专利名称：一种监控场景中违章机动车检测方法
技术领域：
本发明涉及计算机视觉、数字图像处理和多媒体信息处理等技术领域，具体地，涉及一种监控场景中违章机动车检测方法。
背景技术：
目前，违章停车检测是智能城市管理中非常重要的组成部分。当前在位置停车检测领域，主要有基于人工干预检测的方法和基于智能视觉摄像机监控的方法。由于传统的违章停车人工检测的方法耗资耗力，所以目前最先进的方法是基于智能视觉摄像机监控的方法。当前，基于摄像机监控的违章停车检测还主要应用在摄像机静止情况下，比如在高速公路的两侧架设摄像机来监控过往的车辆是否有违规停车的现象发生。摄像机静止情况下的违章停车检测主要的是基于背景差分，通过当前帧图像与背景帧图像相减来得到违章车辆的前景图像，背景差分方法的大致流程图如
图1所示。在图1中，背景差分方法包括
步骤100 :预处理；
步骤101:背景建模；
步骤102 :背景差分；
步骤103 :后期处理，经背景模型更新，返回步骤101 ；
步骤104 目标检测，经背景模型更新，返回步骤101。但是，大多数背景差分的方法，并不能得到车辆从运动到静止状态时的前景图像；因为。当车辆由运动状态到静止状态时，基于背景差分的方法在背景更新的阶段，会把车辆从前景中融合到背景中去。因此，基于这种方法的违章停车检测，往往需要和跟踪技术联合在一起使用。在实际的监控场景中，摄像机不一定是静止不动的，很多情况下需要在需要监控的敏感区域安装上带云台的摄像机。这样摄像机静止状态下基于背景差分的监控场景中违章机动车检测方法就不适用了。综上所述，现有技术中至少存在成本高、功能单一、准确性差和适用范围小等缺陷。
发明内容
本发明的目的在于，针对上述问题，提出一种监控场景中违章机动车检测方法，以实现成本低、功能多、准确性好和适用范围广的优点。为实现上述目的，本发明采用的技术方案是一种监控场景中违章机动车检测方法，包括
a、在检测区域内从无车辆到有车辆驶入、以及检测区域内从车辆驶出到无车辆的过程中，进行监控场景中违章机动车检测处理；和/或，
b、对检测区域内的静止车辆，进行监控场景中违章机动车检测处理；和/或， C、对检测区域内车辆重新运动时的非完整轮廓情况下，进行监控场景中违章机动车检测处理。进一步地,步骤a具体包括
al、从各种渠道(比如google图片)采集或搜集带车辆的图片，作为正例样本图；并从各种渠道(比如google图片)采集或搜集不带车辆的图片，作为反例样本 a2、采用训练分类器，分别基于正例样本图和反例样本图，对采集得到的不带车辆的图像和带车辆的图像分别进行局部特征提取后，训练得到局部特征模型库，该局部特征模型库至少包括车辆的颜色、边缘等特征；
a3、提取当前帧目标图像的特征点，将该特征点与所述初级训练模型的模型库中的特征点进行匹配，给出识别结果；
a4、基于所述识别结果，判断当前时刻检测区域内是否有违章停滞车辆。具体地，如果特征点匹配数高于预设阈值，则认为监测区域内存在违章停滞车辆；反之，如果特征点匹配数低于预设阈值，则认为监测区域内不存在违章停滞车辆。进一步地，在步骤a2中，所述训练得到局部特征模型库的操作，具体包括
采用训练分类器，分别利用正例样本图和反例样本图的哈尔特征(harr特征)，进行分类器训练，得到级联的级联分类器(boosted分类器)，该级联的boosted分类器，即为训练好的分类器，用于识别检测区域内是否有车辆驶入；
在图像检测中，被检窗口依次通过级联的boosted分类器中每一级分类器，使在前面几层检测中大部分候选区域已被排除，全部通过每一级分类器检测的区域，即为目标区域；
分类器训练结束，得到的局部特征模型库，能够应用于输入图像中的感兴趣区域的检测；检测到目标区域时分类器输出为1，否则输出为O ;检测整副图像时，需在图像中移动搜索窗口，检测每一个位置，以确定可能的目标。进一步地,步骤b具体包括
bl、采用直方图匹配算法，以前一帧检测到的车辆图像作为模板，将当前帧检测到的车辆图像与所述模板划分成多个子块，计算各子块的色彩直方图及其欧拉距离；
b2、当相应子块的欧拉距离大于预设特定阈值时，停止计算后续其它子块的色彩直方图及其欧拉距离，认为该监测区域内已无违章停滞车辆，没有必要进行后续的子块计算。进一步地,步骤bl具体包括
打开视频文件，采集视频序列的每一巾贞并存储为CvCapture格式,并使用OpenCv库中的ImageProcess类中的操作对图像进行划分，保存划分区域的左上角和右下角；
这里,OpenCv是专有名词,特指Intel公司的开源计算机视觉库；CvCapture是OpenCv中的一个数据结构(类，包含一些变量和方法)；ImageProcess是OpenCv中的一个子类库，主要是一些图像处理类。读入模板图像，同样，将模板图像进行划分并保存划分区域的左上角和右下角； 利用局部投影熵计算方法，计算各子块的局部投影熵，并用局部投影熵中的几对有序
数组或向量，分别依次保存各子块的行投影熵和列投影熵；
相应地，步骤b2具体包括
匹配方法采用实时采集图和基准模板图全部计算的方式，具体来说是一边进行子块匹配计算一边进行阈值检验，以决定后续的子块计算是否还有必要继续进行计算。进一步地，所述色彩直方图，包括图像中三个颜色通道的联合概率密度函数
权利要求
1.一种监控场景中违章机动车检测方法，其特征在于，包括a、在检测区域内从无车辆到有车辆驶入、以及检测区域内从车辆驶出到无车辆的过程中，进行监控场景中违章机动车检测处理；和/或，b、对检测区域内的静止车辆，进行监控场景中违章机动车检测处理；和/或，C、对检测区域内车辆重新运动时的非完整轮廓情况下，进行监控场景中违章机动车检测处理。
2.根据权利要求1所述的监控场景中违章机动车检测方法，其特征在于，步骤a具体包括al、从各种渠道采集或搜集带车辆的图片，作为正例样本图；并从各种渠道采集或搜集不带车辆的图片，作为反例样本图；a2、采用训练分类器，分别基于正例样本图和反例样本图，对采集得到的不带车辆的图像和带车辆的图像分别进行局部特征提取后，训练得到至少包括车辆的颜色和边缘特征的局部特征模型库，包括车辆的颜色、边缘等特征；a3、提取当前帧目标图像的特征点，将该特征点与所述初级训练模型的模型库中的特征点进行匹配，给出识别结果；a4、基于所述识别结果，如果特征点匹配数高于预设阈值，则认为监测区域内存在违章停滞车辆；反之，如果特征点匹配数低于预设阈值，则认为监测区域内不存在违章停滞车辆。
3.根据权利要求2所述的监控场景中违章机动车检测方法，其特征在于，在步骤a2中， 所述训练得到局部特征模型库的操作，具体包括采用训练分类器，分别利用正例样本图和反例样本图的harr特征，进行分类器训练， 得到级联的boosted分类器，该级联的boosted分类器，即为训练好的分类器，用于识别检测区域内是否有车辆驶入；在图像检测中，被检窗口依次通过级联的boosted分类器中每一级分类器，使在前面几层检测中大部分候选区域已被排除，全部通过每一级分类器检测的区域，即为目标区域；分类器训练结束，得到的局部特征模型库，能够应用于输入图像中的感兴趣区域的检测；检测到目标区域时分类器输出为1，否则输出为O ;检测整副图像时，需在图像中移动搜索窗口，检测每一个位置，以确定可能的目标。
4.根据权利要求1所述的监控场景中违章机动车检测方法，其特征在于，步骤b具体包括bl、采用直方图匹配算法，以前一帧检测到的车辆图像作为模板，将当前帧检测到的车辆图像与所述模板划分成多个子块，计算各子块的色彩直方图及其欧拉距离；b2、当相应子块的欧拉距离大于预设特定阈值时，停止计算后续其它子块的色彩直方图及其欧拉距离，认为该监测区域内已无违章停滞车辆，没有必要进行后续的子块计算。
5.根据权利要求4所述的监控场景中违章机动车检测方法，其特征在于，步骤bl具体包括打开视频文件，采集视频序列的每一巾贞并存储为CvCapture格式,并使用OpenCv库中的ImageProcess类中的操作对图像进行划分，保存划分区域的左上角和右下角；读入模板图像，同样，将模板图像进行划分并保存划分区域的左上角和右下角； 利用局部投影熵计算方法，计算各子块的局部投影熵，并用局部投影熵中的几对有序数组或向量，分别依次保存各子块的行投影熵和列投影熵； 相应地，步骤b2具体包括 匹配方法采用实时采集图和基准模板图全部计算的方式，具体来说是一边进行子块匹配计算一边进行阈值检验，以决定后续的子块计算是否还有必要继续进行计算。
6.根据权利要求4或5所述的监控场景中违章机动车检测方法，其特征在于，所述色彩直方图，包括图像中三个颜色通道的联合概率密度函数
7.根据权利要求1所述的监控场景中违章机动车检测方法，其特征在于，步骤c具体包括 监测区域内车辆重新运动时，在摄像机定点匀速旋转的情况下，匹配的是当前帧的车辆与上一次旋转时的图像帧中的车辆目标，通过SURF算法和SIFT算法相融合，将尺度不变特征与旋转不变特征来进行目标的匹配，进行监控场景中违章机动车检测处理。
8.根据权利要求7所述的监控场景中违章机动车检测方法，其特征在于，所述SIFT算法的基本操作，具体包括 通过建立图像的多尺度空间，确定特征点位置的同时确定其尺度，以达到尺度抗缩放的目的； 通过剔除一些对比度较低的点以及边缘响应点以增强算法的稳定性，并提取旋转不变特征描述符以达到抗放射变换的目的； 利用高斯差分金字塔分层结构提取出图像中的极值点作为候选特征点，对这些候选特征点去掉那些低对比度边缘上的点，最后得到稳定的特征点； 为了得到高斯差分图像中的极值点，每一个样本像素点要和它相邻的上下左右所有的点进行比较； 如果该样本点的灰度值是极大值或极小值，则这个样本点是候选特征点，否则按照同样的方法对其他的像素点进行比较，这样就确定了特征点的位置。
9.根据权利要求8所述的监控场景中违章机动车检测方法，其特征在于，所述SURF算法，是一种基于快速稳健特征的匹配算法，SURF算法的基本操作和SIFT相似，即 建立尺度空间、极值点定位和生成描述子，但SURF算法中的计算都是在积分图像的基础上进行的，对积分图像进行卷积，增加特征点的提取速度，同时降低特征描述的维度，并且仍然具有较好的特征特异性，对光照、旋转、缩放等具有不变性； 描述子描述极值点周围像素的分布情况，在SIFT算法中是统计在梯度上的分布情况，SURF算法是统计描述子在Haar小波的x和y方向上的分布；为了使描述子具有旋转不变性，要对描述子赋予一个方向值，通过该方向，在极值点周围的描述子的区域旋转到该主方向，然后再计算描述子。
10.根据权利要求9所述的监控场景中违章机动车检测方法，其特征在于，所述计算描述子的操作，具体包括以特征点为中心，计算半径为6s的邻域内的点在x、y方向的Haar小波响应，并给这些响应值赋高斯权重系数，使得靠近特征点的响应贡献大，而远离特征点的响应贡献小；s为特征点所在的尺度值，Haar小波的边长取4s ；将60°范围内的响应相加以形成新的矢量，遍历整个圆形区域，每次遍历都得到一个矢量，选择最长矢量的方向为该特征点的主方向；这样，通过特征点逐个进行计算，得到每一个特征点的主方向。
全文摘要
本发明公开了一种监控场景中违章机动车检测方法，包括a、在检测区域内从无车辆到有车辆驶入、以及检测区域内从车辆驶出到无车辆的过程中，进行监控场景中违章机动车检测处理；和/或，b、对检测区域内的静止车辆，进行监控场景中违章机动车检测处理；和/或，c、对检测区域内车辆重新运动时的非完整轮廓情况下，进行监控场景中违章机动车检测处理。本发明所述监控场景中违章机动车检测方法，可以克服现有技术中成本高、功能单一、准确性差和适用范围小等缺陷，以实现成本低、功能多、准确性高和适用范围广的优点。
文档编号G06K9/66GK103021183SQ201210526370
公开日2013年4月3日 申请日期2012年12月7日 优先权日2012年12月7日
发明者林昭文, 陈英 申请人:北京中邮致鼎科技有限公司