[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有效
申请号: | 201710409429.X | 申请日: | 2017-06-02 |
公开(公告)号: | CN107133974B | 公开(公告)日: | 2019-08-27 |
发明(设计)人: | 阮雅端;储新迪;陈金艳;赵博睿;许山;陈启美 | 申请(专利权)人: | 南京大学 |
主分类号: | G06T7/254 | 分类号: | G06T7/254;G06K9/62;G06K9/46;G06K9/00 |
代理公司: | 南京天翼专利代理有限责任公司 32112 | 代理人: | 奚铭 |
地址: | 210023 江苏*** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
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。 | ||
搜索关键词: | 背景 建模 循环 神经网络 相结合 车型 分类 方法 | ||
【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,It表示当前像素点的像素值,μk,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
ωk,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|It‑μk,t‑1|≤τσk,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:μk,t=(1‑α)μk,t‑1+αIt,
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It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:ωk,t=(1‑β)ωk,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(It|μk,t‑1,σk,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ωk,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。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京大学,未经南京大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201710409429.X/,转载请声明来源钻瓜专利网。