，所以每個塊內(nèi)有4*9 = 36個特征，以8個像素為步長，那么，水平方向?qū)⒂?64-8)/8 = 7個掃描窗口，垂直方向?qū)⒂?128-8)/8 = 15個掃描窗口。因此，每個視頻圖像獲取的梯度直方圖總共有36*7*15 = 3780維特征。
[0046]通過Gabor紋理描述子提取Gabor紋理特征:先構(gòu)造方向數(shù)為6、尺度數(shù)為4的Gabor濾波器組，對視頻圖像進行Gabor濾波，然后用濾波后圖像大小的平均值和標準差來代表目標區(qū)域圖像的紋理特征，這樣就得到48維的紋理特征向量。
[0047]然后，為規(guī)范特征間的取值范圍，對同種類型的特征進行歸一化處理:先對相同的特征進行排序，然后根據(jù)特征的最大值和最小值重新計算特征值。
[0048]其中，同種類型特征的匹配時，距離度量選用L2范數(shù)，梯度特征以及紋理特征各按50 %的權(quán)重進行加權(quán)求和。
[0049]S103、顯著性區(qū)域檢測:根據(jù)提取的特征，通過程明明的基于全局對比度的顯著性目標檢測算法進行顯著性目標檢測，得到包含顯著性目標的顯著性區(qū)域，使得檢測快速準確高效。具體可參見論文 Mingming Cheng, Global Contrast based Salient Reg1nDetect1n, CVPR2011。
[0050]S104、目標分類:選擇不同尺度的檢測窗口，并通過預(yù)訓(xùn)練的structured SVM車輛分類器以及預(yù)訓(xùn)練的structured SVM行人分類器對顯著性區(qū)域內(nèi)的顯著性目標進行分類，區(qū)分出車輛目標以及行人目標；將車輛目標的圖像加入到車輛分類器的正樣本集以及行人分類器的負樣本集中，將行人目標的圖像加入到行人分類器的正樣本集以及車輛分類器的負樣本集中，通過各自的正樣本集以及負樣本集更新車輛分類器以及行人分類器的參數(shù)，實現(xiàn)了分類器的在線更新，由于分類器的性能受樣本影響很大，選用在線學(xué)習(xí)的方式，可以避免離線訓(xùn)練時的正負樣本無法涵蓋所有真實場景的情況，通過不斷地學(xué)習(xí)和更新，調(diào)整分類器的參數(shù)，增強了分類器的性能，并且利用樣本的多樣性，使分類器的分類能力更加準確，并且更有魯棒性。
[0051]SVM是通過不同的核函數(shù)將輸入樣本非線性變換到不同的高維特征空間，構(gòu)建不同的SVM分類模型。本實例選用徑向基核函數(shù)，分類器采用改進的SVM，即structured SVM,將輸出的目標位置加入到SVM的優(yōu)化函數(shù)中。
[0052]structured SVM行人分類器參數(shù)更新時，由于樣本不斷的添加進來，計算量和參數(shù)存儲都會增多，當(dāng)達到一定數(shù)目時，需要對支持向量也進行更新，在添加新的支持向量的同時，移除舊的支持向量，保證分類的性能和速度。支持向量的剔除原則是保證目標函數(shù)變化最小，然后對剩余的支持向量進行權(quán)重更新。
[0053]其中，structured SVM車輛分類器的正樣本集包括車輛，其負樣本集包括行人、道路背景以及非機動車，structured SVM行人分類器的正樣本集包括行人，其負樣本集包括車輛、道路背景以及非機動車，通過hog梯度直方圖以及Gabor紋理描述子提取上述樣本集的特征，并通過該特征預(yù)訓(xùn)練structured SVM車輛分類器以及structured SVM行人分類器。
[0054]S105、目標跟蹤:分別建立車輛目標跟蹤信息表以及行人目標跟蹤信息表，車輛目標跟蹤信息表以及行人目標跟蹤信息表中均具有目標ID與目標特征的對應(yīng)關(guān)系；每幀新出現(xiàn)的車輛目標或行人目標時，添加目標ID以及該目標ID與目標特征的對應(yīng)關(guān)系至車輛目標跟蹤信息表或行人目標跟蹤信息表中；依據(jù)目標在上一幀視頻圖像中的位置，通過不同尺度的采樣窗口在當(dāng)前幀視頻圖像中的位置附近進行采樣，在采樣產(chǎn)生的多個子區(qū)域中提取該子區(qū)域的特征，與上一幀目標的特征進行匹配，將匹配相似度最高的子區(qū)域作為目標在當(dāng)前幀的位置，利用目標在前后幀的位置關(guān)系，將視頻圖像中的相同目標串聯(lián)起來，得到目標的運動軌跡。
[0055]S106、違章判斷:通過目標的運動軌跡，判斷車輛目標是否即將行至人行橫道區(qū)域，且行人目標是否在該人行橫道區(qū)域橫穿，若是，則檢測車輛目標的運動狀態(tài)是否為減速并停車，若否，則該車輛目標為違章車輛。
[0056]S107、照片抓拍:當(dāng)車輛目標的車頭抵到停止線前時，抓拍照片；當(dāng)車輛目標行駛到人行橫道區(qū)域且行人目標在該人行橫道區(qū)域橫穿時，抓拍照片；當(dāng)車輛目標行駛過行人目標所在的位置時，抓拍照片，抓拍的照片可以當(dāng)作證據(jù)。
[0057]采用視頻觸發(fā)抓拍，而不是在設(shè)定的緩存區(qū)里往回找圖片，可以節(jié)省編碼的時間和內(nèi)存，同時避免因緩存滿時導(dǎo)致找不到圖片。
[0058]如圖2所示，本發(fā)明還涉及一種車輛未讓行違章檢測系統(tǒng)，包括視頻圖像采集單元11、特征提取單元12、顯著性區(qū)域檢測單元13、目標分類單元14、目標跟蹤單元15以及違章判斷單元16。
[0059]視頻圖像采集單元11用于通過攝像機2實時采集交通道路的視頻圖像。
[0060]特征提取單元12用于在所述視頻圖像中提取hog梯度特征以及Gabor紋理特征。
[0061]具體地，先通過hog梯度直方圖、Gabor紋理描述子進行特征聯(lián)合提取，使得特征提取快速準確高效。
[0062]其中，通過hog梯度直方圖提取hog梯度特征:將目標區(qū)域縮放為統(tǒng)一尺寸的大小圖像，本實例中定為64*128的圖像，每16*16的像素組成一個block，每個塊分為2*2個cell,因為每個cell有9個特征，所以每個塊內(nèi)有4*9 = 36個特征，以8個像素為步長，那么，水平方向?qū)⒂?64-8)/8 = 7個掃描窗口，垂直方向?qū)⒂?128-8)/8 = 15個掃描窗口。因此，每個視頻圖像獲取的梯度直方圖總共有36*7*15 = 3780維特征。
[0063]通過Gabor紋理描述子提取Gabor紋理特征:先構(gòu)造方向數(shù)為6、尺度數(shù)為4的Gabor濾波器組，對視頻圖像進行Gabor濾波，然后用濾波后圖像大小的平均值和標準差來代表目標區(qū)域圖像的紋理特征，這樣就得到48維的紋理特征向量。
[0064]然后，為規(guī)范特征間的取值范圍，對同種類型的特征進行歸一化處理:先對相同的特征進行排序，然后根據(jù)特征的最大值和最小值重新計算特征值。
[0065]其中，同種類型特征的匹配時，距離度量選用L2范數(shù)，梯度特征以及紋理特征各按50 %的權(quán)重進行加權(quán)求和。
[0066]顯著性區(qū)域檢測單元13用于根據(jù)提取的特征，通過程明明的基于全局對比度的顯著性目標檢測算法進行顯著性目標檢測，得到包含顯著性目標的顯著性區(qū)域。具體可參見論文 Mingming Cheng, Global Contrast based Salient Reg1n Detect1n, CVPR2011。
[0067]目標分類單元14用于選擇不同尺度的檢測窗口，并通過預(yù)訓(xùn)練的structuredSVM車輛分類器以及預(yù)訓(xùn)練的structured SVM行人分類器對顯著性區(qū)域內(nèi)的顯著性目標進行分類，區(qū)分出車輛目標以及行人目標；將車輛目標的圖像加入到車輛分類器的正樣本集以及行人分類器的負樣本集中，將行人目標的圖像加入到行人分類器的正樣本集以及車輛分類器的負樣本集中，通過各自的正樣本集以及負樣本集更新車輛分類器以及行人分類器的參數(shù)，實現(xiàn)了分類器的在線更新，由于分類器的性能受樣本影響很大，選用在線學(xué)習(xí)的方式，可以避免離線訓(xùn)練時的正負樣本無法涵蓋所有真實場景的情況，通過不斷地學(xué)習(xí)和更新，調(diào)整分類器的參數(shù)，增強了分類器的性能，并且利用樣本的多樣性，使分類器的分類能力更加準確，并且更有魯棒性。
[0068]SVM是通過不同的核函數(shù)將輸入樣本非線性變換到不同的高維特征空間，構(gòu)建不同的SVM分類模型。本實例選用徑向基核函數(shù)，分類器采用改進的SVM，即structured SVM,將輸出的目標位置加入到SVM的優(yōu)化函數(shù)中。
[0069]structured SVM行人分類器參數(shù)更新時，由于樣本不斷的添加進來，計算量和參數(shù)存儲都會增多，當(dāng)達到一定數(shù)目時，需要對支持向量也進行更新，在添加新的支持向量的同時，移除舊的支持向量，保證分類的性能和速度。支持向量的剔除原則是保證目標函數(shù)變化最小，然后對剩余的支持向量進行權(quán)重更新。
[0070]其中，structured SVM車輛分類器的正樣本集包括車輛，其負樣本集包括行人、道路背景以及非機動車，structured SVM行人分類器的正樣本集包括行人，其負樣本集包括車輛、道路背景以及非機動車，通過hog梯度直方圖以及Gabor紋理描述子提取上述樣本集的特征，并通過該特征預(yù)訓(xùn)練structured SVM車輛分類器以及structured SVM行人分類器。
[0071]目標跟蹤單元15用于分別建立車輛目標跟蹤信息表以及行人目標跟蹤信息表，車輛目標跟蹤信息表以及行人目標跟蹤信息表中均具有目標ID與目標特征的對應(yīng)關(guān)系；每幀新出現(xiàn)的車輛目標或行人目標時，添加目標ID以及該目標ID與目標特征的對應(yīng)關(guān)系至車輛目標跟蹤信息表或行人目標跟蹤信息表中；依據(jù)目標在上一幀視頻圖像中的位置，通過不同尺度的采樣窗口在當(dāng)前幀視頻圖像中的位置附近進行采樣，在采樣產(chǎn)生的多個子區(qū)域中提取該子