欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2018108918236
申请人: 长安大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2024-01-05
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于SVM的公交乘客三维轨迹分类方法,其特征在于,包括以下步骤:利用深度相机获取公交车的上、下车图像,并提取所述图像的前景图像;分别建立相机坐标系和世界坐标系,通过相机标定,获得所述前景图像中像素坐标与世界坐标的转换关系,然后将所述的前景图像转换为世界坐标系下的俯视投影图;

针对所述的俯视投影图,首先对俯视投影图进行块化,然后确定局部高度值最大的区域,最后对该区域进行扩展以锁定人头目标,获取人头目标的三维轨迹,然后提取三维轨迹的特征,训练SVM分类器,实现轨迹的分类;

所述的提取所述图像的前景图像,包括:首先利用深度相机拍摄公交车前门、后门在无乘客时的图像,从该图像中提取出彩色图像作为背景图像,然后针对于深度相机采集的公交车的上、下车图像对应的彩色图像,通过以下公式提取前景图像:

上式中,Da为当前帧对应的二值化数据,Ia为当前帧的彩色图像,B为背景图像,T为判别阈值;

分别建立相机坐标系和世界坐标系,通过相机标定,获得所述前景图像中像素坐标与世界坐标的转换关系,包括:

以相机光心作为相机坐标系原点O′c,光轴为Z轴,X轴平行于公交台阶所在平面建立相机坐标系Oc;以相机与公交台阶坐在平面的垂足作为世界坐标系的原点O'w,世界坐标系的X轴平行于相机坐标系X轴,Z轴与台阶所在平面垂直,建立世界坐标系Ow;对相机进行标定,可求解相机参数矩阵C,通过相机参数矩阵C、前景图像中的像素坐标,以及该像素坐标对应的深度值,即可得到前景图像中像素坐标与世界坐标的转换关系;

将所述的前景图像转换为世界坐标系下的俯视投影图,包括:针对于深度图像采集的公交车上、下车图像,在图像的深度图像中,深度值代表的是世界坐标系中的点P(xp,yp,zp)到相机的距离len,根据世界坐标系下物体的几何关系可得如下公式:

len=m·r

Zp=Hc‑len·sinθ

上面的式子中,Hc为相机的安装高度,点G(xG,yG,0)是相机光心、世界坐标系中的点P(xp,yp,zp)的连线与XOY平面的交点;m为点P的深度值;r为单位深度值对应的该点到相机的距离;Zp是点P在世界坐标系下的高度值,θ是相机坐标系的Z轴与世界坐标系下的XOY平面的夹角,且0°<θ<90°;

根据上述的公式将前景图像转换为世界坐标系下的俯视投影图;

所述的对俯视投影图进行块化,包括:将整个俯视投影图分为N*M个方块,其中,N代表块化之后图像的行,M则代表块化之后图像的列,且64≤N≤384,48≤M≤216;并设定每个方块的宽度W,然后计算每个方块的平均高度,计算平均高度的公式如下:

上式中,M(i,j)为第i行第j列中所有像素坐标对应的高度值之和,W为方块的宽度,BlockD[c][r]为第c行第r列方块的平均高度值;

所述的确定局部高度值最大的区域,包括:计算出每个方块的平均高度值之后进行搜索,寻找局部高度值最大区域:遍历每个方块并分别比较当前方块与其周围8邻域方块的大小关系,遍历前将当前小块标记值设为为0;如果比邻域方块的深度值大,则该方块的标记值就加1,否则记为0;如果方块的标记值等于8,则确定该方块为一个局部高度值最大的区域,所述的锁定人头目标的方法包括:

(1)将局部高度值最大区域的方块标记为种子像素点;

(2)分别计算种子像素点与其邻域像素点深度值之间的差值,将差值与阈值T′进行比较,若小于T′,则将该邻域像素点标记为边缘点,否则不进行标记;

(3)依次将所述邻域像素点记为新的种子像素点,按照步骤(2)相同的方法进行处理,则通过所述的边缘点即锁定了人头目标,将人头目标的最小外接矩形作为检测框;

所述的获取人头目标的三维轨迹,包括:对于第K帧图像对应的俯视投影图中的一个未匹配过的检测框u,在第K+1帧图像对应的俯视投影图中进行遍历,计算出与K+1帧图像对应的俯视投影图中未匹配检测框的距离;

从第K+1帧图像对应的俯视投影图中所有检测框中选择与第K帧图像对应的俯视投影图中的第u个检测框距离最小的检测框u’;

对于已查找到最小距离的情况,将最小距离与设定的阈值T0判断,如最小距离小于阈值T0,则认为第K+1帧图像对应的俯视投影图中检测框k与第K帧图像对应的俯视投影图中的第u个检测框匹配,从而得到检测框中人头目标的三维轨迹;

所述的提取三维轨迹的特征,训练SVM分类器,实现轨迹的分类,包括:从公交上、下车图像中提取多条三维轨迹作为训练样本,并划分正样本、负样本,分别选取六组轨迹特征:轨迹点数、轨迹长度、Y方向上轨迹的跨度、Z方向上轨迹的跨度、轨迹中检测框的人头概率平均值和轨迹的斜率;

计算正、负样本特征的概率分布图,选取最佳特征组合,训练SVM分类器以获取最优参数,从而实现SVM分类器对三维轨迹的分类。