子空间分析和稀疏表示的运动车辆鲁棒在线视频检测与辨识

Video detection and identification of moving vehicle is a hot research topic in intelligent transportation. The video detection and identification of moving target has become the key and supportive technology for many applications. Aiming at the requirements for video monitoring of moving vehicle in complex transportation environment, this project conducts theoretical and method research on video detection and identification of moving vehicle. This project is proposed to study on identification and tracking of robust subspace from the angle of dual, and to relize the separation of moving vehicle from video, which is based on the stochastic gradient descent optimization framework of grassmannian manifold and non-convex optimization algorithm of alternating direction multiplier. Meanwhile, the project studies on sparse representation and reconstruction for vehicle image to realize the online fusion identification of vehicle, considering global outline and local details of the vehicle image, by simplifying image dictionary matrix using principal component analysis and optimizing sparse solution based on prior knowledge of bayesian theory. Finally, the project constructs the experimental platform for the video detection and identification of moving vehicle in real transportation environment, further verifies and improves the performance of the algorithms proposed. Starting from the stochastic gradient descent optimization framework of grassmannian manifold, the project illustrates the nature of separating moving object from background by subspace identification and tracking, and proposes the actual technology for online identification of moving vehicle from the perspective of sparse representation and reconstruction of image, thus provides new thinking and theoretical basis for intelligent video monitoring of transportation.

运动车辆的视频检测和辨识是智能交通的研究热点。运动目标的视频检测和辨识已成为众多应用的核心支撑技术。本项目针对复杂交通环境中运动车辆视频监控的需要，对运动车辆视频检测和辨识展开理论和方法研究。本项目拟在研究格拉斯曼流形的随机梯度下降最优化模型及交替方向乘子非凸优化算法的基础上，从对偶角度实现鲁棒性子空间的辨识与跟踪，进而从视频中分离出前景中的运动车辆。同时从图像的全局轮廓和局部细节出发，利用主成分分析约简图像字典矩阵，基于贝叶斯先验知识优化稀疏最优解，对车辆图像进行稀疏表示和重构，实现车辆的在线融合辨识。最后，在真实交通环境下搭建车辆视频检测与辨识实验平台，验证和改进所提算法的性能。本项目从格拉斯曼流形的随机梯度下降最优化模型入手，从子空间辨识与跟踪的角度阐明运动目标和背景分离的本质问题，从图像的稀疏表示和重构角度提出运动车辆在线辨识的实现方法，为智能交通视频监控提供新思路和理论依据。

本项目针对复杂交通环境中车型识别的需要，对运动车辆视频检测和车型识别展开理论和方法研究，具体体现在以下四个方面：（1）提出了融合帧间差分和背景消去的运动车辆检测方法，实现了运动车辆的完整、精确检测，并在复杂交通场景下验证了该方法仍能准确检测出运动车辆。（2）针对单一车辆特征不能完整的描述车辆类别信息的问题，本项目提出了两种车辆特征提取算法。第一种方法考虑车辆的整体特征和局部特征的互补作用，整体特征通过改进的Canny边缘检测算子来检测车辆的边缘；局部特征通过Gabor变换提取车辆各局部图像块的Gabor特征。针对Gabor特征维度过高的问题，提出了以灰关联分析对原Gabor特征进行优选，有效地提高了算法的运行速度。第二种方法运用SIFT算法分别提取车辆原始图像的纹理特征和车辆边缘图像的形状特征。通过串联的方式将两种特征联合生成一个互补的车辆特征，该特征不仅能表示车辆的纹理和形状特性，而且还能保持车辆图像的空间结构特性。（3）针对提取到的两种类型的车辆特征，本项目提出了两种车型识别方法。第一种方法结合车辆的整体特征和局部特征，提出了一种双层串行分类方法。第一层是以车辆的整体特征为分类依据，通过基于像素灰度相关性的图像欧式距离描述图像之间的相似度，以k近邻分类器先将车辆区分为大型车与小型车。第二层在第一层分类的基础上，以优化的局部特征为依据构造特征字典，通过稀疏表示分类器，结合重构残差和汉明距离完成具体的车型识别。第二种方法基于SIFT算子提取的车辆纹理和形状特征，提出了基于压缩字典学习和稀疏表示的车型识别方法。利用非常稀疏随机投影矩阵，对样本数据块进行降维优化，基于优化后的字典，建立稀疏表示模型，实现大客车、卡车、面包车以及小轿车这四种车型的识别。实验结果表明所提出的两种车型识别方法最高能达到96.3%的识别准确率，而且在车辆部分遮挡的情况下仍具有较强的鲁棒性。（4）基于车辆视频检测和车型识别的关键技术，对图像识别领域的若干热点问题进行了有益探索和应用验证。本项目的研究能为复杂道路交通环境下运动车辆的视频检测和车型辨识提供理论依据和方法支撑。