本發(fā)明涉及圖像處理
技術(shù)領(lǐng)域：
，特別是涉及一種基于視頻信息的交通運(yùn)動(dòng)目標(biāo)分類方法及裝置。
背景技術(shù)：
：隨著科學(xué)技術(shù)的進(jìn)步，交通管理中使用的技術(shù)手段越來(lái)越多。交通管理，主要是指按照交通法規(guī)的要求、規(guī)定和道路交通的實(shí)際狀況，運(yùn)用教育、技術(shù)等手段合理地限制和科學(xué)地組織、指揮交通。正確處理道路交通中人、車、道之間的關(guān)系，使交通盡可能安全、通暢、公害小和能耗少。交通管理包括對(duì)交通控制的管理和違章處理的管理等，在實(shí)施交通管理過(guò)程中，如何準(zhǔn)確識(shí)別視頻信息中的交通運(yùn)動(dòng)目標(biāo)是當(dāng)前亟需解決的技術(shù)問(wèn)題。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是提供一種基于視頻信息的交通運(yùn)動(dòng)目標(biāo)分類方法及裝置，可以有效地將機(jī)動(dòng)車、非機(jī)動(dòng)車、行人等交通運(yùn)動(dòng)目標(biāo)進(jìn)行分類，便于交通管理部門實(shí)施交通管理。一種基于視頻信息的交通運(yùn)動(dòng)目標(biāo)分類方法，包括：獲得視頻信息文件中的圖像序列；針對(duì)所述圖像序列，建立背景模型，獲得每一幀圖像的目標(biāo)背景；根據(jù)獲得的目標(biāo)背景，檢測(cè)所述圖像序列中每一幀圖像的交通運(yùn)動(dòng)目標(biāo)；提取所述圖像序列中每一幀圖像的交通運(yùn)動(dòng)目標(biāo)的特征點(diǎn)，獲得相應(yīng)的特征描述子；將所述圖像序列的每一幀圖像的特征描述子進(jìn)行聚類，形成視覺(jué)詞典，每個(gè)聚類中心對(duì)應(yīng)所述視覺(jué)詞典中的一個(gè)視覺(jué)單詞；根據(jù)所述視覺(jué)詞典中每個(gè)視覺(jué)單詞出現(xiàn)的頻率，確定每一幀圖像中交通運(yùn)動(dòng)目標(biāo)的類別。在本發(fā)明的一種具體實(shí)施方式中，所述針對(duì)所述圖像序列，建立背景模型，獲得每一幀圖像的目標(biāo)背景，包括：針對(duì)所述圖像序列的每一幀圖像的每一個(gè)像素點(diǎn)，根據(jù)該像素點(diǎn)的像素值，確定該像素點(diǎn)的當(dāng)前高斯分布；將所述當(dāng)前高斯分布與預(yù)先建立的該像素點(diǎn)對(duì)應(yīng)的混合高斯模型中的每一個(gè)歷史高斯分布進(jìn)行匹配；如果所述當(dāng)前高斯分布與所述混合高斯模型中的任意一個(gè)歷史高斯分布均不匹配，且所述歷史高斯分布的個(gè)數(shù)小于預(yù)設(shè)第一閾值，則將所述當(dāng)前高斯分布增加到所述混合高斯模型中；如果所述當(dāng)前高斯分布與所述混合高斯模型中的任意一個(gè)歷史高斯分布均不匹配，且所述歷史高斯分布的個(gè)數(shù)等于所述預(yù)設(shè)第一閾值，則將所述當(dāng)前高斯分布替換所述混合高斯模型中優(yōu)先級(jí)最小的歷史高斯分布；如果所述當(dāng)前高斯分布與所述混合高斯模型中的至少一個(gè)歷史高斯分布匹配，則更新歷史高斯分布的相應(yīng)參數(shù)；根據(jù)更新后的混合高斯模型中高斯分布的優(yōu)先級(jí)，選擇權(quán)重值之和大于預(yù)設(shè)第二閾值的高斯分布，建立背景模型，獲得目標(biāo)背景。在本發(fā)明的一種具體實(shí)施方式中，所述根據(jù)獲得的目標(biāo)背景，檢測(cè)所述圖像序列中每一幀圖像的交通運(yùn)動(dòng)目標(biāo)，包括：針對(duì)所述圖像序列的每一幀圖像，根據(jù)獲得的該幀圖像的目標(biāo)背景，通過(guò)背景差分法獲得該幀圖像的運(yùn)動(dòng)前景區(qū)域；在該幀圖像的運(yùn)動(dòng)前景區(qū)域中進(jìn)行交通運(yùn)動(dòng)目標(biāo)檢測(cè)。在本發(fā)明的一種具體實(shí)施方式中，所述在該幀圖像的運(yùn)動(dòng)前景區(qū)域中進(jìn)行交通運(yùn)動(dòng)目標(biāo)檢測(cè)，包括：針對(duì)所述圖像序列中連續(xù)的N幀圖像，對(duì)相隔一幀的兩幀圖像做差，得到多個(gè)幀差結(jié)果，所述N為預(yù)設(shè)值；將每個(gè)幀差結(jié)果同中間幀和背景幀的幀差做與運(yùn)算，獲得多個(gè)與運(yùn)算結(jié)果；將所有的與運(yùn)算結(jié)果進(jìn)行或運(yùn)算，將或運(yùn)算結(jié)果確定為交通運(yùn)動(dòng)目標(biāo)。在本發(fā)明的一種具體實(shí)施方式中，所述提取所述圖像序列中每一幀圖像的交通運(yùn)動(dòng)目標(biāo)的特征點(diǎn)，獲得相應(yīng)的特征描述子，包括：根據(jù)所述圖像序列構(gòu)建高斯金字塔圖像模型，獲得高斯差分金字塔圖像；計(jì)算所述高斯差分金字塔圖像中的局部極值點(diǎn)，將計(jì)算得到的局部極值點(diǎn)確定為候選極值點(diǎn)，并計(jì)算相應(yīng)的尺度；擬合所述候選極值點(diǎn)，獲得所述圖像序列中所述運(yùn)動(dòng)目標(biāo)的特征點(diǎn)的位置和尺度；根據(jù)所述特征點(diǎn)的位置和尺度，確定所述特征點(diǎn)對(duì)應(yīng)的特征描述子。一種基于視頻信息的交通運(yùn)動(dòng)目標(biāo)分類裝置，包括：圖像序列獲得模塊，用于獲得視頻信息文件中的圖像序列；目標(biāo)背景獲得模塊，用于針對(duì)所述圖像序列，建立背景模型，獲得每一幀圖像的目標(biāo)背景；交通運(yùn)動(dòng)目標(biāo)檢測(cè)模塊，用于根據(jù)獲得的目標(biāo)背景，檢測(cè)所述圖像序列中每一幀圖像的交通運(yùn)動(dòng)目標(biāo)；特征描述子獲得模塊，用于提取所述圖像序列中每一幀圖像的交通運(yùn)動(dòng)目標(biāo)的特征點(diǎn)，獲得相應(yīng)的特征描述子；視覺(jué)詞典形成模塊，用于將所述圖像序列的每一幀圖像的特征描述子進(jìn)行聚類，形成視覺(jué)詞典，每個(gè)聚類中心對(duì)應(yīng)所述視覺(jué)詞典中的一個(gè)視覺(jué)單詞；交通運(yùn)動(dòng)目標(biāo)分類模塊，用于根據(jù)所述視覺(jué)詞典中每個(gè)視覺(jué)單詞出現(xiàn)的頻率，確定每一幀圖像中交通運(yùn)動(dòng)目標(biāo)的類別。在本發(fā)明的一種具體實(shí)施方式中，所述目標(biāo)背景獲得模塊，具體用于：針對(duì)所述圖像序列的每一幀圖像的每一個(gè)像素點(diǎn)，根據(jù)該像素點(diǎn)的像素值，確定該像素點(diǎn)的當(dāng)前高斯分布；將所述當(dāng)前高斯分布與預(yù)先建立的該像素點(diǎn)對(duì)應(yīng)的混合高斯模型中的每一個(gè)歷史高斯分布進(jìn)行匹配；如果所述當(dāng)前高斯分布與所述混合高斯模型中的任意一個(gè)歷史高斯分布均不匹配，且所述歷史高斯分布的個(gè)數(shù)小于預(yù)設(shè)第一閾值，則將所述當(dāng)前高斯分布增加到所述混合高斯模型中；如果所述當(dāng)前高斯分布與所述混合高斯模型中的任意一個(gè)歷史高斯分布均不匹配，且所述歷史高斯分布的個(gè)數(shù)等于所述預(yù)設(shè)第一閾值，則將所述當(dāng)前高斯分布替換所述混合高斯模型中優(yōu)先級(jí)最小的歷史高斯分布；如果所述當(dāng)前高斯分布與所述混合高斯模型中的至少一個(gè)歷史高斯分布匹配，則更新歷史高斯分布的相應(yīng)參數(shù)；根據(jù)更新后的混合高斯模型中高斯分布的優(yōu)先級(jí)，選擇權(quán)重值之和大于預(yù)設(shè)第二閾值的高斯分布，建立背景模型，獲得目標(biāo)背景。在本發(fā)明的一種具體實(shí)施方式中，所述交通運(yùn)動(dòng)目標(biāo)檢測(cè)模塊，具體用于：針對(duì)所述圖像序列的每一幀圖像，根據(jù)獲得的該幀圖像的目標(biāo)背景，通過(guò)背景差分法獲得該幀圖像的運(yùn)動(dòng)前景區(qū)域；在該幀圖像的運(yùn)動(dòng)前景區(qū)域中進(jìn)行交通運(yùn)動(dòng)目標(biāo)檢測(cè)。在本發(fā)明的一種具體實(shí)施方式中，所述交通運(yùn)動(dòng)目標(biāo)檢測(cè)模塊，具體用于：針對(duì)所述圖像序列中連續(xù)的N幀圖像，對(duì)相隔一幀的兩幀圖像做差，得到多個(gè)幀差結(jié)果，所述N為預(yù)設(shè)值；將每個(gè)幀差結(jié)果同中間幀和背景幀的幀差做與運(yùn)算，獲得多個(gè)與運(yùn)算結(jié)果；將所有的與運(yùn)算結(jié)果進(jìn)行或運(yùn)算，將或運(yùn)算結(jié)果確定為交通運(yùn)動(dòng)目標(biāo)。在本發(fā)明的一種具體實(shí)施方式中，所述特征描述子獲得模塊，具體用于：根據(jù)所述圖像序列構(gòu)建高斯金字塔圖像模型，獲得高斯差分金字塔圖像；計(jì)算所述高斯差分金字塔圖像中的局部極值點(diǎn)，將計(jì)算得到的局部極值點(diǎn)確定為候選極值點(diǎn)，并計(jì)算相應(yīng)的尺度；擬合所述候選極值點(diǎn)，獲得所述圖像序列中所述運(yùn)動(dòng)目標(biāo)的特征點(diǎn)的位置和尺度；根據(jù)所述特征點(diǎn)的位置和尺度，確定所述特征點(diǎn)對(duì)應(yīng)的特征描述子。應(yīng)用本發(fā)明實(shí)施例所提供的技術(shù)方案，獲得視頻信息文件中的圖像序列后，針對(duì)圖像序列，建立背景模型，獲得每一幀圖像的目標(biāo)背景，根據(jù)目標(biāo)背景，檢測(cè)每一幀圖像中的交通運(yùn)動(dòng)目標(biāo)，提取交通運(yùn)動(dòng)目標(biāo)的特征點(diǎn)，獲得相應(yīng)的特征描述子，將特征描述子進(jìn)行聚類，可以形成視覺(jué)詞典，根據(jù)視覺(jué)詞典出現(xiàn)的頻率，可以確定每一幀圖像中交通運(yùn)動(dòng)目標(biāo)的類別，可以較為準(zhǔn)確地對(duì)交通運(yùn)動(dòng)目標(biāo)進(jìn)行分類，具有較好的分類效果。附圖說(shuō)明為了更清楚的說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單的介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明實(shí)施例中一種基于視頻信息的交通運(yùn)動(dòng)目標(biāo)分類方法的實(shí)施流程圖；圖2a為本發(fā)明實(shí)施例中確定特征點(diǎn)方向的一種示意圖；圖2b為本發(fā)明實(shí)施例中確定特征點(diǎn)方向的另一種示意圖。圖3為本發(fā)明實(shí)施例中特征點(diǎn)鄰域梯度信息圖；圖4為本發(fā)明實(shí)施例中子區(qū)域梯度信息圖；圖5為本發(fā)明實(shí)施例中提取SIFT特征樣本的示意圖；圖6為本發(fā)明實(shí)施例中一種基于視頻信息的交通運(yùn)動(dòng)目標(biāo)分類裝置的結(jié)構(gòu)示意圖。具體實(shí)施方式為了使本
技術(shù)領(lǐng)域：
的人員更好地理解本發(fā)明方案，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。本發(fā)明實(shí)施例提供了一種基于視頻信息的交通運(yùn)動(dòng)目標(biāo)分類方法，可以在交通管理的實(shí)施等場(chǎng)景中應(yīng)用。針對(duì)獲得的視頻信息文件，檢測(cè)出交通運(yùn)動(dòng)目標(biāo)，根據(jù)交通運(yùn)動(dòng)目標(biāo)的局部特征確定交通運(yùn)動(dòng)目標(biāo)的類別。交通運(yùn)動(dòng)目標(biāo)為機(jī)動(dòng)車、非機(jī)動(dòng)車或行人等交通主要參與者。參見(jiàn)圖1所示，為本發(fā)明實(shí)施例所提供的一種基于視頻信息的交通運(yùn)動(dòng)目標(biāo)分類方法的實(shí)施流程圖，該方法可以包括以下步驟：S110：獲得視頻信息文件中的圖像序列。在本發(fā)明實(shí)施例中，視頻信息可以是通過(guò)特定區(qū)域的攝像頭捕捉到的交通視頻信息。比如，對(duì)某路口或者其他監(jiān)控區(qū)域的交通情況進(jìn)行捕捉得到。視頻信息文件可以從交通管理部門或者特定區(qū)域?qū)?yīng)的監(jiān)控部門獲得。S120：針對(duì)圖像序列，建立背景模型，獲得每一幀圖像的目標(biāo)背景。在本發(fā)明的一種具體實(shí)施方式中，步驟S120可以包括以下步驟：步驟一：針對(duì)圖像序列的每一幀圖像的每一個(gè)像素點(diǎn)，根據(jù)該像素點(diǎn)的像素值，確定該像素點(diǎn)的當(dāng)前高斯分布；步驟二：將當(dāng)前高斯分布與預(yù)先建立的該像素點(diǎn)對(duì)應(yīng)的混合高斯模型中的每一個(gè)歷史高斯分布進(jìn)行匹配；步驟三：如果當(dāng)前高斯分布與混合高斯模型中的任意一個(gè)歷史高斯分布均不匹配，且歷史高斯分布的個(gè)數(shù)小于預(yù)設(shè)第一閾值，則將當(dāng)前高斯分布增加到混合高斯模型中；步驟四：如果當(dāng)前高斯分布與混合高斯模型中的任意一個(gè)歷史高斯分布均不匹配，且歷史高斯分布的個(gè)數(shù)等于預(yù)設(shè)第一閾值，則將當(dāng)前高斯分布替換混合高斯模型中優(yōu)先級(jí)最小的歷史高斯分布；步驟五：如果當(dāng)前高斯分布與混合高斯模型中的至少一個(gè)歷史高斯分布匹配，則更新歷史高斯分布的相應(yīng)參數(shù)；步驟六：根據(jù)更新后的混合高斯模型中高斯分布的優(yōu)先級(jí)，選擇權(quán)重值之和大于預(yù)設(shè)第二閾值的高斯分布，建立背景模型，獲得目標(biāo)背景。為便于描述，將上述六個(gè)步驟結(jié)合起來(lái)進(jìn)行說(shuō)明。在步驟S110，獲得了視頻信息文件，視頻信息文件包含由一幀幀圖像構(gòu)成的圖像序列。針對(duì)圖像序列的每一幀圖像的每一個(gè)像素點(diǎn)，可以根據(jù)該像素點(diǎn)的像素值，確定該像素點(diǎn)的當(dāng)前高斯分布。在本發(fā)明實(shí)施例中，可以針對(duì)每個(gè)像素點(diǎn)預(yù)先建立一個(gè)混合高斯模型，該混合高斯模型中包含該像素點(diǎn)的多個(gè)歷史高斯分布。第t幀圖像的每個(gè)像素點(diǎn)的灰度值的具體描述如公式(1)所示：其中，It(x,y)為第t幀圖像的像素點(diǎn)(x,y)的像素值，(x,y)為空間坐標(biāo)，x為該幀圖像在x軸上任意像素點(diǎn)的取值坐標(biāo)，y為該幀圖像在y軸上任意像素點(diǎn)的取值坐標(biāo)，ωi,t為混合高斯模型中第i個(gè)高斯分布的權(quán)重，K為混合高斯模型中高斯分布的個(gè)數(shù)，為正整數(shù)，通常取3-5，ui,t為第i個(gè)高斯分布的均值，∑i,t為第i個(gè)高斯分布的協(xié)方差，η(It(x，y)，ui，t，Σi，t)為背景的概率密度函數(shù)，具體描述如公式(2)所示：每個(gè)高斯分布的優(yōu)先級(jí)的具體描述如公式(3)所示：在預(yù)先建立的混合高斯模型中包含k個(gè)歷史高斯分布，歷史高斯分布按照優(yōu)先級(jí)高低順序排列。將當(dāng)前高斯分布與每個(gè)歷史高斯分布進(jìn)行匹配。匹配條件具體描述如公式(4)所示：|It(x,y)-ui,t-1|＜2.5*δi，t-1公式(4)其中，δi,t-1為標(biāo)準(zhǔn)差。如果當(dāng)前高斯分布與混合高斯模型中的任意一個(gè)歷史高斯分布均不匹配，且歷史高斯分布的個(gè)數(shù)小于預(yù)設(shè)第一閾值，則將當(dāng)前高斯分布增加到混合高斯模型中，即增加新的高斯分布。預(yù)設(shè)第一閾值為K。如果當(dāng)前高斯分布與混合高斯模型中的任意一個(gè)歷史高斯分布均不匹配，且歷史高斯分布的個(gè)數(shù)等于預(yù)設(shè)第一閾值，則將當(dāng)前高斯分布替換混合高斯模型中優(yōu)先級(jí)最小的一個(gè)歷史高斯分布，即用新的高斯分布替換優(yōu)先級(jí)最小的高斯分布。如果當(dāng)前高斯分布與混合高斯模型中的至少一個(gè)歷史高斯分布匹配，則更新歷史高斯分布的相應(yīng)參數(shù)。具體的，可以根據(jù)公式(5)、公式(6)、公式(7)和公式(8)更新第一個(gè)匹配成功的歷史高斯分布的相應(yīng)參數(shù)，根據(jù)公式(9)更新其他歷史高斯分布的權(quán)重，其他歷史高斯分布的其他參數(shù)，如均值和方差等，保持不變。ωi,t＝(1-α)ωi,t-1+αMi，t公式(5)β＝αη(It(x,y)ui,t,δi,t)公式(8)ωi,t＝(1-α)ωi,t-1公式(9)其中，α為學(xué)習(xí)率，表示背景更新的快慢，0≤α≤1；β為參數(shù)更新率；Mi,t表示一個(gè)界限，如果t時(shí)刻當(dāng)前高斯分布與第i個(gè)歷史高斯分布匹配，則Mi,t＝1。對(duì)混合高斯模型中的每個(gè)高斯分布的相應(yīng)參數(shù)進(jìn)行更新后，可以重新獲得每個(gè)高斯分布的優(yōu)先級(jí)。按照優(yōu)先級(jí)對(duì)每個(gè)像素點(diǎn)的高斯分布進(jìn)行排序，將最有可能代表背景的高斯分布排在前面。選擇權(quán)重值之和大于預(yù)設(shè)第二閾值的高斯分布，建立背景模型，獲得目標(biāo)背景。具體的，可以根據(jù)公式(10)建立背景模型：其中，ε為第二閾值，通常取0.3-0.9，x為取的高斯分布的個(gè)數(shù)。S130：根據(jù)獲得的目標(biāo)背景，檢測(cè)圖像序列中每一幀圖像的交通運(yùn)動(dòng)目標(biāo)。在本發(fā)明的一種具體實(shí)施方式中，步驟S130可以包括以下步驟：第一個(gè)步驟：針對(duì)圖像序列的每一幀圖像，根據(jù)獲得的該幀圖像的目標(biāo)背景，通過(guò)背景差分法獲得該幀圖像的運(yùn)動(dòng)前景區(qū)域。在步驟S120，獲得了目標(biāo)背景，根據(jù)獲得的目標(biāo)背景，通過(guò)背景差分法即可獲得運(yùn)動(dòng)前景區(qū)域。具體的，可以通過(guò)公式(11)獲得：Dt(x，y)＝|It(x，y)-Bt(x,y)|公式(11)其中，Bt(x，y)為通過(guò)混合高斯建模方法獲得的目標(biāo)背景。第二個(gè)步驟：在該幀圖像的運(yùn)動(dòng)前景區(qū)域中進(jìn)行交通運(yùn)動(dòng)目標(biāo)檢測(cè)。在本發(fā)明的一種具體實(shí)施方式中，該第二個(gè)步驟具體可以包括以下步驟：步驟一：針對(duì)圖像序列中連續(xù)的N幀圖像，對(duì)相隔一幀的兩幀圖像做差，得到多個(gè)幀差結(jié)果，N為預(yù)設(shè)值；步驟二：將每個(gè)幀差結(jié)果同中間幀和背景幀的幀差做與運(yùn)算，獲得多個(gè)與運(yùn)算結(jié)果；步驟三：將所有的與運(yùn)算結(jié)果進(jìn)行或運(yùn)算，將或運(yùn)算結(jié)果確定為交通運(yùn)動(dòng)目標(biāo)。為方便理解，以五幀差法進(jìn)行舉例說(shuō)明。假設(shè)圖像序列中連續(xù)的5幀圖像為：T1，T2，T3，T4，T5。其中T3為中間幀。對(duì)相隔一幀的兩幀圖像做差，如公式(12)、公式(13)和公式(14)所示，得到多個(gè)幀差結(jié)果：DifT31＝|T3-T1|公式(12)DifT42＝|T4-T2|公式(13)DifT53＝|T5-T3|公式(14)得到的3個(gè)幀差結(jié)果分別為：DifT31，DifT42，DifT53。將每個(gè)幀差結(jié)果同中間幀T3和背景幀的幀差DifTM做“與”運(yùn)算，如公式(15)、公式(16)和公式(17)所示，獲得多個(gè)與運(yùn)算結(jié)果：D1＝DifT31∩DifTM公式(15)D2＝DifT42∩DifTM公式(16)D3＝DifT53∩DifTM公式(17)將所有的與運(yùn)算結(jié)果進(jìn)行或運(yùn)算，即對(duì)D1、D2、D3進(jìn)行“或”運(yùn)算得到或運(yùn)算結(jié)果D，將或運(yùn)算結(jié)果確定為交通運(yùn)動(dòng)目標(biāo)。S140：提取圖像序列中每一幀圖像的交通運(yùn)動(dòng)目標(biāo)的特征點(diǎn)，獲得相應(yīng)的特征描述子。在本發(fā)明實(shí)施例中，可以使用SIFT(Scale-invariantfeaturetransform，尺度不變特征變換)算法對(duì)每一幀圖像的交通運(yùn)動(dòng)目標(biāo)提取特征點(diǎn)，并使用特征向量進(jìn)行描述。一個(gè)特征向量表示一個(gè)特征點(diǎn)，一幀圖像中可以提取若干個(gè)特征點(diǎn)。在本發(fā)明的一種具體實(shí)施方式中，步驟S140可以包括以下步驟：步驟一：根據(jù)圖像序列構(gòu)建高斯金字塔圖像模型，獲得高斯差分金字塔圖像；步驟二：計(jì)算高斯差分金字塔圖像中的局部極值點(diǎn)，將計(jì)算得到的局部極值點(diǎn)確定為候選極值點(diǎn)，并計(jì)算相應(yīng)的尺度；步驟三：擬合候選極值點(diǎn)，獲得圖像序列中運(yùn)動(dòng)目標(biāo)的特征點(diǎn)的位置和尺度；步驟四：根據(jù)特征點(diǎn)的位置和尺度，確定特征點(diǎn)對(duì)應(yīng)的特征描述子。為便于描述，將上述四個(gè)步驟結(jié)合起來(lái)進(jìn)行說(shuō)明。根據(jù)圖像序列數(shù)據(jù)可以構(gòu)建高斯金字塔圖像模型，通過(guò)對(duì)相鄰的2個(gè)高斯圖像做相減處理，可以獲得高斯差分金字塔圖像。計(jì)算高斯差分金字塔圖像中的局部極值點(diǎn)，將計(jì)算得到的局部極值點(diǎn)確定為候選極值點(diǎn)，并計(jì)算其相應(yīng)的尺度。具體的計(jì)算方法如公式(19)所示：D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)＝L(x,y,kσ)-L(x,y,σ)公式(19)其中，I(x,y)為當(dāng)前圖像像素點(diǎn)(x,y)的像素值，L(x,y,σ)＝G(x,y,σ)*I(x,y)為尺度空間，*為卷積運(yùn)算符，σ為尺度參數(shù)，σ值越大表示圖像的特征越模糊，σ值越小表示圖像的特征越清晰。擬合候選極值點(diǎn)，具體可以通過(guò)一個(gè)三維二次函數(shù)來(lái)擬合候選極值點(diǎn)，獲得圖像序列中運(yùn)動(dòng)目標(biāo)的特征點(diǎn)的精確的位置和尺度。在實(shí)際應(yīng)用中，可以同時(shí)剔除不穩(wěn)定的邊緣特征點(diǎn)以及低對(duì)比度的特征點(diǎn)，以增強(qiáng)特征點(diǎn)的獨(dú)特性，提高匹配性能。尺度空間函數(shù)D(x,y,σ)的泰勒(Taylor)展開(kāi)式表示如公式(20)所示：其中x＝(x,y,σ)T是相對(duì)于采樣點(diǎn)的偏移，對(duì)上式求導(dǎo)得到公式(21)：當(dāng)該值在任意維度x、y或σ上超過(guò)0.5時(shí)，表示插值中心偏移到其臨近點(diǎn)上，改變關(guān)鍵點(diǎn)位置，重新插值直至收斂。將極值點(diǎn)公式(21)帶入到公式(20)中，可得到公式(22)：DoG(DifferenceofGaussian)金字塔算法會(huì)在邊緣產(chǎn)生較強(qiáng)的響應(yīng)，可以去掉主曲率相差懸殊的邊緣點(diǎn)。主曲率的計(jì)算方法為：計(jì)算每個(gè)特征點(diǎn)的2×2維哈希Hessian矩陣，如公式(23)所示：D的主曲率與該Hessian矩陣的特征值成正比，設(shè)α是Hessian矩陣的較大特征值，β是Hessian矩陣較小特征值，則Hessian的跡和行列式可以表示為公式(24)和公式(25)：Tr(H)＝Dxx+Dyy＝α+β公式(24)Det(H)＝DxxDyy-(Dxy)2＝αβ公式(25)令α＝rβ，則得到公式(26)：結(jié)果只依賴于兩個(gè)特征值的比率r，隨著r的增大，即最大最小特征值比值增大，說(shuō)明兩個(gè)主曲率相差的越大，則該點(diǎn)越有可能是邊緣點(diǎn)，所以為剔除邊緣點(diǎn)，可以為r設(shè)置一個(gè)閾值，剔除高于該閾值的點(diǎn)，具體的，可以通過(guò)公式(27)進(jìn)行判斷：為了使特征點(diǎn)具有旋轉(zhuǎn)不變性，可以為每個(gè)特征點(diǎn)分配一個(gè)統(tǒng)一的基于局部圖像屬性的主方向。該方向根據(jù)特征點(diǎn)在一定鄰域內(nèi)各像素點(diǎn)的梯度大小及方向的統(tǒng)計(jì)信息對(duì)于每一個(gè)采樣點(diǎn)L(x,y)，鄰域內(nèi)像素點(diǎn)的梯度大小m(x,y)和方向θ(x,y)分別表示為公式(28)和公式(29)：用直方圖來(lái)統(tǒng)計(jì)關(guān)鍵點(diǎn)相鄰區(qū)域內(nèi)像素值的梯度分布情況，直方圖的梯度方向范圍是0-360度，有8個(gè)區(qū)間，每個(gè)區(qū)間45度，直方圖峰值所在作為該特征點(diǎn)的主方向，如圖2a和圖2b所示。按照特征點(diǎn)的主方向把圖像進(jìn)行旋轉(zhuǎn)，以保證其具有旋轉(zhuǎn)的不變性。然后，以該特征點(diǎn)為中心，選取16×16的鄰域窗口，如圖3所示。其中每個(gè)小格代表了該特征點(diǎn)相鄰區(qū)域窗口中的一個(gè)像素值，箭頭的方向?yàn)橄袼氐姆较?。?6×16鄰域窗口均勻的分成16個(gè)4×4的子區(qū)域，如圖4所示。將計(jì)算每個(gè)區(qū)域中8個(gè)方向(0°、45°、90°、135°、180°、225°、270°、315°)的梯度累加值，采用高斯模糊的方法，給每個(gè)像素梯度值分配一個(gè)權(quán)重，越遠(yuǎn)離特征點(diǎn)的像素權(quán)重越小。最后將每個(gè)子區(qū)域中的8個(gè)方向的向量信息依次排序，就可以構(gòu)成一個(gè)4×4×8＝128維的特征向量，即SIFT特征描述子，如圖5提取SIFT特征樣本示意圖。S150：將圖像序列的每一幀圖像的特征描述子進(jìn)行聚類，形成視覺(jué)詞典，每個(gè)聚類中心對(duì)應(yīng)視覺(jué)詞典中的一個(gè)視覺(jué)單詞。圖像序列的每幀圖像的特征描述子進(jìn)行聚類，形成視覺(jué)詞典。每個(gè)聚類中心對(duì)應(yīng)視覺(jué)詞典中的一個(gè)視覺(jué)單詞。S160：根據(jù)視覺(jué)詞典中每個(gè)視覺(jué)單詞出現(xiàn)的頻率，確定每一幀圖像中交通運(yùn)動(dòng)目標(biāo)的類別。可以統(tǒng)計(jì)視覺(jué)詞典中每個(gè)視覺(jué)單詞出現(xiàn)的頻率，將所有交通運(yùn)動(dòng)目標(biāo)作為訓(xùn)練樣本圖像特征向量送入SVM去學(xué)習(xí)，利用SVM來(lái)判決該交通運(yùn)動(dòng)目標(biāo)的所屬類別。表1所示為應(yīng)用本發(fā)明實(shí)施例所提供的技術(shù)方案對(duì)交通運(yùn)動(dòng)目標(biāo)進(jìn)行分類的實(shí)驗(yàn)結(jié)果，準(zhǔn)確率較高，具有較好的分類效果。機(jī)動(dòng)車非機(jī)動(dòng)車行人查全率(％)90.087.595.0查準(zhǔn)率(％)92.090.190.5表1應(yīng)用本發(fā)明實(shí)施例所提供的方法，獲得視頻信息文件中的圖像序列后，針對(duì)圖像序列，建立背景模型，獲得每一幀圖像的目標(biāo)背景，根據(jù)目標(biāo)背景，檢測(cè)每一幀圖像中的交通運(yùn)動(dòng)目標(biāo)，提取交通運(yùn)動(dòng)目標(biāo)的特征點(diǎn)，獲得相應(yīng)的特征描述子，將特征描述子進(jìn)行聚類，可以形成視覺(jué)詞典，根據(jù)視覺(jué)詞典出現(xiàn)的頻率，可以確定每一幀圖像中交通運(yùn)動(dòng)目標(biāo)的類別，可以較為準(zhǔn)確地對(duì)交通運(yùn)動(dòng)目標(biāo)進(jìn)行分類，具有較好的分類效果。相應(yīng)于上面的方法實(shí)施例，本發(fā)明實(shí)施例還提供了一種基于視頻信息的交通運(yùn)動(dòng)目標(biāo)分類裝置，下文描述的一種基于視頻信息的交通運(yùn)動(dòng)目標(biāo)分類裝置與上文描述的基于視頻信息的交通運(yùn)動(dòng)目標(biāo)分類方法可相互對(duì)應(yīng)參照。參見(jiàn)圖6所示，該裝置包括：圖像序列獲得模塊210，用于獲得視頻信息文件中的圖像序列；目標(biāo)背景獲得模塊220，用于針對(duì)圖像序列，建立背景模型，獲得每一幀圖像的目標(biāo)背景；交通運(yùn)動(dòng)目標(biāo)檢測(cè)模塊230，用于根據(jù)獲得的目標(biāo)背景，檢測(cè)圖像序列中每一幀圖像的交通運(yùn)動(dòng)目標(biāo)；特征描述子獲得模塊240，用于提取圖像序列中每一幀圖像的交通運(yùn)動(dòng)目標(biāo)的特征點(diǎn)，獲得相應(yīng)的特征描述子；視覺(jué)詞典形成模塊250，用于將圖像序列的每一幀圖像的特征描述子進(jìn)行聚類，形成視覺(jué)詞典，每個(gè)聚類中心對(duì)應(yīng)視覺(jué)詞典中的一個(gè)視覺(jué)單詞；交通運(yùn)動(dòng)目標(biāo)分類模塊260，用于根據(jù)視覺(jué)詞典中每個(gè)視覺(jué)單詞出現(xiàn)的頻率，確定每一幀圖像中交通運(yùn)動(dòng)目標(biāo)的類別。在本發(fā)明的一種具體實(shí)施方式中，目標(biāo)背景獲得模塊220，具體用于：針對(duì)圖像序列的每一幀圖像的每一個(gè)像素點(diǎn)，根據(jù)該像素點(diǎn)的像素值，確定該像素點(diǎn)的當(dāng)前高斯分布；將當(dāng)前高斯分布與預(yù)先建立的該像素點(diǎn)對(duì)應(yīng)的混合高斯模型中的每一個(gè)歷史高斯分布進(jìn)行匹配；如果當(dāng)前高斯分布與混合高斯模型中的任意一個(gè)歷史高斯分布均不匹配，且歷史高斯分布的個(gè)數(shù)小于預(yù)設(shè)第一閾值，則將當(dāng)前高斯分布增加到混合高斯模型中；如果當(dāng)前高斯分布與混合高斯模型中的任意一個(gè)歷史高斯分布均不匹配，且歷史高斯分布的個(gè)數(shù)等于預(yù)設(shè)第一閾值，則將當(dāng)前高斯分布替換混合高斯模型中優(yōu)先級(jí)最小的歷史高斯分布；如果當(dāng)前高斯分布與混合高斯模型中的至少一個(gè)歷史高斯分布匹配，則更新歷史高斯分布的相應(yīng)參數(shù)；根據(jù)更新后的混合高斯模型中高斯分布的優(yōu)先級(jí)，選擇權(quán)重值之和大于預(yù)設(shè)第二閾值的高斯分布，建立背景模型，獲得目標(biāo)背景。在本發(fā)明的一種具體實(shí)施方式中，交通運(yùn)動(dòng)目標(biāo)檢測(cè)模塊230，具體用于：針對(duì)圖像序列的每一幀圖像，根據(jù)獲得的該幀圖像的目標(biāo)背景，通過(guò)背景差分法獲得該幀圖像的運(yùn)動(dòng)前景區(qū)域；在該幀圖像的運(yùn)動(dòng)前景區(qū)域中進(jìn)行交通運(yùn)動(dòng)目標(biāo)檢測(cè)。在本發(fā)明的一種具體實(shí)施方式中，交通運(yùn)動(dòng)目標(biāo)檢測(cè)模塊230，具體用于：針對(duì)圖像序列中連續(xù)的N幀圖像，對(duì)相隔一幀的兩幀圖像做差，得到多個(gè)幀差結(jié)果，N為預(yù)設(shè)值；將每個(gè)幀差結(jié)果同中間幀和背景幀的幀差做與運(yùn)算，獲得多個(gè)與運(yùn)算結(jié)果；將所有的與運(yùn)算結(jié)果進(jìn)行或運(yùn)算，將或運(yùn)算結(jié)果確定為交通運(yùn)動(dòng)目標(biāo)。在本發(fā)明的一種具體實(shí)施方式中，特征描述子獲得模塊240，具體用于：根據(jù)圖像序列構(gòu)建高斯金字塔圖像模型，獲得高斯差分金字塔圖像；計(jì)算高斯差分金字塔圖像中的局部極值點(diǎn)，將計(jì)算得到的局部極值點(diǎn)確定為候選極值點(diǎn)，并計(jì)算相應(yīng)的尺度；擬合候選極值點(diǎn)，獲得圖像序列中運(yùn)動(dòng)目標(biāo)的特征點(diǎn)的位置和尺度；根據(jù)特征點(diǎn)的位置和尺度，確定特征點(diǎn)對(duì)應(yīng)的特征描述子。應(yīng)用本發(fā)明實(shí)施例所提供的裝置，獲得視頻信息文件中的圖像序列后，針對(duì)圖像序列，建立背景模型，獲得每一幀圖像的目標(biāo)背景，根據(jù)目標(biāo)背景，檢測(cè)每一幀圖像中的交通運(yùn)動(dòng)目標(biāo)，提取交通運(yùn)動(dòng)目標(biāo)的特征點(diǎn)，獲得相應(yīng)的特征描述子，將特征描述子進(jìn)行聚類，可以形成視覺(jué)詞典，根據(jù)視覺(jué)詞典出現(xiàn)的頻率，可以確定每一幀圖像中交通運(yùn)動(dòng)目標(biāo)的類別，可以較為準(zhǔn)確地對(duì)交通運(yùn)動(dòng)目標(biāo)進(jìn)行分類，具有較好的分類效果。本說(shuō)明書(shū)中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其它實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同或相似部分互相參見(jiàn)即可。對(duì)于實(shí)施例公開(kāi)的裝置而言，由于其與實(shí)施例公開(kāi)的方法相對(duì)應(yīng)，所以描述的比較簡(jiǎn)單，相關(guān)之處參見(jiàn)方法部分說(shuō)明即可。專業(yè)人員還可以進(jìn)一步意識(shí)到，結(jié)合本文中所公開(kāi)的實(shí)施例描述的各示例的單元及算法步驟，能夠以電子硬件、計(jì)算機(jī)軟件或者二者的結(jié)合來(lái)實(shí)現(xiàn)，為了清楚地說(shuō)明硬件和軟件的可互換性，在上述說(shuō)明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來(lái)執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專業(yè)技術(shù)人員可以對(duì)每個(gè)特定的應(yīng)用來(lái)使用不同方法來(lái)實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。結(jié)合本文中所公開(kāi)的實(shí)施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來(lái)實(shí)施。軟件模塊可以置于隨機(jī)存儲(chǔ)器(RAM)、內(nèi)存、只讀存儲(chǔ)器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤、可移動(dòng)磁盤、CD-ROM、或
技術(shù)領(lǐng)域：
內(nèi)所公知的任意其它形式的存儲(chǔ)介質(zhì)中。以上對(duì)本發(fā)明所提供的一種基于視頻信息的交通運(yùn)動(dòng)目標(biāo)分類方法及裝置進(jìn)行了詳細(xì)介紹。本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明的方法及其核心思想。應(yīng)當(dāng)指出，對(duì)于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以對(duì)本發(fā)明進(jìn)行若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。當(dāng)前第1頁(yè)1 2 3