[发明专利]一种基于视觉特征的交通状态量化识别方法

摘要

本发明属于智能交通与机器视觉领域，公开了一种基于视觉特征的交通状态量化方法。包括：从视频采集卡中读取视频，对原始视频中各帧图像进行预处理；在灰度化后的视频图像帧中提取时空相关信息；采取客观估计与主观判别相结合的方式为已获取的时空线序列符添加交通状态分类标签；对添加标签的时空线序列符进行降维处理并提取特征向量；将提取得到的特征向量作为SVM的输入构造分类器；量化识别交通状态。本发明各模块均选取最优方案，减少了系统累计误差，提高了交通状态量化识别数据的可靠性；采用PCA+Fisher LDA的方法对时空线序列符图像矩阵的降维和特征提取，并将SVM应用于交通状态识别分类，使分类更加准确、有效。

主权项

1.一种基于视觉特征的交通状态量化识别方法，其特征在于包括以下步骤：步骤一，从视频采集卡中读取视频，对原始视频中各帧图像进行预处理，将数字图像转换成灰度图像；步骤二，在灰度化后的视频图像帧中提取时空相关信息，即时空线序列符S；步骤三，采取客观估计与主观判别相结合的方式，为已获取的时空线序列符添加交通状态分类标签，具体包括以下内容：（1）根据我国公安部2002年公布的《城市交通管理评价指标体系》，根据车行速度v将交通状态分为畅通(30km/h以上)、轻度拥挤(20-30km/h)、拥挤(10-20km/h)以及严重拥挤(10km/h以下)四类；（2）按下式计算不同车速下车辆在时空线序列符中所占的“时间块”比例：(c_l·f)/(v·N)式中，f为帧率，N为进行叠加的视频帧数，c_l为根据不同城市人民平均生活水平及官方注册车辆类型统计得到的车的轴距的平均值；（3）采集并提取包含所有交通状态的足够长时间内的时空线序列符，结合时空线序列符(W×N)的维度合理设定样本集的容量，然后根据（2）中得到的时间块大小，通过主观判断的方式为时空描述符加入类别标签，将（1）中设定的交通状态依次标记为为1、2、3、4类；步骤四，对添加标签的时空线序列符进行降维处理，然后提取特征向量；步骤五，将步骤三中提取得到的特征向量作为SVM的输入构造分类器；分类器个数为C(C-1)/2=6；首先在差别最大的第1类和第4类中进行分类，接下来在2和4、1和3中构造分类器，然后在最后一层中将各类完全分开；在无法确定数据是否线性可分时，假定其为线性不可分情况，SVM的解决方法是通过一个非线性映射将数据映射到高维空间，然后在高维空间内做线性回归；非线性映射表达式为：y(x)＝w^Tφ(x)+b式中，x代表特征向量，φ(x)代表映射函数，b代表线性函数中的增益；在SVM中分类器的构造方法如下：训练数据集为N个特征向量x₁,...,x_N，目标值为：t₁,...,t_N，t_n∈{-1,1},n＝1,2,...,N，并且满足y(x_n)＞0时，t_n＝1，y(x_n)＜0时，t_n＝-1，总有t_ny(x_n)＞0；设分类平面为：SVM的分类思想为最大化分类间隔，由几何知识可推得分类间隔为2/||ω||，因此使得在满足约束条件的情况下使得||ω||最小化可以获得最优分类面；主要求解过程如下：引入拉格朗日函数：式中，a_n≥0，为拉格朗日乘子；分别对w、b求导，并令导数为零得：w=Σn=1Nantnφ(xn)]]>Σn=1Nantn=0]]>带入拉格朗日函数表达式得到该函数的对偶形式：L~(a)=Σn=1Nan-12Σn=1NΣm=1Nanamtntmk(xn,xm)]]>式中，k(x,x')＝φ(x)^Tφ(x')为核函数，它可以接受低维空间的输入值，然后输出高维空间的内积值，从而使计算过程不必关心具体的映射关系φ(x)，因此映射函数可以表示为：y(x)=Σn=1Nantnk(x,xn)+b]]>根据满足该式的KKT（Karush-Kuhn-Tucker）条件可以求出b的值：b=1NsΣn∈S(tn-Σm∈Samtmk(xn,xm))]]>式中，N_s为所有支持向量的总和；交通状态分类方法中，在支持向量机中采用高斯径向基函数(Gauss Radial BasisFunction)，函数表达式为：k(xi,x)=exp{-|x-xi|2σ}]]>式中，x_i为核函数中心，σ为径向范围的参数；步骤六，首先将待识别向量输入SVM得到分类标签，然后计算该向量到相邻分类面之间距离，最后根据该距离量化识别交通状态，并绘制交通状态量化曲线。