基于视频分析的双黄交通标线的重建识别方法及系统技术方案

本发明专利技术公开了一种基于视频分析的双黄交通标线的重建识别方法及系统。本发明专利技术方法包括步骤：S1、基于混合高斯模型的方法去除运动目标干扰，得到输入视频的静态背景图像；S2、采用词袋BOW模型提取双黄线目标Sift特征，并使用多核支持向量机分类器进行监督学习得到仅包含双黄线目标与周边路面的感兴趣区域；S3、基于颜色纹理特征聚类的方法对感兴趣区域图像中的双黄线目标进行分割，并通过形态学处理消除磨损式双黄线的影响；S4、采用基于最小二乘法的曲线拟合方法对双黄线的截断部分进行定位重建。本发明专利技术系统与上述方法对应。本发明专利技术可有效降低周围环境干扰，在磨损、截断等污损情况下，对残留目标信息更加敏感，检出精度高，具有强鲁棒性。

Reconstruction and recognition method and system of Shuanghuang traffic markings based on video analysis

【技术实现步骤摘要】
基于视频分析的双黄交通标线的重建识别方法及系统
本专利技术属于属于机器视觉
，尤其涉及一种基于视频分析的双黄交通标线的重建识别方法及系统。
技术介绍
双黄线等交通标线定位与重建在交通违章行为的智能判定、统计车道线污损率等研究领域具有基础性研究价值。但由于受到建设条件的限制，交通监控视频中车道线目标容易受到污损、遮挡、恶劣天气等复杂监控场景的影响，现有检出与分割方法容易产生较大概率的漏检与错检，鲁棒性不强。在交通监控视频中的车道线分类检出领域，有学者钱将传统图像增强算法与深度网络模型训练相结合，端到端的解决复杂道路场景下的车道线目标检出问题[1]。庞等人则提出一种语义分割神经网络，通过逐层融合车道线边缘特征同时建立跨层的语义连接实现了车道线的准确分类(庞彦伟,修宇璇.基于边缘特征融合和跨连接的车道线语义分割神经网络[J].天津大学学报(自然科学与工程技术版),2019,52(08):779-787)。目前基于深度学习方法下提取的高维特征在目标检测分类上具有良好的性能，但在目标精确分割问题上主流算法仍是依赖于低层统计特征。学者徐等人通过变形Sobel算子扩充双黄线区域纹理得到双黄线区域位置，进而使用Hough直线变换方法对双黄线进行分割[2]。熊等人提出了一种基于彩色检测线的线间差分与灰度帧差统计法相结合的改进混合型方法,减少阴影对双黄线检测精度的影响[3]。上述方法在目标定位均取得了不错的效果，但在目标边缘分割抗噪性较差。同时，基于纹理特征提取和基于词袋(BOW)模型的对象分类分别在海冰分割、输电线检测、地形测绘等领域下的目标分割与分类领域取得过良好的结果[5-11]，为解决本文问题提供了丰富的思路。
技术实现思路
本专利技术的目的在于提供一种基于视频分析的双黄交通标线的重建识别方法及系统，旨在解决监控视频中污损交通标线的分类检测存在精度低、漏检率高等问题。本专利技术是这样实现的，一种基于视频分析的双黄交通标线的重建识别方法，该方法包括以下步骤：S1、基于混合高斯模型的方法去除运动目标干扰，得到输入视频的静态背景图像；S2、采用词袋BOW模型提取双黄线目标Sift特征，并使用多核支持向量机分类器进行监督学习得到仅包含双黄线目标与周边路面的感兴趣区域；S3、基于颜色纹理特征聚类的方法对感兴趣区域图像中的双黄线目标进行分割，并通过形态学处理消除磨损式双黄线的影响；S4、采用基于最小二乘法的曲线拟合方法对双黄线的截断部分进行定位重建。优选地，所述步骤S1具体包括以下步骤：S10、取输入视频的第一帧图像的各像素点灰度值设定为均值的初始值，同时设定方差初始值、高斯分量个数初始值、权重；S11、将当前图像帧像素点p在t时刻的像素值Mt与已有的高斯分量依次进行匹配；如满足匹配条件，根据当前像素值不断迭代更新调整第i个高斯模型的参数和权重；如果不满足，则进入步骤S11；S12、建立新的高斯分量模型，并初始化参数；同时判断当前高斯分量个数是否达到高斯分量个数上限，如果高斯分量个数i＝高斯分量个数上限k，删除最小权值w所对应的高斯分量模型；S13、判断各高斯分量的权值与设定阈值T得到t时刻的背景图像Bt；S14、得到不同时刻的多个背景图像后，求多帧背景图像平均得到最终的视频背景静态图像。优选地，在步骤S2中，所述多核支持向量机分类器的SVM核函数为：Kcom＝αKp+(1-α)Kr其中，Kp、Kr分别表示多项式核函数和高斯RBF核函数，ɑ表示多项式核函数的权重系数。优选地，在步骤S3中，所述基于颜色纹理特征聚类的方法具体包括以下步骤：S30、将图像空间颜色分量的量化级数进行定义，得到共生矩阵；S31、未采用亮度颜色分量、并选用RGB空间的颜色分量作为颜色聚类空间的组成；S32、通过对双黄线图像样本的分析，提取ROI区域内有效区分双黄线和路面背景的颜色特征；S33、在中心像素的设定四个方向上分别计算CCM可得到各颜色分量直方图，并计算各特征统计值，最终得到各维的特征向量；S34、根据K均值非监督聚类算法，通过计算不同区域(点)的CCM特征矩阵之间的欧式距离进行图像区域的分割。优选地，所述步骤S4具体包括以下步骤：S40、根据分割后各连通区域中N个离散质点的集合求得多项式函数f与误差函数E，拟合多项式函数f与误差函数E得多项式参数W，使误差函数最小；S41、给定双黄线样本联通区域个数以及多项式阶数m，得到曲线拟合方程；S42、通过Hough直线检测得到双黄线的边缘基点，根据基点将拟合曲线平移投影到双黄线的边缘。本专利技术进一步公开了一种基于视频分析的双黄交通标线的重建识别系统，该系统包括：图像获取单元，用于基于混合高斯模型的方法去除运动目标干扰，得到输入视频的静态背景图像；目标获取单元，用于采用词袋BOW模型提取双黄线目标Sift特征，并使用多核支持向量机分类器进行监督学习得到仅包含双黄线目标与周边路面的感兴趣区域；目标处理单元，用于基于颜色纹理特征聚类的方法对感兴趣区域图像中的双黄线目标进行分割，并通过形态学处理消除磨损式双黄线的影响；目标重建单元，用于采用基于最小二乘法的曲线拟合方法对双黄线的截断部分进行定位重建。优选地，所述图像获取单元具体用于：取输入视频的第一帧图像的各像素点灰度值设定为均值的初始值，同时设定方差初始值、高斯分量个数初始值、权重；将当前图像帧像素点p在t时刻的像素值Mt与已有的高斯分量依次进行匹配；如满足匹配条件，根据当前像素值不断迭代更新调整第i个高斯模型的参数和权重；如果不满足，则进入步骤S11；建立新的高斯分量模型，并初始化参数；同时判断当前高斯分量个数是否达到高斯分量个数上限，如果高斯分量个数i＝高斯分量个数上限k，删除最小权值w所对应的高斯分量模型；判断各高斯分量的权值与设定阈值T得到t时刻的背景图像Bt；得到不同时刻的多个背景图像后，求多帧背景图像平均得到最终的视频背景静态图像。优选地，在所述目标获取单元中，所述多核支持向量机分类器的SVM核函数为：Kcom＝αKp+(1-α)Kr其中，Kp、Kr分别表示多项式核函数和高斯RBF核函数，ɑ表示多项式核函数的权重系数。优选地，在所述目标处理单元中，所述基于颜色纹理特征聚类的方法具体包括以下步骤：S30、将图像空间颜色分量的量化级数进行定义，得到共生矩阵；S31、未采用亮度颜色分量、并选用RGB空间的颜色分量作为颜色聚类空间的组成；S32、通过对双黄线图像样本的分析，提取ROI区域内有效区分双黄线和路面背景的颜色特征；S33、在中心像素的设定四个方向上分别计算CCM可得到各颜色分量直方图，并计算各特征统计值，最终得到各维的特征向量；S34、根据K均值非监督聚类算法，通过计算不同区域(点)的CCM特征矩阵之间的欧式距离进行图像区域的本文档来自技高网...

【技术保护点】
1.一种基于视频分析的双黄交通标线的重建识别方法，其特征在于，该方法包括以下步骤：/nS1、基于混合高斯模型的方法去除运动目标干扰，得到输入视频的静态背景图像；/nS2、采用词袋BOW模型提取双黄线目标Sift特征，并使用多核支持向量机分类器进行监督学习得到仅包含双黄线目标与周边路面的感兴趣区域；/nS3、基于颜色纹理特征聚类的方法对感兴趣区域图像中的双黄线目标进行分割，并通过形态学处理消除磨损式双黄线的影响；/nS4、采用基于最小二乘法的曲线拟合方法对双黄线的截断部分进行定位重建。/n

【技术特征摘要】
1.一种基于视频分析的双黄交通标线的重建识别方法，其特征在于，该方法包括以下步骤：
S1、基于混合高斯模型的方法去除运动目标干扰，得到输入视频的静态背景图像；
S2、采用词袋BOW模型提取双黄线目标Sift特征，并使用多核支持向量机分类器进行监督学习得到仅包含双黄线目标与周边路面的感兴趣区域；
S3、基于颜色纹理特征聚类的方法对感兴趣区域图像中的双黄线目标进行分割，并通过形态学处理消除磨损式双黄线的影响；
S4、采用基于最小二乘法的曲线拟合方法对双黄线的截断部分进行定位重建。


2.如权利要求1所述的基于视频分析的双黄交通标线的重建识别方法，其特征在于，所述步骤S1具体包括以下步骤：
S10、取输入视频的第一帧图像的各像素点灰度值设定为均值的初始值，同时设定方差初始值、高斯分量个数初始值、权重；
S11、将当前图像帧像素点p在t时刻的像素值Mt与已有的高斯分量依次进行匹配；如满足匹配条件，根据当前像素值不断迭代更新调整第i个高斯模型的参数和权重；如果不满足，则进入步骤S11；
S12、建立新的高斯分量模型，并初始化参数；同时判断当前高斯分量个数是否达到高斯分量个数上限，如果高斯分量个数i＝高斯分量个数上限k，删除最小权值w所对应的高斯分量模型；
S13、判断各高斯分量的权值与设定阈值T得到t时刻的背景图像Bt；
S14、得到不同时刻的多个背景图像后，求多帧背景图像平均得到最终的视频背景静态图像。


3.如权利要求1所述的基于视频分析的双黄交通标线的重建识别方法，其特征在于，在步骤S2中，所述多核支持向量机分类器的SVM核函数为：
Kcom＝αKp+(1-α)Kr
其中，Kp、Kr分别表示多项式核函数和高斯RBF核函数，ɑ表示多项式核函数的权重系数。


4.如权利要求1所述的基于视频分析的双黄交通标线的重建识别方法，其特征在于，在步骤S3中，所述基于颜色纹理特征聚类的方法具体包括以下步骤：
S30、将图像空间颜色分量的量化级数进行定义，得到共生矩阵；
S31、未采用亮度颜色分量、并选用RGB空间的颜色分量作为颜色聚类空间的组成；
S32、通过对双黄线图像样本的分析，提取ROI区域内有效区分双黄线和路面背景的颜色特征；
S33、在中心像素的设定四个方向上分别计算CCM可得到各颜色分量直方图，并计算各特征统计值，最终得到各维的特征向量；
S34、根据K均值非监督聚类算法，通过计算不同区域(点)的CCM特征矩阵之间的欧式距离进行图像区域的分割。


5.如权利要求1所述的基于视频分析的双黄交通标线的重建识别方法，其特征在于，所述步骤S4具体包括以下步骤：
S40、根据分割后各连通区域中N个离散质点的集合求得多项式函数f与误差函数E，拟合多项式函数f与误差函数E得多项式参数W，使误差函数最小；
S41、给定双黄线样本联通区域个数以及多项式阶数m，得到曲线拟合方程；
S42、通过Hough直线检测得到双黄线的边缘基点，根据基点将拟合曲线平移投影到双黄线的边缘。

【专利技术属性】
技术研发人员：申小虎，
申请(专利权)人：江苏警官学院，
类型：发明
国别省市：江苏;32