一種基于似物性模型的路口違章行為智能檢測(cè)方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及一種基于似物性模型的路口違章行為智能檢測(cè)方法及系統(tǒng)，該方法應(yīng)用在城市交通中基于視頻的路口行人闖紅燈事件檢測(cè)領(lǐng)域，其特征是利用似物性模型快速檢測(cè)行人，并利用軌跡過(guò)濾的方法提高檢測(cè)準(zhǔn)確率，結(jié)合信號(hào)燈狀態(tài)檢測(cè)最終完成行人闖紅燈事件的判斷。本方法首先采集交叉口過(guò)街行人圖像，并人工標(biāo)定其坐標(biāo)位置，在給定數(shù)據(jù)集上訓(xùn)練得到行人似物性模型；然后，利用似物性模型快速的檢測(cè)視頻圖像中的行人，并對(duì)檢測(cè)得到的行人，根據(jù)距離和角度關(guān)系，建立行人的運(yùn)動(dòng)軌跡；最后，結(jié)合信號(hào)燈狀態(tài)和行人的軌跡特征，判斷行人闖紅燈事件，并抓拍和語(yǔ)音提示。
【專利說(shuō)明】一種基于似物性模型的路口違章行為智能檢測(cè)方法及系統(tǒng)

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及智能交通和模式識(shí)別領(lǐng)域，尤其涉及一種檢測(cè)行人闖紅燈的技術(shù)領(lǐng) 域。

【背景技術(shù)】
[0002] 目前各大城市交叉口行人闖紅燈事件較為嚴(yán)重，給交通安全帶來(lái)很大的隱患?；?于視頻處理的行人檢測(cè)是智能交通系統(tǒng)中的一項(xiàng)關(guān)鍵技術(shù)，相對(duì)于光柵等傳統(tǒng)檢測(cè)方法， 視頻檢測(cè)安裝成本低、可擴(kuò)展性較好。在實(shí)際應(yīng)用中，由于場(chǎng)景的復(fù)雜性、視角與尺度的變 化、人體姿態(tài)與著裝的多樣性以及部分遮擋等因素，使得行人檢測(cè)具有較大的困難。
[0003] 而傳統(tǒng)的圖像中搜尋物體的方法叫做滑動(dòng)窗口法，即不斷在圖像上遍歷窮舉不同 區(qū)域，然后再判斷這個(gè)區(qū)域的具體內(nèi)容，該方法效率很低?，F(xiàn)有的各種基于視頻的行人闖紅 燈檢測(cè)方法，在實(shí)時(shí)性和準(zhǔn)確率方面尚存在一些不足，因此還不能滿足真實(shí)交通場(chǎng)景下交 叉口的行人闖紅燈事件檢測(cè)。
[0004] 為解決上述問(wèn)題，本發(fā)明首次將似物性模型應(yīng)用于智能交通領(lǐng)域，用于交通路口 的行人檢測(cè)，似物性模型是用來(lái)度量圖像中某個(gè)區(qū)域的目標(biāo)顯著性水平，其刻劃了前景目 標(biāo)區(qū)別于背景的模式，用來(lái)快速的發(fā)現(xiàn)潛在目標(biāo)的位置。似物性模型更接近人對(duì)客觀世界 目標(biāo)的識(shí)別過(guò)程，人能很快地知道什么位置有個(gè)東西，然后進(jìn)一步看清具體是什么。似物性 模型并不直接解決行人檢測(cè)的問(wèn)題，僅用來(lái)快速的發(fā)現(xiàn)潛在的可能存在行人的區(qū)域，然后 再借助其他方法進(jìn)一步確定是否是行人。
[0005] 本發(fā)明還利用軌跡過(guò)濾的方法提高檢測(cè)準(zhǔn)確率，結(jié)合信號(hào)燈狀態(tài)檢測(cè)最終完成行 人闖紅燈事件的判斷。該發(fā)明的優(yōu)點(diǎn)在于上述方法由于采用似物性模型，其計(jì)算速度快于 同類方法，另外采用將行人抽象為點(diǎn)并根據(jù)軌跡過(guò)濾噪聲，其檢測(cè)準(zhǔn)確率得到提高。
[0006] 本發(fā)明的行人闖紅燈事件檢測(cè)方法及系統(tǒng)，基于計(jì)算機(jī)視覺(jué)技術(shù)、視頻處理和模 式識(shí)別技術(shù)，具有安裝成本低、檢測(cè)準(zhǔn)確率高、抓拍準(zhǔn)確等優(yōu)點(diǎn)，在智能交通領(lǐng)域具有廣泛 的應(yīng)用前景。
[0007]


【發(fā)明內(nèi)容】
本發(fā)明目的在于建立一種不需人工干預(yù)的智能行人闖紅燈事件檢測(cè)方法及系統(tǒng)，通過(guò) 分析交叉口監(jiān)控視頻，結(jié)合信號(hào)燈狀態(tài)檢測(cè)實(shí)現(xiàn)對(duì)行人的定位、識(shí)別和跟蹤，進(jìn)一步完成行 人闖紅燈事件的檢測(cè)與圖像的抓拍。為了實(shí)現(xiàn)所述目的，采取如下具體技術(shù)方案： 該智能檢測(cè)方法依次包括如下步驟：（1)采集交通場(chǎng)景下道路交叉口行人過(guò)街圖像， 并人工標(biāo)注行人位置，作為訓(xùn)練數(shù)據(jù)集；提取行人區(qū)域正樣本和行人區(qū)域負(fù)樣本的8*8圖 像梯度特征，所述行人區(qū)域正樣本為路口圖像中包含了行人的圖像區(qū)域，行人區(qū)域負(fù)樣本 為路口圖像中不包含行人及包含不完整行人的圖像區(qū)域；并將所述圖像梯度特征輸入到支 持向量機(jī)中訓(xùn)練，得到行人似物性模型；采用如下似物性度量方法以訓(xùn)練行人似物性模型： Si =< $叛 >,式中，w為64維向量，是在數(shù)據(jù)集上訓(xùn)練得到的行人似物性模型； &表示待判 斷的圖像區(qū)域L的64維梯度特征；<>表示支持向量機(jī)的向量?jī)?nèi)積運(yùn)算；^表示似物性度 量值，其反映圖像區(qū)域L中目標(biāo)可能是行人的程度；（2)對(duì)交叉口信號(hào)燈圖像進(jìn)行采集，并 根據(jù)圖像顏色分布情況自動(dòng)識(shí)別信號(hào)燈狀態(tài)；（3)在紅燈時(shí)間內(nèi)，利用所述行人似物性模 型檢測(cè)過(guò)街行人，首先根據(jù)步驟（1)所得到的行人似物性模型，找出潛在的可能存在行人的 區(qū)域；然后計(jì)算區(qū)域圖像中行人的長(zhǎng)寬比A=W/L，根據(jù)A的取值范圍（0.3, 0.5)，過(guò)濾所有不 符合條件的行人；（4)對(duì)于所檢測(cè)到的行人計(jì)算其重心坐標(biāo)位置，并加入候選行人集合S; 在S中，利用行人的位置關(guān)系，生成n條行人軌跡；（5)當(dāng)行人軌跡中的行人位置個(gè)數(shù)大于 閾值m時(shí)候，抓拍當(dāng)前行人圖像并存儲(chǔ)，并給予過(guò)街行人語(yǔ)音和圖像警報(bào)。
[0008] 優(yōu)選地，在步驟（2)中所述自動(dòng)識(shí)別信號(hào)燈狀態(tài)的方法為：定位信號(hào)燈區(qū)域，并將 其劃分為2*5的小方格；在這2*5個(gè)格子內(nèi)分別計(jì)算其亮度值，得到一個(gè)10維向量；統(tǒng)計(jì)路 口紅燈圖像時(shí)該向量的取值分布的最大值和最小值，得到紅燈模型；利用訓(xùn)練得到的紅燈 模型檢測(cè)路口的信號(hào)燈狀態(tài)。
[0009] 優(yōu)選地，在步驟（4)中的候選行人集合S中包括所有滿足行人似物性模型的行人， 結(jié)合運(yùn)動(dòng)特征，進(jìn)一步過(guò)濾噪聲，得到真正的闖紅燈行人，具體步驟為：1)在視頻幀f?中檢 測(cè)到行人個(gè)數(shù)P，將每個(gè)行人抽象為一個(gè)點(diǎn)，計(jì)算其重心位置坐標(biāo)；2)將p個(gè)行人加入到 n條軌跡中，其中每條軌跡是一個(gè)包含若干坐標(biāo)點(diǎn)的隊(duì)列；3)循環(huán)遍歷p個(gè)行人，如果它 和n條軌跡中的任意一個(gè)距離都大于閾值d或者角度差值都大于閾值a則該行人不屬于 任何現(xiàn)有軌跡，則新生成一條軌跡，該行人作為起點(diǎn)，軌跡個(gè)數(shù)加1 ;如果該行人和現(xiàn)有某 條軌跡距離小于閾值并且其角度差值小于a，則該行人加入所對(duì)應(yīng)的軌跡中；4)檢測(cè)所 維護(hù)的n條軌跡，如果軌跡i超過(guò)15幀沒(méi)有變化則清除該軌跡，軌跡個(gè)數(shù)n減1 ;如果軌跡 i中的行人坐標(biāo)個(gè)數(shù)超過(guò)m，則表示該行人形成了穩(wěn)定軌跡，記錄該行人并作后續(xù)處理，同 時(shí)軌跡清空。
[0010] 優(yōu)選地，在步驟（5)中，抓拍行人的條件為該行人形成了超過(guò)m個(gè)點(diǎn)的穩(wěn)定軌跡， 此時(shí)存儲(chǔ)該行人的圖像并對(duì)該行人進(jìn)行語(yǔ)音提示。
[0011] 采用如上所述智能檢測(cè)方法的智能檢測(cè)系統(tǒng)，其包括：行人似物性模型生成模塊， 其根據(jù)人工標(biāo)注好位置的路口行人圖像數(shù)據(jù)集，提取行人區(qū)域正樣本和行人區(qū)域負(fù)樣本的 8*8圖像梯度特征，并將所述圖像梯度特征輸入到支持向量機(jī)中訓(xùn)練，得到行人似物性模 型；信號(hào)燈狀態(tài)檢測(cè)模塊，其根據(jù)信號(hào)燈的圖像特征判斷信號(hào)燈是否為紅燈；運(yùn)動(dòng)軌跡過(guò) 濾模塊，其根據(jù)區(qū)域中行人的運(yùn)動(dòng)軌跡判斷真正的違章過(guò)街行人；輸出模塊，該模塊結(jié)合信 號(hào)燈和行人檢測(cè)的結(jié)果，對(duì)闖紅燈的行人進(jìn)行抓拍和語(yǔ)音提示；控制模塊，該模塊與其他各 模塊相連，用于加載行人似物性模型生成模塊和信號(hào)燈狀態(tài)檢測(cè)模塊輸入的模型，并控制 運(yùn)動(dòng)軌跡過(guò)濾模塊進(jìn)行計(jì)算及輸出模塊的運(yùn)行。
[0012] 本發(fā)明具有如下有益效果： (1)本發(fā)明首次將似物性模型應(yīng)用于智能交通領(lǐng)域，以檢測(cè)交通路口的違章行人，在給 定數(shù)據(jù)集上所訓(xùn)練得到的行人似物性模型行人的輪廓特征，可以快速的檢測(cè)行人，形成候 選行人列表。
[0013] (2)根據(jù)運(yùn)動(dòng)軌跡的特征，過(guò)濾掉大部分檢測(cè)噪聲提高了行人檢測(cè)的準(zhǔn)確率。
[0014] (3)本發(fā)明可以在交通智能監(jiān)控領(lǐng)域?qū)崿F(xiàn)穩(wěn)定可靠地行人闖紅燈事件檢測(cè)，并對(duì) 闖紅燈行人進(jìn)行自動(dòng)抓拍和語(yǔ)音提示。

【專利附圖】

【附圖說(shuō)明】
[0015] 圖1是本發(fā)明的行人闖紅燈事件檢測(cè)整體流程圖。
[0016] 圖2是似物性模型的原理示意圖。
[0017] 圖3是似物性模型的生成過(guò)程圖。
[0018] 圖4是信號(hào)燈狀態(tài)檢測(cè)方法示意圖。
[0019] 圖5是新檢測(cè)行人加入軌跡的過(guò)程圖。

【具體實(shí)施方式】
[0020] 下面結(jié)合附圖詳細(xì)說(shuō)明本發(fā)明技術(shù)方案中所涉及的各個(gè)細(xì)節(jié)問(wèn)題。應(yīng)指出的是， 所描述的實(shí)施例僅旨在便于對(duì)本發(fā)明的理解，而對(duì)其不起任何限定作用。
[0021] 如圖1所示，本發(fā)明的檢測(cè)方法在處理流程上主要包括五個(gè)模塊。第一模塊為行 人似物性模型生成模塊，根據(jù)人工標(biāo)注好位置的路口行人圖像數(shù)據(jù)集訓(xùn)練得到；第二模塊 為信號(hào)燈狀態(tài)檢測(cè)模塊，根據(jù)信號(hào)燈的圖像特征判斷信號(hào)燈是否為紅燈；第三模塊為運(yùn)動(dòng) 軌跡過(guò)濾模塊，系統(tǒng)維護(hù)n條軌跡，通過(guò)將新檢測(cè)得到的行人加入n條軌跡，并根據(jù)軌跡中 行人的個(gè)數(shù)判斷真正的行人；第四模塊為輸出模塊，該模塊結(jié)合信號(hào)燈和行人檢測(cè)的結(jié)果， 對(duì)闖紅燈的行人進(jìn)行抓拍和語(yǔ)音提示；第五個(gè)模塊為控制模塊，該模塊與其他各模塊相連， 用于加載行人似物性模型生成模塊和信號(hào)燈狀態(tài)檢測(cè)模塊輸入的模型，并控制運(yùn)動(dòng)軌跡過(guò) 濾模塊進(jìn)行計(jì)算及輸出模塊的運(yùn)行。根據(jù)上述流程，具體的實(shí)施方式如下所示： 1、似物性模型生成模塊 對(duì)斑馬線上的過(guò)路行人采集視頻圖像集合，并人工標(biāo)注其中行人的位置。似物性模型 用來(lái)度量圖像中某個(gè)區(qū)域的目標(biāo)顯著性水平，如圖2中框1區(qū)域的顯著性要大于框2的顯 著性，即框1圖像區(qū)域更大程度上確定了一個(gè)完整的前景目標(biāo)。這種原理類似于人在識(shí)別 物體上，首先要確定哪個(gè)位置可能是個(gè)目標(biāo)，然后再確定這個(gè)目標(biāo)具體是什么物體。傳統(tǒng)的 圖像中搜尋物體的方法叫做滑動(dòng)窗口法，即不斷在圖像上遍歷窮舉不同區(qū)域，然后再判斷 這個(gè)區(qū)域的具體內(nèi)容?；瑒?dòng)窗口法效率很低，而似物性模型更接近人對(duì)客觀世界目標(biāo)的識(shí) 別過(guò)程，人能很快地知道什么位置有個(gè)東西，然后進(jìn)一步看清具體是什么。似物性模型并不 直接解決行人檢測(cè)的問(wèn)題，僅用來(lái)快速的發(fā)現(xiàn)潛在的可能存在行人的區(qū)域，然后再借助其 他方法進(jìn)一步確定是否是行人。本發(fā)明似物性模型的生成過(guò)程如圖3所示。
[0022] 其中行人區(qū)域正樣本指的是路口圖像中包含了行人的圖像區(qū)域，如圖2中的框1、 框3、框4和框5。行人區(qū)域負(fù)樣本指的是路口圖像中不包含行人或者不包含完整行人的圖 像區(qū)域，如框2和框6。然后，分別提取正負(fù)樣本的8*8圖像梯度特征，并輸入到支持向量機(jī) 中訓(xùn)練，得到似物性模型。該物性模型刻劃了前景目標(biāo)區(qū)別于背景的模式，用來(lái)快速的發(fā)現(xiàn) 潛在目標(biāo)的位置。
[0023] 該模型的物理意義表達(dá)了路口行人在8*8灰度圖像上的模式，用來(lái)快速的定位潛 在行人位置。采用如下似物性度量方法以訓(xùn)練行人似物性模型:& =< >,式中，w為64 維向量，是在數(shù)據(jù)集上訓(xùn)練得到的行人似物性模型；I表示待判斷的圖像區(qū)域L的64維梯 度特征；<>表示支持向量機(jī)的向量?jī)?nèi)積運(yùn)算；&表示似物性度量值，其反映圖像區(qū)域L中 目標(biāo)可能是行人的程度。
[0024] 根據(jù)步驟所得到的行人似物性模型，找出潛在的可能存在行人的區(qū)域；然后計(jì)算 區(qū)域圖像中行人的長(zhǎng)寬比A=W/L，根據(jù)A的取值范圍（0. 3, 0. 5)，過(guò)濾所有不符合條件的行 人。
[0025] 2、信號(hào)燈狀態(tài)檢測(cè)模塊 將信號(hào)燈圖像區(qū)域分離出來(lái)，并將之分割為2*5的小方格，如圖4所示，分別計(jì)算各個(gè) 塊內(nèi)的亮度值；將信號(hào)燈亮度表達(dá)為一個(gè)10維的向量，分別統(tǒng)計(jì)紅燈的平均值R和綠燈的 平均值G，其中R和G都是10維向量；根據(jù)路口的信號(hào)燈表達(dá)為相同的形式與R和G比較， 根據(jù)近鄰原則判斷是否為紅燈。
[0026] 3、運(yùn)動(dòng)軌跡過(guò)濾模塊 定義隊(duì)列數(shù)據(jù)結(jié)構(gòu)，每個(gè)隊(duì)列存放同一個(gè)行人的運(yùn)動(dòng)軌跡，每個(gè)軌跡包括多個(gè)檢測(cè)到 的行人重心坐標(biāo)點(diǎn)。每個(gè)新檢測(cè)到的行人開辟一個(gè)新的隊(duì)列。隊(duì)列中的每個(gè)元素為一個(gè)結(jié) 構(gòu)體，存放在圖像中檢測(cè)到的行人重心坐標(biāo)。如圖5所示，中間圓形代表新檢測(cè)的行人坐 標(biāo)位置，由于它和左右兩個(gè)行人軌跡最后一個(gè)元素的坐標(biāo)距離都大于給定閾值d，并且該圓 形與左右兩個(gè)軌跡的所形成角度差值大于給定閾值a，從而該圓形無(wú)法加入原先的兩條軌 跡，從而作為新的軌跡起點(diǎn)生成新軌跡；加入符合d和a閾值的要求，則新檢測(cè)的行人加入 原先軌跡中。其中d和a的確定由實(shí)際視頻速率和分辨率人工確定。具體步驟為： 1)在視頻幀f?中檢測(cè)到行人個(gè)數(shù)P，將每個(gè)行人抽象為一個(gè)點(diǎn)，計(jì)算其重心位置坐標(biāo)； 2)將P個(gè)行人加入到n條軌跡中，其中每條軌跡是一個(gè)包含若干坐標(biāo)點(diǎn)的隊(duì)列；3)循環(huán) 遍歷P個(gè)行人，如果它和n條軌跡中的任意一個(gè)距離都大于閾值d或者角度差值都大于閾 值a則該行人不屬于任何現(xiàn)有軌跡，則新生成一條軌跡，該行人作為起點(diǎn)，軌跡個(gè)數(shù)加1 ; 如果該行人和現(xiàn)有某條軌跡距離小于閾值并且其角度差值小于a，則該行人加入所對(duì)應(yīng)的 軌跡中；4)檢測(cè)所維護(hù)的n條軌跡，如果軌跡i超過(guò)15幀沒(méi)有變化則清除該軌跡，軌跡個(gè) 數(shù)n減1 ;如果軌跡i中的行人坐標(biāo)個(gè)數(shù)超過(guò)m，則表示該行人形成了穩(wěn)定軌跡，記錄該行人 并作后續(xù)處理，同時(shí)軌跡清空。
[0027] 4、輸出模塊 抓拍行人的條件為該行人形成了超過(guò)m個(gè)點(diǎn)的穩(wěn)定軌跡，此時(shí)存儲(chǔ)該行人的圖像并對(duì) 該行人進(jìn)行語(yǔ)音提示。當(dāng)隊(duì)列中的內(nèi)容連續(xù)15幀不發(fā)生變化，在對(duì)其進(jìn)行如下處理：如果 隊(duì)列中的元素?cái)?shù)量超過(guò)3個(gè)，則表示該隊(duì)列形成了一條穩(wěn)定的行人運(yùn)動(dòng)軌跡，從而抓拍該 行人并且給予語(yǔ)音提示；反之，則表示該隊(duì)列所對(duì)應(yīng)的行人運(yùn)動(dòng)軌跡可能為噪聲，不做處 理；最后，隊(duì)列內(nèi)容清除，表示行人已經(jīng)離開檢測(cè)區(qū)域。
[0028] 5、控制模塊 控制模塊，該模塊與其他各模塊相連，用于加載行人似物性模型生成模塊和信號(hào)燈狀 態(tài)檢測(cè)模塊輸入的模型，并控制運(yùn)動(dòng)軌跡過(guò)濾模塊進(jìn)行計(jì)算及輸出模塊的運(yùn)行。
[0029] 在上述【具體實(shí)施方式】中所描述的各個(gè)具體技術(shù)特征，在不矛盾的情況下，可以通 過(guò)任何合適的方式進(jìn)行組合。為了避免不必要的重復(fù)，本發(fā)明對(duì)各種可能的組合方式不再 另行說(shuō)明。此外，本發(fā)明的各種不同的實(shí)施方式之間也可以進(jìn)行任意組合，只要其不違背本 發(fā)明的思想，其同樣應(yīng)當(dāng)視為本發(fā)明所公開的內(nèi)容。
【權(quán)利要求】
1. 一種基于似物性模型的路口違章行為智能檢測(cè)方法，其特征在于，所述檢測(cè)方法依 次進(jìn)行如下步驟： (1) 采集交通場(chǎng)景下道路交叉口行人過(guò)街圖像，并人工標(biāo)注行人位置，作為訓(xùn)練數(shù)據(jù) 集；提取行人區(qū)域正樣本和行人區(qū)域負(fù)樣本的8*8圖像梯度特征，所述行人區(qū)域正樣本為 路口圖像中包含了行人的圖像區(qū)域，行人區(qū)域負(fù)樣本為路口圖像中不包含行人及包含不完 整行人的圖像區(qū)域；并將所述圖像梯度特征輸入到支持向量機(jī)中訓(xùn)練，得到行人似物性模 型；采用如下似物性度量方法以訓(xùn)練行人似物性模型： =< 11 .愈 > 式中，W為64維向量，是在數(shù)據(jù)集上訓(xùn)練得到的行人似物性模型；&表示待判斷的圖像 區(qū)域L的64維梯度特征；<>表示支持向量機(jī)的向量?jī)?nèi)積運(yùn)算表示似物性度量值，其反 映圖像區(qū)域L中目標(biāo)可能是行人的程度； (2) 對(duì)交叉口信號(hào)燈圖像進(jìn)行采集，并根據(jù)圖像顏色分布情況自動(dòng)識(shí)別信號(hào)燈狀態(tài)； (3) 在紅燈時(shí)間內(nèi)，利用所述行人似物性模型檢測(cè)過(guò)街行人，首先根據(jù)步驟（1)所得到 的行人似物性模型，找出潛在的可能存在行人的區(qū)域；然后計(jì)算區(qū)域圖像中行人的長(zhǎng)寬比 A=W/L，根據(jù)A的取值范圍（0. 3, 0. 5)，過(guò)濾所有不符合條件的行人； (4) 對(duì)于所檢測(cè)到的行人計(jì)算其重心坐標(biāo)位置，并加入候選行人集合S;在S中，利用行 人的位置關(guān)系，生成η條行人軌跡； (5) 當(dāng)行人軌跡中的行人位置個(gè)數(shù)大于閾值m時(shí)候，抓拍當(dāng)前行人圖像并存儲(chǔ)，并給予 過(guò)街行人語(yǔ)音和圖像警報(bào)。
2. 根據(jù)如權(quán)利要求1所述的基于似物性模型的路口違章行為智能檢測(cè)方法，其特征在 于，在步驟（2)中所述自動(dòng)識(shí)別信號(hào)燈狀態(tài)的方法為： 定位信號(hào)燈區(qū)域，并將其劃分為2*5的小方格；在這2*5個(gè)格子內(nèi)分別計(jì)算其亮度值， 得到一個(gè)10維向量；統(tǒng)計(jì)路口紅燈圖像時(shí)該向量的取值分布的最大值和最小值，得到紅燈 模型；利用訓(xùn)練得到的紅燈模型檢測(cè)路口的信號(hào)燈狀態(tài)。
3. 根據(jù)如前述權(quán)利要求中所述的基于似物性模型的路口違章行為智能檢測(cè)方法，其特 征在于，步驟（4)中的候選行人集合S中包括所有滿足行人似物性模型的行人，結(jié)合運(yùn)動(dòng)特 征，進(jìn)一步過(guò)濾噪聲，得到真正的闖紅燈行人，具體步驟為： 1) 在視頻幀f中檢測(cè)到行人個(gè)數(shù)P，將每個(gè)行人抽象為一個(gè)點(diǎn)，計(jì)算其重心位置坐標(biāo)； 2) 將p個(gè)行人加入到η條軌跡中，其中每條軌跡是一個(gè)包含若干坐標(biāo)點(diǎn)的隊(duì)列； 3) 循環(huán)遍歷ρ個(gè)行人，如果它和η條軌跡中的任意一個(gè)距離都大于閾值d或者角度差 值都大于閾值α則該行人不屬于任何現(xiàn)有軌跡，則新生成一條軌跡，該行人作為起點(diǎn)，軌 跡個(gè)數(shù)加1 ;如果該行人和現(xiàn)有某條軌跡距離小于閾值并且其角度差值小于α，則該行人 加入所對(duì)應(yīng)的軌跡中； 4) 檢測(cè)所維護(hù)的η條軌跡，如果軌跡i超過(guò)15幀沒(méi)有變化則清除該軌跡，軌跡個(gè)數(shù)η 減1 ;如果軌跡i中的行人坐標(biāo)個(gè)數(shù)超過(guò)m，則表示該行人形成了穩(wěn)定軌跡，記錄該行人并作 后續(xù)處理，同時(shí)軌跡清空。
4. 根據(jù)如前述權(quán)利要求中所述的基于似物性模型的路口違章行為智能檢測(cè)方法，其特 征在于，在步驟（5)中，抓拍行人的條件為該行人形成了超過(guò)m個(gè)點(diǎn)的穩(wěn)定軌跡，此時(shí)存儲(chǔ) 該行人的圖像并對(duì)該行人進(jìn)行語(yǔ)音提示。
5. -種采用如前述權(quán)利要求所述智能檢測(cè)方法的智能檢測(cè)系統(tǒng)，其特征在于，其包 括： 行人似物性模型生成模塊，其根據(jù)人工標(biāo)注好位置的路口行人圖像數(shù)據(jù)集，提取行人 區(qū)域正樣本和行人區(qū)域負(fù)樣本的8*8圖像梯度特征，并將所述圖像梯度特征輸入到支持向 量機(jī)中訓(xùn)練，得到行人似物性模型； 信號(hào)燈狀態(tài)檢測(cè)模塊，其根據(jù)信號(hào)燈的圖像特征判斷信號(hào)燈是否為紅燈； 運(yùn)動(dòng)軌跡過(guò)濾模塊，其根據(jù)區(qū)域中行人的運(yùn)動(dòng)軌跡判斷真正的違章過(guò)街行人； 輸出模塊，該模塊結(jié)合信號(hào)燈和行人檢測(cè)的結(jié)果，對(duì)闖紅燈的行人進(jìn)行抓拍和語(yǔ)音提 示； 控制模塊，該模塊與其他各模塊相連，用于加載行人似物性模型生成模塊和信號(hào)燈狀 態(tài)檢測(cè)模塊輸入的模型，并控制運(yùn)動(dòng)軌跡過(guò)濾模塊進(jìn)行計(jì)算及輸出模塊的運(yùn)行。
【文檔編號(hào)】G08G1/005GK104318760SQ201410469748
【公開日】2015年1月28日 申請(qǐng)日期:2014年9月16日 優(yōu)先權(quán)日:2014年9月16日
【發(fā)明者】張師林 申請(qǐng)人:北方工業(yè)大學(xué)