[发明专利]基于混杂特征的交通流信息感知方法及系统

说明书

技术领域

本发明属于智能交通领域，尤其涉及到基于视频信号分析、图像特征提取以及统计学习理论的交通信息流感知方法及系统。

背景技术

 

随着全国交通系统的发展，逐渐增多的车辆给交通系统带来了极大的压力。早期对交通智能监管系统主要依靠环形检测线圈检测车辆，通过光缆传输交通实时视频。这样的设施在短距离公路具有较大的实用性，但是对大范围的交通网络而言，其成本过高。

基于视频的智能交通系统（ITS）在近年来发展较快，很多国内外大学和企业致力于研发基于视频的智能交通系统的实际应用产品。基于视频的ITS的优点在于设施成本比较低，铺设方便，可以利用但摄像头观测较大范围内的交通信息。

但是基于视频的交通场景分析在具体实现时存在以下问题：采集的是视频信号，其中图像中的目标是实际道路上目标的二维投影，确定图像处理的结果与实际交通信息之间的关系通常会存在误差，这会影响交通场景分析的准确性；基于视频的场景分析通常采用的方法是运动检测，例如帧差法和背景差法，这些方法在光线、雨雪天气场景下的分析效果很差。

近年来出现了基于特征的统计学习目标检测技术，并得到了较快的发展。基于特征的统计学习的目标检测算法能抵抗光线变化、强噪声干扰等。但是存在的问题是对场景的敏感性较大。在交通场景的分析中，不同的道路级别的交通场景之间差别很大，车辆的形状也不同。例如，在城市道路中常见的车辆为轿车和大巴，在一级公路、二级公路上常见的车辆为卡车、拖车。针对不同的交通场景需要分别训练。这在操作上使得基于特征的统计学习的交通场景分析算法变得很繁琐，在一定程度上限制了这种方法的实用性。

发明内容

鉴于此，本发明的主要目的为提供基于混杂特征的交通流信息感知方法及系统，分析对象为交通场景的视频信号。本发明中对图像进行Harris（Chris Harris于1988年提出了在图像中角点的方法，称此角点检测方法为Harris角点补充中文释义）角点特征提取，充分采用统计学习的方法，推断视频图像中像素坐标与世界坐标系中坐标之间的变换关系；为了弥补传统运动检测算法鲁棒性低以及基于特征的统计学习的检测算法对环境的敏感性，本发明结合这两种算法，即在较好的天气环境条件下用运动检测检测车辆，并将检测结果作为统计学习的样本，离线提取训练样本的Haar-like（中文通常称Haar-like为类哈尔小波特征，是用在图像中物体识别的一种图像特征，补充中文释义）特征，得到的Haar-like（中文通常称Haar-like为类哈尔小波特征，是用在图像中物体识别的一种图像特征补充中文释义）特征用于在线检测，在这样的诱导性学习机制下，系统的鲁棒性和环境适应性将得到极大提高。

为达到上述目的一方面，提供一种有效的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特征信息库进行车辆实时检测；

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，并创建交通流信息文件；

根据检测到的车辆在线地更新车辆图像库。

本发明的另一目的在于提供一种基于混杂特征的交通流信息感知系统，其特征在于所述系统包括：

离线操作单元2000：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，对车辆样本进行特征提取与训练，生成特征信息库；

在线分析单元2100：利用离线操作单元2000的特征信息库进行车辆实时检测，进行车辆追踪，设置车辆置信度，根据车辆置信度进行交通流信息的统计，并创建交通流信息文件，同时根据检测到的车辆在线地更新车辆图像库。

其中离线操作单元2000包括：

基于Harris角点的摄像头标定器2010：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；

车辆样本获取器2020：获取得到图像中的样本，该样本作为训练的输入。

车辆Haar-like特征提取器及训练器2030：提取并训练样本中的Haar-like特征，生成特征信息库。