[发明专利]基于混杂特征的交通流信息感知方法及系统

权利要求书

1.基于混杂特征的交通流信息感知方法，其特征在于包括以下步骤：

利用Harris角点特征实现对摄像头的自动标定，适应无标准尺寸参照物的场景，使系统能适应绝大部分的交通场景；

获取车辆样本，该样本作为训练的输入,提取并训练车辆样本中的Haar-like特征，生成特征信息库；

利用离线操作单元的基于特征信息库的车辆实时检测；

进行车辆前后帧追踪，记录车辆在观测区域内的状态信息，设置车辆置信度；

根据车辆置信度进行交通流信息的统计，并根据一段时间内缓存的车辆状态信息创建交通流信息文件，并根据检测到的车辆在线地更新车辆图像库。

2.根据权利要求1所述的基于混杂特征的交通流信息感知方法，其特征在于，利用Harris角点特征实现对摄像头的自动标定，适应无标准尺寸参照物的场景，使系统能适应绝大部分的交通场景的方法为：

101：提取观测范围内当前帧中车辆的Harris特征点集合，记为P_t={p_t,1,…p_t,Nt}，p_t,i中包含了第i个特征点的位置信息，其中，i= 1,…N_t，N_t表示当前帧中提取得到的特征点个数；

102：设前一帧图像中车辆上的特征点集合为P_t-1={p_t-1,1,…p_t-1,Nt-1}，其中N_t-1表示特征点个数，利用KLT特征点追踪算法，对前一帧和当前帧中提取的特征点进行一一匹配；

103：记录每个特征点在前后帧图像上的位移大小，记不同位置上的特征点的位移大小为dP_t={dp_t,1,…,dp_t,k}，这里的位移是以像素为单位的，k表示前后帧中匹配的特征点的个数；

104：重复以上步骤，获取足够多的特征点位置及位移大小，这里的特征点位于不同车辆上，记为{(p₁, dp₁); (p₂, dp₂); …; (p_N, dp_N）}，其中p_i表示特征点在图像上的的位置，dp_i表示特征点在图像上的位移，i= 1,…N，N表示特征点的个数；

105：假设在观测区域内不同车辆的运动速度差异不大，则dp₁,…dp_N对应的世界坐标系中的大小应差异不大，根据这个假设估计图像上不同位置的像素单位的尺寸与世界坐标系中的实际尺寸大小的比例系数随位置变化的规律：{(p₁, c); (p₂,                                               ); …; (p_N,)}，其中c为p₁位置上的像素单位的尺寸与世界坐标系中的实际尺寸大小的比例系数，为比例系数的变化因子，i= 1,…N；

106：在观测区域选择已知尺寸的物体作为参考，求得c的大小，到此为止，求得采集的图像中位置坐标与观测区域世界坐标之间的变换关系。

3.根据权利要求1所述的基于混杂特征的交通流信息感知方法，其特征在于，所述方法获取车辆样本，该样本作为训练的输入,提取并训练车辆样本中的Haar-like特征，生成特征信息库的方法为：

201：利用运动检测结果收集较长时间内观测区域内的车辆图像，作为以下训练过程的正样本，选择与正样本数量相当的无关图像作为以下训练过程的负样本；

202：提取正负样本的Haar-like特征向量，利用AdaBoost算法对特征进行学习，形成识别车辆的特征信息库；

203：利用学习得到的特征信息库，检测车辆并循环更新车辆图像样本，用以进一步Haar-like特征提取及特征训练。