[发明专利]结合帧间差分与贝叶斯分类器的车辆行人检测识别方法

说明书

本发明涉及图像识别领域，涉及一种结合帧间差分与贝叶斯分类器的车辆行人检测识别方法。本发明利用局部车辆和行人信息改良了传统帧间差分漏检和检测不到静止物体的弊端，可检测到道路上运动的的车辆和行人的完整区域和不那么完整的静止的车辆和行人区域；同时其运行速度相比传统的SVM+HOG或神经网络方法在准确率相同的情况下要快，而且成本较低；本发明方法只需要正样本，需要的样本量比SVM+HOG的样本少，相对神经网络学习过程更加简单，实时性高。

技术领域

本发明涉及图像识别领域，涉及一种结合帧间差分与贝叶斯分类器的车辆行人检测识别方法。

背景技术

在传统可靠性理论中，车辆行人检测常用的方法是SVM+HOG,该方法在训练过程中一方面需要大量的正负样本，并且只对特征明显的行人分辨能力强，另一方面检测速度慢。

在相机位置固定，物体检测环境确定的情况下，采用传统的SVM+HOG的方法，为了提高检测和识别的准确性需要采集大量的车辆和行人的正样本，以及环境中非车辆和行人的负样本，由于SVM(支持向量机)检测物体的单一性，当环境中的检测目标有两个的时候，需要训练两个分类器，同时采用SVM+HOG进行车辆行人检测的实时性差，处理一帧图片需要的时间超过一秒。

利用目前比较流行的神经网络学习来解决行人与车辆检测问题又有点“大材小用”，毕竟只是两类物体的检测，并且利用神经网络学习需要昂贵的硬件与复杂的算法，还有巨量的样本，即使这样也不能保证实时的检测，操作起来门槛较高，成本也较高。

发明内容

本发明要解决的技术问题是提供一种改良了传统帧间差分漏检和检测不到静止物体的弊端，运行速度快，成本较低，需要的样本量少，实时性高的结合帧间差分与贝叶斯分类器的车辆行人检测识别方法。

为了解决上述技术问题，本发明解决其技术问题所采用的技术方案是：

一种结合帧间差分与贝叶斯分类器的车辆行人检测识别方法，具体步骤包括：

S1、连续精准采集区域内含有车辆行人的道路图像，通过对道路图像进行二值分割处理来提取每一帧道路图像的道路区域；

S2、对道路图像采用传统帧间差分处理获得在道路图像中的车辆和行人位置图片，再对车辆和行人位置图片进行局部帧间差分处理获得车辆和行人区域图像，以此得到车辆和行人的外接矩图片；

S3、将获得的车辆和行人的外接矩图片划分为训练集和测试集，并将训练集输入朴素贝叶斯分类器中训练，得到训练好的车辆和行人识别模型；

S4、将测试集输入搭建好的车辆和行人识别模型，车辆和行人识别模型分别识别出在道路图像在中的车辆和行人。

优选的，步骤S1中，对道路图像进行二值分割处理具体为：先对采集的不同时刻的多张道路图像进行二值分割，对分割后的二值图像进行空洞填充，提取道路区域的轮廓，保存每张图像中的最大的道路轮廓，并对这些道路轮廓进行排序，以最大的道路轮廓来作为道路区域的掩膜图像，再通过道路掩膜图像提取每一帧图片中的道路区域。

优选的，步骤S2中，传统帧间差分处理具体为：对道路图像进行二值化处理后，使用形态学的闭运算，再进行空洞填充和形态学的膨胀和腐蚀处理，最后提取出道路区域中的车辆和行人轮廓，利用道路区域中的车辆和行人轮廓获得出车辆和行人位置图片。

优选的，步骤S2中，局部帧间差分处理具体为：通过传统帧间差分处理获得车辆和行人的位置图片，扩大并保存车辆和行人在图片中的位置，得到局部扩大图片，在检测下一帧道路图像中车辆和行人时，对车辆和行人的位置图片与局部扩大图片进行帧间差分以获得车辆和行人的外接矩图片。

优选的，在步骤S3中，在朴素贝叶斯分类器的训练过程采用的若干个车辆和行人特征，通过训练集中的车辆和行人的外接矩图片用以确定每个特征在不同区间的不同分布概率。