一种交通视频的摩托车检测方法技术

本发明专利技术涉及一种交通视频的摩托车检测方法，该方法采用基于窗口扫描的方式获取多个检测框，具体包括以下步骤：1)对每个检测框抽取HoG特征，获得HoG置信度；2)对每个检测框抽取LBP特征，获得LBP置信度；3)对每个检测框抽取颜色特征，获得颜色置信度；4)基于SVM分类器，根据步骤1)-3)得到的HoG置信度、LBP置信度、颜色置信度获得摩托车检测结果；5)判断摩托车所对应的检测框的移动速度是否在阈值范围内，若是，则判定检测结果正确，若否，则判定为误报。与现有技术相比，本发明专利技术具有误报概率低、实施简单等优点。

【技术实现步骤摘要】
一种交通视频的摩托车检测方法
本专利技术涉及交通视频检测领域，尤其是涉及一种交通视频的摩托车检测方法。
技术介绍
每年因摩托车导致交通事故死亡非常多，摩托车因其速度快、性能差、保护措施弱，极易发生交通事故，而事故发生后的伤亡极其严重，大多造成头部受伤，这是摩托车事故死亡率、致残率高的主要原因。在交通视频中捕获到摩托车、电动车、自行车对交通违规检测有很多帮助，例如可以判断是否在机动车道上行驶等。传统摩托车检测算法主要采用了HOG与SVM结合的方式。该方法的主要优点是速度快、但在实际应用时性能不满足需求，如出现较多误报、部分车辆丢失等情况。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种误报概率低、实施简单的交通视频的摩托车检测方法。本专利技术的目的可以通过以下技术方案来实现：一种交通视频的摩托车检测方法，该方法采用基于窗口扫描的方式获取多个检测框，具体包括以下步骤：1)对每个检测框抽取HoG特征，获得HoG置信度；2)对每个检测框抽取LBP特征，获得LBP置信度；3)对每个检测框抽取颜色特征，获得颜色置信度；4)基于SVM分类器，根据步骤1)-3)得到的HoG置信度、LBP置信度、颜色置信度获得摩托车检测结果；5)判断摩托车所对应的检测框的移动速度是否在阈值范围内，若是，则判定检测结果正确，若否，则判定为误报。所述步骤1)和步骤2)中，分别使用SVM分类器对HoG特征、LBP特征进行分类，进而分别得到HoG置信度和LBP置信度。所述步骤3)具体为：301)对于一个检测框，分别取该检测框内任意两个位置的矩形框，计算两个矩形框的颜色直方图的相似性，并保存；302)重复步骤301)D次，获得一D组颜色特征向量；303)重复步骤301)和302)，直到所有检测框的颜色特征向量提取完毕；304)采用AdaBoost算法进行分类，获得颜色置信度。所述步骤302)中，次数D的取值为100K～1M。所述步骤304)中，由AdaBoost分类器中的多个弱分类器给出检测框是否为行人的判断结果，对多个弱分类器的判断结果进行加权平均，得到最终的AdaBoost算法分类结果。所述颜色直方图采用HSV颜色空间，其中每个颜色通道分为K个区间。所述K的取值为6。所述步骤5)中，阈值范围由路口的标注数据获得。该方法还包括：采用textonboost算法训练得到路面分类器，将检测结果为摩托车的检测框输入所述路面分类器中，判断该检测框中摩托车下方区域是否为路面，若是，则检测结果正确，若否，则检测结果错误。与现有技术相比，本专利技术具有以下优点：(1)本专利技术将每个检测框的HoG置信度、LBP置信度、颜色置信度进行综合考虑，摩托车检测结果精度高；(2)本专利技术在进行检测时结合了摩托车的移动速度，减少了误报；(3)本专利技术还通过路面分类器进一步提高检测精度，有效减少了误报概率；(4)本专利技术方案简单，易于实施；(5)本专利技术方法可适用于摩托车、电动车、自行车的检测，适用范围广。附图说明图1为本专利技术的流程示意图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。实施例1如图1所示，本实施例还提供一种交通视频的摩托车检测方法，该方法采用基于窗口扫描的方式获取多个检测框，可同时适用于摩托车、电动车、自行车的检测。该方法具体包括以下步骤：步骤S1，对每个检测框抽取HoG特征，使用SVM分类器进行分类，获得HoG置信度。步骤S2，对每个检测框抽取LBP特征，使用SVM分类器进行分类，获得LBP置信度。步骤S1和步骤S2为现有技术常用手段。步骤S3，对每个检测框抽取颜色特征，获得颜色置信度。摩托车的车声颜色和摩托车手行人的衣服颜色有相似之处：可以有很多种颜色，但大部分情况下，自身的颜色是相似的。根据该信息，提出了颜色自相似性的特征。具体为：301)对于一个检测框，如大小为32*64，取该检测框内任意两个位置的矩形框，如大小为8*8，计算两个矩形框的颜色直方图的相似性，并保存；所述颜色直方图采用HSV颜色空间，其中每个颜色通道分为K个区间，K的取值为6。两个矩形框的颜色直方图的相似性的计算公式为：pi和qj分别表示两个位置的矩形框，hi(k)和hj(k)分别是pi和qj的颜色直方图，k为直方图区间数目，每个颜色道分为6个区间，总共有216个区间。302)重复步骤301)D次，获得一D组颜色特征向量。由于AdaBoost具有挑选最优feature的特点，因此D的取值是越大越好，这样可以覆盖各种情况。出于训练速度的考虑，最终D的取值范围在100K～1M之间。303)重复步骤301)和302)，直到所有检测框的颜色特征向量提取完毕。304)采用AdaBoost算法进行分类，获得颜色置信度。由AdaBoost分类器中的多个弱分类器给出检测框是否为摩托车的判断结果，对多个弱分类器的判断结果进行加权平均，得到最终的AdaBoost算法分类结果。步骤S4，基于SVM分类器，根据步骤S1-S3得到的HoG置信度、LBP置信度、颜色置信度获得摩托车检测结果。步骤S5，判断摩托车所对应的检测框的移动速度是否在阈值范围内，若是，则判定检测结果正确，若否，则判定为误报。阈值范围由路口的标注数据获得，即摩托车在画面上的移动速度范围。实施例2参考图1所示，为了更进一步提高检测精度，本实施例提供的检测方法还包括最后一步：利用纹理和颜色特征训练得到路面分类器，本实施例采用textonboost算法，算法最后会输出图像中是路面的区域；将检测结果为摩托车的检测框输入所述路面分类器中，判断该检测框中摩托车下方区域是否为路面，若是，则检测结果正确，若否，则检测结果错误。其余同实施例1。本文档来自技高网...

【技术保护点】
一种交通视频的摩托车检测方法，其特征在于，该方法采用基于窗口扫描的方式获取多个检测框，具体包括以下步骤：1)对每个检测框抽取HoG特征，获得HoG置信度；2)对每个检测框抽取LBP特征，获得LBP置信度；3)对每个检测框抽取颜色特征，获得颜色置信度；4)基于SVM分类器，根据步骤1)‑3)得到的HoG置信度、LBP置信度、颜色置信度获得摩托车检测结果；5)判断摩托车所对应的检测框的移动速度是否在阈值范围内，若是，则判定检测结果正确，若否，则判定为误报。

【技术特征摘要】
1.一种交通视频的摩托车检测方法，其特征在于，该方法采用基于窗口扫描的方式获取多个检测框，具体包括以下步骤：1)对每个检测框抽取HoG特征，获得HoG置信度；2)对每个检测框抽取LBP特征，获得LBP置信度；3)对每个检测框抽取颜色特征，获得颜色置信度；4)基于SVM分类器，根据步骤1)-3)得到的HoG置信度、LBP置信度、颜色置信度获得摩托车检测结果；5)判断摩托车所对应的检测框的移动速度是否在阈值范围内，若是，则判定检测结果正确，若否，则判定为误报；所述步骤3)具体为：301)对于一个检测框，分别取该检测框内任意两个位置的矩形框，计算两个矩形框的颜色直方图的相似性，并保存；302)重复步骤301)D次，获得一D组颜色特征向量；303)重复步骤301)和302)，直到所有检测框的颜色特征向量提取完毕；304)采用AdaBoost算法进行分类，获得颜色置信度。2.根据权利要求1所述的交通视频的摩托车检测方法，其特征在于，所述步骤1)和步骤2)中，分别使用SVM分类器对HoG特征、LBP特征进行分类，进而分别得到HoG置...

【专利技术属性】
技术研发人员：陈远浩，
申请(专利权)人：上海依图网络科技有限公司，
类型：发明
国别省市：上海;31