一种基于交通视频的目标车辆检索方法技术

本发明专利技术涉及一种基于交通视频的目标车辆检索方法，属于交通技术领域。本发明专利技术主要包括时空关联模型的建立、行驶时间域估计、车辆对象的提取、视频测速以及目标的多特征同一性分析方法的实现。道路空间模型的建立是基于Serret‑Frenet标架上的空间曲线，将车辆的运行状态抽象为三维的空间运动，使其在空间约束下进行车辆运动属性分析，从而得到其运行时间域，目标车辆多特征检索是基于在行驶时间域中对车辆进行提取、测速以及车辆多特征同一性分析对比，实现对目标车辆的检索。本发明专利技术主要实现了在分布式道路监控视频中从海量数据中快速准确的目标检索，因此在交通领域具有很高的应用价值。

A target vehicle retrieval method based on traffic video

The invention relates to a target vehicle retrieval method based on traffic video, which belongs to the field of traffic technology. The invention mainly includes the establishment of spatio-temporal correlation models, the estimation of travel time domain, the extraction of vehicle objects, the speed of video velocimetry, and the realization of the multiple feature identity analysis of targets. The establishment of road space model is a spatial curve Serret Frenet frame based on the running state of the vehicle is abstracted as a three-dimensional space motion, the analysis of vehicle motion properties in the space constraints, so as to obtain the time domain, the target vehicle multi feature retrieval is in motion in the time domain of the vehicle extraction, the vehicle speed and the same feature of contrastive analysis based on the retrieval of target vehicles. The invention realizes fast and accurate target retrieval from mass data in distributed road surveillance video, so it has high application value in the field of transportation.

【技术实现步骤摘要】
一种基于交通视频的目标车辆检索方法
本专利技术涉及一种基于交通视频的目标车辆检索方法，属于交通

技术介绍
在大数据的背景下，如何能在海量视频中快速提取有价值的信息显得尤其重要。目前，在智慧交通领域，主要技术手段是通过图像处理及识别车辆车牌进行车辆的轨迹跟踪，对于违法车辆“灰牌照”车辆(通过图像处理技术手段无法获取车牌的车辆)的主要解决手段是通过人工进行视频检索，作为道路中的监控设备进行人工查找处罚车辆的违规证据。传统的视频检索方式，对于这类深层次的需求往往无能为力，因而如何快速准确地进行智能检索就成为大型智慧交通视频监控系统需要解决的问题。本专利技术就是在此背景下对高速公路中的灰牌照车辆进行视频快速检索确定车辆的行驶轨迹进行研究。
技术实现思路
本专利技术提供了一种基于交通视频的目标车辆检索方法，以用于解决公路上对灰拍照车辆的视频快速检索，以确定车辆的行驶轨迹。解决的具体技术包括：1.建立时空关联模型；2.通过视频中车辆进行测速；3.车辆行驶时间域的测算；4.通过视频进行车辆的提取；5.对车辆的同一性特征分析。本专利技术的技术方案是：一种基于交通视频的目标车辆检索方法，所述方法包括时空关联模型的建立、行驶时间域估计、车辆对象的提取、视频测速以及目标的多特征同一性分析方法的实现；道路空间模型的建立是基于Serret-Frenet标架上的空间曲线，将车辆的运行状态抽象为三维的空间运动，使其在空间约束下进行车辆运动属性分析，从而得到其运行时间域，目标车辆多特征检索是基于在行驶时间域中对车辆进行提取、测速以及车辆多特征同一性分析对比，实现对目标车辆的检索。所述方法的具体步骤如下所示：步骤1：将车辆运行空间状态抽象为Serret-Frenet标架上的空间曲线运动，得到车辆运行的空间特性；步骤2：在路径约束条件下，进行车辆运动属性分析；步骤3：通过对车辆运行的空间属性和时间属性的分析，建立时空关联模型，从而为其时间域检索建立基础；步骤4：车辆行驶时间域的估计；步骤5：在对应行驶时间域的视频中对车辆进行测速、提取操作，如果在估计的时间域中没有目标车辆，将进行时间域的扩展，直到出现目标为止；步骤6：车辆对象的提取；步骤7：视屏测速；步骤8：多特征的同一性分析；选定车型、车辆颜色和车标作为检索特征，采用深度学习的卷积神经网络识别，最终得到检索目标。所述步骤1的具体步骤为：将车辆运行空间状态抽象为Serret-Frenet标架上的空间曲线运动，对空间曲线作任意分割；设第N个时刻从点Pk沿空间曲线开始运动，于第i+1个时刻到达点Pi+1，其中0≤i≤N，N为不包0的正整数，Pi,Pi+1分别表示为曲线上的第i和i+1个点，si,si+1分别为曲线在Pi,Pi+1两点之间的弧长，为曲线在点Pi的Serret-Frene标架，为曲线在点Pi+1的Serret-Frene标架，则其运动空间特性描述为：式中，α(s)为曲线在s处的单位切向量，β(s)为曲线在s处的单位主法向量，γ(s)为曲线s处的单位次法向量，α'(s)、β'(s)、γ'(s)分别为α(s)、β(s)和γ(s)对弧长参数s的导数；则空间曲线运动的速度和加速度的计算公式分别为：其中k(s)表示在s处的曲率。所述步骤2进行车辆运动属性分析的具体步骤为：进行车辆运动属性分析：设S0,S1,…Sk,…Sn-1,Sn为路径中任意一段，任意两个路段之间的差值为路程(Δs)，令σ＝max{|Δsk|,k＝0,1,2…n-1}，同时任意两个路段之间对应的平均速度为(i＝0,1,2…n-1)，则车辆行驶时间为：车辆行驶时间域为：上述公式中，将路程与速度看为已知量，在路径约束条件下，车辆行驶时间ΔT，则车辆的时间特性为：tk+1＝tk+ΔT。所述步骤4车辆行驶时间域估计的具体步骤为：车辆行驶时间域估计：在空间的约束下，车辆的运行时间受到环境的影响，通过对影响因素的分析建立一个n元线性回归模型：y＝β0x1+β1x2+β3x3+…+βnxn+ε，然后将影响因素做为变量使用BP神经网络进行分析，最后得到一个时间预测的修正模型：tk+ΔT-Δt-μ≤tk+1≤tk+ΔT+Δt+μ或者：tk+1∈[tk+ΔT-Δt-μ,tk+ΔT+Δt+μ]其中，μ表示对于阈值外的车辆行驶时间通过人工时间修正，因为车辆在行驶的过程受到多因素的影响，如路况，天气，时间段，其中一些是不确定的，所以需要对模型进行人工的修正。所述步骤6车辆对象的提取的具体步骤为：车辆对象的提取：车辆对象的提取方法，采用改进后的高斯模型，以图像的纹理特征为建模单位，每个像素的高斯模型个数为K个，每个模型包括7个参数，分别为μμ、σμ、μσ、σσ、μc、σc、ω，前6个参数分别表示图像块的均值、标准差、当前值的均值和标准差、计算后的均值和标准差，ω为每个高斯模型的权重，先运用以下公式求出像素的纹理特征值：μμ＝gμ，μσ＝gμ，μc＝gc，σμ＝σσ＝σc＝50ω＝1.0K个高斯模型的优先级排序：|μμ,i/σμ,i+μσ,i/σσ,i+μc,i/σc,i|匹配条件为：|(gu,t-μu,t-1)/σμ,t-1+(gσ,t-μσ,t-1)/σσ,t-1+(gc,t-μc,t-1)/σc,t-1|≤C通过上述公式将每个像素转化为K个高斯模型；其参数更新为：μμ,i,t＝(1-θ)·μμ,i,t-1+θ·gμ,i,tμσ,i,t＝(1-θ)·μσ,i,t-1+θ·gσ,i,tμc,i,t＝(1-θ)·μc,i,t-1+θ·gc,i,t式中θ为学习速率，且0≤θ≤1，θ值决定了更新速度。所述步骤7视屏测速的具体步骤为：视屏测速；视频测速方法采用基于虚拟区域内特征点跟踪的高速视频测速算法，结合Shi-Tomasi角点、金字塔Lucas-Kanade法和PAM聚类算法技术手段，能有效的测量出视频中目标车辆的速度信息；选取两条相邻的车道线和两个间隔组成一个30M*3.75M的矩形虚拟测速区域，分别用p1,p2,p3,p4表示ROI区域的四个角点，使用上述算法检测到的特征点在虚拟测速区域R中停留帧数的集合T＝(z1,z2,….,zm)，m为检测到的特征点的个数，则测速的时间信息为：S为运动目标F在虚拟测速区域中停留的帧数，B为目标视频的帧率；速度信息为：其中D表示测速区域的长度。本专利技术的有益效果是：1.本专利技术建立的时空模型，以缩小目标车辆的检索范围；2.本专利技术通过BP神经网络对车辆行驶时间域的估算，再经过人工修正，以提高其检索精度；3.本专利技术对于在检索的时间域内，会提取到多辆类似的目标车辆，通过车辆特征的同一性分析确定目标车辆。附图说明图1是弗莱纳标架空间曲线上车辆运行状态图；图2是车辆行驶时间预测流程图；图3是车辆对象提取图；图4是车辆多特征的同一性检索图；图5是测试结果图。具体实施方式实施例1：一种基于交通视频的目标车辆检索方法，如图1所示为本专利技术的流程图；所述方法的具体步骤如下所示：步骤1：将车辆运行空间状态抽象为Serret-Frenet标架上的空间曲线运动，得到车辆运行的空间特性；如图1所示是弗莱纳标架空间曲线上车辆运行状态图；所述步骤1的具体步骤为：将车辆运行空间状态抽象为Serret-Frenet标架上的空间曲线运动，对空间曲线作本文档来自技高网...

【技术保护点】
一种基于交通视频的目标车辆检索方法，其特征在于：所述方法包括时空关联模型的建立、行驶时间域估计、车辆对象的提取、视频测速以及目标的多特征同一性分析方法的实现；道路空间模型的建立是基于Serret‑Frenet标架上的空间曲线，将车辆的运行状态抽象为三维的空间运动，使其在空间约束下进行车辆运动属性分析，从而得到其运行时间域，目标车辆多特征检索是基于在行驶时间域中对车辆进行提取、测速以及车辆多特征同一性分析对比，实现对目标车辆的检索。

【技术特征摘要】
1.一种基于交通视频的目标车辆检索方法，其特征在于：所述方法包括时空关联模型的建立、行驶时间域估计、车辆对象的提取、视频测速以及目标的多特征同一性分析方法的实现；道路空间模型的建立是基于Serret-Frenet标架上的空间曲线，将车辆的运行状态抽象为三维的空间运动，使其在空间约束下进行车辆运动属性分析，从而得到其运行时间域，目标车辆多特征检索是基于在行驶时间域中对车辆进行提取、测速以及车辆多特征同一性分析对比，实现对目标车辆的检索。2.根据权利要求1所述的基于交通视频的目标车辆检索方法，其特征在于：所述方法的具体步骤如下所示：步骤1：将车辆运行空间状态抽象为Serret-Frenet标架上的空间曲线运动，得到车辆运行的空间特性；步骤2：在路径约束条件下，进行车辆运动属性分析；步骤3：通过对车辆运行的空间属性和时间属性的分析，建立时空关联模型，从而为其时间域检索建立基础；步骤4：车辆行驶时间域的估计；步骤5：在对应行驶时间域的视频中对车辆进行测速、提取操作，如果在估计的时间域中没有目标车辆，将进行时间域的扩展，直到出现目标为止；步骤6：车辆对象的提取；步骤7：视屏测速；步骤8：多特征的同一性分析；选定车型、车辆颜色和车标作为检索特征，采用深度学习的卷积神经网络识别，最终得到检索目标。3.根据权利要求2所述的基于交通视频的目标车辆检索方法，其特征在于：所述步骤1的具体步骤为：将车辆运行空间状态抽象为Serret-Frenet标架上的空间曲线运动，对空间曲线作任意分割；设第N个时刻从点Pk沿空间曲线开始运动，于第i+1个时刻到达点Pi+1，其中0≤i≤N，N为不包0的正整数，Pi,Pi+1分别表示为曲线上的第i和i+1个点，si,si+1分别为曲线在Pi,Pi+1两点之间的弧长，为曲线在点Pi的Serret-Frene标架，为曲线在点Pi+1的Serret-Frene标架，则其运动空间特性描述为：式中，α(s)为曲线在s处的单位切向量，β(s)为曲线在s处的单位主法向量，γ(s)为曲线s处的单位次法向量，α′(s)、β′(s)、γ′(s)分别为α(s)、β(s)和γ(s)对弧长参数s的导数；则空间曲线运动的速度和加速度的计算公式分别为：其中k(s)表示在s处的曲率。4.根据权利要求2所述的基于交通视频的目标车辆检索方法，其特征在于：所述步骤2进行车辆运动属性分析的具体步骤为：进行车辆运动属性分析：设S0，S1，…Sk，…Sn-1，Sn为路径中任意一段，任意两个路段之间的差值为路程(Δs)，令σ＝max{|Δsk|，k＝0，1，2…n-1}，同时任意两个路段之间对应的平均速度为则车辆行驶时间为：车辆行驶时间域为：上述...

【专利技术属性】
技术研发人员：李勃，李峰，李玉惠，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南,53