本發(fā)明具體涉及一種行人車輛檢測與分類方法。
背景技術：
智能監(jiān)控系統(tǒng)可不在人為干預情況下對攝像機記錄的視頻序列進行分析，并且對其中的行人和車輛等目標進行檢測和分類，從而實現(xiàn)視頻信息檢索。目前常用的行人車輛檢測分類方法可以分為：基于監(jiān)督學習的方法和基于運動分割的方法。
基于監(jiān)督學習的方法需要預先對分類器進行訓練，，這類方法的優(yōu)點在于準確度高、攝像機晃動影響小，但是缺點在于時間復雜度大，而且需要事先進行訓練，場景變換后需要重新訓練?；谶\動分割的方法要求攝像機固定，對運動的物體進行檢測分類。然而，由于采用固定閾值進行目標分類，缺乏自主學習能力，因此對應用場景有嚴格限制。有研究者對上述方法進行了改進，對運動目標的特征進行聚類，形成樹分類器，能夠得到較好的結(jié)果，然而該算法也存在過訓練、收斂速度慢的問題。
技術實現(xiàn)要素：
本發(fā)明要解決的技術問題是提供一種行人車輛檢測與分類方法。
一種行人車輛檢測與分類方法，包括以下步驟：
s1：通過裝置于車輛內(nèi)的攝像機實時的采集車輛信息，將獲得的車輛行駛視頻按照幀分割成一系列的圖像序列，并對圖像進行灰度化、二值化及降噪預處理；
s2：運動目標檢測：利用領域信息動態(tài)調(diào)整置信區(qū)間構造混合高斯模型，實現(xiàn)運動目標檢測；
s3：目標跟蹤：采用卡爾曼濾波預測目標下一幀的位置，同時提取目標的顏色直方圖作為幀間匹配特征，實現(xiàn)目標跟蹤；
s4：目標分類：通過自適應em聚類方法提取目標長寬比和面積作為特征，將目標分為行人和車輛。
進一步的，運動目標檢測的方法如下：
1）假設像素點i當前的灰度值為
其中，
2）定義像素點i所在鄰域
其中，z為歸一化常數(shù)；
其中，
3）對后驗概率進行濾波：
4）采用判斷是否落入置信區(qū)間進行近似得到：
其中，n為置信度，取值2-3。
進一步的，目標分類的具體方法如下：
1）將圖像劃分為若干個1616的區(qū)域，每一個區(qū)域分別記錄覆蓋該區(qū)域的行人和車輛的信息，包括面積均值、面積方差以及樣本數(shù)量，并假設該區(qū)域內(nèi)的行人和車輛目標面積滿足高斯分布；
2）em初始化階段：采用一個固定長寬比閾值來判定行人和車輛表示行人，否則為車輛，相應地記錄行人和車輛的面積平均值；
3）em估計階段：對于每一個區(qū)域，當有新目標進入時，計算目標面積值所匹配的高斯分布，從而得出分類結(jié)果，相應地更新該類的參數(shù)。
本發(fā)明的有益效果是：
本發(fā)明利用領域信息動態(tài)調(diào)整置信區(qū)間構造混合高斯模型，采用卡爾曼濾波預測目標下一幀的位置，通過自適應em聚類方法提取目標長寬比和面積作為特征，將目標分為行人和車輛，提高檢測準確性。
具體實施方式
以下具體實施例對本發(fā)明作進一步闡述，但不作為對本發(fā)明的限定。
一種行人車輛檢測與分類方法，包括以下步驟：
s1：通過裝置于車輛內(nèi)的攝像機實時的采集車輛信息，將獲得的車輛行駛視頻按照幀分割成一系列的圖像序列，并對圖像進行灰度化、二值化及降噪預處理；
s2：運動目標檢測：利用領域信息動態(tài)調(diào)整置信區(qū)間構造混合高斯模型，實現(xiàn)運動目標檢測；
s3：目標跟蹤：采用卡爾曼濾波預測目標下一幀的位置，同時提取目標的顏色直方圖作為幀間匹配特征，實現(xiàn)目標跟蹤；
s4：目標分類：通過自適應em聚類方法提取目標長寬比和面積作為特征，將目標分為行人和車輛。
運動目標檢測的方法如下：
1）假設像素點i當前的灰度值為
其中，
2）定義像素點i所在鄰域
其中，z為歸一化常數(shù)；
其中，
3）對后驗概率進行濾波：
4）采用判斷是否落入置信區(qū)間進行近似得到：
其中，n為置信度，取值2-3。
目標分類的具體方法如下：
1）將圖像劃分為若干個1616的區(qū)域，每一個區(qū)域分別記錄覆蓋該區(qū)域的行人和車輛的信息，包括面積均值、面積方差以及樣本數(shù)量，并假設該區(qū)域內(nèi)的行人和車輛目標面積滿足高斯分布；
2）em初始化階段：采用一個固定長寬比閾值來判定行人和車輛表示行人，否則為車輛，相應地記錄行人和車輛的面積平均值；
3）em估計階段：對于每一個區(qū)域，當有新目標進入時，計算目標面積值所匹配的高斯分布，從而得出分類結(jié)果，相應地更新該類的參數(shù)。