一种基于局部图像特征的人车自动识别方法技术

本发明专利技术提出了一种基于局部图像特征的人车自动识别方法，所述方法通过帧间差分的运动目标检测方法检测视频中运动的人和车；对视频中的每帧源图像进行预处理和定位分割后对其进行局部图像特征的提取；用支持向量机对人车进行学习和分类，最终达到人车识别的目的。该方法用具有唯一性和不变性的局部图像特征来表征目标，对于光照、旋转视点等具有很好的鲁棒性，对于遮挡时候极值点的缺失依然能够实现识别。对我国城市混合交通环境的适应性强，可有效区分道路上的行人和车辆，对整顿交通秩序，缓解道路拥挤，减少事故伤亡等均可起到积极作用。

【技术实现步骤摘要】

本专利技术属于图像处理、视频监控和交通安全
，具体指的是。
技术介绍
目标的识别与分类方法主要包括两个主要步骤:一是目标的表达即目标的建模过程，二是识别方法与分类器设计。目标的表达方法包括基于全局特征建模和基于局部特征建模或者混合建模三种。具体的对象包括目标的形状、边界或者是反映区域的灰度、颜色、纹理和角点特征等。近年来，局部图像特征快速发展，在很多领域取得了广泛成功的应用，这方面的研究也成为机器视觉领域中的新兴课题。与线特征、纹理特征、结构特征等全局特征相比而言有很多优势。局部图像特征在图像中数量多，特征之间的相关度小，即使在遮挡的情况下依然不会消失或者影响到其他特征的检测和匹配。帧间差分法通过对视频数据中相邻图像帧做差分或“相减”运算，利用视频数据中相邻图像帧的强相关性进行变化检测，从而检测出运动目标。它通过直接比较相邻图像帧对应象素点的灰度值的不同，然后通过选取阈值来提取视频数据中的运动目标区域。HSV (Hue, Saturation, Value色调、饱和度、明度)色彩空间是一种常用的视觉颜色模型。HSV模型反映了较强的感知特征，更准确地表示视觉颜色之间的关系，在颜色处理和识别上具有较大的优势。支持向量机将特征向量映射到一个更高维的空间里，在这个空间里建立一个最大间隔超平面。它在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。
技术实现思路
本专利技术所要解决的技术问题是为了克服现有技术的不足，提出一种对车辆和行人的自动检测和识别方法。所述方法充分发挥监控的实时性和主动性，在异常情况发生时及时发出警报或提供有用信息。为了解决上述技术问题，本专利技术所采用的技术方案是:，包括如下步骤:步骤A，采集道路视频数据；步骤B，对步骤A得到的视频数据中的每相邻两帧源图像，采用帧间差分法进行运动目标检测，得到运动目标图像区域；步骤C，对步骤B获得的运动目标图像区域进行灰度化，用二值阈值分割方法将运动目标图像区域分割成目标和背景，将步骤B获得的运动目标图像区域转换成运动目标HSV空间图像区域，并对运动目标HSV空间图像区域中与目标对应的局部HSV空间图像做归一化，得到归一化局部HSV空间图像；步骤D，对步骤C获得的归一化局部HSV空间图像提取运动目标特征描述符；所述运动目标特征描述符为局部图像特征描述符；步骤E，对步骤D中获得的运动目标特征描述符进行运动目标特征描述符聚类，构建特征分布直方图，将直方图作为输入向量，利用支持向量机完成对人车的识别和分类。步骤D中，所述提取运动目标特征描述符的过程如下:步骤D-1，根据步骤C获得的归一化局部HSV空间图像构建高斯金字塔；步骤D-2，将步骤D-1获得的高斯金字塔中分辨率相同且相邻两层的图像相减得到 DoG (Difference of Gaussian)金字塔；步骤D-3，将步骤D-2获得的DoG金字塔中每一层的每个像素点与其同层的八个像素点，以及相邻的上下两层分别九个像素点，一共是26个像素点进行比较；如果该像素点为最大点或者最小点，则判定该像素点为极值点，存储该极值点的位置和尺度信息；步骤D-4，以步骤D-3获得的极值点为中心，取wXw的采样窗口，以这个采样窗口的每个像素点计算特征值向量，用所有特征值向量的协方差矩阵生成一个描述符；w为自然数。步骤D-4中，w的取值为3.步骤E中,所述运动目标特征描述符聚类采用k-means方法。步骤E中，构建特征分布直方图的方法是BOW (Bag of Words)方法。本专利技术的有益效果是:本专利技术提出了，所述方法通过帧间差分的运动目标检测方法检测视频中运动的人和车；对视频中的每帧源图像进行预处理和定位分割后对其进行局部图像特征的提取；用支持向量机对人车进行学习和分类，最终达到人车识别的目的。该方法用具有唯一性和不变性的局部图像特征来表征目标，对于光照、旋转视点等具有很好的鲁棒性，对于遮挡时候极值点的缺失依然能够实现识别。对我国城市混合交通环境的适应性强，可有效区分道路上的行人和车辆，对整顿交通秩序，缓解道路拥挤，减少事故伤亡等均可起到积极作用。【附图说明】图1是本专利技术的的流程图。【具体实施方式】下面结合附图，对本专利技术提出的进行详细说明:如图1所示，本专利技术的，其步骤如下步骤101，采集道路视频数据；步骤102，对步骤101得到的视频数据中的运动目标进行检测；步骤103，对步骤102得到的各个运动目标图像区域分别进行预处理；步骤104，对步骤1 03获得的归一化局部HSV空间图像提取颜色、梯度模值和梯度方向等不同类型的运动目标的局部图像特征；步骤105，将步骤104获得的运动目标的特征向量作为输入向量，运用支持向量机达到人车分类识别的目的。下面结合图1详细说明本专利技术的基于局部图像特征的人车自动识别方法。1.基于帧间差分法的运动目标检测帧间差分方法通过对视频数据中相邻两帧做差分或“相减”运算，利用视频数据中相邻帧的强相关性进行变化检测，从而检测出运动目标。它通过直接比较相邻帧对应象素点的灰度值的不同，然后通过选取阈值来提取视频数据中的运动目标区域。在视频数据中，第k帧图像fk(x, y)和第k+Ι帧图像fk+1 (X，y)之间的变化可用二值差分图像D(x, y)表示如下:本文档来自技高网...

【技术保护点】
一种基于局部图像特征的人车自动识别方法，其特征在于，包括如下步骤：步骤A，采集道路视频数据；步骤B，对步骤A得到的视频数据中的每相邻两帧源图像，采用帧间差分法进行运动目标检测，得到运动目标图像区域；步骤C，对步骤B获得的运动目标图像区域进行灰度化，用二值阈值分割方法将运动目标图像区域分割成目标和背景；将步骤B获得的运动目标图像区域转换成运动目标HSV空间图像区域，并对运动目标HSV空间图像区域中与目标对应的局部HSV空间图像做归一化，得到归一化局部HSV空间图像；步骤D，对步骤C获得的归一化局部HSV空间图像提取运动目标特征描述符；所述运动目标特征描述符为局部图像特征描述符；步骤E，对步骤D中获得的运动目标特征描述符进行运动目标特征描述符聚类，构建特征分布直方图，将直方图作为输入向量，利用支持向量机完成对人车的识别和分类。

【技术特征摘要】
1.一种基于局部图像特征的人车自动识别方法，其特征在于，包括如下步骤: 步骤A，采集道路视频数据； 步骤B，对步骤A得到的视频数据中的每相邻两帧源图像，采用帧间差分法进行运动目标检测，得到运动目标图像区域； 步骤C，对步骤B获得的运动目标图像区域进行灰度化，用二值阈值分割方法将运动目标图像区域分割成目标和背景；将步骤B获得的运动目标图像区域转换成运动目标HSV空间图像区域，并对运动目标HSV空间图像区域中与目标对应的局部HSV空间图像做归一化，得到归一化局部HSV空间图像； 步骤D，对步骤C获得的归一化局部HSV空间图像提取运动目标特征描述符；所述运动目标特征描述符为局部图像特征描述符； 步骤E，对步骤D中获得的运动目标特征描述符进行运动目标特征描述符聚类，构建特征分布直方图，将直方图作为输入向量，利用支持向量机完成对人车的识别和分类。2.根据权利要求1所述的一种基于局部图像特征的人车自动识别方法，其特征在于，步骤D中，所述提取运动目标特征描述符的过程如下: 步骤D-1，根据步骤...

【专利技术属性】
技术研发人员：王敏，
申请(专利权)人：河海大学，
类型：发明
国别省市：