本發(fā)明涉及一種基于車道線的車輛種類劃分方法和系統(tǒng)，屬于圖像處理技術(shù)領(lǐng)域。

背景技術(shù)：

隨著城市經(jīng)濟(jì)迅速發(fā)展以及電動(dòng)自行車等輕量代步工具的出現(xiàn)，城市電動(dòng)自行車規(guī)模迅速增長(zhǎng)，相關(guān)部門難以管理，產(chǎn)生了極大的交通安全隱患。隨著城市視頻設(shè)備數(shù)量、覆蓋率的迅速增長(zhǎng)，以及計(jì)算機(jī)圖像處理水平的提升，將視頻圖像處理技術(shù)用于城市智能交通系統(tǒng)進(jìn)行計(jì)算機(jī)自動(dòng)檢測(cè)已成為一種趨勢(shì)。通常希望對(duì)一類事物進(jìn)行單獨(dú)研究，所以對(duì)車輛類型合理進(jìn)行劃分對(duì)于智能交通檢測(cè)系統(tǒng)的研究十分重要，各種各樣的分類算法被提出。

目前幾乎所有的車輛分類算法都采用分類器對(duì)樣本進(jìn)行訓(xùn)練學(xué)習(xí)實(shí)現(xiàn)。如申瑛等提出了基于活動(dòng)輪廓與模糊型支持向量機(jī)的車輛分類算法，利用活動(dòng)輪廓模型，并采用模糊型支持向量機(jī)方法對(duì)車輛進(jìn)行分類。張偉等基于鄰接傳感器網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)提出一個(gè)有效的車輛分類算法，文學(xué)志等提出一種基于類haar特征和改進(jìn)adaboost分類器的車輛圖像識(shí)別算法。孫銳等針對(duì)車輛識(shí)別中的兩類監(jiān)督分類問(wèn)題，提出一種基于核k-svd字典訓(xùn)練結(jié)合稀疏表示的分類方法，張鵬等針對(duì)實(shí)際應(yīng)用中因圖像清晰度低等因素導(dǎo)致的車型識(shí)別誤差過(guò)大的問(wèn)題，提出了一種基于稀疏尺度不變轉(zhuǎn)換特征的車型識(shí)別算法，陳湘軍等提出了車輛圖像稀疏特征表示方法,并實(shí)現(xiàn)了基于稀疏特征的車輛圖像支持向量機(jī)線性分類器,構(gòu)建了基于稀疏特征和背景建模的監(jiān)控車輛分類識(shí)別應(yīng)用框架。王海等針對(duì)已有分類器在結(jié)構(gòu)形式和訓(xùn)練方法的不足,構(gòu)建了一個(gè)以二維深度置信網(wǎng)絡(luò)為架構(gòu)的弱監(jiān)督分層深度學(xué)習(xí)車輛識(shí)別算法。董恩增等針對(duì)車型識(shí)別的過(guò)程中存在處理的信息量大,提取特征維數(shù)高,識(shí)別實(shí)時(shí)性較差等問(wèn)題,設(shè)計(jì)了一種融入pca的lbp特征降維車型識(shí)別算法。上述現(xiàn)有的利用分類器算法進(jìn)行車輛種類劃分時(shí)，速度比較慢，且識(shí)別效率依賴于訓(xùn)練的樣本量，應(yīng)用到基于視頻的交通研究系統(tǒng)中時(shí)，實(shí)時(shí)性較差，分類效率低。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：針對(duì)現(xiàn)有技術(shù)中存在的問(wèn)題，本發(fā)明目的在于提供一種基于車道線的車輛種類劃分方法和系統(tǒng)，解決電動(dòng)車與其他目標(biāo)難以區(qū)分的問(wèn)題，并能提高車輛分類的準(zhǔn)確性與實(shí)時(shí)性。

技術(shù)方案：為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明提供一種基于車道線的車輛種類劃分方法，包括如下步驟：

(1)基于霍夫變換從道路監(jiān)測(cè)視頻圖像中提取道路左右兩側(cè)的車道線；

(2)基于vibe背景差分算法獲取視頻圖像中的前景目標(biāo)并對(duì)前景目標(biāo)進(jìn)行孔洞移除和平滑處理；

(3)以車道線為參考系計(jì)算目標(biāo)的實(shí)際寬度，將目標(biāo)的實(shí)際寬度導(dǎo)入以車輛寬度作為分類標(biāo)準(zhǔn)的車輛分類器中，得到目標(biāo)的車輛類型；

(4)對(duì)分類結(jié)果進(jìn)行誤差修正，排除行駛軌跡不為直線的目標(biāo)的分類結(jié)果。

作為優(yōu)選，所述步驟(4)的誤差修正還包括基于從視頻的多幀圖像中獲取的同一目標(biāo)實(shí)際寬度的平均值進(jìn)行車輛類型分類。

作為優(yōu)選，所述步驟(1)中，將利用霍夫變換從視頻首幀圖像中獲取的直線分為斜率大于0和斜率小于0兩組，并分別從這兩組直線中選出最長(zhǎng)的一條分別作為左車道線和右車道線。

作為優(yōu)選，所述步驟(3)中目標(biāo)的實(shí)際寬度ws1＝(ws2/w1)w2，其中ws2為目標(biāo)的外接矩形框在視頻圖像中的像素寬度，w1為目標(biāo)的外接矩形框的中心點(diǎn)在水平方向上的延長(zhǎng)線與左右兩車道線的兩交點(diǎn)的距離，w2為道路的實(shí)際寬度。

作為優(yōu)選，所述步驟(3)中車輛分類器表示為：

其中，ws為車輛的實(shí)際寬度，a1,a2,…,an分別表示n種車輛類型，(w(1)min,w(2)max)(w(2)min,w(2)max)，…，(w(n)min,w(n)max)分別表示相應(yīng)車輛類型的寬度范圍，每種車輛類型的寬度范圍都與其他類型的寬度范圍不相交。

作為優(yōu)選，所述步驟(4)中判斷目標(biāo)行駛軌跡是否為直線的方法是：首先從目標(biāo)行駛軌跡中選取若干個(gè)點(diǎn)作為分析樣本；然后從樣本中隨機(jī)選取兩個(gè)點(diǎn)構(gòu)成直線，并計(jì)算其余點(diǎn)到該直線的距離，若距離在閾值范圍內(nèi)的點(diǎn)數(shù)占總點(diǎn)數(shù)的95％以上，則認(rèn)為目標(biāo)的行駛軌跡為直線，否則不為直線。

本發(fā)明還提供一種采用上述的基于車道線的車輛種類劃分方法的基于車道線的車輛種類劃分系統(tǒng)，包括：車道線檢測(cè)模塊，用于基于霍夫變換從道路監(jiān)測(cè)視頻圖像中提取道路左右兩側(cè)的車道線；前景處理模塊，用于基于vibe背景差分算法獲取視頻圖像中的前景目標(biāo)并對(duì)前景目標(biāo)進(jìn)行孔洞移除和平滑處理；目標(biāo)寬度計(jì)算模塊，用于以車道線為參考系計(jì)算目標(biāo)的實(shí)際寬度；車輛分類器模塊，用于根據(jù)輸入的目標(biāo)的實(shí)際寬度對(duì)目標(biāo)的車輛類型進(jìn)行劃分；以及，誤差修正模塊，用于對(duì)分類結(jié)果進(jìn)行誤差修正，排除行駛軌跡不為直線的目標(biāo)的分類結(jié)果。

有益效果：針對(duì)城市道路監(jiān)控視頻中電動(dòng)自行車目標(biāo)多、難以與其他目標(biāo)進(jìn)行區(qū)分的特點(diǎn)，本發(fā)明提出的一種基于車道線的車輛種類劃分方法，首先對(duì)視頻中的車道線進(jìn)行檢測(cè)，然后利用vibe算法提取前景目標(biāo)并對(duì)前景進(jìn)行處理，再以車道線作為參照，根據(jù)目標(biāo)的大小規(guī)模進(jìn)行種類劃分，從而實(shí)現(xiàn)汽車與電動(dòng)自行車以及其他車輛類型的劃分。大量的實(shí)驗(yàn)結(jié)果表明，本發(fā)明方法能有效的對(duì)車輛進(jìn)行種類劃分，誤差很低，能夠十分方便的應(yīng)用到各種交通事件檢測(cè)系統(tǒng)中，具有較好的實(shí)時(shí)性與魯棒性。

附圖說(shuō)明

圖1為本發(fā)明實(shí)施例的方法流程圖。

圖2為利用霍夫變換檢測(cè)的直線結(jié)果集示意圖。

圖3為直線約束范圍示意圖。

圖4為vibe算法中2-d歐式空間中像素分類示意圖。

圖5為基于vibe算法獲取的前景圖像示圖。

圖6為孔洞移除后的前景圖像示圖。

圖7為平滑處理后的前景圖像示圖。

圖8為車輛類型差異示意圖。

圖9為車輛與車道線參照示意圖。

圖10為目標(biāo)像素寬度示意圖。

圖11為分類效果圖。其中(a)、(b)為小汽車的分類結(jié)果示意圖，(c)、(d)為電動(dòng)自行車的分類結(jié)果示意圖。

圖12為本發(fā)明實(shí)施例的系統(tǒng)結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例，進(jìn)一步闡明本發(fā)明，應(yīng)理解這些實(shí)施例僅用于說(shuō)明本發(fā)明而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對(duì)本發(fā)明的各種等價(jià)形式的修改均落于本申請(qǐng)所附權(quán)利要求所限定的范圍。

本發(fā)明實(shí)施例公開的一種基于車道線的車輛種類劃分方法，首先提出了一種車道線檢測(cè)方法用于提取車道線，其次采用了當(dāng)前在交通跟蹤方面識(shí)別速度最快的vibe背景差分算法用于獲取前景目標(biāo)并對(duì)前景目標(biāo)進(jìn)行處理，再以車道線作為參照系，計(jì)算目標(biāo)的實(shí)際寬度，對(duì)目標(biāo)種類進(jìn)行劃分后，得出目標(biāo)的類型。整個(gè)算法沒(méi)有復(fù)雜的數(shù)學(xué)計(jì)算以及利用目標(biāo)寬度總在一定范圍內(nèi)的特性，提高了車輛分類的準(zhǔn)確性與實(shí)時(shí)性，算法流程圖如圖1所示。詳細(xì)步驟如下：

步驟(1)車道線檢測(cè)：基于霍夫變換從道路監(jiān)測(cè)視頻圖像中提取道路左右兩側(cè)的車道線。

利用霍夫變換提取出的直線集合含有大量干擾直線，而車道線在道路監(jiān)控視頻中的幾何特性十分特殊，本發(fā)明利用車道線的幾何特性從視頻畫面中識(shí)別出車道線。包括：

(1.1)霍夫變換提取直線

霍夫變換(houghtransform)是圖像處理中從圖像中識(shí)別幾何形狀的基本方法之一，應(yīng)用很廣泛，也有很多改進(jìn)算法。主要用來(lái)從圖像中分離出具有某種相同特征的幾何形狀(如直線，圓等)。最基本的霍夫變換是從黑白圖像中檢測(cè)直線。

車道線在視頻畫面中呈現(xiàn)為直線的形式，利用霍夫變換可從視頻首幀中獲取直線的結(jié)果集：

z＝{z1,z2,…,zn}(1)

其中z為利用霍夫變換提取出的直線集合，z1～zn為集合中的元素，待提取車道線，如圖2所示。

(1.2)篩選直線

通常情況下左右兩車道線分布在視頻圖像左右兩邊，且傾斜程度在一定范圍內(nèi)。

設(shè)兩車道線的斜率分別為k1、k2，通過(guò)對(duì)大量圖像樣本進(jìn)行計(jì)算分析得出左、右車道線的斜率約束范圍：kmin<|k1∣<kmax，kmin<∣k2∣<kmax，其中kmin為范圍下限，kmax為范圍上限，如圖3所示。

(1.3)提取車道線

左右兩車道線(道路的實(shí)線邊界)貫穿整個(gè)視頻畫面，通常為視頻畫面中長(zhǎng)度最長(zhǎng)的兩條直線，設(shè)左右兩車道線分別為l1與l2，可得提取兩車道線的公式：

其中max為取直線結(jié)果集合中長(zhǎng)度最大值函數(shù)，z⁺為z中斜率大于0的直線集合,z^-為z中斜率小于0的直線集合。

步驟(2)前景處理：基于vibe背景差分算法獲取視頻圖像中的前景目標(biāo)并對(duì)前景目標(biāo)進(jìn)行孔洞移除和平滑處理。

vibe是一種像素級(jí)視頻背景建?；蚯熬皺z測(cè)的算法，效果優(yōu)于所熟知的幾種算法，對(duì)硬件內(nèi)存占用也少。vibe是一種像素級(jí)的背景建模、前景檢測(cè)算法，該算法主要不同之處是背景模型的更新策略，隨機(jī)選擇需要替換的像素的樣本，隨機(jī)選擇鄰域像素進(jìn)行更新。在無(wú)法確定像素變化的模型時(shí)，隨機(jī)的更新策略，在一定程度上可以模擬像素變化的不確定性。

背景模型定義：背景模型中的每一個(gè)像素由n個(gè)背景樣本組成(此處，n取值為20)，記v(x)表示在給定的歐式顏色空間中圖像在x處的像素值，vi表示索引為i的背景樣本值。背景模型m定義如式(3)所示：

m(x)＝{v1,v2,…,vn-1,vn}(3)

背景初始化：初始化背景的過(guò)程也是選取v(x)的過(guò)程，vibe算法從x的8領(lǐng)域ng(x)中隨機(jī)選取20個(gè)樣本值用于初始化背景模型，如式(4)所示：

m⁰(x)＝{v⁰(y|y∈ng(x))}(4)

其中m⁰(x)為初始化的背景模型。

隨機(jī)選擇策略：vibe算法采用2-d空間中的歐式距離對(duì)像素進(jìn)行分類，記sr(v(x))表示以v(x)為中心，半徑為r的2-d歐式空間(見圖4)，若sr(v(x))與m(x)的交集滿足一定的基數(shù)(h{}表示交集不小于2)，則認(rèn)為v(x)是背景像素，如式(5)所示：

h{sr(v(x))∩{v1,v2,…,vn}}(5)

背景模型更新策略：如果像素p(x)是背景像素，則隨機(jī)地從m(x)中選取一個(gè)值采用p(x)代替，這種統(tǒng)一分布的隨機(jī)選取法保證了樣本集合中每一個(gè)樣本的生命周期成指數(shù)遞減，避免了像素長(zhǎng)期保留在背景模型中影響模型的精確性。前景圖像如圖5所示。

信息傳播機(jī)制：為了保持像素領(lǐng)域空間的一致性，vibe算法對(duì)v(x)的樣本進(jìn)行更新的同時(shí)，采用同樣的更新方法來(lái)更新領(lǐng)域ng(x)中像素的樣本，例如：采用v(x)替換樣本模型m(x)中的一個(gè)樣本，同時(shí)采用v(x)更新ng(v(x))中某一個(gè)像素的樣本。

通過(guò)vibe算法獲取的前景圖像并不規(guī)則，因此需要對(duì)前景圖進(jìn)行孔洞移除與平滑處理。其中，孔洞移除是對(duì)前景圖的連通域進(jìn)行遍歷，將面積小的連通域的所有像素點(diǎn)的像素值進(jìn)行反轉(zhuǎn)，平滑處理是對(duì)前景圖進(jìn)行領(lǐng)域平均值平滑處理，再進(jìn)行二值化。孔洞移除和平滑處理后的前景圖像分別如圖6、圖7所示。

由vibe算法的核心描述可以看出，背景模型的定義、初始化、更新以及像素的分類都比較簡(jiǎn)單，整個(gè)算法中沒(méi)有復(fù)雜的計(jì)算，從而保證了算法的實(shí)時(shí)性。

步驟(3)目標(biāo)分類：基于目標(biāo)的實(shí)際寬度，進(jìn)行車輛的類型劃分。

在基于視頻的交通事件研究中，往往希望對(duì)一類目標(biāo)進(jìn)行研究，合理的分類算法能讓研究事半功倍。傳統(tǒng)的分類算法采用svm分類器對(duì)樣本進(jìn)行訓(xùn)練，該方法效率低、耗時(shí)長(zhǎng)，實(shí)時(shí)性差，依賴于樣本數(shù)量。而在交通研究中，一類車輛類型與其他車輛類型的差異主要在于車輛的大小，本發(fā)明依照目標(biāo)的大小對(duì)目標(biāo)進(jìn)行種類劃分，進(jìn)而成功對(duì)檢測(cè)出的目標(biāo)進(jìn)行分類。

●建立車輛分類器

不同種車輛類型因?yàn)樯a(chǎn)規(guī)格的不同而在寬度存在差異，甚至電動(dòng)自行車的寬度不及小汽車的一半，如圖8所示(圖中處于同一水平位置的小汽車實(shí)體e1的寬度為電動(dòng)自行車實(shí)體e2的3.5倍)。根據(jù)各種車型的生產(chǎn)尺寸標(biāo)準(zhǔn)，不同的車輛類型的寬度限定在一定范圍內(nèi)，例如小汽車生產(chǎn)規(guī)格如表1,所以可利用此特性建立車輛分類器。

表1小汽車尺寸規(guī)格表

根據(jù)數(shù)據(jù)，就可確定小汽車寬度范圍在1.5-2.0范圍內(nèi)。設(shè)存在n種類型的車輛，每種車輛類型的寬度范圍都與其他類型的寬度范圍不相交，設(shè)這n種車輛類型分別為a1,a2,…,an，a1的寬度范圍為(w(1)min,w(2)max)，a2的寬度范圍為(w(2)min,w(2)max)，…，an的寬度范圍為(w(n)min,w(n)max)，依下式建立n種類型的車輛分類器category(s)：

其中ws為車輛s的寬度。

●參照系選定

在交通視頻中，畫面中的所有目標(biāo)都會(huì)產(chǎn)生透視(近大遠(yuǎn)小)的效果，同樣大小的物體，在遠(yuǎn)離攝像頭的位置在畫面中的規(guī)模小，在臨近攝像頭的位置在畫面中的規(guī)模大。物體在視頻中的大小不固定，十分不利于對(duì)物體的行為研究，所以需要建立一個(gè)參照系方便獲取待研究目標(biāo)的實(shí)際寬度。

選取合適的參照系可以方便對(duì)目標(biāo)的研究，選取實(shí)際大小不會(huì)發(fā)生變化且在畫面中靜止的車道作為參照系。

記目標(biāo)s所在位置的路面像素寬度為w1，道路的實(shí)際寬度為w2，如圖9所示。

●計(jì)算實(shí)際寬度

在視頻畫面中，不能直接獲取目標(biāo)的實(shí)際寬度，可利用參照系，間接得出目標(biāo)的寬度。

記目標(biāo)s的實(shí)際寬度為ws1，代表s的外接矩形框在視頻中的像素寬度為ws2，如圖10所示。

p＝ws2/w1，其中p為目標(biāo)寬度所占道路寬度的比例，w1為代表目標(biāo)s的外接矩形框的中心點(diǎn)在水平方向上的延長(zhǎng)線與左右兩車道線的兩交點(diǎn)的距離。目標(biāo)寬度所占道路寬度比例與道路實(shí)際寬度的乘積即為目標(biāo)的實(shí)際寬度，計(jì)算公式為：

ws1＝pw2＝(ws2/w1)w2(7)

●種類劃分

將得到的寬度導(dǎo)入分類器比對(duì)，獲取車輛類型：

a＝category(s)(8)

其中a為目標(biāo)s的類型。

可見，整個(gè)分類過(guò)程沒(méi)有復(fù)雜的數(shù)學(xué)計(jì)算，即時(shí)應(yīng)用性良好，計(jì)算速度快，不會(huì)給視頻播放系統(tǒng)帶來(lái)很大的負(fù)擔(dān)。

步驟(4)誤差修正：通過(guò)對(duì)多幀圖像進(jìn)行統(tǒng)計(jì)和分析對(duì)目標(biāo)分類結(jié)果進(jìn)行誤差修正。

在道路中，通常情況下不會(huì)僅僅存在車輛，還會(huì)存在行人、雜物、動(dòng)物等其他非行駛車輛，且單幀分類獲取的分類結(jié)果很容易產(chǎn)生誤差，所以需要一種合理的決策方法來(lái)消除誤差。對(duì)于進(jìn)入畫面的目標(biāo)，應(yīng)當(dāng)對(duì)其進(jìn)行全程跟蹤，跟蹤采用前后兩幀目標(biāo)的距離來(lái)判斷，若前后兩幀的兩個(gè)目標(biāo)的中心距離小于閾值dt,則認(rèn)為是同一目標(biāo)。本發(fā)明的誤差修正主要涉及如下兩個(gè)方面：

(1)軌跡分析，正常行駛的車輛的行駛軌跡應(yīng)當(dāng)接近一條直線，從車輛行駛軌跡(同一目標(biāo)的外接矩形框的中心點(diǎn)的集合)中選取np個(gè)點(diǎn)作為樣本，對(duì)樣本進(jìn)行分析，設(shè)樣本集為：

p＝{p1,p2,…,pn}(9)

①隨機(jī)的從p中選取兩個(gè)點(diǎn)構(gòu)成直線lp，并將其移除p中。

②從p中選取一個(gè)未標(biāo)記的點(diǎn)p，計(jì)算p到lp的距離，判斷是否在threshold范圍內(nèi)。

③對(duì)p中所有點(diǎn)執(zhí)行②中操作，計(jì)算到lp的距離在threshold范圍內(nèi)的點(diǎn)的個(gè)數(shù)c，若c/np>0.95則認(rèn)為軌跡為直線。

對(duì)于軌跡不為直線的目標(biāo)，認(rèn)為是非行駛車輛的其他運(yùn)動(dòng)物體，應(yīng)當(dāng)對(duì)其進(jìn)行誤差修正，將其移除已分類的列表。

(2)多幀統(tǒng)計(jì)，對(duì)于獲取的車輛寬度計(jì)算多幀的結(jié)果取平均值操作避免某一幀提取的車輛前景不準(zhǔn)確的情況。由于背景差分法獲取的前景并不是絕對(duì)準(zhǔn)確，在某一幀時(shí)，提取的前景目標(biāo)大小可能跟實(shí)際的目標(biāo)大小相差甚遠(yuǎn)，以取平均值的方式即可極大程度上避免這種情況的發(fā)生。

如圖12所示，本發(fā)明實(shí)施例公開的基于車道線的車輛種類劃分系統(tǒng)，包括：車道線檢測(cè)模塊，用于基于霍夫變換從道路監(jiān)測(cè)視頻圖像中提取道路左右兩側(cè)的車道線；前景處理模塊，用于基于vibe背景差分算法獲取視頻圖像中的前景目標(biāo)并對(duì)前景目標(biāo)進(jìn)行孔洞移除和平滑處理；目標(biāo)寬度計(jì)算模塊，用于以車道線為參考系計(jì)算目標(biāo)的實(shí)際寬度；車輛分類器模塊，用于根據(jù)輸入的目標(biāo)的實(shí)際寬度對(duì)目標(biāo)的車輛類型進(jìn)行劃分；以及，誤差修正模塊，用于對(duì)分類結(jié)果進(jìn)行誤差修正，基于目標(biāo)寬度的均值進(jìn)行分類，并排除行駛軌跡不為直線的目標(biāo)的分類結(jié)果。

下面通過(guò)如下實(shí)驗(yàn)來(lái)驗(yàn)證本發(fā)明方法的有效性和優(yōu)勢(shì)。

本發(fā)明實(shí)驗(yàn)環(huán)境為intel(r)core(tm)i5-2410mcpu，8g內(nèi)存的pc機(jī)。實(shí)驗(yàn)數(shù)據(jù)由網(wǎng)絡(luò)下載和自行拍攝的城市交通道路視頻，圖像大小為600×400。采用了路面存在電動(dòng)自行車、小汽車與大型車的視頻進(jìn)行實(shí)驗(yàn)，并分別采用正常光線環(huán)境，暗光環(huán)境，道路目標(biāo)復(fù)雜的環(huán)境進(jìn)行測(cè)試。

本發(fā)明采用分類準(zhǔn)確率與識(shí)別速率兩個(gè)參數(shù)對(duì)測(cè)試結(jié)果進(jìn)行評(píng)價(jià)，通過(guò)對(duì)本發(fā)明算法與陳湘軍等的基于稀疏特征的車輛圖像支持向量機(jī)線性分類器(svm)對(duì)比測(cè)試，測(cè)試結(jié)果如下表：

表2本發(fā)明算法分類結(jié)果(正常環(huán)境)

表3svm分類結(jié)果(正常環(huán)境)

表4本發(fā)明算法分類結(jié)果(暗光環(huán)境)

表5svm分類結(jié)果(暗光環(huán)境)

表6本發(fā)明算法分類結(jié)果(復(fù)雜環(huán)境)

表7svm分類結(jié)果(復(fù)雜環(huán)境)

由表2-表7可以看出，由于本發(fā)明基于車道線獲取車輛寬度，依照實(shí)際寬度對(duì)種類進(jìn)行劃分，沒(méi)有復(fù)雜的數(shù)學(xué)運(yùn)算，而svm分類器依賴于樣本數(shù)量，所以在本實(shí)驗(yàn)環(huán)境下效率較svm分類器效率高，速度更快，實(shí)時(shí)性良好。從表中數(shù)據(jù)可以看出，在暗光環(huán)境與復(fù)雜環(huán)境下，分類的準(zhǔn)確率有所下降，這是由于測(cè)試視頻的清晰度不夠以及光線不充足的原因所致。

本發(fā)明方法首先利用霍夫變換及約束條件提取車道線，再采用vibe背景差分法提取前景圖像，并對(duì)前景圖像進(jìn)行優(yōu)化處理，然后根據(jù)車輛寬度范圍建立車輛分類器，再利用車道線作為參照獲取車輛實(shí)際寬度，導(dǎo)入車輛分類器比對(duì)得出車輛類型，最后對(duì)車輛軌跡分析以及多幀統(tǒng)計(jì)對(duì)車輛進(jìn)行誤差分析，從而獲取最終分類。整個(gè)算法沒(méi)有復(fù)雜的數(shù)學(xué)計(jì)算，基于平面幾何學(xué)，實(shí)時(shí)性與準(zhǔn)確度良好，可以十分方便的應(yīng)用到基于視頻的交通研究中。