CN102867183B - 一种车辆遗撒物检测方法、装置及智能交通监控*** - Google Patents

Abstract

本发明适用于智能交通领域，提供了一种车辆遗撒物检测方法、装置及智能交通监控***，所述方法包括下述步骤：从实时视频流中解码获取预设虚拟检测区域的视频数据；当车辆进入所述预设虚拟检测区域时，获取待测车辆的前景图像；提取所述待测车辆的前景图像的颜色和纹理特征；根据构造的AdaBoost分类模型、AdaBoost判别规则，以及所述待测车辆的前景图像的颜色和纹理特征，判断所述待测车辆的前景图像是否存在遗撒物。在本发明中，实时获取视频流，如果有车辆进入设定的检测区域，则根据AdaBoost判别规则进行检测，判断是否有沙土等车辆遗撒物，达到了检测快速、高效，查控准确的效果，节省了人力物力。

Description

一种车辆遗撒物检测方法、装置及智能交通监控***

技术领域

本发明属于智能交通领域，尤其涉及一种车辆遗撒物检测方法、装置及智能交通监控***。 

背景技术

随着全国公路交通建设的快速发展和泥头车的大量使用，泥头车造成的危害越来越大，特别是泥头车遗撒沙土，既造成环境污染，严重的也会影响交通，因而引起了交通部门的重视，建立泥头车等车辆的遗撒物监控是必然趋势。目前，对于车辆的遗撒物检测主要采取人工检测，耗费的大量人力、物力资源，且监控效率较低。 

发明内容

本发明实施例提供一种车辆遗撒物检测方法，旨在解决现有技术采用人工方式对泥头车等车辆的遗撒物进行检测，耗费大量人力、物力的问题。 

本发明实施例是这样实现的，一种车辆遗撒物检测方法，所述方法包括下述步骤： 

从实时视频流中解码获取预设虚拟检测区域的视频数据； 

当车辆进入所述预设虚拟检测区域时，获取待测车辆的前景图像； 

提取所述待测车辆的前景图像的颜色和纹理特征； 

根据构造的AdaBoost分类模型、AdaBoost判别规则，以及所述待测车辆的前景图像的颜色和纹理特征，判断所述待测车辆的前景图像是否存在遗撒物； 

所述AdaBoost判别规则通过下述步骤构造： 

1，输入样本图片(x₁，y₁)，...，(x_n，y_n)； 

2，提取所述样本图片的颜色和纹理特征向量； 

3，分别将所述y_i＝-1和1的样本的权重初始化为

4，归一化所述样本权重ω_t，归一化计算公式为

5，根据所述特征训练分类器，并计算其误差，其误差按照下面的公式估算ε_j＝∑_iω_i|h_j(x_i)-y_i|； 

6，选择所述分类器中误差ε_t最小的分类器； 

7，按照公式更新所述样本权重，其中，如果分类正确则e_i＝0：否则，e_i＝1； 

8，判断所述分类次数是否等于分类器个数，如果分类次数等于分类器个数，则进入步骤9，否则返回步骤4； 

9，得到最终的强分类器为： $h\left(x\right)=\left\{\begin{array}{cc}1& {\mathrm{\Σ}}_{t=1}^T{\mathrm{\α}}_t{h}_t\left(x\right)\≥\frac{1}{2}{\mathrm{\Σ}}_{t=1}^T{\mathrm{\α}}_t\\ 0& \mathrm{otherwise}\end{array}\right..$

其中，n为样本总数；m和l分别为反例样本和正例样本的数量；y_i＝-1，1分别表示为反例样本和正例样本；x_i∈X；y_i∈Y＝{+1，-1}；ω_t为第t次迭代对应的样本权重；h_j为对应特征j的分类器；ε_t为第t次迭代中分类器的分类误差；参数 ${\mathrm{\β}}_t=\frac{{\mathrm{\ϵ}}_t}{1-{\mathrm{\ϵ}}_t};$ 参数 ${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t}.$

进一步，所述从实时视频流解码获取预设虚拟检测区域视频数据的步骤具体为： 

更新解码组件和解码关系表； 

根据所述解码关系表，查找对应解码组件； 

根据所述解码组件，构建完整的解码链路进行解码； 

发送解码产生的虚拟检测区域的视频帧数据。 

进一步，所述当车辆进入预设虚拟检测区域时，获取待测车辆前景图像的步骤具体为： 

采用多模态高斯背景模型对视频图像运动背景建模，确定背景分布； 

利用所述背景分布，获取运动区域，并对所述运动区域进行前景分割与形态学处理； 

从所述运动区域中截取测试图像。 

进一步，所述AdaBoost分类模型通过下述步骤构造： 

4.1输入m个样本图片(x₁，y₁)，...，(x_m，y_m)； 

4.2提取所述样本图片的颜色和纹理特征向量； 

4.3初始化所述样本权重为D₁(i)＝1/m； 

4.4找到一个对应于分布D_t的弱假设h_t：X→{-1，+1}，并得到其分类误差  ${\mathrm{\ϵ}}_t=\underset{i:h_t\left(x_i\right)\≠y_i}{\mathrm{\Σ}}{D}_t\left(i\right);$

4.5根据公式计算分类器权重； 

4.6根据公式更新所述样本权重； 

4.7判断所述分类次数是否等于分类器个数，如果分类次数等于分类器个数，则进入步骤4.8，否则返回步骤4.4； 

4.8得到最终的强分类器。 

其中，m为样本个数；x_i∈X；y_i∈Y＝{+1，-1}；D_t(i)为第t次迭代中第i个训练样本的权重；ε_t为第t次迭代中分类器的分类误差；Z_t是归一化因子，使得所述样本权重成为一个分布；h_t为对应特征t的分类器；h_t：X→{-1，+1}为对应于分布D_t的弱假设；α_t为AdaBoost选择的参数，作为弱分类器的权重； 

本发明实施例还提供一种车辆遗撒物检测装置，所述装置包括： 

视频数据获取单元，用于从实时视频流中解码获取预设虚拟检测区域的视频数据； 

前景图像截取单元，用于当车辆进入所述预设虚拟检测区域时，获取待测车辆的前景图像； 

特征提取单元，用于提取所述待测车辆的前景图像的颜色和纹理特征； 

遗撒物判断单元，用于根据构造的AdaBoost分类模型、AdaBoost判别规则，以及所述待测车辆的前景图像的颜色和纹理特征，判断所述待测车辆的前景图像是否存在遗撒物； 

AdaBoost分类模型构造单元，用于利用提取的样本特征，构造AdaBoost分类模型； 

AdaBoost判别规则构造单元，用于利用提取的样本特征，构造AdaBoost判别规则； 

所述AdaBoost判别规则构造单元具体包括： 

第二样本输入模块，用于输入样本图片(x₁，y₁)，...，(x_n，y_n)，其中，y_i＝-1，1分别表示为反例样本和正例样本； 

第二特征提取模块，用于提取所述样本图片的颜色和纹理特征向量； 

第二权重初始化模块，用于分别将所述y_i＝-1和1的样本的权重初始化为 这里的m和l分别为反例样本和正例样本的数量； 

归一化权重模块，用于归一化所述样本权重ω_t，归一化计算公式为  ${\mathrm{\ω}}_{t,i}\←\frac{{\mathrm{\ω}}_{t,i}}{{\mathrm{\Σ}}_{j=1}^n{\mathrm{\ω}}_{t,j}};$

分类器训练模块，用于根据所述特征训练分类器，并计算其误差，其误差按照下面的公式估算ε_j＝∑_iω_i|h_j(x_i)-y_i|； 

误差最小分类器配置模块，用于选择所述分类器中误差ε_t最小的分类器； 

第二权重更新模块，用于更新所述样本权重：其中，如果分类正确则e_i＝0：否则，e_i＝1，并且

第二分类次数判断模块，用于判断所述分类次数是否等于分类器个数； 

强分类器配置模块，用于得到最终的强分类器为：  $h\left(x\right)=\left\{\begin{array}{cc}1& {\mathrm{\Σ}}_{t=1}^T{\mathrm{\α}}_t{h}_t\left(x\right)\≥\frac{1}{2}{\mathrm{\Σ}}_{t=1}^T{\mathrm{\α}}_t\\ 0& \mathrm{otherwise}\end{array}\right.,$ 其中 ${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t}.$

其中，n为样本总数；m和l分别为反例样本和正例样本的数量；y_i＝-1，1分别表示为反例样本和正例样本；x_i∈X；y_i∈Y＝{+1，-1}；ω_t为第t次迭代对应的样本权重；h_j为对应特征j的分类器；ε_t为第t次迭代中分类器的分类误差；参数 ${\mathrm{\β}}_t=\frac{{\mathrm{\ϵ}}_t}{1-{\mathrm{\ϵ}}_t};$ 参数 ${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t}.$

进一步，所述视频数据获取单元具体包括： 

解码关系表更新模块，用于更新解码组件和解码关系表； 

解码组件查找模块，用于根据所述解码关系表，查找对应解码组件； 

解码模块，用于根据所述解码组件，构建完整的解码链路进行解码； 

解码发送模块，用于发送解码产生的虚拟检测区域的视频帧数据。 

进一步，所述前景图像截取单元具体包括： 

背景模型配置模块，用于采用多模态高斯背景模型对视频图像运动背景建模，确定背景分布； 

运动区域配置模块，用于利用所述背景分布，获取运动区域，并对运动区域进行前景分割与形态学处理； 

测试图像截取模块，用于从所述运动区域中截取测试图像。 

进一步，所述AdaBoost分类模型构造单元具体包括： 

第一样本输入模块，用于输入m个样本图片(x₁，y₁)，...，(x_m，y_m)，其中x_i∈X，y_i∈Y＝{+1，-1}； 

第一特征提取模块，用于提取所述样本图片的颜色和纹理特征向量； 

第一权重初始化模块，用于初始化所述样本权重为D₁(i)＝1/m； 

弱分类器配置模块，用于找到一个对应于分布D_t的弱假设h_t：X→{-1，+1}， 并得到其分类误差其中D_t(i)为第t次迭代中第i个训练样本的权重； 

权重计算模块，用于根据公式计算所述分类器权重； 

第一权重更新模块，用于根据公式更新所述样本权重，其中Z_t是归一化因子，使得所述样本权重成为一个分布； 

第一分类次数判断模块，用于判断所述分类次数是否等于分类器个数； 

最终分类器配置模块，用于得到最终的强分类器。 

其中，m为样本个数；x_i∈X；y_i∈Y＝{+1，-1}；D_t(i)为第t次迭代中第i个训练样本的权重；ε_t为第t次迭代中分类器的分类误差；Z_t是归一化因子，使得所述样本权重成为一个分布；h_t为对应特征t的分类器；h_t：X→{-1，+1}为对应于分布D_t的弱假设；α_t为AdaBoost选择的参数，作为弱分类器的权重。 

本发明实施例还提供一种包含上述车辆遗撒物检测装置的智能交通监控***。 

在本发明实施例中，实时获取视频流，如果有车辆进入设定的检测区域，则根据AdaBoost判别规则进行检测，判断是否有沙土等车辆遗撒物，达到了检测快速、高效，查控准确的效果，节省了人力物力。 

附图说明

图1是本发明实施例提供的车辆遗撒物检测方法的实现流程图； 

图2是本发明实施例提供的构造AdaBoost分类模型的实现流程图； 

图3是本发明实施例提供的构造AdaBoost判断规则的实现流程图； 

图4是本发明实施例提供的车辆遗撒物检测装置的结构图。 

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。 

在本发明实施例中，实时获取视频流，如果有车辆进入设定的检测区域，则根据AdaBoost判别规则，检测泥头车等车辆是否存在遗撒物，可以减轻人工监控的工作量。 

图1示出了本发明实施例提供的车辆遗撒物检测方法的实现流程，详述如下： 

在步骤S101中，从实时视频流中解码获取预设虚拟检测区域的视频数据； 

在本发明实施例中，从实时视频流中解码获取预设虚拟检测区域的视频数据的步骤详述如下： 

1.1更新最新的解码组件和解码关系表； 

1.2根据解码关系表，查找对应解码组件； 

1.3根据解码组件，构建完整的解码链路进行解码； 

1.4发送解码产生的虚拟检测区域的视频帧数据。 

在步骤S102中，当检测到车辆进入预设虚拟检测区域时，获取待测车辆的前景图像； 

在本发明实施例中，用户要预先设定虚拟检测区域。当检测到车辆进入预设虚拟检测区域时，利用多态高斯背景模型获取待测车辆前景图像，具体实现详述如下： 

2.1运动背景建模； 

本发明实施例采用多模态高斯背景建模，采用多模态高斯背景模型对已固定安装的摄像机拍摄的视频图像进行背景建模，对每个像素点所建立的高斯模型为至少2个。在本实施方式中，采用对每个像素点建立3个高斯模型的方式， 具体为： 

假设输入的第t帧图像的像素点为I_t，μ_i，t-1为第(t-1)帧图像的第i个高斯分布的像素值的均值，像素值的均值等于各个像素值相加的和除以像素点的个数，σ_i，t-1为第(t-1)帧图像的第i个高斯分布的像素值的标准差，D为满足公式|I_t-μ_i，t-1|≤D.σ_i，t-1的固定参数，该参数可通过实际经验获取，其中，μ_i，t＝(1-α)μ_i，t-1+ρI_t，ρ＝α/ω_i，t，α是学习率，0≤α≤1，ρ是参数学习率，ω_i，t是第t帧图像的第i个高斯分布的权值。 

归一化计算得到的所有权值，并将各个高斯分布函数按ω_i，t/σ_i，t从大到小排列，如果i₁，i₂，...，i_k表示各个高斯分布，将i₁，i₂，...，i_k按照ω_i，t/σ_i，t从大到小的次序排列，若前M个高斯分布满足公式：则这M个高斯分布被认为是背景分布，其中，τ是权值阈值，可根据实际情况获取，通常τ取值0.7。 

2.2利用背景分布，获取运动区域，并对运动区域进行前景分割与形态学处理； 

本发明实施例中，在确定了背景分布之后，将当前帧与该当前帧的背景分布对应的背景模型相减，得到该当前帧的运动区域，对获取的运动区域进行二值化和形态学处理，使得分割得到的模糊运动目标区域更为完整、独立。 

2.3从运动区域中截取测试图像。 

因为泥头车是运动的，沙土等遗撒物在泥头车后面，先用背景建模对运动物体区域进行检测，如果运动区域变长，则可以截取这一块运动区域的图像作为测试图像。 

在步骤S103中，提取待测车辆的前景图像的颜色和纹理特征； 

在本发明实施例中，在色彩分层的基础上，通过颜色直方图提取颜色特征，并对检测图像进行纹理特征提取，具体实现如下： 

3.1色彩空间转换； 

在本发明实施例中，需要在HSV颜色空间来对颜色分层，所以首先将图像 从RGB颜色空间转换到HSV颜色空间： 

$H=\left\{\begin{array}{c}\arccos \frac{(R-G)+(R-B)}{2\sqrt{(R-G)*(R-G)+(R-B)*(G-*B)}}(B\≤G)\\ 2\mathrm{\π}-\arccos \frac{(R-G)+(R-B)}{2\sqrt{(R-G)*(R-G)+(R-B)*(G-*B)}}(B>G)\end{array}\right.---\left(1\right)$

$S=\frac{\max (R,G,B)-\min (R,G,B)}{\max (R+G+B)}---\left(2\right)$

$V=\frac{\max (R,G,B)}{255}---\left(3\right)$

3.2色彩分层计算； 

颜色分层就是将颜色空间映射到一定的子集中，从而提高图像检索速度。一般的图像颜色***大约有224种颜色，而人眼能够真正辨别的颜色有限，因此在进行图像处理时，需要对颜色空间进行分层，分层的维数大小非常重要，分层维数越高，检索精度就越高，但是检索速度会随之下降。 

颜色分层分为等量间距颜色分层和非等量间距颜色分层，由于等量间距分层的维数如果过低，则精度会大大下降，如果过高又会造成计算复杂，经过分析和实验，本发明实施例选用非等量间距颜色分层，具体实现如下： 

根据人的感知能力，将色调H分成8份，饱和度S和亮度V分成3份，根据颜色空间以及人对颜色的主观感知特性进行量化分层，公式如下： 

$H=\left\{\begin{array}{ccc}0& \mathrm{if}& h\∈\left[\mathrm{316,20}\right]\\ 1& \mathrm{if}& h\∈\left[\mathrm{21,40}\right]\\ 2& \mathrm{if}& h\∈\left[\mathrm{41,75}\right]\\ 3& \mathrm{if}& h\∈\left[\mathrm{76,155}\right]\\ 4& \mathrm{if}& h\∈\left[\mathrm{156,190}\right]\\ 5& \mathrm{if}& h\∈\left[\mathrm{191,270}\right]\\ 6& \mathrm{if}& h\∈\left[\mathrm{271,195}\right]\\ 7& \mathrm{if}& h\∈\left[\mathrm{296,315}\right]\end{array}\right.---\left(4\right)$

$S=\left\{\begin{array}{ccc}0& \mathrm{if}& s\∈\left[\mathrm{0,0.2}\right]\\ 1& \mathrm{if}& s\∈\left[\mathrm{0.2,0.7}\right]\\ 2& \mathrm{if}& s\∈\left[\mathrm{0.7,1}\right]\end{array}\right.---\left(5\right)$

$V=\left\{\begin{array}{ccc}0& \mathrm{if}& v\∈\left[\mathrm{0,0.2}\right]\\ 1& \mathrm{if}& v\∈\left[\mathrm{0.2,0.7}\right]\\ 2& \mathrm{if}& v\∈\left[\mathrm{0.7,1}\right]\end{array}\right.---\left(6\right)$

根据以上方法将颜色空间划分为72种颜色。 

3.3分量融合： 

Y＝HQsQv+SQv+V      (7) 

其中，QS和QV分别是S和V的量化级数，实验中取QS＝3，QV＝3，因此实际是Y＝9H+3S+V。 

这样，H，S，V三个分量在Y上进行融合，Y的取值范围为[0，1，...71]。 

3.4灰度共生矩阵的纹理特征； 

首先将彩色图像转换成灰度图像，对于灰度为N级的图像，共生矩阵为N*N维矩阵，即其中，位于(h，k)的元素m_hk的值表示相距(h，k)的灰度为h，而另一个灰度为k的像素对出现的次数。 

由纹理共生矩阵提取的四个特征量为： 

反差： $\mathrm{CON}=\underset{h}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{(h-k)}^2{m}_{\mathrm{hk}}---\left(8\right)$

能量： $\mathrm{ASM}=\underset{h}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{\left(m_{\mathrm{hk}}\right)}^2---\left(9\right)$

熵： $\mathrm{ENT}=-\underset{h}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{m}_{\mathrm{hk}}\lg \left(m_{\mathrm{hk}}\right)---\left(10\right)$

相关： $\mathrm{COR}=[\underset{h}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}\mathrm{hk}{m}_{\mathrm{hk}}-{\mathrm{\μ}}_x{\mathrm{\μ}}_y]/{\mathrm{\σ}}_x{\mathrm{\σ}}_y---\left(11\right)$

其中，是矩阵M中每列元素之和；是每行元素之和；μ_x、μ_y、σ_x、σ_y分别是m_x、m_y的均值和标准差。 

具体步骤如下： 

a)将图像的灰度分为64个灰度等级； 

b)构造四个方向灰度共生矩阵：M(1，0)，M(0，1)，M(1，1)，M(1，-1)； 

c)分别计算每个共生矩阵上的四个纹理特征量； 

以各特征量的均值和标准差：μ_CON、σ_CON、μ_ASM、σ_ASM、μ_ENT、σ_ENT、μ_COR、 σ_COR作为纹理特征的八个分量。 

在步骤S104中，根据构造的AdaBoost分类模型、AdaBoost判别规则，以及待测车辆的前景图像的颜色和纹理特征，判断待测车辆的前景图像是否存在遗撒物。 

在本发明实施例中，车辆遗撒物指垃圾、渣土、砂石、土方、灰浆等流体、散装货物。 

在本发明实施例中，AdaBoost具体解决两个问题：怎样处理训练样本和怎样合并弱分类器成为一个强分类器。 

图2示出了本发明实施例提供的构造AdaBoost分类模型的实现流程，详述如下： 

在本发明实施例中，AdaBoost算法的一个主要思想就是令样本集中所有样本的权重形成一个分布。每个训练样本的初始权重均相同，在每轮迭代过程中，如果样本没有被正确分类，它的权重就会被提高，反之则降低。这样，AdaBoost将更多的注意力放在难分的样本上。对于弱分类器的组织形式，强分类器表示为若干弱分类器的线性加权和形式，准确率越高的弱分类器权重越高。 

设定D_t(i)为第t次迭代中第i个训练样本的权重，通过弱学习器找到一个对应于分布D_t的弱假设h_t：X→{-1，+1}。其错误率为

在步骤S201中，输入m个样本图片(x₁，y₁)，...，(x_m，y_m)； 

在步骤S202中，提取样本颜色和纹理特征； 

在步骤S203中，初始化样本权重为D₁(i)＝1/m； 

在步骤S204中，找到一个对应于分布D_t的弱假设h_t：X→{-1，+1}，并得到其分类误差ε_t，计算公式如公式12所示； 

${\mathrm{\ϵ}}_t=\underset{i:h_t\left(x_i\right)\≠y_i}{\mathrm{\Σ}}{D}_t\left(i\right)---\left(12\right)$

在步骤S205中，计算分类器权重α_t，计算公式如公式13所示； 

${\mathrm{\α}}_t=\frac{1}{2}\ln \left(\frac{1-{\mathrm{\ϵ}}_t}{{\mathrm{\ϵ}}_t}\right)---\left(13\right)$

在步骤S206中，更新样本权重D_t+1(i)，计算公式如公式14所示； 

在步骤S207中，判断是否循环执行T次，即分类次数是否达到T次，若是执行步骤S208，若否返回执行步骤S204； 

在步骤S208中，得到最终的强分类器。 

在本发明实施例中，在步骤S201-S208中，m为样本个数；x_i∈X；y_i∈Y＝{+1，-1}；ε_t为第t次迭代中分类器的分类误差；Z_t是归一化因子，使得所述样本权重成为一个分布；h_t为对应特征t的分类器；h_t：X→{-1，+1}为对应于分布D_t的弱假设；α_t为AdaBoost选择的参数，作为弱分类器的权重。 

在本发明实施例中最终的假设H是T个弱假设的组合，最终的强分类器即为弱分类器的线性组合，每个弱假设h_t对应一个权重α_t。 

从以上算法中可以看出，一旦选择了一个弱分类器之后，AdaBoost选择一个参数α_t，作为弱分类器的权重。注意到，当时，α_t≥0，并且随着ε_t的减小，α_t逐渐增大，也就是说，分类错误率越低的弱分类器，它的权重越大。 

在本发明实施例中，采用AdaBoost学习算法来进行判断，可以达到用少量的特征组成一个有效的分类器的目的。 

图3示出了本发明实施例中提供的构造AdaBoost判别规则的实现流程，详述如下： 

每一个弱学习算法都用来选择一个能最好地将正例和反例分开的矩形特征，同时为每一个矩形特征确定一个最优的阈值，以使错分的样本个数最少。 对于一个弱分类器函数h_j(x)，有一个特征f_j，一个阈值θ_j，还有一个用来指示不等式方向的符号函数p_j，如下式所示： 

$h_j\left(x\right)=\left\{\begin{array}{cc}1& \mathrm{if}(p_j{f}_j\left(x\right)<p_j{\mathrm{\&theta;}}_j)\\ 0& \mathrm{otherwise}\end{array}\right.---\left(15\right)$

这里的x是一幅图像中的一个64*64像素大小的子窗口。 

具体操作步骤为： 

在步骤S301中，给定一组样本图片(x₁，y₁)，...，(x_n，y_n)； 

在步骤S302中，提取样本的颜色和纹理特征； 

在步骤S303中，分别将y_i＝-1和1的样本的权重初始化为

在步骤S304中，归一化权重w_t，i，归一化计算公式如公式16所示，则w_t服从概率分布； 

$w_{t,i}\&LeftArrow;\frac{w_{t,i}}{{\mathrm{\&Sigma;}}_{j=1}^n{w}_{t,j}}---\left(16\right)$

在步骤S305中，根据特征训练分类器，并计算其误差，对于每一个特征j，训练一个分类器h_j，要严格遵守使用一个特征的原则，其误差为ε_j，由公式17估算得到； 

ε_j＝∑_iw_i|h_j(x_i)-y_i|    (17) 

在步骤S306中，选择分类器误差ε_t最小的分类器； 

在步骤S307中，更新样本权重。更新公式如公式18所示； 

$w_{t+1,i}=w_{t,i}{\mathrm{\&beta;}}_t^{1-e_i}---\left(18\right)$

${\mathrm{\&beta;}}_t=\frac{{\mathrm{\&epsiv;}}_t}{1-{\mathrm{\&epsiv;}}_t}---\left(19\right)$

其中，如果正确分类，则e_i＝0，否则e_i＝1。 

在步骤S308中，判断是否循环T次，即分类次数是否等于分类器个数，若是执行步骤S309，若否返回执行步骤S304； 

在步骤S309中，得到最终的强分类器，为： 

$h\left(x\right)=\left\{\begin{array}{cc}1& {\mathrm{\&Sigma;}}_{t=1}^T{\mathrm{\&alpha;}}_t{h}_t\left(x\right)\&GreaterEqual;\frac{1}{2}{\mathrm{\&Sigma;}}_{t=1}^T{\mathrm{\&alpha;}}_t\\ 0& \mathrm{otherwise}\end{array}\right..---\left(20\right)$

在本发明实施例中，在步骤S301-S309中，n为样本总数；m和l分别为反例样本和正例样本的数量；y_i＝-1，1分别表示为反例样本和正例样本；x_i∈X；y_i∈Y＝{+1，-1}；ω_t为第t次迭代对应的样本权重；h_j为对应特征j的分类器；ε_t为第t次迭代中分类器的分类误差；参数参数

在本发明实施例中，提取检测图像的颜色特征和纹理特征，通过强分类器进行分类。根据缩放的尺度体现不同的检测结果。在本发明实施例中当遗撒物存在时，检测值为1，否则检测值为0，取检测值的平均值，如果检测值的平均值大于0.5，则判断遗撒物存在。 

在本发明实施例中，图2是AdaBoost的理论实现方法，图3是具体针对本发明实施例的具体实现方法，区别在于更新权重的方法不同。 

图4示出了本发明实施例提供的车辆遗撒物检测装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分。 

该车辆遗撒物检测装置可以用于智能交通监控***中，可以是运行于智能交通监控***内的软件单元、硬件单元或者软硬件相结合的单元，也可以作为独立的挂件集成到智能交通监控***中，其中： 

视频数据获取单元41从实时视频流中解码获取预设虚拟检测区域的视频数据。 

视频数据获取单元41包括解码关系表更新模块411、解码组件查找模块412、解码模块413、解码发送模块414。其中： 

解码关系表更新模块411更新解码组件和解码关系表。 

解码组件查找模块412根据所述解码关系表，查找对应解码组件。 

解码模块413根据所述解码组件，构建完整的解码链路进行解码。 

解码发送模块414发送解码产生的虚拟检测区域的视频帧数据。 

在本发明实施例中预设虚拟检测区域根据车道设置。 

前景图像截取单元42当车辆进入所述预设虚拟检测区域时，获取待测车辆的前景图像。 

前景图像截取单元42包括背景模型配置模块421、运动区域配置模块422、测试图像截取模块423。其中： 

背景模型配置模块421采用多模态高斯背景模型对视频图像运动背景建模，确定背景分布。 

本发明实施例中，背景模型配置模块421采用多模态高斯背景建模，采用多模态高斯背景模型对已固定安装的摄像机拍摄的视频图像进行背景建模，对每个像素点所建立的高斯模型为至少2个。在本实施方式中，采用对每个像素点建立3个高斯模型的方式，具体为： 

假设输入的第t帧图像的像素点为I_t，μ_i，t-1为第(t-1)帧图像的第i个高斯分布的像素值的均值，像素值的均值等于各个像素值相加的和除以像素点的个数，σ_i，t-1为第(t-1)帧图像的第i个高斯分布的像素值的标准差，D为满足公式|I_t-μ_i，t-1|≤D.σ_i，t-1的固定参数，该参数可通过实际经验获取，其中，μ_i，t＝(1-α)μ_i，t-1+ρI_t，ρ＝α/ω_i，t，α是学习率，0≤α≤1，ρ是参数学习率，ω_i，t是第t帧图像的第i个高斯分布的权值。 

归一化计算得到的所有权值，并将各个高斯分布函数按ω_i，t/σ_i，t从大到小排列，如果i₁，i₂...i_k表示各个高斯分布，将i₁，i₂...i_k按照ω_i，t/σ_i，t从大到小的次序排列，若前M个高斯分布满足公式：则这M个高斯分布被认为是背景分布，其中，τ是权值阈值，可根据实际情况获取，通常τ取值0.7。 

运动区域配置模块422利用所述背景分布，获取运动区域，并对运动区域进行前景分割与形态学处理。 

本发明实施例中，在确定了背景分布之后，将当前帧与该当前帧的背景分布对应的背景模型相减，得到该当前帧的运动区域，对获取的运动区域进行二 值化和形态学处理，使得分割得到的模糊运动目标区域更为完整、独立。 

测试图像截取模块423从所述运动区域中截取测试图像。 

因为泥头车是运动的，沙土等遗撒物在泥头车后面，先用背景建模对运动物体区域进行检测，如果运动区域变长，则可以截取这一块运动区域的图像作为测试图像。 

特征提取单元43提取所述待测车辆的前景图像的颜色和纹理特征。 

在本发明实施例中，特征提取模块43提取正负样本图像的颜色特征和灰度共生矩阵的纹理特征。 

AdaBoost分类模型构造单元44利用提取的样本特征，构造AdaBoost分类模型。 

AdaBoost分类模型构造单元44包括第一样本输入模块441、第一特征提取模块442、第一权重初始化模块443、弱分类器配置模块444、权重计算模块445、第一权重更新模块446、第一分类次数判断模块447、最终分类器配置模块448。其中： 

第一样本输入模块441输入m个样本图片(x₁，y₁)，...，(x_m，y_m)。 

第一特征提取模块442提取所述样本图片的颜色和纹理特征向量。 

第一权重初始化模块443初始化所述样本权重为D₁(i)＝1/m。 

弱分类器配置模块444找到一个对应于分布D_t的弱假设h_t：X→{-1，+1}，并得到其分类误差

权重计算模块445根据公式计算所述分类器权重。 

第一权重更新模块446根据公式更新所述样本权重。 

第一分类次数判断模块447判断所述分类次数是否等于分类器个数。 

最终分类器配置模块448得到最终的强分类器。 

其中，在以上装置中，m为样本个数；x_i∈X；y_i∈Y＝{+1，-1}；D_t(i)为第t次迭代中第i个训练样本的权重；ε_t为第t次迭代中分类器的分类误差；Z_t是归一化因子，使得所述样本权重成为一个分布；h_t为对应特征t的分类器；h_t：X→{-1，+1}为对应于分布D_t的弱假设；α_t为AdaBoost选择的参数，作为弱分类器的权重。 

在本发明实施例中，AdaBoost算法的一个主要思想就是令样本集中所有样本的权重形成一个分布。每个训练样本的初始权重均相同，在每轮迭代过程中，如果样本没有被正确分类，它的权重就会被提高，反之则降低。这样，AdaBoost将更多的注意力放在难分的样本上。对于弱分类器的组织形式，强分类器表示为若干弱分类器的线性加权和形式，准确率越高的弱分类器权重越高。 

AdaBoost判别规则构造单元45利用提取的样本特征，构造AdaBoost判别规则。 

AdaBoost判别规则构造单元45包括第二样本输入模块451、第二特征提取模块452、第二权重初始化模块453、归一化权重模块454、分类器训练模块455、误差最小分类器配置模块456、第二权重更新模块457、第二分类次数判断模块458、强分类器配置模块459。其中： 

第二样本输入模块451输入样本图片(x₁，y₁)，...，(x_m，y_m)，其中，y_i＝-1，1分别表示为反例样本和正例样本。 

在本发明实施例中，为了构造分类器，首先收集正负样本，例如采用遗撒物图像为正样本约1000张，非遗撒物图像为负样本约为1500张。 

第二特征提取模块452提取所述样本图片的颜色和纹理特征向量。 

第二权重初始化模块453分别将所述y_i＝-1和1的样本的权重初始化为 其中，m和l分别为反例样本和正例样本的数量。 

归一化权重模块454归一化所述样本权重ω_t，归一化计算公式为 由此，ω_t服从概率分布。 

分类器训练模块455根据所述特征训练分类器，并计算其误差，其误差按照下面的公式估算出来ε_j＝∑_iω_i|h_j(x_i)-y_i|。 

误差最小分类器配置模块456选择所述分类器中误差ε_t最小的分类器。 

第二权重更新模块457更新所述样本权重：其中，如果分类正确则e_i＝0：否则，e_i＝1。 

第二分类次数判断模块458判断所述分类次数是否等于分类器个数。 

强分类器配置模块459得到最终的强分类器为：  $h\left(x\right)=\left\{\begin{array}{cc}1& {\mathrm{\&Sigma;}}_{t=1}^T{\mathrm{\&alpha;}}_t{h}_t\left(x\right)\&GreaterEqual;\frac{1}{2}{\mathrm{\&Sigma;}}_{t=1}^T{\mathrm{\&alpha;}}_t\\ 0& \mathrm{otherwise}\end{array}\right..$

其中，在以上装置中，n为样本总数；y_i＝-1，1分别表示为反例样本和正例样本；x_i∈X；y_i∈Y＝{+1，-1}；ω_t为第t次迭代对应的样本权重；h_j为对应特征j的分类器；ε_t为第t次迭代中分类器的分类误差；参数参数

遗撒物判断单元46根据构造的AdaBoost分类模型、AdaBoost判别规则，以及所述待测车辆的前景图像的颜色和纹理特征，判断所述待测车辆的前景图像是否存在遗撒物。 

在本发明实施例中，提取检测图像的颜色特征和纹理特征，通过强分类器进行分类。根据缩放的尺度体现不同的检测结果。在本发明实施例中当遗撒物存在时，检测值为1，否则检测值为0，取检测值的平均值，如果检测值的平均值大于0.5，则判断遗撒物存在。 

在本发明实施例中，车辆遗撒物指垃圾、渣土、砂石、土方、灰浆等流体、散装货物。 

在本发明实施例中，实时获取视频流，如果有车辆进入设定的检测区域， 则根据AdaBoost判别规则进行检测，判断是否有沙土等车辆遗撒物，达到了检测快速、高效，查控准确的效果，节省了人力物力。 

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。 

Claims (9)

1.一种车辆遗撒物检测方法，其特征在于，所述方法包括下述步骤：

从实时视频流中解码获取预设虚拟检测区域的视频数据；

当车辆进入所述预设虚拟检测区域时，获取待测车辆的前景图像；

提取所述待测车辆的前景图像的颜色和纹理特征；

根据构造的AdaBoost分类模型、AdaBoost判别规则，以及所述待测车辆的前景图像的颜色和纹理特征，判断所述待测车辆的前景图像是否存在遗撒物；

所述AdaBoost判别规则通过下述步骤构造：

1，输入样本图片(x₁,y₁)，…，(x_n,y_n)；

2，提取所述样本图片的颜色和纹理特征向量；

3，分别将所述y_i＝-1和1的样本的权重初始化为

4，归一化所述样本权重ω_t，归一化计算公式为

5，根据所述特征训练分类器，并计算其误差，其误差按照下面的公式估算ε_j＝Σ_iω_i|h_j(x_i)-y_i|；

6，选择所述分类器中误差ε_t最小的分类器；

7，按照公式更新所述样本权重，其中，如果分类正确则e_i＝0：否则，e_i＝1；

8，判断所述分类次数是否等于分类器个数，如果分类次数等于分类器个数，则进入步骤9，否则返回步骤4；

9，得到最终的强分类器为： $h\left(x\right)=\left\{\begin{array}{cc}1& {\mathrm{\&Sigma;}}_{t=1}^T{\mathrm{\&alpha;}}_t{h}_t\left(x\right)\&GreaterEqual;\frac{1}{2}{\mathrm{\&Sigma;}}_{t=1}^T{\mathrm{\&alpha;}}_t\\ 0& \mathrm{otherwise}\end{array}\right.;$

其中，n为样本总数；m和l分别为反例样本和正例样本的数量；y_i＝-1,1分别表示为反例样本和正例样本；x_i∈X；y_i∈Y＝{+1,-1}；ω_t为第t次迭代对应的样本权重；h_j为对应特征j的分类器；ε_t为第t次迭代中分类器的分类误差；参数 ${\mathrm{\&beta;}}_t=\frac{{\mathrm{\&epsiv;}}_t}{1-{\mathrm{\&epsiv;}}_t};$ 参数 ${\mathrm{\&alpha;}}_t=\log \frac{1}{{\mathrm{\&beta;}}_t}.$

2.如权利要求1所述的方法，其特征在于，所述从实时视频流解码获取预设虚拟检测区域视频数据的步骤具体为：

更新解码组件和解码关系表；

根据所述解码关系表，查找对应解码组件；

根据所述解码组件，构建完整的解码链路进行解码；

发送解码产生的虚拟检测区域的视频帧数据。

3.如权利要求1所述的方法，其特征在于，所述当车辆进入预设虚拟检测区域时，获取待测车辆前景图像的步骤具体为：

采用多模态高斯背景模型对视频图像运动背景建模，确定背景分布；

利用所述背景分布，获取运动区域，并对所述运动区域进行前景分割与形态学处理；

从所述运动区域中截取测试图像。

4.如权利要求1所述的方法，其特征在于，所述AdaBoost分类模型通过下述步骤构造：

4.1输入m个样本图片(x₁,y₁)，…，(x_m,y_m)；

4.2提取所述样本图片的颜色和纹理特征向量；

4.3初始化所述样本权重为D₁(i)＝1/m；

4.4找到一个对应于分布D_t的弱假设h_t:X→{-1,+1}，并得到其分类误差 ${\mathrm{\&epsiv;}}_t=\underset{i:h_t\left(x_i\right)\&NotEqual;y_i}{\mathrm{\&Sigma;}}{D}_t\left(i\right);$

4.5根据公式计算分类器权重；

4.6根据公式更新所述样本权重；

4.7判断所述分类次数是否等于分类器个数，如果分类次数等于分类器个数，则进入步骤4.8，否则返回步骤4.4；

4.8得到最终的强分类器；

其中，m为样本个数；x_i∈X；y_i∈Y＝{+1,-1}；D_t(i)为第t次迭代中第i个训练样本的权重；ε_t为第t次迭代中分类器的分类误差；Z_t是归一化因子，使得所述样本权重成为一个分布；h_t为对应特征t的分类器；h_t:X→{-1,+1}为对应于分布D_t的弱假设；α_t为AdaBoost选择的参数，作为弱分类器的权重。

5.一种车辆遗撒物检测装置，其特征在于，所述装置包括：

视频数据获取单元，用于从实时视频流中解码获取预设虚拟检测区域的视频数据；

前景图像截取单元，用于当车辆进入所述预设虚拟检测区域时，获取待测车辆的前景图像；

特征提取单元，用于提取所述待测车辆的前景图像的颜色和纹理特征；

遗撒物判断单元，用于根据构造的AdaBoost分类模型、AdaBoost判别规则，以及所述待测车辆的前景图像的颜色和纹理特征，判断所述待测车辆的前景图像是否存在遗撒物；

AdaBoost分类模型构造单元，用于利用提取的样本特征，构造AdaBoost分类模型；

AdaBoost判别规则构造单元，用于利用提取的样本特征，构造AdaBoost判别规则；

所述AdaBoost判别规则构造单元具体包括：

第二样本输入模块，用于输入样本图片(x₁,y₁)，…，(x_n,y_n)，其中，y_i＝-1,1分别表示为反例样本和正例样本；

第二特征提取模块，用于提取所述样本图片的颜色和纹理特征向量；

第二权重初始化模块，用于分别将所述y_i＝-1和1的样本的权重初始化为 这里的m和l分别为反例样本和正例样本的数量；

归一化权重模块，用于归一化所述样本权重ω_t，归一化计算公式为 ${\mathrm{\&omega;}}_{t,i}\&LeftArrow;\frac{{\mathrm{\&omega;}}_{t,i}}{{\mathrm{\&Sigma;}}_{j=1}^n{\mathrm{\&omega;}}_{t,j}};$

分类器训练模块，用于根据所述特征训练分类器，并计算其误差，其误差按照下面的公式估算ε_j＝Σ_iω_i|h_j(x_i)-y_i|；

误差最小分类器配置模块，用于选择所述分类器中误差ε_t最小的分类器；

第二权重更新模块，用于更新所述样本权重：其中，如果分类正确则e_i＝0：否则，e_i＝1，并且

第二分类次数判断模块，用于判断所述分类次数是否等于分类器个数；

强分类器配置模块，用于得到最终的强分类器为： $h\left(x\right)=\left\{\begin{array}{cc}1& {\mathrm{\&Sigma;}}_{t=1}^T{\mathrm{\&alpha;}}_t{h}_t\left(x\right)\&GreaterEqual;\frac{1}{2}{\mathrm{\&Sigma;}}_{t=1}^T{\mathrm{\&alpha;}}_t\\ 0& \mathrm{otherwise}\end{array}\right.,$ 其中 ${\mathrm{\&alpha;}}_t=\log \frac{1}{{\mathrm{\&beta;}}_t};$

其中，n为样本总数；m和l分别为反例样本和正例样本的数量；y_i＝-1,1分别表示为反例样本和正例样本；x_i∈X；y_i∈Y＝{+1,-1}；ω_t为第t次迭代对应的样本权重；h_j为对应特征j的分类器；ε_t为第t次迭代中分类器的分类误差；参数 ${\mathrm{\&beta;}}_t=\frac{{\mathrm{\&epsiv;}}_t}{1-{\mathrm{\&epsiv;}}_t};$ 参数 ${\mathrm{\&alpha;}}_t=\log \frac{1}{{\mathrm{\&beta;}}_t}.$

6.如权利要求5所述的装置，其特征在于，所述视频数据获取单元具体包括：

解码关系表更新模块，用于更新解码组件和解码关系表；

解码组件查找模块，用于根据所述解码关系表，查找对应解码组件；

解码模块，用于根据所述解码组件，构建完整的解码链路进行解码；

解码发送模块，用于发送解码产生的虚拟检测区域的视频帧数据。

7.如权利要求5所述的装置，其特征在于，所述前景图像截取单元具体包括：

背景模型配置模块，用于采用多模态高斯背景模型对视频图像运动背景建模，确定背景分布；

运动区域配置模块，用于利用所述背景分布，获取运动区域，并对运动区域进行前景分割与形态学处理；

测试图像截取模块，用于从所述运动区域中截取测试图像。

8.如权利要求5所述的装置，其特征在于，所述AdaBoost分类模型构造单元具体包括：

第一样本输入模块，用于输入m个样本图片(x₁,y₁)，…，(x_m,y_m)，其中x_i∈X,y_i∈Y＝{+1,-1}；

第一特征提取模块，用于提取所述样本图片的颜色和纹理特征向量；

第一权重初始化模块，用于初始化所述样本权重为D₁(i)＝1/m；

弱分类器配置模块，用于找到一个对应于分布D_t的弱假设h_t:X→{-1,+1}，并得到其分类误差其中D_t(i)为第t次迭代中第i个训练样本的权重；

权重计算模块，用于根据公式计算所述分类器权重；

第一权重更新模块，用于根据公式更新所述样本权重，其中Z_t是归一化因子，使得所述样本权重成为一个分布；

第一分类次数判断模块，用于判断所述分类次数是否等于分类器个数；

最终分类器配置模块，用于得到最终的强分类器；

其中，m为样本个数；x_i∈X；y_i∈Y＝{+1,-1}；D_t(i)为第t次迭代中第i个训练样本的权重；ε_t为第t次迭代中分类器的分类误差；Z_t是归一化因子，使得所述样本权重成为一个分布；h_t为对应特征t的分类器；h_t:X→{-1,+1}为对应于分布D_t的弱假设；α_t为AdaBoost选择的参数，作为弱分类器的权重。

9.一种智能交通监控***，其特征在于，所述智能交通监控***包含权利要求5-8任一权利要求所述的车辆遗撒物检测装置。