CN109145732A - 一种基于Gabor投影的黑烟车检测方法 - Google Patents

Abstract

本发明公开了一种基于Gabor投影的黑烟车检测方法，包括：步骤1：从车辆监控视频中检测运动目标；步骤2：利用滤波积分投影和数据拟合来确定关键区域位置和大小；步骤3：基于所建模型提取车辆关键区域的Gabor投影特征，并进行多序列融合形成最终特征向量；步骤4：利用SVM分类器对所提特征向量进行分类，识别黑烟帧，从而进一步检测黑烟车利用本发明的技术方案，能够提高黑烟车监控的效率，同时，采用数据拟合的方法提取关键区域能自适应获取关键区域的大小，降低误报率；而本发明提出的Gabor投影特征可以减轻车辆阴影的干扰，进一步降低了黑烟车误报率。

Description

一种基于Gabor投影的黑烟车检测方法

技术领域

本发明属于计算机视觉技术领域，涉及一种基于Gabor投影的黑烟车检测方法。

背景技术

2018年生态环境部发布的《中国机动车环境管理年报(2018)》指出，随着世界经济持续的高速发展和城市机动车数量的快速增加，机动车污染已成为我国环境空气污染的重要来源，是造成细颗粒物、光化学烟雾污染的重要原因。机动车污染防治的紧迫性日益凸显。在机动车污染中，重型柴油车的污染是重中之重。重型柴油车又称黑烟车，通常指车辆尾气孔冒浓浓黑烟的高污染车辆，其尾气排放物，不仅污染空气，还会损害人体健康，给接触者的呼吸***、心血管***等造成不良影响，因此，研究如何准确、快速、智能地从交通车流捕获黑烟车，并由环保部门做进一步定量检测和相应的治理整改，对控制和降低机动车尾气排放，改善城市空气质量具有非常重要的意义

早期的黑烟车检测方法主要依靠人工，包括群众举报、定期路检、夜间巡查、人工视频监控等，这类方法往往需要耗费大量人力财力，影响交通，效率低下，且不利于后续执法证据的获取和保存。从上世纪70年代起，先后出现了多种机动车尾气排放数据收集方法，主要有底盘测功机法、红外遥感测试法、实时车载尾气检测法(PEMS，portable emissionsmeasurement system)等。采用车辆尾气分析装置检测黑烟车还存在很多不足。(1)车辆尾气分析装置往往价格昂贵，且后续的维护和保养需要消耗大量的资金。(2)对于路边安装的车辆尾气分析装置，往往受驾驶者通过检测区间的驾驶行为影响，检测数据不确定性高。设备状况(光强、噪音等)、操作人员的专业程度(安装调试)均可影响检测最终的检测结果。(3)对于路边安装的检测装置，诸如，多车并行，跟车太近，恶劣天气(风速过大、雨雪天气)，道路环境背景，旁边车辆排放，排气管高低，行驶瞬间的工况均可影响监测数据的可靠性。并且，对车身结构复杂的大型车辆检测不力，对排气管位置有严格要求，排气管必须处于光路覆盖范围。对交通状况和安置地点有着较为苛刻的要求，使用受环境因素影响较大。(4)对于车载尾气分析装置，由于车辆数量的增加，给每辆车都配置的可实施性比较困难，并且后续设备的维护和检查费时费力。

近些年，随着城市道路视频监控***的不断完善，计算机视觉技术的不断发展和计算机性能的不断提高，利用视频分析技术从海量道路监控视频中检测黑烟车成为一种可能。但目前，尚无具体的实现方法。

发明内容

为解决上述问题，本发明公开了一种基于Gabor投影的黑烟车检测方法，能够弥补传统人工监控黑烟车效率低下的不足，降低误报率，对阴影有一定的鲁棒性。

为了达到上述目的，本发明提供如下技术方案：

一种基于Gabor投影的黑烟车检测方法，包括如下步骤：

步骤1：从车辆监控视频中检测运动目标；

步骤2：利用滤波积分投影和数据拟合来确定关键区域位置和大小；

步骤3：基于所建模型提取车辆关键区域的Gabor投影特征，并进行多序列融合形成最终特征向量；

步骤4：利用SVM分类器对所提特征向量进行分类，识别黑烟帧，从而进一步检测黑烟车。

进一步的，所述步骤1采用基于高斯混合模型进行背景建模。

进一步的，所述步骤2具体包括如下过程：

步骤2.1：通过以下方式计算关键区域的顶部位置坐标x_key，即

其中，I_obj(x,y)为车辆目标图像I_obj在点(x,y)处的坐标，w为车辆目标图像的宽，函数norm()是数据归一化，Δx是一个与车尾部坐标计算有关的参数；

步骤2.2：关键区域的宽width和高height的计算方法如下，

width＝round(0.8w)

height＝round(H₀(y_rear))

其中w为车辆目标图像的宽，H_frame指当前帧的高度，round()为四舍五入函数.H₀(x_key)指高度变化函数，x_key表示关键区域的顶部位置纵坐标。

进一步的，高度变化函数通过对若干真实样本进行标注并通过线性拟合得到。

进一步的，所述步骤3中所建模型为：

I_smoke＝λ₁uv^T+λ₂

u＝(1,2,...,M)^T；v＝(1,2,...,N)^T

其中，I_smoke指分辨率为M×N的局部黑烟图像，λ₁和λ₂为两个系数，分别代表烟浓度衰减系数和图像亮度。

进一步的，所述步骤3中Gabor投影特征的计算包括如下流程：

步骤3.1：设计包括不同方向和频率的Gabor滤波器，空域的Gabor滤波器h(x,y)采用下式计算，

其中φ和u₀为视平面波沿z坐标轴的相位和频率，σ_y和σ_x分别为二维高斯包络线沿y轴和x轴的空间常数；

设置φ＝0，则频域的Gabor滤波器H(u,v)可采用下式计算，

其中，σ_u＝1/2πσ_x,σ_v＝1/2πσ_y，A＝2πσ_xσ_y；

将45度作为间隔，把180度划分为四个，波长采用2和4两个经验值，提取关键区域的Gabor能量图；

步骤3.2：对Gabor能量图做一些后处理,包括高斯模糊，增加空间信息，归一化和主成分分析：

利用下式对Gabor能量图进行高斯模糊处理，以去除噪声，

其中，σ是一个控制模糊程度的参数；

添加位置图，增加空间信息，因此可以得到和4个Gabor特征和两个空间位置图特征；

利用z-score标准化将这些特征归一化到0均值和1方差；

并实施PCA得到主Gabor特征；

步骤3.3：对主Gabor特征做垂直积分投影和水平积分投影，记GP_V为大小为1x120的垂直积分投影向量，记GP_H为大小为1x80的水平积分投影向量，记F_GP为Gabor投影特征，则

进一步的，所述步骤3中的多序列融合形成的最终特征向量如下所示：

F_FINAL(t)＝{F_GP(t-1),F_GP(t),...,F_GP(t+k)}

其中，F_FINAL(t)为第t帧的关键区域所提取的最终特征向量，F_GP(t)为第t帧的关键区域的Gabor投影特征，k+2表示序列分析个数。

进一步的，所述步骤4具体包括如下过程：

步骤4.1：利用训练好的SVM分类器对当前帧图像中的所有关键区域进行分类，如果有至少一个关键区域被识别为黑烟区域，则当前帧被识别为黑烟帧；

步骤4.2：每连续的100帧中，如果有K帧被识别为黑烟帧，且K满足K＞α，则认为当前视频序列中存在黑烟车，其中α是控制召回率和精确率的一个调节系数。

与现有技术相比，本发明具有如下优点和有益效果：

1.本发明方法能大大提高执法效率。该***可以远距离监控,不妨碍交通,实现全天在线值守,适应于双车道和多车道等多种道路环境,安装方便,适合城市道路的大范围布控,更容易形成针对高污染黑烟车的在线监控网络。

2.本发明采用数据拟合的方法提取关键区域，自适应获取关键区域的大小，降低误报率。

3.本发明提出了一种新的黑烟模型，能够用于刻画黑烟车的黑烟尾气的浓度从尾气孔到车辆后方逐渐扩散的特点。

4.本发明提出的Gabor投影特征对车辆阴影具有一定的鲁棒性，能够在一定程度上避免由车辆阴影引起的误检，再结合多序列分析的策略，充分利用了黑烟的动态特征，更增加了特征的鲁棒性，提高了检出率，降低了误报率。

附图说明

图1为本发明的方法流程图。

图2为本发明的Gabor投影特征的计算流程示意图。

图3为本发明从车流中检测到的黑烟车。

具体实施方式

以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

本发明是一种对监控视频自动分析检测黑烟车的智能方法，利用安装于道路监控杆上的高清摄像机采集道路实时监控视频，并通过网络传输到管理平台，采用数字图像处理、模式识别和计算机视觉技术，根据可见光在CCD(Charge-coupled Device)传感器的辐射信息的图像特征进行智能识别，自动的分析和抽取视频源中的“黑烟车”关键信息，借助计算机强大的数据处理功能,对视频画面中的海量数据进行高速分析,过滤掉用户不关心的信息,仅仅为监控者提供有用的“黑烟车”关键信息。一旦发现疑似黑烟车，***自动报警，并对道路行驶的冒黑烟车辆进行跟踪抓拍(污染物主要为颗粒物PM2.5、PM10)，自动识别车牌、保存过车时间、过车地点等重要信息，从而更有效地协助工作人员发现异常情况和处理高污染车,并最大限度的降低误报和漏报现象。

具体的说，如图1所示，本发明包括如下具体步骤：

步骤1：从车辆监控视频中检测运动目标；本步骤中采用基于高斯混合模型进行背景建模。

步骤2：利用滤波积分投影和数据拟合来确定关键区域位置和大小；具体包括如下过程：

步骤2.1：通过以下方式计算关键区域的顶部位置坐标x_key，即

其中，I_obj(x,y)为车辆目标图像I_obj在点(x,y)处的坐标，w为车辆目标图像的宽，函数norm()是数据归一化，Δx是一个与车尾部坐标计算有关的参数。

步骤2.2：关键区域的宽width和高height的计算方法如下，

width＝round(0.8w)

height＝round(H₀(y_rear))

其中w为车辆目标图像的宽，H_frame指当前帧的高度，round()为四舍五入函数.H₀(x_key)指高度变化函数。该函数通过对400个真实样本进行标注并通过线性拟合得到，x_key表示关键区域的顶部位置纵坐标。

步骤3：基于所建模型提取车辆关键区域的Gabor投影特征，并进行多序列融合形成最终特征向量；

本步骤中所建黑烟模型为：

I_smoke＝λ₁uv^T+λ₂

u＝(1,2,...,M)^T；v＝(1,2,...,N)^T

其中，I_smoke指分辨率为M×N的局部黑烟图像，λ₁和λ₂为两个系数，分别代表烟浓度衰减系数和图像亮度。

而Gabor投影特征的计算包括如下流程：

步骤3.1：设计包括不同方向和频率的Gabor滤波器，空域的Gabor滤波器h(x,y)采用下式计算，

其中φ和u₀为视平面波沿z坐标轴的相位和频率，σ_y和σ_x分别为二维高斯包络线沿y轴和x轴的空间常数；

设置φ＝0，则频域的Gabor滤波器H(u,v)可采用下式计算，

其中，σ_u＝1/2πσ_x,σ_v＝1/2πσ_y，A＝2πσ_xσ_y；

将45度作为间隔，把180度划分为四个，波长采用2和4两个经验值，提取关键区域的Gabor能量图；

步骤3.2：对Gabor能量图做一些后处理,包括高斯模糊，增加空间信息，归一化和主成分分析：

利用下式对Gabor能量图进行高斯模糊处理，以去除噪声，

其中，σ是一个控制模糊程度的参数；

添加位置图，增加空间信息，因此可以得到和4个Gabor特征和两个空间位置图特征

利用z-score标准化将这些特征归一化到0均值和1方差，

并实施PCA得到主Gabor特征；

步骤3.3：对主Gabor特征做垂直积分投影和水平积分投影，记GP_V为大小为1x120的垂直积分投影向量，记GP_H为大小为1x80的水平积分投影向量，记F_GP为Gabor投影特征，则

图2为提取Gabor投影特征的流程示意图。

具体的，步骤3中的多序列融合形成最终特征向量指，

F_FINAL(t)＝{F_GP(t-1),F_GP(t),...,F_GP(t+k)}

其中，F_FINAL(t)为第t帧的关键区域所提取的最终特征向量，F_GP(t)为第t帧的关键区域的Gabor投影特征，k+2表示序列分析个数，一般取3-6。

步骤4：利用SVM分类器对所提特征向量进行分类，识别黑烟帧，从而进一步检测黑烟车，具体包括如下步骤：

步骤4.1：利用训练好的SVM分类器对当前帧图像中的所有关键区域进行分类，如果有至少一个关键区域被识别为黑烟区域，则当前帧被识别为黑烟帧；

步骤4.2：每连续的100帧中，如果有K帧被识别为黑烟帧，且K满足K＞α(α是控制召回率和精确率的一个调节系数)，则认为当前视频序列中存在黑烟车。

图3显示了通过本发明方法从车流中检测到的黑烟车的一个例子，细黑色矩形框表示检测到的运动目标，粗黑色矩形框表示关键区域的位置。显然，采用本发明方法能够通过视频图像检测黑烟车。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。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。

Claims (8)

1.一种基于Gabor投影的黑烟车检测方法，其特征在于，包括如下步骤：

步骤1：从车辆监控视频中检测运动目标；

步骤2：利用滤波积分投影和数据拟合来确定关键区域位置和大小；

步骤3：基于所建模型提取车辆关键区域的Gabor投影特征，并进行多序列融合形成最终特征向量；

步骤4：利用SVM分类器对所提特征向量进行分类，识别黑烟帧，从而进一步检测黑烟车。

2.根据权利要求1所述的基于Gabor投影的黑烟车检测方法，其特征在于，所述步骤1采用基于高斯混合模型进行背景建模。

3.根据权利要求1所述的基于Gabor投影的黑烟车检测方法，其特征在于，所述步骤2具体包括如下过程：

步骤2.1：通过以下方式计算关键区域的顶部位置纵坐标x_key，即

其中，I_obj(x,y)为车辆目标图像I_obj在点(x,y)处的坐标，w为车辆目标图像的宽，函数norm()是数据归一化，Δx是一个与车尾部坐标计算有关的参数；

步骤2.2：关键区域的宽width和高height的计算方法如下，

width＝round(0.8w)

height＝round(H₀(y_rear))

其中w为车辆目标图像的宽，H_frame指当前帧的高度，round()为四舍五入函数.H₀(x_key)指高度变化函数，x_key表示关键区域的顶部位置纵坐标。

4.根据权利要求3所述的基于Gabor投影的黑烟车检测方法，其特征在于：所述高度变化函数通过对若干真实样本进行标注并通过线性拟合得到。

5.根据权利要求1所述的基于Gabor投影的黑烟车检测方法，其特征在于：所述步骤3中所建模型为：

I_smoke＝λ₁uv^T+λ₂

u＝(1,2,...,M)^T；v＝(1,2,...,N)^T

其中，I_smoke指分辨率为M×N的局部黑烟图像，λ₁和λ₂为两个系数，分别代表烟浓度衰减系数和图像亮度。

6.根据权利要求5所述的基于Gabor投影的黑烟车检测方法，其特征在于：所述步骤3中Gabor投影特征的计算包括如下流程：

步骤3.1：设计包括不同方向和频率的Gabor滤波器，空域的Gabor滤波器h(x,y)采用下式计算，

其中φ和u₀为视平面波沿z坐标轴的相位和频率，σ_y和σ_x分别为二维高斯包络线沿y轴和x轴的空间常数；

设置φ＝0，则频域的Gabor滤波器H(u,v)可采用下式计算，

其中，σ_u＝1/2πσ_x,σ_v＝1/2πσ_y，A＝2πσ_xσ_y；

将45度作为间隔，把180度划分为四个，波长采用2和4两个经验值，提取关键区域的Gabor能量图；

步骤3.2：对Gabor能量图做一些后处理,包括高斯模糊，增加空间信息，归一化和主成分分析：

利用下式对Gabor能量图进行高斯模糊处理，以去除噪声，

其中，σ是一个控制模糊程度的参数；

添加位置图，增加空间信息，因此可以得到和4个Gabor特征和两个空间位置图特征；

利用z-score标准化将这些特征归一化到0均值和1方差；

并实施PCA得到主Gabor特征；

步骤3.3：对主Gabor特征做垂直积分投影和水平积分投影，记GP_V为大小为1x120的垂直积分投影向量，记GP_H为大小为1x80的水平积分投影向量，记F_GP为Gabor投影特征，则

7.根据权利要求6所述的基于Gabor投影的黑烟车检测方法，其特征在于：所述步骤3中的多序列融合形成的最终特征向量如下所示：

F_FINAL(t)＝{F_GP(t-1),F_GP(t),...,F_GP(t+k)}

其中，F_FINAL(t)为第t帧的关键区域所提取的最终特征向量，F_GP(t)为第t帧的关键区域的Gabor投影特征，k+2表示序列分析个数。

8.根据权利要求3所述的基于Gabor投影的黑烟车检测方法，其特征在于：所述步骤4具体包括如下过程：

步骤4.1：利用训练好的SVM分类器对当前帧图像中的所有关键区域进行分类，如果有至少一个关键区域被识别为黑烟区域，则当前帧被识别为黑烟帧；

步骤4.2：每连续的100帧中，如果有K帧被识别为黑烟帧，且K满足K＞α，则认为当前视频序列中存在黑烟车，其中α是控制召回率和精确率的一个调节系数。