一种车辆检测方法、装置及计算机可读存储介质

技术领域

本发明涉及图像处理技术领域，尤其涉及一种车辆检测方法、装置及计算机可读存储介质。

背景技术

随着汽车保有量不断增长，道路的交通压力不断加大，与汽车相关的安全管理问题也日益凸显，为了实现对运行汽车的优化管理和调度，可通过对汽车特征的有效检测和识别，从而获取车辆数量情况，为驾驶员和车辆管理调度中心提供可视化的信息参考。

现有车辆检测技术，通过提取图像中的局部差别表征子集作为图像的特征进行识别，而现有的局部差别表征子集中仅包含差分幅值和差分方向两个变量。在实际运用中，由于车辆打光不均、车辆所在背景环境随机多变的干扰，采用上述差分局部差别表征子进行车辆检测，车辆检测效果较差。

发明内容

本发明实施例提供一种车辆检测方法、装置及计算机可读存储介质，能提高车辆检测的检测效果。

本发明一实施例提供一种车辆检测方法，包括：获取待检测视频；其中，所述待检测视频中包括若干连续视频帧；

计算每一所述视频帧中各邻域的像素点的差分幅值和差分方向，生成每一所述视频帧的差别表征子集特征，继而将所有视频帧的差别表征子集特征进行融合，获得所述待检测视频的差别表征子集特征；

对每一所述视频帧进行光流检测，构建每一所述视频帧的光流特征，继而将所有视频帧的光流特征进行融合，获得所述待检测视频的光流特征；

将所述待检测视频的差别表征子集特征与所述待检测视频的光流特征进行特征融合，生成所述待检测视频的运动差别表征子集特征；

将所述运动差别表征子集特征输入至已构建的车辆检测模型中，以使所述车辆检测模型根据所述运动差别表征子集特征，对所述待检测视频进行车辆检测。

进一步地，每一所述视频帧的差别表征子集特征的生成方法包括：

根据视频帧的空间分辨率对视频帧进行邻域划分，将所述视频帧划分为各个邻域；

计算每一所述邻域中各像素点的差分幅值和差分方向，继而将所有邻域的差分方向量化为若干个主方向，构建差分方向直方图；

根据每一像素点与其所在邻域的中心点的距离、每一像素点的差分幅值以及所述差分方向直方图构建差别梯度直方图，将所述差别梯度直方图作为所述视频帧的差别表征子集特征。

进一步地，对所述运动差别表征子集特征所对应的各像素点进行运动量检测，将运动量超过预设阈值的像素点，作为特征点；

将差分幅值最大的特征点所对应的主方向，作为基准方向，将其余所有像素点的差分幅值根据所述基准方向进行旋转，继而根据旋转后的像素点的差分幅值重新生成所述运动差别表征子集特征。

进一步地，通过预设的间隔分类算法构建所述车辆检测模型；其中，所述预设的间隔分类算法所对应的公式为：

D为特征集合，D＝[D

进一步地，在获取待检测视频之后，还包括：通过高斯滤波器对所述待检测视频进行视频处理。

在上述方法项实施例的基础上，本发明对应提供了装置项实施例；

本发明一实施例提供了一种车辆检测装置，包括视频获取模块，第一特征生成模块、第二特征生成模块、第三特征生成模块以及车辆检测模块；

所述视频获取模块，用于获取待检测视频；其中，所述待检测视频中包括若干连续视频帧；

所述第一特征生成模块，用于计算每一所述视频帧中各邻域的像素点的差分幅值和差分方向，生成每一所述视频帧的差别表征子集特征，继而将所有视频帧的差别表征子集特征进行融合，获得所述待检测视频的差别表征子集特征；

所述第二特征生成模块，用于对每一所述视频帧进行光流检测，构建每一所述视频帧的光流特征，继而将所有视频帧的光流特征进行融合，获得所述待检测视频的光流特征；

所述第三特征生成模块，用于将所述待检测视频的差别表征子集特征与所述待检测视频的光流特征进行特征融合，生成所述待检测视频的运动差别表征子集特征；

所述车辆检测模块，用于将所述运动差别表征子集特征输入至已构建的车辆检测模型中，以使所述车辆检测模型根据所述运动差别表征子集特征，对所述待检测视频进行车辆检测。

在上述方法项实施例的基础上，本发明对应提供了一计算机可读存储介质项实施例：

本发明另一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行本发明任意一项方法项实施例所述的车辆检测方法。

通过实施本本发明实施例具有如下有益效果：

本发明实施例提供了一种车辆检测方法、装置以及计算机可读存储介质，所述方法首先获取待检测视频，然后提取待检测视频的差别表征子集特征，紧接着对待检测视频进行光流检测，提取出待检测视频的光流特征，将待检测视频的差别表征子集特征与待检测视频的光流特征进行融合，生成待检测视频的运动差别表征子集特征，然后将运动差别表征子集特征输入至训练好的车辆检测模型中，由车辆检测模型根据运动差别表征子集特征，对待检测视频进行车辆检测，识别出待检测视频中的车辆。相比与现有技术，本发明通过光流法对待检测视频中车辆的运动行为进行描述，提取光流特征模块，并将光流特征与差别表征子集特征融合，生成运动差别表征子集特征，所生成的运动差别表征子集特征既能描述图像的表现空间，又能刻画时间上的运动特征，更具鲁棒性。从而能够降低由于车辆打光不均、车辆所在背景环境随机多变的干扰，提高车辆检测效果。

附图说明

图1是本发明一实施例提供的一种车辆检测方法的流程示意图。

图2是本发明一实施例提供的一种车辆检测装置的系统架构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明一实施例提供了一种车辆检测方法，包括如下步骤：

步骤S101：获取待检测视频；其中，所述待检测视频中包括若干连续视频帧。

步骤S102：计算每一所述视频帧中各邻域的像素点的差分幅值和差分方向，生成每一所述视频帧的差别表征子集特征，继而将所有视频帧的差别表征子集特征进行融合，获得所述待检测视频的差别表征子集特征。

步骤S103：对每一所述视频帧进行光流检测，构建每一所述视频帧的光流特征，继而将所有视频帧的光流特征进行融合，获得所述待检测视频的光流特征。

步骤S104：将所述待检测视频的差别表征子集特征与所述待检测视频的光流特征进行特征融合，生成所述待检测视频的运动差别表征子集特征。

步骤S105：将所述运动差别表征子集特征输入至已构建的车辆检测模型中，以使所述车辆检测模型根据所述运动差别表征子集特征，对所述待检测视频进行车辆检测。

对于步骤S101、在一个优选的实施例中，在获取待检测视频之后，还包括：通过高斯滤波器对所述待检测视频进行视频处理。

通过摄像设备对检测区域中行驶的车辆进行摄像，获取上述待检测视频，然后通过高斯滤波器对待检测视频进行处理，去除噪声干扰。在本发明中待检测视频中包含若干张连续视频帧。

对于步骤S102、在一个优选的实施例中，每一所述视频帧的差别表征子集特征的生成方法包括：

根据视频帧的空间分辨率对视频帧进行邻域划分，将所述视频帧划分为各个邻域；

计算每一所述邻域中各像素点的差分幅值和差分方向，继而将所有邻域的差分方向量化为若干个主方向，构建差分方向直方图；

根据每一像素点与其所在邻域的中心点的距离、每一像素点的差分幅值以及所述差分方向直方图构建差别梯度直方图，将所述差别梯度直方图作为所述视频帧的差别表征子集特征。

由于同一位置的不同大小的子图像能够产生不同的特征向量，为解决这一问题本发明通过多尺度的图像采样方法来生成每一视频帧的差别表征子集特征。

首先以边长为(2R+1)的正方形对视频帧进行领域划分，其中R为视频帧的空间分辨率。空间分辨率等于视频帧中车辆所占的网格数与每个网格中像素点的个数的乘积。在获得各个邻域后对每个邻域中的像素点的差分幅值和差分方向进行计算：

差分幅值：

式中：反正切函数用于防止输出结果过大，可以抑制噪声的边缘效应；x

差分方向：

式中：x

按上述(1)(2)计算出每个领域中各个像素点的差分幅值和差分方向。

紧接着运用非线性的量化方法，将所有邻域中所有像素点的差分方向量化为18个主方向，每一个方向覆盖20度，形成一个具有18个方向的差分方向直方图；

然后计算各像素点与其所在邻域的中心点的距离，然后将像素点的差分幅值和其所在邻域的中心点的距离加权后，添加到上述差分方向直方图中，生成差别梯度直方图，将差别梯度直方图作为视频帧的差别表征子集特征。

按上述方法计算出所有视频帧的差别表征子集特征后进行融合，获得上述待检测视频的差别表证子集特征。

对于步骤S103，基于光流的算法根据连续视频帧内的某一个图像区域在时间上的差异来确定运动区域。与基于视频立方体和时空卷的方法不同，基于光流的方法能够明确地获取运动的幅值和方向，直接对行为特征进行描述。为了将运动特征增加到待检测视频的差别表征子集特征中去，通过光流法对每一视频帧光流检测，检测不同帧之间的运动幅值和方向特征，构建光流直方图。与构建差分方向直方图相似，检测视频帧各邻域每个像素点的运动幅值和方向，构建视频帧的光流直方图，将光流直方图作为视频帧的光流特征，然后将所有视频帧的光流特征进行融合，获得上述待检测视频的光流特征。

对于步骤S104、将步骤S102得到的待检测视频的差别表征子集特征，和步骤S103得到的待检测视频的光流特征，进行融合即可得到上述待检测视频的运动差别表征子集特征；在融合时直接将光流直方图融入到差别梯度直方图中形成运动差别表征子集直方图，获得待检测视频的运动差别表征子集特征

由于方向调整不变性是两个关键点相似性度量的标准，为了使运动差别表征子集特征具备方向调整不变性，在本发明的一个优选的实施例中，在生成所述待检测视频的运动差别表征子集特征之后，还包括：

对所述运动差别表征子集特征所对应的各像素点进行运动量检测，将运动量超过预设阈值的像素点，作为特征点；

将差分幅值最大的特征点所对应的主方向，作为基准方向，将其余所有像素点的差分幅值根据所述基准方向进行旋转，继而根据旋转后的像素点的差分幅值重新生成所述运动差别表征子集特征。

对于步骤S105、首先对车辆检测模型进行说明：

本发明所公开的车辆检测模型是基于间隔分类算法构建的。现有间隔分类算法的逻辑如下：

给定K个物体的类，令D＝[A

1)标准化每一个训练样本A

2)解最小化I

3)标记一个测试样本y，Label(y)＝argmin

在现有的间隔分类算法的基础上，本发明提出了新的间隔分类算法来构建车辆检测模型，具体的：

不同行为的运动差别表征子集特征不同，因此本发明采取特定类的特征集合学习方法。令特征集合D＝[D

式中：Z

虽然式(3)是非光滑的，但是当其他两个变量固定的时候，对求解式(3)中的D、W或Z变量就是光滑的。因此我们可以将问题分割成三个子问题：当D和W固定时更新Z，当D和Z固定时更新W，当W和Z固定时更新D。如此便可以得到式(3)的解。

1)当D和W固定时更新Z：此时，求解式(3)的问题就变为求解Z＝[Z

针对每一个Z

计算得到Z

Z

2)当D和Z固定时更新W：原问题可以约束为：

式(7)可以变形为：

式(8)中的

用最小二乘法求解得到如下结果：

3)当W和Z固定时更新D：同更新Z的方法一样，当计算得到Di后，所有的Dj(j≠i)是固定的。式(3)可以降解为：

至此，式(3)求解完毕。

在需要对测试样本y进行处理，并进行分类时，通过以下公式对测试样本进行分类

式中：γ是一个常量，

此式表示通过用一个简单的线性预测分类器去估计向量l的类，类别索引对应向量l中的最大的元素。

基于上述新构建的间隔分类算法来构建车辆检测识别模型，待模型构建完毕后，将步骤S104，所生成的运动差别表征子集特征输入至已构建的车辆检测模型中，以使车辆识别模型对待检测视频中不同运动状态的车辆进行识别。

在一个优选的实施例中，在将运动差别表征子集特征输入至车辆检测模型之前，还包括通过核密度估计(KDE)的特征降维方式，对运动差别表征子集特征进行降维处理，以提高检测速度。

在上述方法项实施例的基础上，本发明对应提供了装置项实施例。

如图2所示，本面发明另一实施例提供了一种车辆检测装置，包括视频获取模块，第一特征生成模块、第二特征生成模块、第三特征生成模块以及车辆检测模块；

所述视频获取模块，用于获取待检测视频；其中，所述待检测视频中包括若干连续视频帧；

所述第一特征生成模块，用于计算每一所述视频帧中各邻域的像素点的差分幅值和差分方向，生成每一所述视频帧的差别表征子集特征，继而将所有视频帧的差别表征子集特征进行融合，获得所述待检测视频的差别表征子集特征；

所述第二特征生成模块，用于对每一所述视频帧进行光流检测，构建每一所述视频帧的光流特征，继而将所有视频帧的光流特征进行融合，获得所述待检测视频的光流特征；

所述第三特征生成模块，用于将所述待检测视频的差别表征子集特征与所述待检测视频的光流特征进行特征融合，生成所述待检测视频的运动差别表征子集特征；

所述车辆检测模块，用于将所述运动差别表征子集特征输入至已构建的车辆检测模型中，以使所述车辆检测模型根据所述运动差别表征子集特征，对所述待检测视频进行车辆检测。

需说明的是，上述装置项实施例是与本发明方法项实施例相对应的，其可实现本发明任意一方法项实施例所述的车辆检测方法。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

在上述方法项实施例的基础上，本发明对应提供了一计算机可读存储介质项实施例。

本发明另一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行本发明任意一项方法项实施例所述的车辆检测方法。

所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。