[发明专利]人车分类方法和装置

说明书

技术领域

本发明涉及视频监控技术领域，尤其是涉及一种人车分类方法和装置。

背景技术

随着城市化的发展，城镇人口数量越来越大，城市交通也越来越拥挤，交通事故也随之增加。在交通事故中处于弱势一方的通常是行人，因此，人和车辆分类在交通状态分析中有很重要的作用。

公开号为CN104463194A的中国专利申请介绍了一种人车分类方法及装置，首先计算训练样本集的类内差异性值和类间差异性值，将类内差异性值和类间差异性值的比值记做差异性比值，根据差异性比值和阈值作比较，根据比较的结果设定卷积神经网络的卷积层数；其次是初始化卷积神经网络，利用前面的卷积层数对初始化的卷积神经网络进行训练，得到卷积神经网络模型；最后，输入待检测的图像，利用卷积神经网络模型进行人车分类。此种方法需要收集大量的训练样本，对训练模型的硬件要求比较高，提高了硬件成本。

公开号为CN104519323A的中国专利申请介绍了一种人车目标分类系统和方法，首先按设定字节量将视频进行物理分割，得到多个视频块，将这些视频块存贮在不同的子节点；其次根据每个视频块中的关键帧对视频进行分片，解析分片得到健值对，根据键值对对视频分片进行人车分类。此种方法对于光照、背景变化的人车图像较敏感，分类准确率较低。

综上所述，现有技术的人车分类方法，有的硬件成本较高，有的准确率较低，因此亟需提出一种硬件成本低、准确率又高的人车分类方法。

发明内容

本发明的主要目的在于提供一种人车分类方法和装置，旨在降低硬件成本，提高准确率。

为达以上目的，本发明提出一种人车分类方法，包括以下步骤：

检测视频中的运动目标，获得运动目标图像；

计算出所述运动目标图像的梯度方向直方图；

从所述梯度方向直方图中提取出特征向量，将所述特征向量作为输入向量利用支持向量机对所述运动目标图像进行分类，获得第一类图像和第二类图像，所述第一类图像为机动车图像。

优选地，所述获得第一类图像和第二类图像的步骤之后还包括：

将所述第二类图像从上到下分别分割成n部分和n+1部分，分别计算出各部分的梯度方向直方图，其中n取大于或等于2的整数；

从所述各部分的梯度方向直方图中提取出特征向量，将所述特征向量作为输入向量利用支持向量机对所述第二类图像进行分类，获得行人图像和非机动车图像。

优选地，所述从所述梯度方向直方图中提取出特征向量包括：

从所述梯度方向直方图中提取出由f1[0]、f1[1]、f1[2]、f1[3]和f1[4]组成的五维数组作为特征向量，其中：

f1[0]为所述运动目标图像的宽度与高度的比值，f1[1]为所述运动目标图像的垂直梯度方向像素个数和水平梯度方向像素个数之和与除垂直和水平梯度方向以外的其它梯度方向像素个数之和的比值，f1[2]为所述梯度方向直方图中的最小值的数组下标，f1[3]为所述梯度方向直方图中的最大值的数组下标，f1[4]为所述运动目标图像的上半部分灰度值之和与下半部分灰度值之和的比值。

优选地，所述将所述第二类图像从上到下分别分割成n部分和n+1部分，分别计算出各部分的梯度方向直方图，包括：

将所述第二类图像从上到下等分成第一部分、第二部分和第三部分共三部分，分别计算出每一部分的梯度方向直方图；将所述第二类图像从上到下等分成第一部分、第二部分、第三部分和第四部分共四部分，分别计算出每一部分的梯度方向直方图。

优选地，从所述各部分的梯度方向直方图中提取出特征向量包括：

从所述梯度方向直方图中提取出由f2[0]、f2[1]、f2[2]和f2[3]组成的四维数组作为特征向量，其中：

f2[0]为三等分所述第二类图像时第二部分和第三部分中垂直梯度方向直方图的占比，f2[1]为三等分所述第二类图像时第二部分中水平梯度方向直方 图的占比，f2[2]为四等分所述第二类图像时第三部分和第四部分的水平梯度方向直方图之和与垂直梯度方向直方图之和的比值，f2[3]为四等分所述第二类图像时第四部分的水平梯度方向直方图与除水平和垂直梯度方向以外的其它梯度方向的直方图之和的比值。

本发明同时提出一种人车分类装置，包括：

运动目标检测模块，用于检测视频中的运动目标，获得运动目标图像；

第一计算模块，用于计算出所述运动目标图像的梯度方向直方图；