一種車輛行為的智能分析方法及系統技術方案

本發明專利技術提供了一種車輛行為的智能分析方法及系統，相應的方法包括收集包含車輛的樣本集和不包含車輛的背景樣本集，并選擇預定的Haar矩形特征通過AdaBoost算法進行離線訓練，獲得能夠從復雜背景中檢測出車輛的級聯分類器；獲取視頻資源，通過級聯分類器對視頻資源進行檢測標識出圖像中的車輛；將標識的車輛作為有標識的正樣本構造車輛檢測器，通過光流法實現對每個車輛的跟蹤，得到每個車輛的運動軌跡；檢測出視頻資源中的交通標志，并結合交通標志對車輛的運動軌跡進行分析，確定車輛是否存在違規行為。本發明專利技術能夠實現在復雜的場景以及動態的視頻中對車輛進行跟蹤，并確定車輛的行駛是否存在違規行為。

【技術實現步驟摘要】
本專利技術涉及一種車輛行為的智能分析方法及系統，屬于交通視頻監控

技術介紹
目前車輛行為分析領域的大部分技術都是側重于靜態背景下的車輛行為分析，SP基于固定監控視頻的車輛行為分析，相應的方法主要包括基于固定監控視頻的車輛檢測方法、基于Kalman濾波和MeanShift算法的車輛跟蹤方法等。其中，基于固定監控視頻的車輛檢測方法是利用背景不變或變化緩慢等先驗知識提取出監控場景中的背景信息，然后利用背景差等方法實現移動物體的提取，最后在提取的移動物體區域進行車輛判斷，但該方法受限于監控視頻，首先監控場景必須是固定不變或變化緩慢，無法應用于動態場景中，其次受光照、遮擋和陰影等影響，導致運動區域的分 割并不理想。在基于Kalman濾波和MeanShift算法的車輛跟蹤方法中,Kalman濾波是在時序中通過預測、修正兩個步驟不斷迭代更新，使得系統噪聲、觀測噪聲等引起的誤差逐漸減少，以獲得最佳的狀態參數，MeanShift算法是采用顏色直方圖等方法對所選擇的目標區域進行建模，通過計算特征空間中每個特征值的概率來建立目標模型，然后在后續幀中可能存在目標的區域再計算特征空間的每個特征值，用相似性度量函數計算當前幀候選目標和目標候選模型的相似程度，經過有限次的迭代計算均值漂移向量，在當前幀中目標最終會收斂到真實位置，但MeanShift無法在跟蹤過程中對目標模型進行更新，而對于動態視頻，在背景不斷變化，車載不斷運動的場景中，Kalman濾波就會失效。
技術實現思路
本專利技術為解決現有的車輛行為分析技術中存在的對于復雜的場景或動態的視頻無法實現車輛跟蹤的問題，進而提供了一種車輛行為的智能分析方法及系統。為此，本專利技術提供了如下的技術方案一種車輛行為的智能分析方法，包括收集包含車輛的樣本集和不包含車輛的背景樣本集，并選擇預定的Haar矩形特征通過AdaBoost算法進行離線訓練，獲得能夠從復雜背景中檢測出車輛的級聯分類器；獲取視頻資源，通過所述級聯分類器對所述視頻資源進行檢測標識出圖像中的車輛；將所述標識的車輛作為有標識的正樣本構造車輛檢測器，然后通過光流法實現對每個車輛的跟蹤，同時利用所述車輛檢測器檢測得到可能的車輛區域，通過所述跟蹤和檢測的結果確定車輛區域，再通過所述車輛區域更新所述車輛檢測器，并確定每個車輛的位置，從而得到每個車輛的運動軌跡；檢測出所述視頻資源中的交通標志，并結合所述交通標志對所述車輛的運動軌跡進行分析，確定所述車輛是否存在違規行為。一種車輛行為的智能分析系統，包括預處理模塊，用于收集包含車輛的樣本集和不包含車輛的背景樣本集，并選擇預定的Haar矩形特征通過AdaBoost算法進行離線訓練，獲得能夠從復雜背景中檢測出車輛的級聯分類器；車輛檢測模塊，用于獲取視頻資源，通過所述級聯分類器對所述視頻資源進行檢測標識出圖像中的車輛；車輛匹配跟蹤模塊，用于將所述標識的車輛作為有標識的正樣本構造車輛檢測器，然后通過光流法實現對每個車輛的跟蹤，同時利用所述車輛檢測器檢測得到可能的車輛區域，通過所述跟蹤和檢測的結果確定車輛區域，再通過所述車輛區域更新所述車輛檢測器，并確定每個車輛的位置，從而得到每個車輛的運動軌跡；車輛行為分析模塊，用于檢測出所述視頻資源中的交通標志，并結合所述交通標志對所述車輛的運動軌跡進行分析，確定所述車輛是否存在違規行為。本專利技術提供的技術方案通過對車輛和背景的訓練，并對車輛進行檢測、匹配及跟 蹤，獲得車輛的運動軌跡，再結合道路交通標志分析車輛行為，判斷車輛行為是否違規，以實現在復雜的場景以及動態的視頻中對車輛的運動軌跡進行跟蹤，并確定車輛的行駛是否存在違規行為。附圖說明為了更清楚地說明本專利技術實施例的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本專利技術的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。圖I是本專利技術的具體實施方式提供的車輛行為的智能分析方法的流程示意圖；圖2是本專利技術的具體實施方式提供的基于半監督學習的車輛跟蹤流程圖；圖3是本專利技術的具體實施方式提供的包括記錄違規車輛的相關信息步驟的車輛行為的智能分析方法的流程示意圖；圖4是本專利技術的具體實施方式提供的車輛行為的智能分析系統的結構示意圖；圖5是本專利技術的具體實施方式提供的包括違規車輛記錄單元模塊的車輛行為的智能分析系統的結構示意圖。具體實施例方式下面將結合本專利技術實施例中的附圖，對本專利技術實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本專利技術一部分實施例，而不是全部的實施例?；诒緦＠夹g中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本專利技術保護的范圍。本專利技術的具體實施方式提供了一種車輛行為的智能分析方法，如圖I所示，包括步驟11，收集包含車輛的樣本集和不包含車輛的背景樣本集，并選擇預定的Haar矩形特征通過AdaBoost算法進行離線訓練，獲得能夠從復雜背景中檢測出車輛的級聯分類器。具體的，本步驟屬于離線訓練過程，首先整理包含車輛的樣本集和不包含車輛的背景樣本集(其中正樣本圖像中只包含車輛，要求車輛位于圖像中央，四周可留少量其它場景，負樣本中不能包含任何車輛，一般情況下負樣本集合中元素數目要大于正樣本數目)，選擇特定的Haar矩形特征通過AdaBoost算法進行離線訓練，最終獲得能夠從復雜背景中檢測出車輛的級聯分類器。步驟12，獲取視頻資源，通過級聯分類器對視頻資 源進行檢測標識出圖像中的車輛。具體的，本步驟屬于在線檢測過程，首先獲取視頻資源，相應的視頻資源包括固定的靜態監控視頻或動態監控視頻；然后利用步驟11訓練得到的級聯分類器，對視頻資源中的車輛進行檢測。通過級聯分類器對視頻圖像的檢測，可以標識出圖像中的車輛區域?；跈C器學習的車輛檢測，不僅可以應用于背景靜止的固定監控視頻，而且可以應用于場景不斷變化的動態視頻。步驟13，將標識的車輛作為有標識的正樣本構造車輛檢測器，然后通過光流法實現對每個車輛的跟蹤，同時利用車輛檢測器檢測得到可能的車輛區域，通過所述跟蹤和檢測的結果確定車輛區域，再通過所述車輛區域更新所述車輛檢測器，并確定每個車輛的位置，從而得到每個車輛的運動軌跡。具體的，首先將步驟12中得到的車輛單獨作為有標識的正樣本構造車輛檢測器，然后通過光流法實現對每輛車的跟蹤，同時利用車輛檢測器檢測得到可能的車輛區域，再通過跟蹤區域和檢測區域的比較，從中選定車輛區域，并獲取車輛位置等信息，進一步利用車輛區域更新檢測器(屬于在線訓練過程)；最后通過不斷重復上述過程得到每個車輛的運動軌跡。本步驟是實現車輛行為分析的關鍵，其中基于半監督的學習方法的使用有效地實現了車輛的匹配和跟蹤，解決了車輛之間相互遮擋或車輛短時消失時匹配跟蹤失效等問題?；诎氡O督的學習過程如圖2所示，分別實現對步驟12中檢測得到的每一輛車的匹配跟蹤，首先利用檢測得到的車輛作為有標識的正樣本，初始化檢測器，然后具體包括跟蹤結合前一幀車輛區域，利用光流法實現對當前幀車輛的跟蹤，得到的區域記為跟蹤區域，并使用檢測器計算該跟蹤區域與跟蹤車輛的匹配度；檢測利用檢測器對當前幀圖像進行檢測，獲取與跟蹤車輛匹配度較高的區域，記為檢測區域；更本文檔來自技高網...

【技術保護點】
一種車輛行為的智能分析方法，其特征在于，包括：收集包含車輛的樣本集和不包含車輛的背景樣本集，并選擇預定的Haar矩形特征通過AdaBoost算法進行離線訓練，獲得能夠從復雜背景中檢測出車輛的級聯分類器；獲取視頻資源，通過所述級聯分類器對所述視頻資源進行檢測標識出圖像中的車輛；將所述標識的車輛作為有標識的正樣本構造車輛檢測器，然后通過光流法實現對每個車輛的跟蹤，同時利用所述車輛檢測器檢測得到可能的車輛區域，通過所述跟蹤和檢測的結果確定車輛區域，再通過所述車輛區域更新所述車輛檢測器，并確定每個車輛的位置，從而得到每個車輛的運動軌跡；檢測出所述視頻資源中的交通標志，并結合所述交通標志對所述車輛的運動軌跡進行分析，確定所述車輛是否存在違規行為。

【技術特征摘要】
1.一種車輛行為的智能分析方法，其特征在于，包括 收集包含車輛的樣本集和不包含車輛的背景樣本集，并選擇預定的Haar矩形特征通過AdaBoost算法進行離線訓練，獲得能夠從復雜背景中檢測出車輛的級聯分類器； 獲取視頻資源，通過所述級聯分類器對所述視頻資源進行檢測標識出圖像中的車輛； 將所述標識的車輛作為有標識的正樣本構造車輛檢測器，然后通過光流法實現對每個車輛的跟蹤，同時利用所述車輛檢測器檢測得到可能的車輛區域，通過所述跟蹤和檢測的結果確定車輛區域，再通過所述車輛區域更新所述車輛檢測器，并確定每個車輛的位置，從而得到每個車輛的運動軌跡； 檢測出所述視頻資源中的交通標志，并結合所述交通標志對所述車輛的運動軌跡進行分析，確定所述車輛是否存在違規行為。2.根據權利要求I所述的方法，其特征在于，該方法還包括 根據所述車輛的運動軌跡的分析結果，對違規的車輛進行抓拍，并根據抓拍的圖像記錄相應的車輛信息。3.根據權利要求I所述的方法，其特征在于，將所述標識的車輛作為有標識的正樣本構造車輛檢測器，然后通過光流法實現對每個車輛的跟蹤，同時利用所述車輛檢測器檢測得到可能的車輛區域，通過所述跟蹤和檢測的結果確定車輛區域，再通過所述車輛區域更新所述車輛檢測器，并確定每個車輛的位置，從而得到每個車輛的運動軌跡包括 結合前一幀圖像中的車輛區域，利用光流法實現對當前幀車輛的跟蹤，得到的區域記為跟蹤區域，并使用所述車輛檢測器計算所述跟蹤區域與跟蹤車輛(即所述車輛檢測器中的正樣本)的匹配度； 利用所述車輛檢測器對當前幀圖像進行檢測，獲取與跟蹤車輛匹配度較高的區域，記為檢測區域； 比較所述跟蹤區域和所述檢測區域的匹配度，其中匹配度高于預定值的區域作為當前幀的車輛區域，所述車輛區域的中心位置作為車輛運動軌跡上的...

【專利技術屬性】
技術研發人員：董蘭芳，王建富，
申請(專利權)人：中國科學技術大學，
類型：發明
國別省市：