同尺度的车辆目标进行归一化处理，将最短边长小于75像素的车辆目标归一化到最小边长为50像素的小尺度车辆目标，将最短边长大于150像素的车辆目标归一化到最小边长为200像素的大尺寸车辆目标，将最小边长介于75像素和150像素的车辆目标归一化到最小边长为100像素的中尺度车辆目标；（B）对归一化后的三个尺度车辆目标提取SIFT（Scale?Invariant?Feature?Transform）特征；（C）对于中尺度和大尺度车辆目标，根据提取的SIFT特征使用词包模型生成特征频率的分布；对于小尺度车辆目标，根据提取的SIFT特征，使用空间金字塔匹配方法，生成特征统计直方图后，再使用词包模型生成特征频率的分布；（D）针对三种尺度的车辆目标，使用支持向量机根据特征频率的分布训练生成三个相应尺度的分类器；（E）在线识别时，根据待识别目标的尺度范围，选用相应的分类器进行识别。

【技术特征摘要】
1.一种室外视频监控中多尺度车辆识别的方法，采用大、中、小三个尺度的分类器来实现对多尺度车辆的识别，其特征在于包括如下步骤: (A)对不同尺度的车辆目标进行归一化处理，将最短边长小于75像素的车辆目标归一化到最小边长为50像素的小尺度车辆目标，将最短边长大于150像素的车辆目标归一化到最小边长为200像素的大尺寸车辆目标，将最小边长介于75像素和150像素的车辆目标归一化到最小边长为100像素的中尺度车辆目标； (B)对归一化后的三个尺度车辆目标提取SIFT(Scale-1nvariant FeatureTransform)特征； (C)对于中尺度和大 尺度车辆目标，根据提取的SIFT特征使用词包模型生成特征频率的分布；对于小尺度车辆目标，根据提取的SIFT特征，使用空间金字塔匹配方法，生成特征统计直方图后，再使用词包模型生成特征频率的分布； (D)针对三种尺度的车辆目标，使用支持向量机根据特征频率的分布训练生成三个相应尺度的分类器； ...

【专利技术属性】
技术研发人员：胡海苗，赫锋，仙树，李波，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：