南京大学学报(自然科学版) ›› 2015, Vol. 51 ›› Issue (2): 264270.
张鹏,黄毅,阮雅端,陈启美*
Zhang PengHuang YiChen Qimei*
摘要: 基于背景建模的交通流参数视频检测方法易受车辆遮挡、光线变化、雨雪等外界环境条件干扰等而误判;基于机器学习方法的机理不同,改变帧间像素动态变化解析的方式,而着重于车辆样本空间的目标识别提取,具有抗干扰优势。为此,在深度学习的基础上,文中提出了基于稀疏特征的交通流检测算法。其构建高斯混合背景模型,提取交通视频的运动目标,以稀疏编码处理目标的尺度不变特征来获得稀疏特征;经最大池化的稀疏特征维度降低、线性支持向量机训练、背景建模方法误判样本去除,从而计算获得交通流参数。测试结果表明:与背景建模方法比较,该算法去除了60%~80%误判,准确率提高了12%~17%,对外界干扰大、分辨率不高的视频图像优势显著。
[1] 吴聪, 李勃, 董蓉, 等. 基于车型聚类的交通流参数视频检测. 自动化学报, 2011, 37(5): 69-576. [2] 唐琎 李青. 一种快速的模板匹配算法. 计算机应用, 2010, 30(06): 1559-1561. [3] 高凯亮, 覃团发, 陈跃波, 等. 一种混合高斯背景模型下的像素分类运动目标检测方法. 南京大学学报: 自然科学版, 2011, 47(2): 195-200. [4] 余孔梁. 基于视频的车型识别技术研究. 浙江: 浙江大学, 2008. [5]郭德全, 杨红雨, 刘东权, 等. 基于稀疏性的图像去噪综述. 计算机应用研究, 2012, 29(2): 406-413. [7] 徐焕宇, 孙权森, 李大禹, 等. 基于投影的稀疏表示与非局部正则化图像复原方法. 电子学报, 2014 , 42(7): 1299-1304. [8] Yang J, Yu K, Gong Y, et al. Linear spatial pyramid matching using sparse coding for image classification//Computer Vision and Pattern Recognition, 2009. CVPR 2009. IEEE Conference on. IEEE, 2009: 1794-1801. [9] Han B, Davis L S. Density-based multifeature background subtraction with support vector machine[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2012, 34(5): 1017-1023. [10] Zivkovic Z, van der Heijden F. Efficient adaptive density estimation per image pixel for the task of background subtraction. Pattern recognition letters, 2006, 27(7): 773-780. [11] Lee H, Battle A, Raina R, et al. Efficient sparse coding algorithms//Advances in neural information processing systems. 2006: 801-808. [12] Horng S J, Su M Y, Chen Y H, et al. A novel intrusion detection system based on hierarchical clustering and support vector machines. Expert systems with Applications, 2011, 38(1): 306-313. [13] 白龙飞, 王文剑, 郭虎升. 一种新的支持向量机主动学习策略[J]. 南京大学学报: 自然科学版, 2012, 48(2): 182. [14] 包文颖, 胡清华, 王长忠. 基于多粒度数据压缩的支持向量机. 南京大学学报 (自然科学版), 2013, 5: 014. |
No related articles found! |
|