[发明专利]一种交通流信息视频检测中的特征采集方法

摘要

一种交通流信息视频检测中的特征采集方法，该检测系统包括摄像机、信号处理器，使用改进的混合高斯分布模型来表征图像帧中每一个像素点的特征，表征的特征只采用亮度特征，如果没有运动目标(车辆)存在，则视频图像相对静止，每一像素点随时间变化都服从一定的统计模型，该算法中每一个像素点由K个高斯分布的混合模型来表征。当获得新的图像帧时，更新混合高斯分布模型，如果当前图像的像素点与混合高斯分布模型相匹配，则判定该点为背景点，否则判定该点为前景点。将建立的背景模型与当前图像进行绝对值差分，经过处理得到比较精确的车辆轮廓，和需要跟踪的参数。本发明能够适应环境变化、实时性强、处理速度快。

主权项

1、一种交通流信息视频检测中的特征采集方法，该检测系统包括摄像机、信号处理器，摄像机输入视频图像序列为{1，2，…，t，…}，即在第t帧视频图像中，处理第i个像素点X_i，t[R_i，t，G_i，t，B_i，t]的值，第k个高斯分布的概率密度函数为式(1)：当前像素点i的概率计算式为式(2)：P(Xit)=Σi=1kwit-Lk*ηk(Xt,μi,t-1,Σi,t-Lk)---(2)]]>该方法包括以下步骤：(1)、采集摄像机的视频图像，得到R、G、B颜色空间图像序列，用中值滤波对图像滤波除噪；(2)、对处理过的图像序列进行颜色空间的转化，将R、G、B颜色空间转化成亮度空间，S(亮度空间)＝(R+G+B)/3；(3)、设定混合高斯算法的参数，所述的参数包括全局背景阈值T、学习率α、高斯分布模型个数K、初始化权重ω；(4)、读取图像的亮度空间，将第一帧图像每一个像素点的亮度值作为混合高斯的均值，方差为预定的经验值，建立单高斯混合背景模型；(5)、读取第t帧图像，将每个像素与该像素的已有的k(k＜＝K)个高斯模型相比较，比较下式(3)是否成立：|X_i，t-μ_k|＜2.5σ_k       (3)；(5.1)、如果匹配，更新第k个混合高斯模型的参数和权重，参数包括期望、方差，参见式(4)、(5)、(6)：μ_t＝(1-ρ)μ_t-1+ρX_t                  (4)σ_t²＝(1-ρ)σ_t-1²+ρ(X_t-μ_t)^T(X_t-μ_t) (5)ρ＝αη(X_t|μ_k，σ_k)                      (6)；(5.2)、如果不匹配，且k＜K，增加第t帧图像的高斯模型，新的高斯模型分布取X_i，t的值为均值，方差、权重ω为经验值；(5.3)、如果不匹配，而且k＝K，用新的高斯分布代替K个高斯模型分布中权重最低的高斯分布，新的高斯模型分布取X_i，t的值为均值，方差、权重ω为经验值；(5.4)、权重ω的更新公式为(7)：ω_k，t＝(1-α)ω_k，t-1+α(M_k，t)       (7)上式中，ω_k，t为当前的权重，α为学习率，ω_k，t-1为上一帧的对应权重；M_k，t为匹配量化值，如果匹配：M_k，t＝1，如果不匹配：M_k，t＝0；(6)、将建立的背景模型与当前图像进行绝对值差分，提取运动目标的特征，经过处理得到车辆轮廓、跟踪参数。