基于交通路口視頻及計(jì)算機(jī)并行處理的實(shí)時(shí)行人預(yù)警方法
【專利摘要】本發(fā)明公開(kāi)了基于交通路口視頻及計(jì)算機(jī)并行處理的實(shí)時(shí)行人預(yù)警方法，包括路口運(yùn)動(dòng)前景的提取，行人目標(biāo)的分類提取，對(duì)行人目標(biāo)的實(shí)時(shí)跟蹤以及對(duì)行人進(jìn)入路口的報(bào)警。在預(yù)警過(guò)程中，通過(guò)使用Vibe算法提取監(jiān)控視頻中的前景運(yùn)動(dòng)目標(biāo)，使用離線訓(xùn)練的行人線性SVM分類模型對(duì)前景運(yùn)動(dòng)物體的行人與非行人的分類，最后使用JPDA(Joint Probabilistic Data Association，聯(lián)合概率數(shù)據(jù)關(guān)聯(lián))跟蹤算法對(duì)行人目標(biāo)進(jìn)行跟蹤，獲取行人的運(yùn)動(dòng)數(shù)據(jù)，從而進(jìn)行預(yù)警。本發(fā)明主要針對(duì)交通路口視頻中檢測(cè)并跟蹤行人目標(biāo)進(jìn)行實(shí)時(shí)處理提出改進(jìn)方法。本發(fā)明中，采用多線程并行處理，動(dòng)態(tài)緩沖隊(duì)列共享數(shù)據(jù)，最大程度地保證在前景檢測(cè)和跟蹤算法計(jì)算量較大的情況下能夠?qū)崟r(shí)處理監(jiān)控視頻。
【專利說(shuō)明】
基于交通路口視頻及計(jì)算機(jī)并行處理的實(shí)時(shí)行人預(yù)譬方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于視頻圖像處理技術(shù)在道路車輛的交通控制系統(tǒng)的運(yùn)用，是針對(duì)交通路 口視頻行人目標(biāo)實(shí)時(shí)跟蹤預(yù)警的解決方案。主要用于解決前景提取算法，跟蹤算法計(jì)算量 大的情況下難W實(shí)現(xiàn)實(shí)時(shí)跟蹤預(yù)警的問(wèn)題。
【背景技術(shù)】
[0002] 隨著經(jīng)濟(jì)社會(huì)的發(fā)展，私家車的普及，道路上行駛的車輛越來(lái)越多，對(duì)高危路段， 路口交通事故的預(yù)警也越來(lái)越受到關(guān)注。在交通路口事故中，車輛與行人，騎車人與行人之 間最容易發(fā)生碰撞意外，保護(hù)行人的生命安全一直是交通安全中的重要課題，所W對(duì)來(lái)往 于路口的車輛提供針對(duì)路口行人的實(shí)時(shí)預(yù)警是具有一定的實(shí)用價(jià)值的。實(shí)時(shí)地進(jìn)行準(zhǔn)確預(yù) 警，是此類場(chǎng)景應(yīng)用的重要前提。
[0003] 專利申請(qǐng)?zhí)枮镃N201110205121.6,名稱為"一種交叉路口行人安全輔助系統(tǒng)"的專 利公開(kāi)了一種行人預(yù)警的方法，采用單片機(jī)控制，激光柵欄，在紅燈亮起出根據(jù)激光柵欄光 路是否被中斷，來(lái)檢測(cè)行人，對(duì)過(guò)往車輛進(jìn)行預(yù)警。此方法十分簡(jiǎn)易，但有如下缺點(diǎn)，需要在 路口添置額外的器件，對(duì)于光路中斷情況只判斷為行人，對(duì)行人的運(yùn)動(dòng)方向未能做判斷。專 利申請(qǐng)?zhí)枮镃N200810175852.9，名稱為"道路交通安全自動(dòng)警示方法及裝置"的專利采用的 方案是在交通路口中對(duì)采集到的攝像頭視頻數(shù)據(jù)進(jìn)行背景建模，然后根據(jù)前景目標(biāo)的位 置、大小、運(yùn)動(dòng)速度來(lái)區(qū)分行人與車輛。方法比較簡(jiǎn)單，計(jì)算量小，便于實(shí)時(shí)計(jì)算，但準(zhǔn)確性 會(huì)受到影響。而且在區(qū)分行人與車輛的時(shí)候，由于受到目標(biāo)大小的影響，需要大量的經(jīng)驗(yàn)數(shù) 據(jù)，在不同的路口，勢(shì)必需要大量的調(diào)試。
[0004] 對(duì)于前景目標(biāo)的提取，國(guó)內(nèi)外研究人員提出了很多基于視頻的前景檢測(cè)方法。在 眾多的前景檢測(cè)算法中，Vibe前景檢測(cè)是常用的方法之一，Vibe算法對(duì)于光照的變化和相 機(jī)的抖動(dòng)等效果都十分穩(wěn)定，比較適合戶外交通路口運(yùn)樣的場(chǎng)景。
[0005] 對(duì)于目標(biāo)跟蹤，在論文《Tracking-Learning-Detection》，IE邸 Pattern
[0006] Analysis and Machine Intelligence ,2011 ,Z.Kalal等人公開(kāi)的目標(biāo)長(zhǎng)時(shí)間跟 蹤算法化D，該算法與傳統(tǒng)跟蹤算法的顯著區(qū)別在于將傳統(tǒng)的跟蹤算法和傳統(tǒng)的檢測(cè)算法 相組合來(lái)解決跟蹤目標(biāo)在被跟蹤過(guò)程中發(fā)生的形變，部分遮擋等問(wèn)題，是一種實(shí)時(shí)性和效 果平衡比較好的方法。但在公開(kāi)的方法中，只適用于單目標(biāo)的跟蹤，無(wú)法適應(yīng)多目標(biāo)跟蹤場(chǎng) 景。聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)（Joint Probabilistic Data Association,肝DA)是Bar-Sialom教 授提出的一種適用于多目標(biāo)情形的數(shù)據(jù)關(guān)聯(lián)算法，他的優(yōu)點(diǎn)在于多目標(biāo)跟蹤，計(jì)算量較小， 解決了目標(biāo)交叉的量測(cè)和航跡匹配問(wèn)題，而且適用領(lǐng)域廣，在視頻處理的跟蹤中同樣適用。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明用于解決傳統(tǒng)前景提取算法、跟蹤算法在計(jì)算量大的情況下難W實(shí)現(xiàn)實(shí)時(shí) 跟蹤預(yù)警的問(wèn)題。
[000引為此，本發(fā)明提出的技術(shù)方案為基于交通路口視頻及計(jì)算機(jī)并行計(jì)算的實(shí)時(shí)預(yù)警 方法，包含W下步驟：
[0009] AU預(yù)處理
[0010] 對(duì)真實(shí)場(chǎng)景的交通路口視頻劃定有效監(jiān)控區(qū)域，根據(jù)路口的方向劃定進(jìn)入路口的 方向，并且保存記錄；
[0011] A2、運(yùn)動(dòng)前景的提取
[0012] 啟動(dòng)一個(gè)處理線程，使用視頻前景檢測(cè)算法提取視頻中的所有的運(yùn)動(dòng)目標(biāo)，并將 其保存至動(dòng)態(tài)隊(duì)列中；
[0013] A3、行人目標(biāo)的分類
[0014] 啟動(dòng)一個(gè)分類線程，使用離線訓(xùn)練的SVM行人分類模型，從上述動(dòng)態(tài)隊(duì)列中依次取 出運(yùn)動(dòng)目標(biāo)篩選出行人目標(biāo)，保存至動(dòng)態(tài)隊(duì)列中；
[00巧]A4、行人目標(biāo)的跟蹤
[0016] 啟動(dòng)一個(gè)跟蹤線程，從動(dòng)態(tài)隊(duì)列中依次取出行人目標(biāo)，使用JPDA跟蹤算法對(duì)目標(biāo) 進(jìn)行跟蹤，并分析各個(gè)目標(biāo)路徑的運(yùn)動(dòng)數(shù)據(jù)；
[0017] A5、對(duì)各個(gè)上述目標(biāo)路徑的運(yùn)動(dòng)數(shù)據(jù)計(jì)算得出各個(gè)目標(biāo)在有效監(jiān)控區(qū)域的運(yùn)動(dòng)方 向，將該方向與預(yù)處理中設(shè)定的進(jìn)入路口的方向進(jìn)行比較，若分析得出有行人進(jìn)入路口，貝U 進(jìn)行預(yù)警。
[0018] 進(jìn)一步，步驟A2中所述視頻前景檢測(cè)算法為Vibe。
[0019] 進(jìn)一步，步驟A2中使用視頻前景檢測(cè)算法提取視頻中的所有的運(yùn)動(dòng)目標(biāo)具體包 括：
[0020] 步驟3-1:背景模型初始化，利用單帖視頻序列初始化背景模型，對(duì)于一個(gè)像素點(diǎn)，
[0021] 結(jié)合相鄰像素點(diǎn)擁有相近像素值的空間分布特性，隨機(jī)的選擇它的領(lǐng)域點(diǎn)像素值 作為他的模型樣本值；
[0022] 步驟3-2:對(duì)下一帖視頻，計(jì)算新像素點(diǎn)和樣本集中每個(gè)樣本值的距離，若距離小 于闊值，則近似樣本點(diǎn)數(shù)目增加，如果近似樣本點(diǎn)數(shù)目大于闊值，則認(rèn)為新的像素點(diǎn)為背 景；
[0023] 步驟3-3:背景模型進(jìn)行更新，每次確定需要更新像素點(diǎn)的背景模型時(shí)，W新的像 素值隨機(jī)取代該像素點(diǎn)樣本集的一個(gè)樣本值；
[0024] 步驟3-4:每一帖將獲得的前景目標(biāo)保存至一個(gè)動(dòng)態(tài)隊(duì)列中，等待行人目標(biāo)分類線 程的使用，當(dāng)該隊(duì)列為空時(shí)，會(huì)通知后續(xù)線程掛起，等待隊(duì)列容量達(dá)到一定數(shù)量。
[0025] 進(jìn)一步，步驟A3中行人目標(biāo)的分類包括：
[0026] 步驟4-1:啟動(dòng)一個(gè)線程，對(duì)動(dòng)態(tài)隊(duì)列中前景目標(biāo)數(shù)據(jù)做行人的二分類；
[0027] 步驟4-2:對(duì)前景目標(biāo)圖片獲取hog特征，根據(jù)線性SVM的線性函數(shù)的取值判斷類別 為行人或非行人；
[00%]步驟4-3:將SVM分類器得到的行人目標(biāo)保存至一個(gè)動(dòng)態(tài)隊(duì)列中，等待后續(xù)跟蹤線 程的使用，當(dāng)收到前景提取線程激活通知時(shí)，則線程激活，當(dāng)存放行人目標(biāo)的動(dòng)態(tài)隊(duì)列為空 時(shí)，會(huì)通知后續(xù)線程掛起，等待隊(duì)列容量達(dá)到一定數(shù)量后再次激活后續(xù)線程。
[0029] 進(jìn)一步，步驟A4行人目標(biāo)的跟蹤包括：
[0030] 步驟5-1:啟動(dòng)一個(gè)線程，當(dāng)有行人目標(biāo)時(shí)，初始化肝DA跟蹤算法；
[0031] 步驟5-2:肝DA進(jìn)行模型條件濾波，得出每一個(gè)目標(biāo)的路徑信息；
[0032] 步驟5-3:根據(jù)目標(biāo)的路徑信息，根據(jù)其水平方向的速度vx，垂直方向vy，計(jì)算器速 度方向，與預(yù)處理中劃定的路口進(jìn)出方向進(jìn)行比較得出目標(biāo)是否進(jìn)入路口，若是進(jìn)入，則進(jìn) 行預(yù)警來(lái)往車輛注意路口有行人；
[0033] 步驟5-4:當(dāng)連續(xù)5帖數(shù)據(jù)中都沒(méi)有行人目標(biāo)出現(xiàn)時(shí)，則將JPDA跟蹤重置，航跡清 除，當(dāng)獲得新的行人目標(biāo)后重新初始化；
[0034] 步驟5-5:當(dāng)獲得行人目標(biāo)分類線程掛起通知，則將線程掛起，等待重新獲得激活 信號(hào)。
[0035] 有益效果:本發(fā)明主要用于解決前景提取算法，跟蹤算法計(jì)算量大的情況下難W 實(shí)現(xiàn)實(shí)時(shí)跟蹤預(yù)警問(wèn)題的解決方案。使用多線程并行處理多個(gè)計(jì)算量大的算法，利用動(dòng)態(tài) 隊(duì)列技術(shù)進(jìn)行線程間技術(shù)共享，使復(fù)雜的路口行人預(yù)警算法能夠?qū)崟r(shí)運(yùn)行。在酷眷15-4590 處理器，地內(nèi)存的計(jì)算機(jī)上運(yùn)行，未采用并行處理的算法每秒處理13帖，采用并行處理后， 算法每秒處理25帖，達(dá)到了實(shí)時(shí)要求。
【附圖說(shuō)明】
[0036] 圖1為本發(fā)明的流程示意圖。
[0037] 圖2為本發(fā)明的多線程并發(fā)工作反饋示意圖。
【具體實(shí)施方式】
[0038] 現(xiàn)結(jié)合附圖對(duì)本發(fā)明的【具體實(shí)施方式】做進(jìn)一步詳細(xì)的說(shuō)明。本發(fā)明使用多線程并 行處理多個(gè)計(jì)算量大的算法，利用動(dòng)態(tài)隊(duì)列技術(shù)進(jìn)行線程間技術(shù)共享，使復(fù)雜的路口行人 預(yù)警算法能夠?qū)崟r(shí)運(yùn)行。主要包含W下步驟：
[0039] AU預(yù)處理：
[0040] 對(duì)真實(shí)場(chǎng)景的交通路口視頻劃定有效監(jiān)控區(qū)域，根據(jù)路口的方向劃定進(jìn)入路口的 方向，并且保存記錄
[0041] A2、運(yùn)動(dòng)前景的提?。?br>[0042] 啟動(dòng)一個(gè)處理線程，使用Vibe算法提取視頻中的所有的運(yùn)動(dòng)目標(biāo)，如圖1的左邊方 框部分所示，并將其保存至動(dòng)態(tài)隊(duì)列中，如圖2的左半部分所示。
[0043] A3、行人目標(biāo)的檢測(cè)：
[0044] 啟動(dòng)一個(gè)分類線程，使用離線訓(xùn)練的SVM行人分類模型，從動(dòng)態(tài)隊(duì)列中依次取出運(yùn) 動(dòng)目標(biāo)篩選出行人目標(biāo)，如圖1的中間方框部分所示，保存至動(dòng)態(tài)隊(duì)列中，如圖2的右半部分 所示。
[0045] A4、行人目標(biāo)的跟蹤：
[0046] 啟動(dòng)一個(gè)跟蹤線程，從動(dòng)態(tài)隊(duì)列中依次取出行人目標(biāo)，使用JPDA跟蹤算法對(duì)目標(biāo) 進(jìn)行跟蹤，并分析各個(gè)目標(biāo)路徑的運(yùn)動(dòng)數(shù)據(jù)，如圖1的右邊方框部分所示。
[0047] A5、對(duì)各個(gè)目標(biāo)的運(yùn)動(dòng)數(shù)據(jù)計(jì)算得出各個(gè)目標(biāo)的在有效視頻區(qū)域的運(yùn)動(dòng)方向，將 該方向與預(yù)處理中設(shè)定的路口進(jìn)入方向進(jìn)行比較，若分析得出有行人進(jìn)入路口，則進(jìn)行預(yù) 警。
[0048] 為進(jìn)一步對(duì)本發(fā)明的技術(shù)方案進(jìn)行說(shuō)明，現(xiàn)從W下方面作出說(shuō)明。
[0049] -、體系結(jié)構(gòu)
[0050]圖I給出了基于交通路口視頻，計(jì)算機(jī)并行處理的行人實(shí)時(shí)預(yù)警流程圖。運(yùn)里有= 個(gè)模塊并行運(yùn)行，將算法中前景提取，行人目標(biāo)分類，行人目標(biāo)跟蹤分開(kāi)，若同步運(yùn)行，使用 單線程工作方式，計(jì)算量太大導(dǎo)致不能實(shí)時(shí)分析預(yù)警。使用并行運(yùn)算的方式，有效利用計(jì)算 機(jī)的多核處理性能，使整體滿足實(shí)時(shí)的要求。
[0051] Visual Background extracto;r(V;Lbe)前景檢測(cè)算法：相較于其他交通路口預(yù)警 方法，對(duì)于背景建模，前景提取，采用Vibe檢測(cè)算法。該算法的主要思想是具體的思想就是 為每個(gè)像素點(diǎn)存儲(chǔ)了一個(gè)樣本集，樣本集中采樣值就是該像素點(diǎn)過(guò)去的像素值和其鄰居點(diǎn) 的像素值，然后將每一個(gè)新的像素值和樣本集進(jìn)行比較來(lái)判斷是否屬于背景點(diǎn)。該模型主 要包括=個(gè)方面:模型的工作原理;模型的初始化方法;模型的更新策略。
[0052]支持向量機(jī)SVM分類算法:是一種二類分類模型，其基本模型定義為特征空間上的 間隔最大的線性分類器，即支持向量機(jī)的學(xué)習(xí)策略便是間隔最大化，最終可轉(zhuǎn)化為一個(gè)凸 二次規(guī)劃問(wèn)題的求解。SVM算法在小樣本的情況下，具有較好的魯棒性。
[0053]肝DA多目標(biāo)跟蹤算法:肝DA算法在PDA算法和最近鄰算法的基礎(chǔ)上，不僅僅利用更 新目標(biāo)值，而是利用殘差更新概率并進(jìn)行聯(lián)合濾波。實(shí)現(xiàn)多目標(biāo)跟蹤，對(duì)機(jī)動(dòng)性較強(qiáng)的目標(biāo) 也能較好的進(jìn)行跟蹤。
[0054]二、方法流程 [0化日]1、預(yù)處理階段
[0056]針對(duì)特定的交通路口視頻，選取路口入口處W及出口處的兩個(gè)像素點(diǎn)Ui，Yi)， (乂2，￥2)，根據(jù)斜率計(jì)算公；1^
導(dǎo)到路口進(jìn)出方向的斜率。并且利用離線得到的路 口行人截圖與非路口行人截圖，使用線性SVM二分類分類器，選取圖片的hog特征，訓(xùn)練得到 SVM分類器模型。
[0化7] 2、前景提取過(guò)程
[005引啟動(dòng)一個(gè)線程，先對(duì)得到的視頻進(jìn)行解碼，獲取視頻帖序列，并進(jìn)行前景提取。步 驟2-1:背景模型初始化，利用單帖視頻序列初始化背景模型，對(duì)于一個(gè)像素點(diǎn)，結(jié)合相鄰像 素點(diǎn)擁有相近像素值的空間分布特性，隨機(jī)的選擇它的領(lǐng)域點(diǎn)像素值作為他的模型樣本 值。
[0059] 步驟2-2:對(duì)下一帖視頻，計(jì)算新像素點(diǎn)和樣本集中每個(gè)樣本值的距離，若距離小 于闊值，則近似樣本點(diǎn)數(shù)目增加。如果近似樣本點(diǎn)數(shù)目大于闊值，則認(rèn)為新的像素點(diǎn)為背 景。檢測(cè)過(guò)程中主要由S個(gè)參數(shù)決定：樣本集數(shù)目N，闊值min和距離相近判定的闊值R，此 處，參數(shù)設(shè)置為N=20，min = 2 ,R = 20。
[0060] X點(diǎn)處的像素值:V(X)
[0061] X處的背景樣本集，樣本集大小為N:M(x) = {vi，V2,…，vn}WX為中屯、R為半徑的區(qū) 域:Sr(v(x))
[0062] 判斷新的像素點(diǎn)是否為背景：
[0063] {Sr(v(x)) n {vi,V2, ,vn} } ^min
[0064] 步驟2-3:背景模型進(jìn)行更新，每次確定需要更新像素點(diǎn)的背景模型時(shí)，W新的像 素值隨機(jī)取代該像素點(diǎn)樣本集的一個(gè)樣本值。
[0065] 步驟2-4:每一帖將獲得的前景目標(biāo)保存至一個(gè)動(dòng)態(tài)隊(duì)列中，等待行人目標(biāo)分類線 程的使用。當(dāng)該隊(duì)列為空時(shí)，會(huì)通知后續(xù)線程掛起，等待隊(duì)列容量達(dá)到一定數(shù)量Ml,此處化= 20,再次激活后續(xù)線程。
[0066] 3、行人目標(biāo)的分類
[0067] 啟動(dòng)一個(gè)線程，對(duì)動(dòng)態(tài)隊(duì)列中前景目標(biāo)數(shù)據(jù)做行人的二分類。
[006引步驟3-1:對(duì)前景目標(biāo)圖片獲取hog特征，根據(jù)線性SVM的線性函數(shù):g(x)=wx+b，其 中w，b為SVM分類器模型的參數(shù)，X為前景圖片的hog特征數(shù)據(jù)。g(x)>0,判斷為類別為行人， 反之為非行人。
[0069] 步驟3-2:將SVM分類器得到的行人目標(biāo)保存至一個(gè)動(dòng)態(tài)隊(duì)列中，等待后續(xù)跟蹤線 程的使用。當(dāng)收到前景提取線程激活通知時(shí)，則線程激活。當(dāng)存放行人目標(biāo)的動(dòng)態(tài)隊(duì)列為空 時(shí)，會(huì)通知后續(xù)線程掛起，等待隊(duì)列容量達(dá)到一定數(shù)量M2,此處M2 = 30,再次激活后續(xù)線程。
[0070] 4、肝DA行人目標(biāo)跟蹤
[0071] 啟動(dòng)一個(gè)線程，對(duì)動(dòng)態(tài)隊(duì)列中行人目標(biāo)進(jìn)行跟蹤。
[0072] 步驟5-1:當(dāng)有行人目標(biāo)時(shí)，初始化肝DA跟蹤算法。
[0073] 步驟5-2:肝DA進(jìn)行模型條件濾波，得出每一個(gè)目標(biāo)的路徑信息。
[0074] 步驟5-3:根據(jù)目標(biāo)的路徑信息，根據(jù)其水平方向的速度Vx,垂直方向Vy,計(jì)算器速 度方向，與預(yù)處理中劃定的路口進(jìn)出方向進(jìn)行比較得出目標(biāo)是否進(jìn)入路口，若是進(jìn)入，則進(jìn) 行預(yù)警來(lái)往車輛注意路口有行人。
[0075] 步驟5-4:當(dāng)連續(xù)5帖數(shù)據(jù)中都沒(méi)有行人目標(biāo)出現(xiàn)時(shí)，則將JPDA跟蹤重置，航跡清 除，當(dāng)獲得新的行人目標(biāo)后重新初始化。
[0076] 步驟5-5:當(dāng)獲得行人目標(biāo)分類線程掛起通知，則將線程掛起，等待重新獲得激活 信號(hào)。
【主權(quán)項(xiàng)】
1. 基于交通路口視頻及計(jì)算機(jī)并行計(jì)算的實(shí)時(shí)預(yù)警方法，其特征在于包含以下步驟： A1、預(yù)處理； 對(duì)真實(shí)場(chǎng)景的交通路口視頻劃定有效監(jiān)控區(qū)域，根據(jù)路口的方向劃定進(jìn)入路口的方 向，并且保存記錄； A2、運(yùn)動(dòng)前景的提取； 啟動(dòng)一個(gè)處理線程，使用視頻前景檢測(cè)算法提取視頻中的所有的運(yùn)動(dòng)目標(biāo)，并將其保 存至動(dòng)態(tài)隊(duì)列中； A3、行人目標(biāo)的分類； 啟動(dòng)一個(gè)分類線程，使用離線訓(xùn)練的SVM行人分類模型，從上述動(dòng)態(tài)隊(duì)列中依次取出運(yùn) 動(dòng)目標(biāo)篩選出行人目標(biāo)，保存至動(dòng)態(tài)隊(duì)列中； A4、行人目標(biāo)的跟蹤； 啟動(dòng)一個(gè)跟蹤線程，從動(dòng)態(tài)隊(duì)列中依次取出行人目標(biāo)，使用JPDA跟蹤算法對(duì)目標(biāo)進(jìn)行 跟蹤，并分析各個(gè)目標(biāo)路徑的運(yùn)動(dòng)數(shù)據(jù)； A5、對(duì)各個(gè)上述目標(biāo)路徑的運(yùn)動(dòng)數(shù)據(jù)計(jì)算得出各個(gè)目標(biāo)在有效監(jiān)控區(qū)域的運(yùn)動(dòng)方向， 將該方向與預(yù)處理中設(shè)定的進(jìn)入路口的方向進(jìn)行比較，若分析得出有行人進(jìn)入路口，則進(jìn) 行預(yù)警。2. 根據(jù)權(quán)利要求1所述的基于交通路口視頻及計(jì)算機(jī)并行計(jì)算的實(shí)時(shí)預(yù)警方法，其特 征在于步驟A2中所述視頻前景檢測(cè)算法為Vibe。3. 根據(jù)權(quán)利要求1所述的基于交通路口視頻及計(jì)算機(jī)并行計(jì)算的實(shí)時(shí)預(yù)警方法，其特 征在于步驟A2中使用視頻前景檢測(cè)算法提取視頻中的所有的運(yùn)動(dòng)目標(biāo)具體包括： 步驟3-1:背景模型初始化，利用單幀視頻序列初始化背景模型，對(duì)于一個(gè)像素點(diǎn)，結(jié)合 相鄰像素點(diǎn)擁有相近像素值的空間分布特性，隨機(jī)的選擇它的領(lǐng)域點(diǎn)像素值作為他的模型 樣本值； 步驟3-2:對(duì)下一幀視頻，計(jì)算新像素點(diǎn)和樣本集中每個(gè)樣本值的距離，若距離小于閾 值，則近似樣本點(diǎn)數(shù)目增加，如果近似樣本點(diǎn)數(shù)目大于閾值，則認(rèn)為新的像素點(diǎn)為背景； 步驟3-3:背景模型進(jìn)行更新，每次確定需要更新像素點(diǎn)的背景模型時(shí)，以新的像素值 隨機(jī)取代該像素點(diǎn)樣本集的一個(gè)樣本值； 步驟3-4:每一幀將獲得的前景目標(biāo)保存至一個(gè)動(dòng)態(tài)隊(duì)列中，等待行人目標(biāo)分類線程的 使用，當(dāng)該隊(duì)列為空時(shí)，會(huì)通知后續(xù)線程掛起，等待隊(duì)列容量達(dá)到一定數(shù)量。4. 根據(jù)權(quán)利要求1所述的基于交通路口視頻及計(jì)算機(jī)并行計(jì)算的實(shí)時(shí)預(yù)警方法，其特 征在于步驟A3中行人目標(biāo)的分類包括： 步驟4-1:啟動(dòng)一個(gè)線程，對(duì)動(dòng)態(tài)隊(duì)列中前景目標(biāo)數(shù)據(jù)做行人的二分類； 步驟4-2:對(duì)前景目標(biāo)圖片獲取hog特征，根據(jù)線性SVM的線性函數(shù)的取值判斷類別為行 人或非行人； 步驟4-3:將SVM分類器得到的行人目標(biāo)保存至一個(gè)動(dòng)態(tài)隊(duì)列中，等待后續(xù)跟蹤線程的 使用，當(dāng)收到前景提取線程激活通知時(shí)，則線程激活，當(dāng)存放行人目標(biāo)的動(dòng)態(tài)隊(duì)列為空時(shí)， 會(huì)通知后續(xù)線程掛起，等待隊(duì)列容量達(dá)到一定數(shù)量后再次激活后續(xù)線程。5. 根據(jù)權(quán)利要求1所述的基于交通路口視頻及計(jì)算機(jī)并行計(jì)算的實(shí)時(shí)預(yù)警方法，其特 征在于步驟A4行人目標(biāo)的跟蹤包括： 步驟5-1:啟動(dòng)一個(gè)線程，當(dāng)有行人目標(biāo)時(shí)，初始化JPDA跟蹤算法； 步驟5-2: JPDA進(jìn)行模型條件濾波，得出每一個(gè)目標(biāo)的路徑信息； 步驟5-3:根據(jù)目標(biāo)的路徑信息，根據(jù)其水平方向的速度vx，垂直方向vy，計(jì)算器速度方 向，與預(yù)處理中劃定的路口進(jìn)出方向進(jìn)行比較得出目標(biāo)是否進(jìn)入路口，若是進(jìn)入，則進(jìn)行預(yù) 警來(lái)往車輛注意路口有行人； 步驟5-4:當(dāng)連續(xù)5幀數(shù)據(jù)中都沒(méi)有行人目標(biāo)出現(xiàn)時(shí)，則將JPDA跟蹤重置，航跡清除，當(dāng) 獲得新的行人目標(biāo)后重新初始化； 步驟5-5:當(dāng)獲得行人目標(biāo)分類線程掛起通知，則將線程掛起，等待重新獲得激活信號(hào)。
【文檔編號(hào)】G08G1/16GK106023650SQ201610515762
【公開(kāi)日】2016年10月12日
【申請(qǐng)日】2016年7月1日
【發(fā)明人】張誠(chéng)哲, 劉瀏, 李曉飛, 符士磊
【申請(qǐng)人】南京郵電大學(xué)