[发明专利]高斯背景建模与循环神经网络相结合的车型分类方法

摘要

高斯背景建模与循环神经网络相结合的视频车型分类方法，通过使用混合高斯模型提取运动目标，并将运动目标送循环神经网络提取特征，根据循环神经网络输出的向量判断目标是否为车辆以及车辆类型.本发明提出了将RNN作为高斯混合模型的后续运算，以达到车型分类的目的，首先利用高斯混合模型对视频序列进行背景建模，检测出运动目标区域，利用CNN对检测出的目标区域进行分类,将分类结果输入至RNN网络中得到最后的分类来判别是客车、货车或者非车。本发明创造性的使用了高斯背景建模与循环神经网络结合的方法，该方法有较强鲁棒性，两者结合能够大大提高了车辆检测和车型识别精度。

主权项

1.高斯背景建模与循环神经网络相结合的视频车型分类方法，其特征是通过使用混合高斯模型提取运动目标，并将运动目标送循环神经网络提取特征，根据循环神经网络输出的向量判断目标是否为车辆以及车辆类型，步骤如下：步骤1：混合高斯背景建模，提取运动目标区域：1.1)初始化高速公路背景，首先利用视频的前n帧连续视频流图像来构建高速公路背景；1.2)对前n帧的每一帧图像的每个像素点的灰度值用K个高斯分布来近似逼近，设像素点在与当前帧最近的t帧图中灰度值为{X1,X2……，Xt}＝{I(X0,i)|1≤i≤t}，其中变量Xt表示像素点在t时刻对应的像素灰度值，表示第k个高斯分布在t时刻的状态，I_t表示当前像素点的像素值，μ_k,t表示当前像素点的像素值的均值，∑_k,t表示当前像素点的像素值的协方差矩阵，则像素点I(X,Y)的概率分布为ω_k,t表示第k个高斯分布的权重；1.3)当视频的第n+1帧图像出现的时候，利用这帧图像来更新高斯模型参数，以适应动态场景的改变，符合公式|I_t‑μ_k,t‑1|≤τσ_k,t‑1，k＝1,2,...K就更新高斯模型，式中τ是一个关于匹配程度的阈值，取2.5，如果像素值在某个高斯分布的2.5倍标准差之内，就认为该像素点与这个高斯分布匹配，根据公式：μ_k,t＝(1‑α)μ_k,t‑1+αI_t，更新高斯模型的对应的均值和方差，式中α为参数更新率，如果当前帧中的像素值I_t和当前的混合高斯背景模型中的一个或者多个分布匹配时，增加其权重，权重更新如下：ω_k,t＝(1‑β)ω_k,t‑1+βθ，k＝1,2,…K其中β为学习速率，且更新速率α满足α＝βη(I_t|μ_k,t‑1,σ_k,t‑1)；1.4)对当前时刻所有完成参数更新的模型的权重进行归一化处理：将K个高斯分布按照权值ω_k,t从大到小排序，取前B个来建立背景模型：式中T是选择前B个背景分布的阈值；1.5)得到背景的高斯分布之后，通过像素点是否能够与高斯分布所选择的前B个高斯分布匹配，来判断像素点是否为运动区域目标即前景；步骤2：对运动区域目标提取轮廓，利用循环神经网络进行车型分类。