[发明专利]一种基于自适应局部特征背景模型的车辆检测方法

说明书

技术领域

本发明涉及智能交通研究领域，尤其是复杂城市交通场景中的车辆检测方法研究。

背景技术

近年来，作为智能交通系统和智慧城市的重要部分，城市交通的智能化得到了更多的关注，目前，在城市的很多交通卡口都安装了视频传感器，每天都会产生成千上万的视频数据，而城市交通中交通密度大，交通拥堵严重，各道路使用者呈现多样性，从城市交通复杂的背景中得到运动的前景对城市交通和城市公共安全至关重要，然而找到一个通用的鲁棒的城市交通车辆的前景检测和分割的方法依然是一个挑战。

在车辆检测的过程中，当前背景模型在复杂交通场景中容易被突然或者逐渐变化的光照所污染，从而使得检测变得困难。

发明内容

发明目的：为了解决现有技术存在的问题，有效地解决背景模型在复杂交通场景中容易被突然或者逐渐变化的光照所污染的问题，本发明提供一种基于自适应局部特征背景模型的车辆检测方法。

技术方案：一种基于自适应局部特征背景模型的车辆检测方法，包括以下步骤：

(1)视频传感器实时采集交通场景视频图像，定义图像中的像素点在以当前像素为中心的像素块内的自适应局部二值模式特征为ALMP，计算公式为：

式中，位置(x,y)是像素块的中心像素，i_x,y是在(x,y)位置处的中心像素点的像素值，i_x,y,p对应(x,y)位置处中心像素点的邻域P个像素点的集合中第P个像素点的像素值，m是像素块中中心像素点与其邻域像素的平均值，T为自适应距离阈值；

(2)将采集到的图像的像素点作为样本，计算最近N个被采集到的图像的每个像素点的ALMP特征为b_M(x,y),M∈[1,N]，并使用b_M(x,y),M∈[1,N]描述背景模型B(x,y)，对背景模型B(x,y)进行初始化；

(3)背景模型初始化后，设采集的像素点在第t帧的ALMP特征为I_t(x,y)，然后计算I_t(x,y)与b_M(x,y)之间的汉明距离，判断视频图像中的像素点为背景或前景；

(4)基于联合保守更新和随机采样的方法更新背景模型。

有益效果：相比较现有技术，本发明可以有效地解决背景模型在复杂交通场景中容易被突然或者逐渐变化的光照所污染的问题。

附图说明

图1为本发明预定义的5×5的像素块；

图2为自适应局部均值二值模式的计算过程。

具体实施方式

下面结合附图和具体实施方式，对本发明作进一步说明。

该方法包括以下步骤：

(1)视频传感器实时采集交通场景视频图像，定义图像中的像素点在以当前像素为中心的像素块内的自适应局部二值模式特征为ALMP，计算公式为：

式中，位置(x,y)是像素块的中心像素，i_x,y是在(x,y)位置处的中心像素点的像素值，i_x,y,p对应(x,y)位置处中心像素点的邻域P个像素点的集合中第P个像素点的像素值，m是像素块中中心像素点与其邻域像素的平均值，T为自适应距离阈值；式中，位置(x,y)是像素块的中心像素，ALMP(x,y)是在(x,y)位置的像素点的自适应局部均值二值模式特征，i_x,y是在(x,y)位置处的中心像素点的像素值，i_x,y,p对应(x,y)位置处中心像素点的邻域P个像素点的集合中第P个像素点的像素值，m是块中中心像素点与其邻域像素的平均值，T为自适应距离阈值。中心像素的邻域可以为块内的所有P个像素点也可以为P个像素点的子集。块的大小和P的数量及邻域编码模式可以根据实际应用的情况选择。在本方法中，ALMP特征在预定义大小为n×n的像素块内计算得到，本实施例的像素块大小为5×5，如图1所示，图中C表示中心像素，N表示用来计算二值模式的领域像素，图2为自适应局部均值二值模式的计算过程，且中心像素的邻域像素点为块内像素点的子集。