中，設(shè)置為8個(gè)子部件，即Nu= 8。
[0064] 步驟S12,建立公交車輛層次部件的外觀模型。
[0065]圖3是根據(jù)本發(fā)明實(shí)施例的左前姿態(tài)公交車輛語(yǔ)義部件外觀模型圖，如圖3中的 (2)和（3)所示，對(duì)于子部件，采用有向梯度直方圖特征進(jìn)行表示，通過(guò)訓(xùn)練得到語(yǔ)義部件 的檢測(cè)模型；如圖3中的（4)所示，考慮到單個(gè)得分值可能無(wú)法充分表示目標(biāo)的存在性，所 以同時(shí)考慮它的上下文信息，即采用周圍圖像區(qū)域的檢測(cè)得分區(qū)域表示語(yǔ)義部件；對(duì)于公 交車輛，直接用其得分值表示。
[0066] 步驟S13,確定部件的組合規(guī)則。
[0067] 如圖2所示，在公交車部件層次劃分圖中，箭頭表示由目標(biāo)到部件的分解關(guān)系。部 件之間的組合規(guī)則，定義了自底向上由子部件組合得到公交車輛目標(biāo)的得分S(P)計(jì)算方 式，在本發(fā)明實(shí)施例中，每種姿態(tài)的公交車輛目標(biāo)得分計(jì)算公式如下：
[0068]
[0069] score(V) = Fsvm ?<i>(S, p)
[0070] 其中，s(r)表示形變和結(jié)構(gòu)語(yǔ)法產(chǎn)生式的得分，sc〇re(A，《)表示終端節(jié)點(diǎn)A(即 子部件）放置在位置《處的得分，F(xiàn) svni為每對(duì)語(yǔ)義部件所對(duì)應(yīng)的濾波器，我們采用支持向量 機(jī)（SVM)模型，MS，p)是Pbus_ f和Pbus_b兩個(gè)語(yǔ)義部件所對(duì)應(yīng)的得分特征的級(jí)聯(lián)向量。
[0071] 步驟S2,使用人工標(biāo)記的樣本，設(shè)計(jì)和訓(xùn)練公交車輛檢測(cè)模型。
[0072]所述步驟S2進(jìn)一步包括以下步驟：
[0073] 步驟S21，人工標(biāo)記訓(xùn)練樣本，在交通圖像中分別獲取公交車輛圖像樣本和語(yǔ)義部 件樣本。
[0074] 如圖3中的（1)所示，公交車輛樣本為包含公交車輛目標(biāo)的矩形圖像區(qū)域；每個(gè)語(yǔ) 義部件樣本為包含相應(yīng)部件的矩形圖像區(qū)域。在本發(fā)明實(shí)施例中，選取1〇〇〇個(gè)正樣本，樣 本標(biāo)記保存在每張交通圖像所對(duì)應(yīng)的文本文件中。
[0075] 步驟S22,讀取公交車輛的語(yǔ)義部件樣本，訓(xùn)練語(yǔ)義部件的檢測(cè)模型；
[0076] 本步驟采用可變部件模型（DPM)的訓(xùn)練過(guò)程，詳細(xì)過(guò)程參考發(fā)表在IEEE Transactions on Pattern Analysis and Machine Intelligence 上的文章"Object detection with discriminatively trained part-based models'，。本步驟不屬于本發(fā)明 的內(nèi)容項(xiàng)，具體細(xì)節(jié)不作贅述。
[0077] 步驟S23,讀入交通圖像，利用語(yǔ)義部件模型計(jì)算語(yǔ)義部件的得分響應(yīng)圖像，然后 依據(jù)語(yǔ)義部件的標(biāo)記結(jié)果，在得分響應(yīng)圖像中獲取語(yǔ)義部件樣本，訓(xùn)練語(yǔ)義部件組合模型。
[0078] 在訓(xùn)練語(yǔ)義部件的組合模型時(shí)采用LibSVM開源工具包中的接口函數(shù)，輸入成對(duì) 的語(yǔ)義部件得分圖像樣本，輸出相應(yīng)的SVM模型。整個(gè)訓(xùn)練過(guò)程采用自舉、策略來(lái)迭代地優(yōu) 化模型，即添加假正（False Positive，F(xiàn)P)樣本到負(fù)樣本集合中重新進(jìn)行訓(xùn)練，迭代次數(shù)為 3次。
[0079] 步驟S3,利用訓(xùn)練后的公交車輛模型，檢測(cè)交通視頻中的公交車輛目標(biāo)；
[0080] 步驟S3進(jìn)一步包括以下步驟：
[0081] 步驟S31，首先將交通圖像讀入計(jì)算機(jī)，然后檢測(cè)圖像中的語(yǔ)義部件，計(jì)算語(yǔ)義部 件的得分響應(yīng)圖像；
[0082] 使用OpenCV中的接口函數(shù)讀入一幀交通圖像，通過(guò)前述步驟S22中訓(xùn)練好的語(yǔ)義 部件模型，計(jì)算得分響應(yīng)圖像。隨著車輛與攝像機(jī)之間的距離不同，車輛在圖像中的大小也 不同，即公交車輛圖像目標(biāo)的尺寸不同。為此，我們對(duì)原始交通圖像進(jìn)行多尺度的縮放，最 大尺度為原始圖像的2倍，最小尺度為原始圖像的1/2倍，上下相鄰層級(jí)之間的縮放系數(shù)為 0.933。
[0083] 步驟S32,采用滑動(dòng)窗口的方式，檢測(cè)圖像中的公交車前部位置；
[0084] 根據(jù)前述攝像機(jī)標(biāo)定結(jié)果，選取與公交車前部Pbus_ f相同寬度作為窗口寬度，窗口 的寬高比與語(yǔ)義部件模型等同。
[0085] 步驟S33,依據(jù)前部位置，以及前后兩個(gè)部件之間的結(jié)構(gòu)關(guān)系，檢測(cè)圖像中的公交 車后部位置；
[0086]兩個(gè)部件Pbus_b和Pbus_f之間的結(jié)構(gòu)關(guān)系包括：
[0087] (1)對(duì)于所有姿態(tài)的公交車輛，兩個(gè)部件的距離約束均為7m至18m之間；
[0088] (2)對(duì)于左前姿態(tài)車輛，兩個(gè)部件的中心連線與水平線之間的約束（簡(jiǎn)稱角度約 束）為30度至90之間；對(duì)于正前姿態(tài)車輛，角度約束為60度至120度之間；對(duì)于右前姿態(tài) 車輛，角度約束為90度至150度之間。
[0089] 步驟S34,對(duì)于不同姿態(tài)的公交車輛檢測(cè)結(jié)果，根據(jù)得分值的大小，采用局部極大 值策略選取得分最大者作為最終結(jié)果。
[0090] 步驟S4,分析交通場(chǎng)景中的車輛遮擋方式，完成公交車輛遮擋處理；
[0091] -種是圖像邊緣遮擋，直接在圖像邊緣處檢測(cè)后部Pbus_ b作為公交車輛檢測(cè)結(jié)果。 另一種是其他公交車輛導(dǎo)致的遮擋，公交車輛遮擋通常是沿道路方向前后遮擋，因此，在已 檢測(cè)到的公交車輛后面的合適圖像位置，進(jìn)一步檢測(cè)pbus_b作為最終檢測(cè)結(jié)果。
[0092] 根據(jù)本發(fā)明的一實(shí)施例得到的公交車輛檢測(cè)結(jié)果如圖4所示，本發(fā)明提供的公交 車輛檢測(cè)方法，將公交車輛目標(biāo)劃分為多個(gè)層次，可以自動(dòng)檢測(cè)視頻序列中的公交車輛位 置，能夠有效解決實(shí)際交通視頻中出現(xiàn)的車輛遮擋、光照變化、攝像機(jī)晃動(dòng)等問(wèn)題。
[0093] 以上所述的具體實(shí)施例，對(duì)本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳 細(xì)說(shuō)明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實(shí)施例而已，并不用于限制本發(fā)明，凡 在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保 護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于層次結(jié)構(gòu)的公交車輛檢測(cè)方法，其特征在于，包括： 步驟Sl，通過(guò)分析交通場(chǎng)景和車輛目標(biāo)的特性，為公交車輛目標(biāo)選取層次部件劃分方 式； 步驟S2,使用人工標(biāo)記的樣本，設(shè)計(jì)和訓(xùn)練公交車輛檢測(cè)模型； 步驟S3,利用所述公交車輛模型，檢測(cè)交通視頻中的公交車輛目標(biāo)； 步驟S4,分析交通場(chǎng)景中的車輛遮擋方式，進(jìn)行公交車輛遮擋處理，得到公交車輛檢測(cè) 結(jié)果。2. 根據(jù)權(quán)利要求1所述的公交車輛檢測(cè)方法，其特征在于，所述步驟Sl包括： 步驟S11，定義公交車輛的=層結(jié)構(gòu)，其中，第一層為公交車輛目標(biāo)，第二層為語(yǔ)義部 件，第=層為語(yǔ)義部件的子部件； 步驟S12,建立公交車輛層次部件的外觀模型； 步驟S13,確定部件的組合規(guī)則，W定義自底向上由子部件組合得到公交車輛目標(biāo)的得 分計(jì)算方式。3. 根據(jù)權(quán)利要求2所述的公交車輛檢測(cè)方法，其特征在于，在所述步驟Sll中： 對(duì)于前視公交車輛目標(biāo)，第一層結(jié)構(gòu)包括左側(cè)前、正前及右側(cè)前，第二層結(jié)構(gòu)包括一個(gè) 前部模型和=個(gè)后部模型，第=層結(jié)構(gòu)包括語(yǔ)義部件的多個(gè)子部件； 對(duì)于后視公交車輛目標(biāo)，=層結(jié)構(gòu)均采用同樣的分解方式。4. 根據(jù)權(quán)利要求2所述的公交車輛檢測(cè)方法，其特征在于，在所述步驟S12中： 對(duì)于子部件，采用有向梯度直方圖特征表示所述外觀模型； 對(duì)于語(yǔ)義部件，采用其得分圖像進(jìn)行表示所述外觀模型； 對(duì)于公交車輛目標(biāo)，采用公交車輛目標(biāo)的得分表示所述外觀模型。5. 根據(jù)權(quán)利要求4所述的公交車輛檢測(cè)方法，其特征在于，所述公交車輛目標(biāo)的得分 S(巧計(jì)算方式如下：score(V) =Fsvm? 4 (S,P) 其中，s(r)表示形變和結(jié)構(gòu)語(yǔ)法產(chǎn)生式的得分，score(A，CO)表示子部件A放置在位置 ?處的得分，F(xiàn)gym為每對(duì)語(yǔ)義部件所對(duì)應(yīng)的濾波器，4 (S，p)是語(yǔ)義部件所對(duì)應(yīng)的得分特征 的級(jí)聯(lián)向量。6. 根據(jù)權(quán)利要求1所述的公交車輛檢測(cè)方法，其特征在于，在所述步驟S2中，整個(gè)訓(xùn)練 過(guò)程采用自舉策略來(lái)迭代地優(yōu)化模型。7. 根據(jù)權(quán)利要求1所述的公交車輛檢測(cè)方法，其特征在于，所述步驟S2包括： 步驟S21，人工標(biāo)記訓(xùn)練樣本，在交通圖像中分別獲取公交車輛圖像樣本和語(yǔ)義部件樣 本； 步驟S22,通過(guò)公交車輛的語(yǔ)義部件樣本訓(xùn)練語(yǔ)義部件的檢測(cè)模型； 步驟S23,利用語(yǔ)義部件模型計(jì)算語(yǔ)義部件的得分響應(yīng)圖像，然后依據(jù)語(yǔ)義部件的標(biāo)記 結(jié)果，在得分響應(yīng)圖像中獲取語(yǔ)義部件樣本，訓(xùn)練語(yǔ)義部件組合模型。8. 根據(jù)權(quán)利要求7所述的公交車輛檢測(cè)方法，其特征在于，所述步驟S21中，公交車輛 圖像樣本為包含公交車輛目標(biāo)的矩形圖像區(qū)域，語(yǔ)義部件樣本為包含相應(yīng)部件的矩形圖像 區(qū)域。9. 根據(jù)權(quán)利要求8所述的公交車輛檢測(cè)方法，其特征在于，所述步驟S23中，將成對(duì)的 得分響應(yīng)圖像作為語(yǔ)義部件組合模型的輸入，并采用支持向量機(jī)模型進(jìn)行訓(xùn)練。10. 根據(jù)權(quán)利要求1所述的公交車輛檢測(cè)方法，其特征在于，所述步驟S3包括： 步驟S31，檢測(cè)交通視頻中的語(yǔ)義部件，計(jì)算語(yǔ)義部件的得分響應(yīng)圖像； 步驟S32,采用滑動(dòng)窗口，檢測(cè)圖像中的公交車前部位置； 步驟S33,依據(jù)所述公交車前部位置，W及前后兩個(gè)部件之間的結(jié)構(gòu)關(guān)系，檢測(cè)公交車 后部位置； 步驟S34,對(duì)于不同姿態(tài)的公交車輛檢測(cè)結(jié)果，根據(jù)得分值的大小，采用局部極大值策 略選取得分最大者作為最終結(jié)果。11. 根據(jù)權(quán)利要求10所述的公交車輛檢測(cè)方法，其特征在于，所述步驟S33中前后兩個(gè) 部件之間的結(jié)構(gòu)關(guān)系包括： 對(duì)于所有姿態(tài)的公交車輛，兩個(gè)部件的距離約束均為7m至18m之間； 對(duì)于左前姿態(tài)車輛，兩個(gè)部件的中屯、連線與水平線之間的角度約束為30度至90之間； 對(duì)于正前姿態(tài)車輛，所述角度約束為60度至120度之間；對(duì)于右前姿態(tài)車輛，所述角度約束 為90度至150度之間。12. 根據(jù)權(quán)利要求1所述的公交車輛檢測(cè)方法，其特征在于，在所述步驟S4中，遮擋方 式包括圖像邊緣遮擋和其他公交車輛遮擋，其中： 針對(duì)圖像邊緣遮擋，直接在圖像邊緣處檢測(cè)公交車輛后部作為公交車輛檢測(cè)結(jié)果； 針對(duì)其他公交車輛遮擋，在已檢測(cè)到的公交車輛后面的圖像位置，進(jìn)一步檢測(cè)公交車 輛后部作為最終檢測(cè)結(jié)果。
【專利摘要】本發(fā)明提供了一種基于層次結(jié)構(gòu)的公交車輛檢測(cè)方法，首先為公交車輛目標(biāo)選取合理的層次部件劃分方式，然后設(shè)計(jì)和訓(xùn)練公交車輛檢測(cè)模型，再檢測(cè)交通視頻中的公交車輛目標(biāo)，最后進(jìn)行公交車輛遮擋處理。本發(fā)明具有易于實(shí)現(xiàn)、魯棒性強(qiáng)、精確度高等優(yōu)點(diǎn)，可以用于智能公交管理系統(tǒng)中，如公交優(yōu)先、智能公交調(diào)度等服務(wù)。
【IPC分類】G06T7/00, G06K9/62
【公開號(hào)】CN105205819
【申請(qǐng)?zhí)枴緾N201510599325
【發(fā)明人】田濱, 唐明, 王飛躍, 楊柳青
【申請(qǐng)人】蘇州派瑞雷爾智能科技有限公司, 青島智能產(chǎn)業(yè)技術(shù)研究院, 江蘇中科智能工程有限公司, 天問(wèn)匯科（北京）技術(shù)有限公司
【公開日】2015年12月30日
【申請(qǐng)日】2015年9月18日