一種交通視頻的摩托車檢測方法
【技術領域】
[0001] 本發(fā)明涉及交通視頻檢測領域，尤其是涉及一種交通視頻的摩托車檢測方法。
【背景技術】
[0002] 每年因摩托車導致交通事故死亡非常多，摩托車因其速度快、性能差、保護措施 弱，極易發(fā)生交通事故，而事故發(fā)生后的傷亡極其嚴重，大多造成頭部受傷，這是摩托車事 故死亡率、致殘率高的主要原因。在交通視頻中捕獲到摩托車、電動車、自行車對交通違規(guī) 檢測有很多幫助，例如可以判斷是否在機動車道上行駛等。傳統(tǒng)摩托車檢測算法主要采用 了 HOG與SVM結合的方式。該方法的主要優(yōu)點是速度快、但在實際應用時性能不滿足需求， 如出現(xiàn)較多誤報、部分車輛丟失等情況。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的就是為了克服上述現(xiàn)有技術存在的缺陷而提供一種誤報概率低、實 施簡單的交通視頻的摩托車檢測方法。
[0004] 本發(fā)明的目的可以通過以下技術方案來實現(xiàn)：
[0005] 一種交通視頻的摩托車檢測方法，該方法采用基于窗口掃描的方式獲取多個檢測 框，具體包括以下步驟：
[0006] 1)對每個檢測框抽取HoG特征，獲得HoG置信度；
[0007] 2)對每個檢測框抽取LBP特征，獲得LBP置信度；
[0008] 3)對每個檢測框抽取顏色特征，獲得顏色置信度；
[0009] 4)基于SVM分類器，根據(jù)步驟1) -3)得到的HoG置信度、LBP置信度、顏色置信度 獲得摩托車檢測結果；
[0010] 5)判斷摩托車所對應的檢測框的移動速度是否在閾值范圍內(nèi)，若是，則判定檢測 結果正確，若否，則判定為誤報。
[0011] 所述步驟1)和步驟2)中，分別使用SVM分類器對HoG特征、LBP特征進行分類， 進而分別得到HoG置信度和LBP置信度。
[0012] 所述步驟3)具體為：
[0013] 301)對于一個檢測框，分別取該檢測框內(nèi)任意兩個位置的矩形框，計算兩個矩形 框的顏色直方圖的相似性，并保存；
[0014] 302)重復步驟301) D次，獲得一 D組顏色特征向量；
[0015] 303)重復步驟301)和302)，直到所有檢測框的顏色特征向量提取完畢；
[0016] 304)米用AdaBoost算法進彳丁分類，獲得顏色置彳目度。
[0017] 所述步驟302)中，次數(shù)D的取值為100K~1M。
[0018] 所述步驟304)中，由AdaBoost分類器中的多個弱分類器給出檢測框是否為行人 的判斷結果，對多個弱分類器的判斷結果進行加權平均，得到最終的AdaBoost算法分類結 果。
[0019] 所述顏色直方圖采用HSV顏色空間，其中每個顏色通道分為K個區(qū)間。
[0020] 所述K的取值為6。
[0021] 所述步驟5)中，閾值范圍由路口的標注數(shù)據(jù)獲得。
[0022] 該方法還包括：
[0023] 采用texton boost算法訓練得到路面分類器，將檢測結果為摩托車的檢測框輸入 所述路面分類器中，判斷該檢測框中摩托車下方區(qū)域是否為路面，若是，則檢測結果正確， 若否，則檢測結果錯誤。
[0024] 與現(xiàn)有技術相比，本發(fā)明具有以下優(yōu)點：
[0025] (1)本發(fā)明將每個檢測框的HoG置信度、LBP置信度、顏色置信度進行綜合考慮，摩 托車檢測結果精度高；
[0026] (2)本發(fā)明在進行檢測時結合了摩托車的移動速度，減少了誤報；
[0027] (3)本發(fā)明還通過路面分類器進一步提高檢測精度，有效減少了誤報概率；
[0028] (4)本發(fā)明方案簡單，易于實施；
[0029] (5)本發(fā)明方法可適用于摩托車、電動車、自行車的檢測，適用范圍廣。
【附圖說明】
[0030] 圖1為本發(fā)明的流程示意圖。
【具體實施方式】
[0031] 下面結合附圖和具體實施例對本發(fā)明進行詳細說明。本實施例以本發(fā)明技術方案 為前提進行實施，給出了詳細的實施方式和具體的操作過程，但本發(fā)明的保護范圍不限于 下述的實施例。
[0032] 實施例1
[0033] 如圖1所示，本實施例還提供一種交通視頻的摩托車檢測方法，該方法采用基于 窗口掃描的方式獲取多個檢測框，可同時適用于摩托車、電動車、自行車的檢測。該方法具 體包括以下步驟：
[0034] 步驟Sl，對每個檢測框抽取HoG特征，使用SVM分類器進行分類，獲得HoG置信度。
[0035] 步驟S2,對每個檢測框抽取LBP特征，使用SVM分類器進行分類，獲得LBP置信度。
[0036] 步驟Sl和步驟S2為現(xiàn)有技術常用手段。
[0037] 步驟S3,對每個檢測框抽取顏色特征，獲得顏色置信度。摩托車的車聲顏色和摩托 車手行人的衣服顏色有相似之處：可以有很多種顏色，但大部分情況下，自身的顏色是相似 的。根據(jù)該信息，提出了顏色自相似性的特征。具體為：
[0038] 301)對于一個檢測框，如大小為32*64,取該檢測框內(nèi)任意兩個位置的矩形框，如 大小為8*8,計算兩個矩形框的顏色直方圖的相似性，并保存；
[0039] 所述顏色直方圖采用HSV顏色空間，其中每個顏色通道分為K個區(qū)間，K的取值為 6〇
[0040] 兩個矩形框的顏色直方圖的相似性的計算公式為：
[0041]
【主權項】
1. 一種交通視頻的摩托車檢測方法，其特征在于，該方法采用基于窗口掃描的方式獲 取多個檢測框，具體包括以下步驟： 1) 對每個檢測框抽取HoG特征，獲得HoG置信度； 2) 對每個檢測框抽取LBP特征，獲得LBP置信度； 3) 對每個檢測框抽取顏色特征，獲得顏色置信度； 4) 基于SVM分類器，根據(jù)步驟1)-3)得到的HoG置信度、LBP置信度、顏色置信度獲得 摩托車檢測結果； 5) 判斷摩托車所對應的檢測框的移動速度是否在閾值范圍內(nèi)，若是，則判定檢測結果 正確，若否，則判定為誤報。
2. 根據(jù)權利要求1所述的交通視頻的摩托車檢測方法，其特征在于，所述步驟1)和步 驟2)中，分別使用SVM分類器對HoG特征、LBP特征進行分類，進而分別得到HoG置信度和 LBP置信度。
3. 根據(jù)權利要求1所述的交通視頻的摩托車檢測方法，其特征在于，所述步驟3)具體 為： 301) 對于一個檢測框，分別取該檢測框內(nèi)任意兩個位置的矩形框，計算兩個矩形框的 顏色直方圖的相似性，并保存； 302) 重復步驟301) D次，獲得一 D組顏色特征向量； 303) 重復步驟301)和302)，直到所有檢測框的顏色特征向量提取完畢； 304) 采用AdaBoost算法進行分類，獲得顏色置信度。
4. 根據(jù)權利要求3所述的交通視頻的摩托車檢測方法，其特征在于，所述步驟302)中， 次數(shù)D的取值為100K~1M。
5. 根據(jù)權利要求3所述的交通視頻的摩托車檢測方法，其特征在于，所述步驟304)中， 由AdaBoost分類器中的多個弱分類器給出檢測框是否為行人的判斷結果，對多個弱分類 器的判斷結果進行加權平均，得到最終的AdaBoost算法分類結果。
6. 根據(jù)權利要求3所述的交通視頻的摩托車檢測方法，其特征在于，所述顏色直方圖 采用HSV顏色空間，其中每個顏色通道分為K個區(qū)間。
7. 根據(jù)權利要求6所述的交通視頻的摩托車檢測方法，其特征在于，所述K的取值為 6〇
8. 根據(jù)權利要求1所述的交通視頻的摩托車檢測方法，其特征在于，所述步驟5)中，閾 值范圍由路口的標注數(shù)據(jù)獲得。
9. 根據(jù)權利要求1所述的交通視頻的摩托車檢測方法，其特征在于，該方法還包括： 采用texton boost算法訓練得到路面分類器，將檢測結果為摩托車的檢測框輸入所述 路面分類器中，判斷該檢測框中摩托車下方區(qū)域是否為路面，若是，則檢測結果正確，若否， 則檢測結果錯誤。
【專利摘要】本發(fā)明涉及一種交通視頻的摩托車檢測方法，該方法采用基于窗口掃描的方式獲取多個檢測框，具體包括以下步驟：1)對每個檢測框抽取HoG特征，獲得HoG置信度；2)對每個檢測框抽取LBP特征，獲得LBP置信度；3)對每個檢測框抽取顏色特征，獲得顏色置信度；4)基于SVM分類器，根據(jù)步驟1)-3)得到的HoG置信度、LBP置信度、顏色置信度獲得摩托車檢測結果；5)判斷摩托車所對應的檢測框的移動速度是否在閾值范圍內(nèi)，若是，則判定檢測結果正確，若否，則判定為誤報。與現(xiàn)有技術相比，本發(fā)明具有誤報概率低、實施簡單等優(yōu)點。
【IPC分類】G08G1-01, G06K9-00, G06K9-62
【公開號】CN104658254
【申請?zhí)枴緾N201510102547
【發(fā)明人】陳遠浩
【申請人】上海依圖網(wǎng)絡科技有限公司
【公開日】2015年5月27日
【申請日】2015年3月9日