[发明专利]基于高斯混合和自回归滑动平均模型的黑烟车识别方法

说明书

基于高斯混合和自回归滑动平均模型的黑烟车识别方法，包括如下步骤：（1）利用高斯混合模型从道路监控视频中检测车辆运动目标；（2）提取车辆关键区域的三种特征，包括Haar‑like特征，共生矩阵梯度方向直方图特征和局部二值模式傅里叶直方图特征；（3）利用自回归滑动平均模型对每种特征的连续多帧进行建模，得到三个不同模型；（4）对于新的车辆目标，将三个模型分别用于车辆关键区域提取到的三种特征的分类，结合不同特征的分类结果和连续多帧的综合分析，对当前视频段是否有黑烟车做出判断。本发明可以大大节省传统方法消耗的人力和财力，有利于证据的获取和保存，不影响正常交通，能有效的提高执法效率。

技术领域

本发明涉及计算机视觉和模式识别技术领域，特别是涉及基于高斯混合和自回归滑动平均模型的黑烟车识别方法。

背景技术

2018年6月16日，中共中央国务院发布的《关于全面加强生态环境保护坚决打好污染防治攻坚战的意见》中指出要“打好柴油货车污染治理攻坚战,，……建设天地车人一体化的机动车排放监控系统，完善机动车遥感监测网络”。污染比较严重的柴油车又称黑烟车，通常在排气孔处会有浓浓的黑烟，其污染一直是机动车污染治理的重点，及时发现道路上行驶的黑烟车，并由环保部门做进一步的处理，将有助于降低机动车污染，提高空气质量，减少其对人体的危害。

目前很多城市仍旧采用道路巡查、群众举报和人工视频监控的方式检测道路上的黑烟车，费时费力，还会影响正常的交通运行，不利于相关车辆违法证据的保存。现在随机计算机视觉技术和模式识别技术的不断发展，如何采用视频分析的方式自动检测黑烟车越来越成为热点，非常值得研究。

本发明提供了一种基于视频分析的智能黑烟车检测方法，该发明将高斯混合模型和自回归滑动平均模型相结合，同时设计了Haar-like特征，共生矩阵梯度方向直方图特征(CoHOG)和局部二值模式傅里叶直方图特征(LBP-HF)，三种特征的融合增加了黑烟车识别的准确率，降低了误报率。

发明内容

为了以上问题，本发明提供基于高斯混合和自回归滑动平均模型的黑烟车识别方法，能综合不同类型的静态特征，并引入自回归滑动平均模型刻画关键区域的动态特征，对相机抖动和车辆阴影具有很高的鲁棒性，能降低噪声的干扰，进一步提高黑烟车的识别率，降低误报率。为达此目的，本发明提供一种基于高斯混合和自回归滑动平均模型的黑烟车识别方法，具体步骤如下，其特征在于：

(1)利用高斯混合模型从道路监控视频中检测车辆运动目标；

(2)提取车辆关键区域的三种特征，包括Haar-like特征，共生矩阵梯度方向直方图特征和局部二值模式傅里叶直方图特征；

(3)利用自回归滑动平均模型对每种特征的连续多帧进行建模，得到三个不同模型；

(4)对于新的车辆目标，将三个模型分别用于车辆关键区域提取到的三种特征的分类，结合不同特征的分类结果和连续多帧的综合分析，对当前视频段是否有黑烟车做出判断。

进一步，步骤(1)中的利用高斯混合模型从道路监控视频中检测车辆运动目标包括如下步骤：

(11)将每一帧图像转化为灰度图像，并均分为3*3像素的小块，对每个像素块建立高斯模型，以提高背景建模速度和稳定性，降低噪声的干扰；

(12)模型初始化，以某帧图像一个像素块M为例，该像素块的初始模型利用前N帧序列图像的像素块序列建立，记作{x₁,x₂,...,x_N}，取像素块的灰度平均值μ₀和方差初始化第1个高斯分布的均值和方差，即

其中，I(x,y,k)表示该像素块在第k帧图像在位置(x,y)处的像素值；