[发明专利]一种基于机器视觉的城市环境行驶车辆行为识别方法

摘要

本发明提供了一种基于机器视觉的城市环境行驶车辆行为识别方法，通过对运动车辆进行目标检测、目标跟踪、特征提取、行为识别，得出车辆行为分析的结果。首先使用背景差分法的车辆目标检测方法完成车辆目标检测；然后使用光流法对检测到的车辆目标进行跟踪；跟踪完成后，根据车辆运动轨迹的基本行为特征得出车辆的轨迹；最后采用训练好的SVM分类器对行使轨迹进行识别，从而判断该行为是左转弯、右转弯或者直行。本发明方法执行速度快，准确率高，可以实现车辆行为准确识别，用于智能交通监控系统的车辆实时监控。

主权项

1.一种基于机器视觉的城市环境行驶车辆行为识别方法，其特征在于步骤如下：步骤1：车辆目标检测与跟踪：利用背景差分法与混合高斯模型建模的方法进行运动车辆目标检测，然后利用光流的跟踪算法对检测出的运动车辆目标进行跟踪，具体为：步骤1.1：分别按照和计算一段时间内视频序列图像的像素亮度的均值μ₀(x,y)及方差以μ₀(x,y)和分别为像素均值和方差组成具有高斯分布的图像B₀，B₀即为初始的背景估计图像；其中，N为初始化背景图像选取时间段内序列图像的总帧数，150≤N≤200；f_i(x,y)为第i帧图像在第x行、y列的像素亮度值，(x,y)表示图像中的像素位置为x行、y列；步骤1.2：分别按照μ_j(x,y)＝(1‑α)·μ_j‑1(x,y)+α·f_j(x,y)和更新背景估计图像的均值μ_j(x,y)和方差得到更新后的第j帧图像的背景估计图像B_j；其中，δ是[0,1]之间的常数，K是混合高斯模型的个数，3≤K≤5；j≥1，f_j(x,y)表示第j帧图像在第x行、y列的像素亮度值；步骤1.3：按照d_j(x,y)＝|f_j(x,y)‑B_j(x,y)|计算得到当前帧图像和当前帧背景估计图像的差分图像，并按照对差分图像进行二值化处理，得到检测出的运动车辆区域，即二值化处理后图像M中像素值为1的区域，图像M中像素值为0的区域为背景区域；第j帧图像中M_j(x,y)＝1表示的运动区域；其中，r为灰度阈值，50≤r≤60；步骤1.4：对每一帧图像检测出的运动车辆区域进行角点特征提取，再应用金字塔Lucas‑Kanade稀疏光流算法对所有帧视频图像中的角点进行跟踪，得到运动车辆运动轨迹；步骤2：车辆轨迹特征提取：使用矩阵网格和双向直方图相结合的轨迹特征提取方法，构造车辆轨迹特征向量，为车辆行为分类提供特征依据，具体为：步骤2.1：以步骤1得到的运动车辆轨迹坐标为基准，以轨迹横坐标为x轴、轨迹纵坐标为y轴构造车辆轨迹坐标系Oxy，分别求出所有点的x轴方向最大值x_max和最小值x_min、y轴方向最大值y_max和最小值y_min，在坐标系Oxy创建宽为高为的矩阵网格，对网格中每一个子网格赋予初始值0；步骤2.2：对轨迹坐标所在的子网格进行赋值，先沿x轴正方向，再沿y轴正方向，按顺序赋予递增的权重值1、2、3、……，得到轨迹坐标矩阵；步骤2.3：对轨迹坐标矩阵的行和列分别构造直方图，并使用行和列的直方图估算车辆目标的行为趋势，即依据轨迹坐标矩阵行和列的直方图整体趋势走向，如果沿x轴正向递减，则趋向于右转弯；如果沿x轴正向递增，则趋向于左转弯；如果沿x轴正向先增再减，则轨迹线呈直行趋势，得到运动车辆行为趋势为左转弯、右转弯或直行；其中，直方图横坐标表示轨迹坐标矩阵的行数或列数，直方图的纵坐标统计轨迹坐标矩阵中某一行或列中矩阵元素值不为0的个数；步骤2.4：由步骤2.3得到的行为趋势和步骤2.2得到的轨迹坐标矩阵构成运动车辆的轨迹特征向量；步骤3：车辆行为训练：利用SVM两层分类器结构对车辆轨迹样本进行行为训练，得到样本数据的识别结果，具体为：步骤3.1：创建轨迹样本：用图片生成工具导入预先采集的视频的模拟背景，并创建包括直行、左转弯、右转弯三种类型的轨迹样本各100张；步骤3.2：根据步骤2的轨迹特征提取方法对轨迹样本进行轨迹特征提取，得到各种类型轨迹样本的轨迹特征向量；步骤3.3：利用SVM两层分类器对步骤3.2得到的样本的轨迹特征向量进行训练，得到样本数据的识别结果；步骤4：车辆行为识别：根据步骤3训练得到的SVM分类器，对步骤2得到的运动车辆轨迹特征向量进行车辆行为识别，最终得到车辆行为为左转弯、右转弯或直行。