基于稀疏编码的监控车辆特征表示及分类方法技术

本发明专利技术涉及一种基于稀疏编码的监控车辆特征表示及分类方法，采用稀疏特征表示车辆图像，获取目标图像本质的字典基和稀疏表示，并进行特征表示及目标分类识别。本发明专利技术使用稀疏编码方法表示交通监控中车辆图像特征，并实现基于稀疏编码的车辆分类与识别，进而从高速公路监控视频中提取交通流参数，为上层车辆速度感知、车流量统计服务，分类效率显著优于传统方法。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及一种，采用稀疏特征表示车辆图像，获取目标图像本质的字典基和稀疏表示，并进行特征表示及目标分类识别。本专利技术使用稀疏编码方法表示交通监控中车辆图像特征，并实现基于稀疏编码的车辆分类与识别，进而从高速公路监控视频中提取交通流参数，为上层车辆速度感知、车流量统计服务，分类效率显著优于传统方法。【专利说明】
本专利技术涉及智能交通信息
，尤其是一种针对高速公路监控视频的。
技术介绍
在ITS(Intelligent Transport System,智能交通系统)应用中，交通流参数提取是道路感知的前提条件，一般车检检测方法有地感线圈检车检器、激光轮廓仪、RFID、监控视频挖掘等手段。 上述应用中，地感线圈铺设对路面破坏大，且受压后容易损坏，安装维护困难，不适于高速公路推广；激光轮廓仪价格昂贵，不适合大面积布设；RFID需要分发标签与布设读卡器，高速公路多车道长距离铺设不现实；鉴于目前高速公路平均2Km —对摄像头，视觉传感的路网感知方案利用已经设备资源，数据源分布广泛，成本低而普及范围广，是当前智能交通研究热点，但视频计算易受光线变化、车辆遮挡、恶劣天气等多种因素影响，但传统基于轮廓特征、颜色特征的车辆提取需要在稳定、高清的摄像机条件下实现，鲁棒性及泛化能力较差。 稀疏编码方法是近年来机器学习和神经网络领域的研究热点，其基本思想来源于压缩感知理论，如式(I)所示，稀疏编码通过无监督学习，提取数据的基本表示字典(bases，基)，将样本表示成基与稀疏权向量的线性组合，由于稀疏权向量大部分数据为O元素，从实现最本质数据特征表示及简化运算的目的，其中y表示输入，d表示字典，α表示稀疏编码， y e Rm, d e Rnixp, a e Rp。 【权利要求】1.一种，其特征在于:采用稀疏特征表示车辆图像，获取目标图像本质的字典基和稀疏表示，并进行特征表示及目标分类识别，包括如下步骤: 一、GMM背景建模及目标提取:通过视觉传感方法提取监控视频的运动目标，以GMM提取出背景，将视频中新出现帧与所提取背景差分，得出运动目标； 二、车辆稀疏特征表示:使用LI正则限制，通过损失函数最小求解图像的特征基向量及稀疏系数； 三、线性SVM训练与车辆分类:将稀疏特征输入SVM分类器，将分类错误的样本重新加入到训练集中，对字典和SVM模型进行重新训练，经50次左右迭代，提取最佳训练结果条件下的字典集及SVM分类模型。2.如权利要求1所述的，其特征在于:提取背景时，采用像素似然决策，式(I)是它的决策函数:其中固定的阈值C>1意味着该像素点属于背景， 车辆图片中的像素点满足混合高斯分布，如式(2)所示:其中τ代表更新的适应时间，代表均值估计，Iw代表高斯分布的方差。3.如权利要求1所述的，其特征在于:在线性车辆图像表示中，车辆图像X用式(3)表示:其中w是字典系数，h是对应X的编码向量， W和h用式(4)损失函数得到:在式(4)中增加正则约束项，并用LI约束，将参数W大部分值限制为0，达到稀疏编码效果，如式(5)所示:其中^l9Vi = I,2,...Κ ? IhiI I1是以惩罚项，通过LI约束，λ参数可限制稀疏程序，通过训练求出车辆图像最优的特征基向量，并由根(5)求出车辆图像的稀疏编码表示。4.如权利要求1所述的，其特征在于:线性SVM训练中，模型的判决参数符合凸优化问题，局部解可以作为全局最优解，对于给定的训练集，对于给定的训练集Ixi e Rn；Yi e R{(U}}，代价函数的定义如式(6)所示:其中Φ (Xi)将Xi映射到一个高维空间，并且正则化参数C>0， 最优化问题通过式(7)的对偶问题求解:其中e = T是一个全I的向量，Q是一个半正定的矩阵Qij = YiYjK(xi； Xj),K (Xi, Xj) = Φ (Xi) ΤΦ (Xj)是核函数,决策函数如式⑶所示:sng (ωτ φ (Xi) +b) = sng ^yi a jK (xi； x) +b) (8)。5.如权利要求1或4所述的，其特征在于:将分类错误的样本重新加入到训练集中，对字典和SVM模型进行重新训练，训练过程引入式(9)所示分类正确率计算公式，并以正确率变化率:式(?ο)作为训练终止阈值:ε = I correct1nratet num_correct1nratet 臟勺 I < 10 -3 (10) 分类输出为测试样本标签号。【文档编号】G06K9/62GK104134068SQ201410396296【公开日】2014年11月5日 申请日期:2014年8月12日 优先权日:2014年8月12日 【专利技术者】陈湘军, 张 杰, 龙高燕 申请人:江苏理工学院本文档来自技高网...

【技术保护点】
一种基于稀疏编码的监控车辆特征表示及分类方法，其特征在于：采用稀疏特征表示车辆图像，获取目标图像本质的字典基和稀疏表示，并进行特征表示及目标分类识别，包括如下步骤： 一、GMM背景建模及目标提取：通过视觉传感方法提取监控视频的运动目标，以GMM提取出背景，将视频中新出现帧与所提取背景差分，得出运动目标； 二、车辆稀疏特征表示：使用L1正则限制，通过损失函数最小求解图像的特征基向量及稀疏系数； 三、线性SVM训练与车辆分类：将稀疏特征输入SVM分类器，将分类错误的样本重新加入到训练集中，对字典和SVM模型进行重新训练，经50次左右迭代，提取最佳训练结果条件下的字典集及SVM分类模型。

【技术特征摘要】

【专利技术属性】
技术研发人员：陈湘军，张杰，龙高燕，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：江苏;32