技術(shù)特征：

1.一種基于機器視覺的城市環(huán)境行駛車輛行為識別方法，其特征在于步驟如下：

步驟1：車輛目標檢測與跟蹤：利用背景差分法與混合高斯模型建模的方法進行運動車輛目標檢測，然后利用光流的跟蹤算法對檢測出的運動車輛目標進行跟蹤，具體為：

步驟a：分別按照和計算一段時間內(nèi)視頻序列圖像的像素亮度的均值μ₀(x,y)及方差以μ₀(x,y)和分別為像素均值和方差組成具有高斯分布的圖像B₀，B₀即為初始的背景估計圖像；

其中，N為初始化背景圖像選取時間段內(nèi)序列圖像的總幀數(shù)，150≤N≤200；f_i(x,y)為第i幀圖像在第x行、y列的像素亮度值，(x,y)表示圖像中的像素位置為x行、y列；

步驟b：分別按照μ_j(x,y)＝(1-α)·μ_j-1(x,y)+α·f_j(x,y)和更新背景估計圖像的均值μ_j(x,y)和方差得到更新后的第j幀圖像的背景估計圖像B_j；

其中，δ是[0,1]之間的常數(shù)，K是混合高斯模型的個數(shù)，3≤K≤5；j≥1，f_j(x,y)表示第j幀圖像在第x行、y列的像素亮度值；

步驟c：按照d_j(x,y)＝|f_j(x,y)-B_j(x,y)|計算得到當前幀圖像和當前幀背景估計圖像的差分圖像，并按照對差分圖像進行二值化處理，得到檢測出的運動車輛區(qū)域，即二值化處理后圖像M中像素值為1的區(qū)域，圖像M中像素值為0的區(qū)域為背景區(qū)域；第j幀圖像中M_j(x,y)＝1表示的運動區(qū)域；

其中，r為灰度閾值，50≤r≤60；

步驟d：對每一幀圖像檢測出的運動車輛區(qū)域進行角點特征提取，再應用金字塔Lucas-Kanade稀疏光流算法對所有幀視頻圖像中的角點進行跟蹤，得到運動車輛運動軌跡；

步驟2：車輛軌跡特征提取：使用矩陣網(wǎng)格和雙向直方圖相結(jié)合的軌跡特征提取方法，構(gòu)造車輛軌跡特征向量，為車輛行為分類提供特征依據(jù)，具體為：

步驟a：以步驟1得到的運動車輛軌跡坐標為基準，以軌跡橫坐標為x軸、軌跡縱坐標為y軸構(gòu)造車輛軌跡坐標系Oxy，分別求出所有點的x軸方向最大值x_max和最小值x_min、y軸方向最大值y_max和最小值y_min，在坐標系Oxy創(chuàng)建寬為高為的矩陣網(wǎng)格，對網(wǎng)格中每一個子網(wǎng)格賦予初始值0；

步驟b：對軌跡坐標所在的子網(wǎng)格進行賦值，先沿x軸正方向，再沿y軸正方向，按順序賦予遞增的權(quán)重值1、2、3、……，得到軌跡坐標矩陣；

步驟c：對軌跡坐標矩陣的行和列分別構(gòu)造直方圖，使用雙向直方圖估算車輛目標的基本行為趨勢，即依據(jù)軌跡坐標矩陣行和列的直方圖整體趨勢走向，如果自左至右遞減，則趨向于右轉(zhuǎn)彎；如果自左至右遞增，則趨向于左轉(zhuǎn)彎；如果中間向兩邊遞減，則軌跡線呈直行趨勢，得到運動車輛行為趨勢為左轉(zhuǎn)彎、右轉(zhuǎn)彎或直行；

其中，直方圖橫坐標表示軌跡坐標矩陣的行數(shù)或列數(shù)，直方圖的縱坐標統(tǒng)計軌跡坐標矩陣中某一行或列中矩陣元素值不為0的個數(shù)；

步驟d：由步驟c得到的行為趨勢和步驟b得到的軌跡坐標矩陣構(gòu)成運動車輛的軌跡特征向量；

步驟3：車輛行為訓練：利用SVM兩層分類器結(jié)構(gòu)對車輛軌跡樣本進行行為訓練，得到樣本數(shù)據(jù)的識別結(jié)果，具體為：

步驟a：創(chuàng)建軌跡樣本：用圖片生成工具導入預先采集的視頻的模擬背景，并創(chuàng)建包括直行、左轉(zhuǎn)彎、右轉(zhuǎn)彎三種類型的軌跡樣本各100張；

步驟b：根據(jù)步驟2的軌跡特征提取方法對軌跡樣本進行軌跡特征提取，得到各種類型軌跡樣本的軌跡特征向量；

步驟c：利用SVM兩層分類器對步驟b得到的樣本的軌跡特征向量進行訓練，得到樣本數(shù)據(jù)的識別結(jié)果；

步驟4：車輛行為識別：根據(jù)步驟3訓練得到的SVM分類器，對步驟2得到的運動車輛軌跡特征向量進行車輛行為識別，最終得到車輛行為為左轉(zhuǎn)彎、右轉(zhuǎn)彎或直行。