一种基于运动目标检测的重车识别方法及电子设备技术

本申请公开了一种基于运动目标检测的重车识别方法及电子设备。其中，该方法包括：以时域中值法对监控场景建模，并利用待检测图片与背景模型进行图片分块，通过在背景分块附近搜索最大结构相似度，以最大结构相似度对待检测分块进行前景和背景分类，并采用标志位记录；采用快速傅里叶变换算法以提高最大结构相似度的搜索速度，进行前景、背景分类，以降低相机抖动的影响；以长方体外轮廓拟合检测车辆的外包络线，提取车辆长宽高特征，并设置多组阈值，以实现车辆部分位于监控场景时进行车辆识别。实施本申请实施例，可以提高重车识别精度。可以提高重车识别精度。可以提高重车识别精度。

【技术实现步骤摘要】
一种基于运动目标检测的重车识别方法及电子设备


[0001]本专利技术涉及图像识别
，具体涉及一种基于运动目标检测的重车识别方法及电子设备。

技术介绍

[0002]桥梁结构上车辆荷载的时空分布信息是反映桥梁荷载的重要依据。重车荷载作为桥梁结构荷载的重要组成之一，是桥梁结构损伤甚至崩塌倾覆的主要因素之一，因此，监测重车荷载具有重大意义。
[0003]在桥梁结构上布置图像采集设备获取车辆行驶监控数据，并基于计算机视觉技术实现车辆检测是一种低成本、高精度、易维护的方法，大体可分为传统的运动目标检测方法(帧间差分法、光流法、背景减除法等)和基于统计学习的方法。
[0004]其中传统的运动目标检测算法(背景减除法、帧间差分法)等，实现简单，速度快，具有通用性。当车流量较少时，由于车辆遮挡情况发生频率低，检测精度较高。不过，在应用于重车检测时，存在重车引起监控摄像头产生较大抖动的情况，容易对该方法产生较大影响，且较难区分互相遮挡的车辆，引起错误分类。而进一步的细化方案，检测准确度高，但计算量过大。

技术实现思路

[0005]本专利技术实施例提供一种基于运动目标检测的重车识别方法及电子设备，可以降低背景漂移导致的识别误差，进而提高了相机抖动情况下重车识别精度。
[0006]第一方面，本申请实施例提供了一种基于运动目标检测的重车识别方法，所述方法通过在背景减除法的基础上，引入分块思想，搜索最大结构相似度，削弱了相机抖动影响；通过最小化模型和车辆在同一透视矩阵下的包络线误差提取所述车辆长宽高特征，然后设置体积阈值、长度阈值、宽度阈值以及高度阈值以实现监控场景内的重车识别，所述方法包括：
[0007]步骤1：以时域中值法对所述监控场景建模，并利用待检测图片与背景模型进行图片分块，通过在背景分块附近搜索最大结构相似度，以所述最大结构相似度对待检测分块进行前景和背景分类，并采用标志位记录；
[0008]步骤2：采用快速傅里叶变换算法以提高所述最大结构相似度的搜索速度，进行所述前景、所述背景分类，以降低相机抖动的影响；
[0009]步骤3：以长方体外轮廓拟合检测车辆的外包络线，提取所述车辆长宽高特征，并设置多组阈值，以实现所述车辆部分位于所述监控场景时进行所述车辆识别。
[0010]第二方面，本申请实施例提供了一种电子设备，所述电子设备包括：一个或多个处理器、存储器；
[0011]所述存储器与所述一个或多个处理器耦合，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；
[0012]当所述一个或多个处理器执行所述计算机指令时，使得所述电子设备执行如下操作：
[0013]步骤1：以时域中值法对所述监控场景建模，并利用待检测图片与背景模型进行图片分块，通过在背景分块附近搜索最大结构相似度，以所述最大结构相似度对待检测分块进行前景和背景分类，并采用标志位记录；
[0014]步骤2：采用快速傅里叶变换算法以提高所述最大结构相似度的搜索速度，进行所述前景、所述背景分类，以降低相机抖动的影响；
[0015]步骤3：以长方体外轮廓拟合检测车辆的外包络线，提取所述车辆长宽高特征，并设置多组阈值，以实现所述车辆部分位于所述监控场景时进行所述车辆识别。
[0016]第三方面，本申请实施例提供了一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行本申请实施例第一方面或第一方面的任意一种实现方式提供的方法步骤。
[0017]第四方面，本申请实施例提供了一种包含指令的计算机程序产品，当其在计算机或处理器上运行时，使得上述计算机或处理器执行本申请实施例第一方面或第一方面的任意一种可能的实现方式提供的方法。
[0018]可以看出，本申请实施例提供的基于运动目标检测的重车识别方法及电子设备，通过在监控场景内搜索待检测分块与周围背景分块之间的结构相似度最大值，实现前景/背景分类的准确区分，降低了背景漂移导致的识别误差，进而提高了相机抖动情况下重车识别精度。建立了基于梯度下降法的车辆轮廓三维简化模型拟合方法。通过最小化车辆轮廓包络线与三维模型在同一透视矩阵下的误差，得到车辆包络线的最优三维拟合模型，拟合模型的尺寸即为被测车辆的三维空间尺寸。通过模拟监控场景与实际桥梁重车识别试验验证方法精度。
附图说明
[0019]图1是本申请实施例提供的一种基于运动目标检测的重车识别方法的流程示意图；
[0020]图2是本申请实施例提供的另一种基于运动目标检测的重车识别方法的流程示意图；
[0021]图3是本申请实施例提供的一种监控视频和背景模型示意图示例；
[0022]图4是本申请实施例提供的长丰高架桥场景图；
[0023]图5是本申请实施例提供的一种背景减除法的效果示意图；
[0024]图6是本申请实施例提供的一种基于结构相似度的车辆检测结果示意图；
[0025]图7是本申请实施例提供的一种重车识别结果的示意图；
[0026]图8是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0027]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
[0028]本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是
用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
[0029]为了更好地理解本专利技术实施例提供的一种基于运动目标检测的重车识别方法及电子设备，可实现降低相机抖动的影响，并能够实现车辆部分位于监控场景时进行重车识别，提高识别准确性。
[0030]下面介绍本申请实施例提供的基于运动目标检测的重车识别方法。请参阅图1，图1是本申请实施例提供的一种基于运动目标检测的重车识别方法的流程示意图。如图1所示，该基于运动目标检测的重车识别方法可包括：
[0031]步骤1：以时域中值法对监控场景建模，并利用待检测图片与背景模型进行图片分块，通过在背景分块附近搜索最大结构相似度，以最大结构相似度对待检测分块进行前景和背景分类，并采用标志位记录；
[0032]步骤2：采用快速傅里叶变换算法以提高最大结构相似度的搜索速度，进行前景、背景分类，以降低相机抖动的影响；
[0033]步骤3：以长方体外轮廓拟合检测车辆的外包络线，提取车辆长宽高特征，并设置多组阈值，以实现车辆部分位于监控场景时进行车辆识别。
[0034]本申请实施例提供的重车识别方法通过在背景减除法的基础上，引入分块思想，搜索最大结构相似度，削弱了相机抖动影响；通过最小化模型和车辆在同一透视矩阵下的包络线误差提取所述车辆长宽高特征，然后设置体积本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于运动目标检测的重车识别方法，其特征在于，所述方法通过在背景减除法的基础上，引入分块思想，搜索最大结构相似度，削弱了相机抖动影响；通过最小化模型和车辆在同一透视矩阵下的包络线误差提取所述车辆长宽高特征，然后设置体积阈值、长度阈值、宽度阈值以及高度阈值以实现监控场景内的重车识别，所述方法包括：步骤1：以时域中值法对所述监控场景建模，并利用待检测图片与背景模型进行图片分块，通过在背景分块附近搜索最大结构相似度，以所述最大结构相似度对待检测分块进行前景和背景分类，并采用标志位记录；步骤2：采用快速傅里叶变换算法以提高所述最大结构相似度的搜索速度，进行所述前景、所述背景分类，以降低相机抖动的影响；步骤3：以长方体外轮廓拟合检测车辆的外包络线，提取所述车辆长宽高特征，并设置多组阈值，以实现所述车辆部分位于所述监控场景时进行所述车辆识别。2.如权利要求1所述的基于运动目标检测的重车识别方法，其特征在于，所述步骤1进一步包括：采用时域中值法建立背景模型：V
b
(k)＝median(V(i),i＝k
‑
jΔk,j∈[0,q
‑
1])其中，V(i)为待检测视频第i帧图片的灰度矩阵，V
b
(k)为所述待检测视频第k帧图片的背景灰度矩阵，q为用作背景建模的帧数，Δk代表采样帧数间隔，median表示对序列取中位数；采用背景减除法作为运动目标检测方法：V
f
(k)＝V(k)
‑
V
b
(k)式中，V
f
(k)为所述待检测视频的第k帧图片的前景灰度矩阵；其中，i，j为分块左上角的像素坐标，所述待检测分块和所述背景分块之间的结构相似度为：度为：度为：式中s
l
(k,i,j)、s
c
(k,i,j)、s
r
(k,i,j)分别表示分块的亮度、对比度和相关系数，u为均值，σ为标准差，cov为协方差，β1、β2、β3为小常数，用以防止分母接近0造成系统误差；对所述背景模型与所述待检测图片进行等分块划分，图片每个所述待检测分块的边长为a，用V(k,i,j)、V
b
(k,i,j)分别唯一标志所述待检测分块和所述背景分块，所述结构相似度：s(k，i，j)＝s
l
(k，i，j)s
c
(k，i，j)s
r
(k，i，j)简化所述结构相似度s(k,i,j)的计算：
式中，sl(k,i,j)、s
c
(k,i,j)、s
r
(k,i,j)的取值范围均为[
‑
1,1]，则s(k,i,j)的取值范围同为[
‑
1,1]；在所述背景分块附近搜索所述最大结构相似度，以所述最大结构相似度对所述待检测分块进行前景和背景分类：式中，V
br
(k,i,j)为背景模型V
b
(k,i
‑
a,j
‑
a)到V
b
(k,i+a,j+a)的矩形区域，s
m
(k,i,j)为所述待检测分块V(k,i,j)与所述矩形区域所有等尺寸窗口的最大结构相似度；根据所述最大结构相似度sm(k,i,j)对所述待检测分块V(k,i,j)进行前景和背景分类，并采用标志位记录V(k,i,j)的分类状态。3.如权利要求2所述的基于运动目标检测的重车识别方法，其特征在于，所述步骤2进一步包括：输入待检测分块V(k,i,j)和背景模型矩形搜索区域V
br
(k,i,j)；用0.012,0.032,0.032/2初始化小常数β1、β2、β3，初始化与所述待检测分块V(k,i,j)同尺寸的均值滤波器I；计算所述待检测分块V(k,i,j)的均值u[V(k,i,j)]；以所述均值滤波器I对V
br
(k,i,j)进行计算，在所述矩形搜索区域V
br
(k,i,j)中，得到每个与所述待检测分块V(k,i,j)等尺寸窗口的均值u[V
br
(k,i,j)]；计算所述待检测分块V(k,i,j)的方差σ[V(k,i,j)]2，并计算所述矩形搜索区域V
br
(k,i,i)的每个等尺寸窗口方差σ[V
br
(k,i,j)]2，以所述均值滤波I处理V
br
(k,i,j)2，并减去u[V
br
(k,i,j)]点乘u[V
br
(k,i,j)]；计算所述矩形搜索区域V
br
(k,i,i)的每个等尺寸窗口与所述待检测分块V(k,i,j)的协方差cov[V(k,i,j),V
br
(k,i,j)]；通过以所述待检测分块V(k,i,j)作为滤波器处理V
br
(k,i,j)，减去u[V(k,i,j)]点乘u[V
br
(k,i,j)]；根据所述结构相似度s(k,i,j)计算公式，计算V
br
(k,i,i)与V(k,i,j)的结构相似度s(k,i,j)；根据所述结构相似度s(k,i,j)计算集合{s(k,i,j)}中的最大值s
m
(k,i,j)，进行前景/背景分离，以降低相机抖动影响。4.如权利要求2所述的基于运动目标检测的重车识别方法，其特征在于，所述β2、β3满足，β3＝β2/2。5.如权利要求1
‑
4任一项所述的基于运动目标检测的重车识别方法，其特征在于，所述步骤3进一步包括：在世界坐标系中定义长方体模型为M(x,z,w,h,l)；其中，(x,z)描述了所述世界坐标系，以沿着道路方向为z轴，道路横向为x轴，(w,h,l)分别描述了所述长方体模型的宽度、高度、长度，图片坐标系uv代表所述车辆投影在所述检测图片中的像素坐标系，以水平为u轴，竖直向下为v轴；基于模拟上述定义，描述出M
H
、M、H的关系：M
H
＝homo
‑1{H[homo(M)]}式中，H为透视矩阵，代表所述世界坐标系中三维车辆与所述图片坐标系二维车辆投影
的多对一映射关系，M
H
为所述长方体模型M在所述透视矩阵H的映射下在所述图片坐标中的投影，homo(x)表示将坐标转换为齐次坐标[mx
T
,m]
T
，取m为1；homo
‑1(x)表示将齐次坐标[kx
T
,k]
T
转换为坐标x，依据此变换关系从而由所述车辆的现实模型得到了所述投影；基于寻找描述所述三维车辆长宽高特征最佳的长方体模型的目的，定义射线的单次采样误差，具体如下：式中，mean(L)表示所述车辆包络线L的中心，mean(L
M
)车辆模型在透视矩阵H的映射下图片坐标投影的包络线L
M
的中心，d(μ(θ,L
M
),μ(θ,L))表示点μ(θ,L
M
)与μ(θ,L)的欧拉距离；max(d(μ(θ,L
M
),μ(θ,L)))表示取所有交点的最大欧拉距离；λ为一个常数，用于控制两包络线收敛；基于所述单次采样误差e(L
M
,L,θ)的基础，通过进行均匀采样来计算所述两包络线的误差，具体如下：式中，Δθ相邻采样射线夹角间隔；根据所述最小化模型和所述车辆在同一透视矩阵下的包络线误差，提取车辆长宽高尺寸特征，并在上述步骤基础上，通过分别设置所述体积阈值、所述长度阈值、所述宽度阈值以及所述高度阈值来确定所述重车；当所提取的长宽高尺寸以及体积超过所述多组阈值时，判别为重车。6.一种电子设备，其...

【专利技术属性】
技术研发人员：翁顺，高珂，林俊平，朱宏平，夏勇，张景琪，陈志丹，李佐强，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：