專利名稱：基于混雜特征的交通流信息感知方法及系統(tǒng)的制作方法
技術領域：
本發(fā)明屬于智能交通領域，尤其涉及到基于視頻信號分析、圖像特征提取以及統(tǒng)計學習理論的交通信息流感知方法及系統(tǒng)。
背景技術：
隨著全國交通系統(tǒng)的發(fā)展，逐漸增多的車輛給交通系統(tǒng)帶來了極大的壓力。早期對交通智能監(jiān)管系統(tǒng)主要依靠環(huán)形檢測線圈檢測車輛，通過光纜傳輸交通實時視頻。這樣的設施在短距離公路具有較大的實用性，但是對大范圍的交通網絡而言，其成本過高。基于視頻的智能交通系統(tǒng)(ITS)在近年來發(fā)展較快，很多國內外大學和企業(yè)致力于研發(fā)基于視頻的智能交通系統(tǒng)的實際應用產品。基于視頻的ITS的優(yōu)點在于設施成本比較低，鋪設方便，可以利用但攝像頭觀測較大范圍內的交通信息。但是基于視頻的交通場景分析在具體實現(xiàn)時存在以下問題采集的是視頻信號， 其中圖像中的目標是實際道路上目標的二維投影，確定圖像處理的結果與實際交通信息之間的關系通常會存在誤差，這會影響交通場景分析的準確性；基于視頻的場景分析通常采用的方法是運動檢測，例如幀差法和背景差法，這些方法在光線、雨雪天氣場景下的分析效果很差。近年來出現(xiàn)了基于特征的統(tǒng)計學習目標檢測技術，并得到了較快的發(fā)展。基于特征的統(tǒng)計學習的目標檢測算法能抵抗光線變化、強噪聲干擾等。但是存在的問題是對場景的敏感性較大。在交通場景的分析中，不同的道路級別的交通場景之間差別很大，車輛的形狀也不同。例如，在城市道路中常見的車輛為轎車和大巴，在一級公路、二級公路上常見的車輛為卡車、拖車。針對不同的交通場景需要分別訓練。這在操作上使得基于特征的統(tǒng)計學習的交通場景分析算法變得很繁瑣，在一定程度上限制了這種方法的實用性。

發(fā)明內容
鑒于此，本發(fā)明的主要目的為提供基于混雜特征的交通流信息感知方法及系統(tǒng)， 分析對象為交通場景的視頻信號。本發(fā)明中對圖像進行Harris (Chris Harris于1988 年提出了在圖像中角點的方法，稱此角點檢測方法為Harris角點補充中文釋義)角點特征提取，充分采用統(tǒng)計學習的方法，推斷視頻圖像中像素坐標與世界坐標系中坐標之間的變換關系；為了彌補傳統(tǒng)運動檢測算法魯棒性低以及基于特征的統(tǒng)計學習的檢測算法對環(huán)境的敏感性，本發(fā)明結合這兩種算法，即在較好的天氣環(huán)境條件下用運動檢測檢測車輛，并將檢測結果作為統(tǒng)計學習的樣本，離線提取訓練樣本的Haar-Iike (中文通常稱Haar-Iike 為類哈爾小波特征，是用在圖像中物體識別的一種圖像特征，補充中文釋義)特征，得到的 Haar-Iike (中文通常稱Haar-Iike為類哈爾小波特征，是用在圖像中物體識別的一種圖像特征補充中文釋義)特征用于在線檢測，在這樣的誘導性學習機制下，系統(tǒng)的魯棒性和環(huán)境適應性將得到極大提高。
為達到上述目的一方面，提供一種有效的基于混雜特征的交通流信息感知方法， 其特征在于包括以下步驟
利用Harris角點特征實現(xiàn)對攝像頭的自動標定，適應無標準尺寸參照物的場景，使系統(tǒng)能適應絕大部分的交通場景；
獲取車輛樣本，該樣本作為訓練的輸入，提取并訓練車輛樣本中的Haar-Iike特征，生成特征信息庫；
利用離線操作單元的特征信息庫進行車輛實時檢測； 進行車輛前后幀追蹤，記錄車輛在觀測區(qū)域內的狀態(tài)信息，設置車輛置信度； 根據(jù)車輛置信度進行交通流信息的統(tǒng)計，并創(chuàng)建交通流信息文件； 根據(jù)檢測到的車輛在線地更新車輛圖像庫。本發(fā)明的另一目的在于提供一種基于混雜特征的交通流信息感知系統(tǒng)，其特征在于所述系統(tǒng)包括
離線操作單元2000 利用Harris角點特征實現(xiàn)對攝像頭的自動標定，適應無標準尺寸參照物的場景，使系統(tǒng)能適應絕大部分的交通場景；獲取車輛樣本，對車輛樣本進行特征提取與訓練，生成特征信息庫；
在線分析單元2100 利用離線操作單元2000的特征信息庫進行車輛實時檢測，進行車輛追蹤，設置車輛置信度，根據(jù)車輛置信度進行交通流信息的統(tǒng)計，并創(chuàng)建交通流信息文件，同時根據(jù)檢測到的車輛在線地更新車輛圖像庫。其中離線操作單元2000包括
基于Harris角點的攝像頭標定器2010 利用Harris角點特征實現(xiàn)對攝像頭的自動標定，適應無標準尺寸參照物的場景，使系統(tǒng)能適應絕大部分的交通場景； 車輛樣本獲取器2020 獲取得到圖像中的樣本，該樣本作為訓練的輸入。車輛Haar-Iike特征提取器及訓練器2030 提取并訓練樣本中的Haar-Iike特征，生成特征信息庫。車輛Haar-Iike特征信息庫2040 包含了訓練得到的Haar-like特征庫，該庫用于車輛的在線檢測；
其中，在線分析單元2100包括 交通視頻采集器2110 采集實時交通視頻流；
車輛檢測器2120 使用Haar-Iike特征信息庫，進行車輛在線準實時檢測； 車輛前后幀追蹤器2130 車輛前后幀追蹤，記錄車輛在觀測區(qū)域內的狀態(tài)信息； 車輛檢測置信度更新器2140 根據(jù)車輛檢測結果設置并更新車輛存在置信度； 交通流信息更新器2150 更新車輛狀態(tài)信息，根據(jù)一段時間內緩存的車輛狀態(tài)信息等，創(chuàng)建交通信息流文件；
車輛圖像在線更新器2160 根據(jù)檢測到的車輛在線地更新車輛圖像庫。有益效果本發(fā)明的交通信息感知方法及系統(tǒng)的優(yōu)點在于通過利用圖像中 Harris角點特征的自動標定以及通過分析視頻中車輛的運動狀態(tài)推斷當前觀測區(qū)域在世界坐標中的狀態(tài)；采用運動檢測方法收集觀測區(qū)域的車輛樣本，并提取車輛樣本的 Haar-Iike特征、利用統(tǒng)計學算法建立車輛檢測的Haar-Iike特征信息庫；在利用此特征信息庫檢測車輛時，首先粗略地檢測視頻中的運動區(qū)域，這減小了車輛檢測的搜索范圍，然后再運動區(qū)域中檢測車輛；在車輛追蹤過程中，根據(jù)不同的追蹤狀況調整車輛存在性的置信度，這種非線性的車輛檢測可靠性判決準則，能有效地抵抗車輛部分遮擋、路面干擾物等影響。


圖1基于混雜特征的交通流信息感知方法及系統(tǒng)的方法流程圖
圖2為本發(fā)明實現(xiàn)基于Harris角點特征對攝像頭進行標定的實現(xiàn)流程圖； 圖3為本發(fā)明實現(xiàn)根據(jù)車輛運動檢測的結果更新車輛圖像樣本，并基于車輛圖像樣本的Haar-Iike特征提取及特征訓練的實現(xiàn)流程圖4為本發(fā)明實現(xiàn)基于車輛圖像的Haar-Iike特征信息的車輛實時檢測的過程的流程
圖5為本發(fā)明實現(xiàn)采集系統(tǒng)對一段時間內采集的車輛信息匯總、生成交通信息流文件，并定時向服務器發(fā)送交通信息流文件的流程圖6為本發(fā)明創(chuàng)建交通信息流文件，同時根據(jù)檢測到的車輛在線地更新車輛圖像庫的過程的流程圖7為本發(fā)明的用于基于混雜特征的交通流信息感知的設備的方框圖，圖中各標記意義如下離線操作單元2000、在線分析單元2100、基于Harris角點的攝像頭標定器2010、 車輛樣本獲取器2020、車輛Haar-Iike特征提取器及訓練器2030、車輛Haar-Iike特征信息庫2040、交通視頻采集器2110、車輛檢測器2120、車輛前后幀追蹤器2130、車輛檢測置信度更新器2140、交通流信息更新器2150、車輛圖像在線更新器2160。
具體實施例方式本發(fā)明實現(xiàn)基于Harris角點特征對攝像頭進行標定的實現(xiàn)流程圖如圖2所示，包括
步驟101 提取觀測范圍內當前幀中車輛的Harris特征點集合，記為Pi=^ ρ…pt，Ni}， 其中Ni表示當前幀中提取得到的特征點個數(shù)，中包含了第i個特征點的位置等信息；
步驟102 設前一幀圖像中車輛上的特征點集合為Pg= {p^p "Tt^J,其中I表示特征點個數(shù)，利用KLT特征點追蹤算法，對前一幀和當前幀中提取的特征點進行一一匹配； 步驟103 記錄每個特征點在前后幀圖像上的位移大小，記不同位置上的特征點的位移大小為ClPt=Wpiil, ···，(! 。}，這里的位移是以像素為單位的，k表示前后幀中匹配的特征點的個數(shù)；
步驟104 重復以上步驟，獲取足夠多的特征點位置及位移大小，這里的特征點位于不同車輛上，記為Kp1, dPl); (p2, dp2);…；(pN, dpN)}，其中Pi表示特征點在圖像上的的位置，dPi表示特征點在圖像上的位移；例如，在圖像上由近及遠的三個位置的坐標為(10， 20)，(10，30)，(10，40)，三個位置上的特征點在前后兩幀的(像素)位移分別為5，3. 5，2， 則記為(10，20，5)，(10，30，3. 5)，(10，40，2)；
步驟105 假設在觀測區(qū)域內不同車輛的運動速度差異不大，則Clp1，…dpN對應的世界坐標系中的大小應差異不大，根據(jù)這個假設可以估計圖像上不同位置的像素單位的尺寸與世界坐標系中的實際尺寸大小的比例系數(shù)隨位置變化的規(guī)律Kp1, c); (p2,CO2);…；(pN，e<%)}，其中c為常數(shù)，％為比例系數(shù)的變化因子；例如104中所舉的例子， 圖像上坐標為(10，20)，(10，30)，(10，40)的特征點，在世界坐標系中對應的車輛的前后幀運動距離可以認為是相同的，假設為10米。則(10，20)處的像素單位的尺寸與世界坐標系中的實際尺寸大小的比例系數(shù)為c=10/5=2，(10，30)處的比例系數(shù)為5/3. 5c，(10， 40)處的比例系數(shù)為H本發(fā)明實現(xiàn)根據(jù)車輛運動檢測的結果更新車輛圖像樣本，并基于車輛圖像樣本的 Haar-Iike特征提取及特征訓練的實現(xiàn)流程，如圖3所示，包括
201利用運動檢測結果收集較長時間內觀測區(qū)域內的車輛圖像，作為以下訓練過程的正樣本，選擇與正樣本數(shù)量相當?shù)臒o關圖像作為以下訓練過程的負樣本；
202提取正負樣本的Haar-Iike特征向量，利用AdaB00st(是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的弱分類器，然后把這些弱分類器集合起來，構成一個更強的最終分類器。補充中文釋義)算法對特征進行學習，形成識別車輛的Haar-Iike特征信息庫；
203:利用學習得到的Haar-Iike特征信息庫，檢測車輛并循環(huán)更新車輛圖像樣本，用以進一步特征提取及特征訓練。本發(fā)明實現(xiàn)基于車輛圖像特征信息的車輛實時檢測的過程的流程，如圖4所示， 包括
301對前后圖像做幀間差操作，獲得前一幀圖像與當前幀之間的幀間差圖像，記為 dip其像素組成為dlji，j) = | 1,(1, j) - 1^(1, j) I，其中t代表圖像幀的時間標號，i 表示圖像像素行號，j表示圖像像素列號，Ii為當前圖像，。為前一幀圖像，ClIi為幀間差圖像，具體為兩幀差的絕對值構成的圖像，Ii (i，j)就表示時刻t的圖像I在位置(i，j)的像素值，ClIi (i，j)就表示時刻t的幀間差圖像在位置(i，j)上的像素值；
302根據(jù)ClIi圖像上每一像素點大小，對當前幀圖像做如下調整，其過程為若ClIi (i， j) < \，貝Ijlji，j) = 0，例如，圖像二值化閾值1\的值可以取為20;否則，IJi，j)不做改變，這種方式縮小了車輛檢測在圖像中的搜索范圍；
303根據(jù)202或203中產生的Haar-Iike特征信息庫，在Ii中檢測車輛。本發(fā)明實現(xiàn)感知裝置對一段時間內采集的車輛信息匯總、生成交通信息流文件， 并定時向服務器發(fā)送交通信息流文件的流程，如圖5所示，包括
401 將車輛在觀測區(qū)域內的動態(tài)信息表示為以P, 6)，其中S表示車輛大小，/7表示在圖像中車輛動態(tài)位置，C表示檢測車輛實際為車輛的置信度；根據(jù)歷史動態(tài)信息，預測車輛在當前幀中的大小信息和位置；
402:利用最近距離匹配方法，追蹤歷史觀測車輛在當前幀中相匹配的信息，在這一過程中除了追蹤成功的情況之外，還有新的車輛進入觀測區(qū)域，歷史車輛離開觀測區(qū)域，也會有當前陣中追蹤失敗的情況發(fā)生；
403 對追蹤成功的車輛增加其置信度；對新出現(xiàn)的車輛，創(chuàng)建新的動態(tài)信息用以記錄其狀態(tài)；對離開觀測空間的車輛則將車輛狀態(tài)移至車輛狀態(tài)緩存文件；對檢測失敗的車輛根據(jù)預測狀態(tài)更新車輛的狀態(tài)，同時削弱車輛的置信度；
本發(fā)明創(chuàng)建交通信息流文件，同時根據(jù)檢測到的車輛在線地更新車輛圖像庫的過程的流程，如圖6，包括501對一段時間內緩存的車輛狀態(tài)信息，添加附屬信息等創(chuàng)建交通信息流文件；
502將交通信息流文件和車輛圖像傳送至中心服務器。503 中心服務器根據(jù)權利要求1中的攝像頭標定結果計算這段時間內的交通信息；
504 根據(jù)需要將車輛圖像加入車輛圖像庫，對車輛圖像庫進行更新。本發(fā)明的基于混雜特征的交通流信息感知系統(tǒng)框圖如圖7所示，該系統(tǒng)包括 離線操作單元2000 利用Harris角點特征實現(xiàn)對攝像頭的自動標定，適應無標準尺寸
參照物的場景，使系統(tǒng)能適應絕大部分的交通場景；獲取車輛樣本，對車輛樣本進行特征提取與訓練，生成特征信息庫；
在線分析單元2100 利用離線操作單元2000的特征信息庫進行車輛實時檢測，進行車輛追蹤，設置車輛置信度，根據(jù)車輛置信度進行交通流信息的統(tǒng)計，并創(chuàng)建交通流信息文件，同時根據(jù)檢測到的車輛在線地更新車輛圖像庫。其中離線操作單元2000包括
基于Harris角點的攝像頭標定器2010 利用Harris角點特征實現(xiàn)對攝像頭的自動標定，適應無標準尺寸參照物的場景，使系統(tǒng)能適應絕大部分的交通場景； 車輛樣本獲取器2020 獲取得到圖像中的樣本，該樣本作為訓練的輸入。車輛Haar-Iike特征提取器及訓練器2030 提取并訓練樣本中的Haar-Iike特征，并生成車輛的Haar-Iike特征信息庫。車輛Haar-Iike特征信息庫2040 包含了訓練得到的Haar-Iike特征信息庫，該庫用于車輛的在線檢測；
其中，在線分析單元2100包括 交通視頻采集器2110 采集實時交通視頻流；
車輛檢測器2120 使用Haar-Iike特征信息庫，進行車輛在線準實時檢測； 車輛前后幀追蹤器2130 車輛前后幀追蹤，記錄車輛在觀測區(qū)域內的狀態(tài)信息，設置
車輛置信度；
車輛檢測置信度更新器2140 根據(jù)車輛檢測結果更新車輛存在置信度； 交通流信息更新器2150 更新車輛狀態(tài)信息，根據(jù)一段時間內緩存的車輛狀態(tài)信息等，創(chuàng)建交通信息流文件；
車輛圖像在線更新器2160 根據(jù)檢測到的車輛在線地更新車輛圖像庫。以上內容是結合最佳實施方案對本發(fā)明所作的進一步詳細說明，不能認定本發(fā)明的具體實施局限于這些說明。本領域的技術人員應該理解，在不脫離由所附權利要求書限定的本發(fā)明的精神和范圍的情況下，還可以對其進行形式和細節(jié)上的各種修改，都應當視為屬于本發(fā)明的保護范圍。
權利要求
1.基于混雜特征的交通流信息感知方法，其特征在于包括以下步驟利用Harris角點特征實現(xiàn)對攝像頭的自動標定，適應無標準尺寸參照物的場景，使系統(tǒng)能適應絕大部分的交通場景；獲取車輛樣本，該樣本作為訓練的輸入，提取并訓練車輛樣本中的Haar-Iike特征，生成特征信息庫；利用離線操作單元的基于特征信息庫的車輛實時檢測；進行車輛前后幀追蹤，記錄車輛在觀測區(qū)域內的狀態(tài)信息，設置車輛置信度；根據(jù)車輛置信度進行交通流信息的統(tǒng)計，并根據(jù)一段時間內緩存的車輛狀態(tài)信息創(chuàng)建交通流信息文件，并根據(jù)檢測到的車輛在線地更新車輛圖像庫。
2.根據(jù)權利要求1所述的基于混雜特征的交通流信息感知方法，其特征在于，利用 Harris角點特征實現(xiàn)對攝像頭的自動標定，適應無標準尺寸參照物的場景，使系統(tǒng)能適應絕大部分的交通場景的方法為101提取觀測范圍內當前幀中車輛的Harris特征點集合，記為Pi= {pi; -pt;Ni}, ρ ; i 中包含了第i個特征點的位置信息，其中，i=丨，…隊，隊表示當前幀中提取得到的特征點個數(shù)；102設前一幀圖像中車輛上的特征點集合為Pp1= {p^i，"Tt^J,其中I表示特征點個數(shù)，利用KLT特征點追蹤算法，對前一幀和當前幀中提取的特征點進行一一匹配；103記錄每個特征點在前后幀圖像上的位移大小，記不同位置上的特征點的位移大小為ClPt=Wpiil, ···，(! 。}，這里的位移是以像素為單位的，k表示前后幀中匹配的特征點的個數(shù)；104:重復以上步驟，獲取足夠多的特征點位置及位移大小，這里的特征點位于不同車輛上，記為Kp1, (Ip1) ； (p2, dp2);…；(pN, dpN)}，其中Pi表示特征點在圖像上的的位置，dPi表示特征點在圖像上的位移，i= 1，…N，N表示特征點的個數(shù)；105假設在觀測區(qū)域內不同車輛的運動速度差異不大，則Clp1，…辦，對應的世界坐標系中的大小應差異不大，根據(jù)這個假設估計圖像上不同位置的像素單位的尺寸與世界坐標系中的實際尺寸大小的比例系數(shù)隨位置變化的規(guī)律{(Pl，c)； (p2, CO2);…；(PN，cq)}，其中位置上的像素單位的尺寸與世界坐標系中的實際尺寸大小的比例系數(shù)為比例系數(shù)的變化因子，1= 1，…N ；106在觀測區(qū)域選擇已知尺寸的物體作為參考，求得c的大小，到此為止，求得采集的圖像中位置坐標與觀測區(qū)域世界坐標之間的變換關系。
3.根據(jù)權利要求1所述的基于混雜特征的交通流信息感知方法，其特征在于，所述方法獲取車輛樣本，該樣本作為訓練的輸入，提取并訓練車輛樣本中的Haar-Iike特征，生成特征信息庫的方法為201利用運動檢測結果收集較長時間內觀測區(qū)域內的車輛圖像，作為以下訓練過程的正樣本，選擇與正樣本數(shù)量相當?shù)臒o關圖像作為以下訓練過程的負樣本；202提取正負樣本的Haar-Iike特征向量，利用AdaBoost算法對特征進行學習，形成識別車輛的特征信息庫；203:利用學習得到的特征信息庫，檢測車輛并循環(huán)更新車輛圖像樣本，用以進一步 Haar-Iike特征提取及特征訓練。
4.根據(jù)權利要求1所述的基于混雜特征的交通流信息感知方法，其特征在于，所述方法基于特征信息庫的車輛實時檢測的方法為301對前后圖像做幀間差操作，獲得前一幀圖像與當前幀之間的幀間差圖像，記為 dip其像素組成為dlji，j) = | 1,(1, j) - 1^(1, j) I，其中t代表圖像幀的時間標號，i 表示圖像像素行號，j表示圖像像素列號，Ii為當前圖像，。為前一幀圖像，ClIi為幀間差圖像，具體為兩幀差的絕對值構成的圖像，Ii (i，j)就表示時刻t的圖像I在位置(i，j)的像素值，ClIi (i，j)就表示時刻t的幀間差圖像在位置(i，j)上的像素值；302根據(jù)ClIi圖像上每一像素點大小，對當前幀圖像做如下調整，其過程為若ClIi (i， j) < TijPJ 1,(1, j) =0，否則；1力，j)不做改變，這種方式縮小了車輛檢測在圖像中的搜索范圍，其中T1為圖像二值化的閾值；303根據(jù)202或203中產生的車輛的特征信息庫，在Ii中檢測車輛，其中Ii為當前圖像。
5.根據(jù)權利要求1所述的基于混雜特征的交通流信息感知方法，其特點在于，所述車輛前后幀追蹤，記錄車輛在觀測區(qū)域內的狀態(tài)信息，設置車輛置信度的方法為401 將車輛在觀測區(qū)域內的動態(tài)信息表示為以P, 6)，其中S表示車輛大小，/7表示在圖像中車輛動態(tài)位置，C表示檢測車輛實際為車輛的置信度；根據(jù)歷史動態(tài)信息，預測車輛在當前幀中的大小信息和位置；402:利用最近距離匹配方法，追蹤歷史觀測車輛在當前幀中相匹配的信息，在這一過程中除了追蹤成功的情況之外，還有新的車輛進入觀測區(qū)域，歷史車輛離開觀測區(qū)域，也會有當前幀中追蹤失敗的情況發(fā)生；403 對追蹤成功的車輛增加其置信度；對新出現(xiàn)的車輛，創(chuàng)建新的動態(tài)信息用以記錄其狀態(tài)；對離開觀測空間的車輛則將車輛狀態(tài)移至車輛狀態(tài)緩存文件；對檢測失敗的車輛根據(jù)預測狀態(tài)更新車輛的狀態(tài)，同時削弱車輛的置信度。
6.根據(jù)權利要求1所述的基于混雜特征的交通流信息感知方法，其特點在于，所述方法根據(jù)車輛置信度進行交通流信息的統(tǒng)計，并根據(jù)一段時間內緩存的車輛狀態(tài)信息創(chuàng)建交通流信息文件，并根據(jù)檢測到的車輛在線地更新車輛圖像庫的方法為501對一段時間內緩存的車輛狀態(tài)信息，添加附屬信息等創(chuàng)建交通信息流文件；502將交通信息流文件和車輛圖像傳送至中心服務器；503中心服務器根據(jù)權利要求1中的攝像頭標定結果計算這段時間內的交通信息；504:將檢測到的車輛圖像加入車輛圖像庫，對車輛圖像庫進行更新。
7.基于混雜特征的交通流信息感知系統(tǒng)，其特征在于所述系統(tǒng)包括離線操作單元(2000)利用Harris角點特征實現(xiàn)對攝像頭的自動標定，適應無標準尺寸參照物的場景，使系統(tǒng)能適應絕大部分的交通場景；獲取車輛樣本，對車輛樣本進行特征提取與訓練，生成特征信息庫；在線分析單元(2100)利用離線操作單元(2000)的特征信息庫進行車輛實時檢測，進行車輛追蹤，設置車輛置信度，根據(jù)車輛置信度進行交通流信息的統(tǒng)計，并創(chuàng)建交通流信息文件，同時根據(jù)檢測到的車輛在線地更新車輛圖像庫；其中，離線操作單元(2000 )包括基于Harris角點的攝像頭標定器(2010)利用Harris角點特征實現(xiàn)對攝像頭的自動標定，適應無標準尺寸參照物的場景，使系統(tǒng)能適應絕大部分的交通場景； 車輛樣本獲取器(2020)獲取得到圖像中的樣本，該樣本作為訓練的輸入； 車輛Haar-Iike特征提取器及訓練器(2030)提取并訓練樣本中的Haar-Iike特征信息，生成特征信息庫；車輛Haar-Iike特征信息庫(2040):包含了訓練得到的Haar-Iike特征信息庫，該庫用于車輛的在線檢測；在線分析單元(2100)包括 交通視頻采集器(2110)采集實時交通視頻流；車輛檢測器(2120)使用Haar-Iike特征信息庫，進行車輛在線準實時檢測； 車輛前后幀追蹤器(2130)車輛前后幀追蹤，記錄車輛在觀測區(qū)域內的狀態(tài)信息； 車輛檢測置信度更新器(2140)根據(jù)車輛檢測結果設置并更新車輛存在置信度； 交通流信息更新器(2150)更新車輛狀態(tài)信息，根據(jù)一段時間內緩存的車輛狀態(tài)信息等，創(chuàng)建交通信息流文件；車輛圖像在線更新器(2160):根據(jù)檢測到的車輛在線地更新車輛圖像庫。
全文摘要
本發(fā)明公開一種基于混雜特征的交通流信息感知方法及系統(tǒng)，具體是一種基于Harris角點特征的攝像頭標定方法，基于車輛圖像樣本的Haar-like特征提取、訓練，以及基于Haar-like特征信息庫的在線準實時檢測，基于置信度的車輛跟蹤，以及訓練樣本庫的自動更新的交通流信息感知方法和系統(tǒng)。本發(fā)明利用統(tǒng)計學習工具，訓練車輛Haar-like特征并在線更新車輛樣本集，能夠誘導性地學習新的交通場景并有效地對抗車輛陰影、雨雪氣候、潮濕道路倒影、攝像頭抖動等干擾。本發(fā)明設置置信度來量化車輛的存在性，提出一種非線性的車輛檢測可靠性判決準則，能有效地抵抗車輛部分遮擋、路面干擾物等影響，使系統(tǒng)具有很高的魯棒性。
文檔編號G06K9/66GK102393901SQ20111036747
公開日2012年3月28日 申請日期2011年11月18日 優(yōu)先權日2011年11月18日
發(fā)明者丁小羽, 何佩君, 劉小虎, 婁蔓睿, 朱礦巖, 李平, 林云龍, 王橋, 陸巍, 陳碩, 黃凱明 申請人:東南大學