程圖，具體包括如下步驟:
[0040]車輛及軌跡標(biāo)記:
[0041]用紅色矩形框?qū)④囕v標(biāo)記出來；標(biāo)記出每一輛出現(xiàn)的車輛的軌跡，以及車輛的每段軌跡屬性，即屬于正向行駛還是逆行；由于在視頻中往往正向行駛的車輛遠(yuǎn)遠(yuǎn)多于逆行車輛，因此，將所有標(biāo)記過的車輛軌跡倒敘排列，并且將軌跡的屬性進行轉(zhuǎn)換，即正向行駛的轉(zhuǎn)換為逆行，逆行的轉(zhuǎn)換為正向行駛。
[0042]車輛特征提取及軌跡學(xué)習(xí)包括:
[0043]1、車輛特征包括:重心G(Gx, Gy)、速度V(Vx，Vy)、加速度a(ax，ay)、面積S、周長P、最小外接矩形面積MinM ；
[0044]其中，車輛的重心為所有屬于車輛的像素坐標(biāo)的均值；車輛面積為所有屬于車輛的像素個數(shù)；車輛的周長為車輛邊界像素個數(shù)；最小外接矩形面積為車輛最小外接矩形包含的像素個數(shù)。
[0045]車輛速度為:
[0046]Vx (t) = Gx (t)-Gx (t_l)
[0047]Vy (t) = Gy (t)-Gy (t-1)
[0048]加速度為:
[0049]ax (t) = Vx (t)-Vx (t_l)
[0050]ay (t) = Vy (t) -Vy (t~l)
[0051]2、設(shè)定一段能檢測出實際車輛逆行的最小軌跡長度，例如為10，刪除所有長度小于10的軌跡；
[0052]3、將設(shè)某條軌跡為(1，2，…，Μ) (M彡10)，則將其拆分為M-10+1條長度為10的軌跡(1,2，…，10)，…，(M-10+1，M-10+2，
[0053]4、將軌跡上的車輛特征組成一個10維向量，其中向量元素由車輛的所有特征向量組成，并將所有的軌跡及其對應(yīng)的標(biāo)記作為訓(xùn)練樣本，使用SVM方法，其中核函數(shù)為徑向基核函數(shù)，進行訓(xùn)練，得到車輛逆行和正向行駛檢測的分類器。
[0054]車輛檢測是基于背景建模的運動車輛檢測方法，包括如下步驟:
[0055]1、建立基于混合高斯模型的背景模型；
[0056]2、將符合混合高斯模型分布的像素標(biāo)記為背景，否則標(biāo)記為前景；
[0057]3、使用中值濾波去噪，提取運動車輛。
[0058]上述常規(guī)的步驟，為建立SVM打基礎(chǔ)，其主要用于SVM對逆行進行分類車輛軌跡提取和逆行分類器訓(xùn)練包括:
[0059]1、計算當(dāng)前幀車輛與前一幀車輛的直方圖相似度，將當(dāng)前幀的車輛加入到對應(yīng)的跟蹤軌跡中；
[0060]2、對于某一車輛，如果其跟蹤軌跡長度大于等于10，則提取軌跡上最近10個車輛的特征，組成10維向量；
[0061]3、將該10維向量放入上述的車輛逆行分類器中，得到結(jié)果。
[0062]以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應(yīng)視為本發(fā)明保護范圍內(nèi)。
【主權(quán)項】
1.一種基于SVM的車輛逆行檢測裝置，其特征在于，包括控制模塊，與控制模塊連接的圖像采集模塊和DSP處理模塊，所述DSP處理模塊包含逆行檢測電路。
2.根據(jù)權(quán)利要求1所述的一種基于SVM的車輛逆行檢測裝置，其特征在于，還包括照明電路，所示照明電路受控制模塊控制，在環(huán)境中亮度較低時，打開照明。
3.根據(jù)權(quán)利要求1所述的一種基于SVM的車輛逆行檢測裝置，其特征在于， 所述圖像采集模塊:用于實時采集車輛圖像數(shù)據(jù)； 控制模塊:將圖像采集模塊采集到的圖像數(shù)據(jù)傳輸給DSP處理模塊處理，并處理DSP處理模塊返回的結(jié)果； DSP處理模塊:從控制模塊接收圖像數(shù)據(jù)，將圖像數(shù)據(jù)在逆行檢測電路進行處理，并將返回結(jié)果傳回控制模塊。
4.根據(jù)權(quán)利要求1所述的一種基于SVM的車輛逆行檢測裝置，其特征在于，所述控制模塊采用ARM控制模塊；所述圖像采集模塊采用CCD圖像采集模塊； 所述逆行檢測電路采用基于SVM的車輛的檢測電路。
5.一種基于SVM的車輛逆行檢測方法，其特征在于，包括如下步驟: 5.1)車輛及軌跡標(biāo)記:用矩形框?qū)⑦M行車輛標(biāo)記，標(biāo)記出每一輛出現(xiàn)的車輛的軌跡，以及車輛的每段軌跡屬性，即屬于正向行駛還是逆行；將所有標(biāo)記過的車輛軌跡倒敘排列，并且將軌跡的屬性進行轉(zhuǎn)換，即正向行駛的轉(zhuǎn)換為逆行，逆行的轉(zhuǎn)換為正向行駛； 5.2)車輛特征提取及軌跡學(xué)習(xí): 所述車輛特征包括:重心、速度、加速度、面積、周長、最小外接矩形；其中重心是二維坐標(biāo)，速度和加速度是二維矢量； 設(shè)定一段能檢測出車輛逆行的最小軌跡長度為N，刪除所有長度小于N的軌跡； 將設(shè)某條軌跡為(1，2，…，Μ) (M&N)，則將其拆分為M-N+1條長度為N的軌跡(1，2，…，N)，…，(M-N+l，M-N+2， 將軌跡上的車輛特征組成一個N維向量，其中向量元素由車輛的所有特征向量組成，并將所有的軌跡及其對應(yīng)的標(biāo)記作為訓(xùn)練樣本，使用SVM方法進行訓(xùn)練，得到車輛逆行和正向行駛檢測的分類器； 5.3)車輛檢測:基于背景建模的運動車輛檢測方法對圖像采集模塊采集是圖片數(shù)據(jù)進行檢測； 5.4)軌跡提取及分類: 計算當(dāng)前幀車輛與前一幀車輛的相似度，將當(dāng)前幀的車輛加入到對應(yīng)的跟蹤軌跡中；對于某一車輛，如果其跟蹤軌跡長度大于等于N，則提取軌跡上最近N個車輛的特征，組成N維向量； 將該N維向量放入上述的車輛逆行分類器中，得到檢測結(jié)果，將結(jié)果傳回控制模塊。
【專利摘要】本發(fā)明提出一種基于SVM的車輛逆行檢測裝置和檢測方法，創(chuàng)新性地把分類器用于檢測車輛逆行；結(jié)合軌跡上車輛的多種特征進行分類，包括重心、速度、加速度、面積、周長、最小外接矩形等，能有效的提高分類的準(zhǔn)確率；考慮一般道路上逆行發(fā)生的概率比較低，為了獲取更多的逆行樣本，創(chuàng)新性的將正向行駛的樣本逆序后作為逆行樣本，再與原始樣本結(jié)合，有效的補充了逆行樣本，能夠有效調(diào)節(jié)正負(fù)樣本數(shù)量不均的問題。
【IPC分類】G08G1-056, G06K9-62, G06K9-00
【公開號】CN104809470
【申請?zhí)枴緾N201510198005
【發(fā)明人】石旭剛, 張水發(fā), 劉嘉, 杜雅慧, 歐陽忠清, 湯澤勝
【申請人】杭州中威電子股份有限公司
【公開日】2015年7月29日
【申請日】2015年4月23日