基于车型聚类的交通流参数视频检测方法

摘要

基于车型聚类的交通流参数视频检测方法，在改进的摄像机自标定成像模型中，提取PTZ参数变化下的透视投影不变量“伪形状特征”，对其进行基于贡献率算法的车型聚类分析，以车型均高代替实际高度，获取车辆的长宽，得到不同车型的流量，并进而计算道路空间占有率并提升车速检测精度。测试表明：本发明实时性较高，车型聚类自适应于不同场景，平均准确度为96.9％，车长计算精度优于90％。

说明书

技术领域

本发明属于交通流参数检测技术领域，涉及PTZ视频识别、聚类分析，为一种基于车型聚类的交通流参数视频检测方法。

背景技术

基于PTZ(pan/tilt/zoom)摄像视频的交通流参数检测，以获取信息快速简便、处理智能及检测范围广等优点在ITS(Intelligent Transport System)领域逐步得到广泛应用.但PTZ摄像机参数多变，车型分类时必须要求摄像机位于特殊的位置^[1][2]或角度^[3][4]，这时由于摄像机在成像投影过程中丢失了深度信息，难以提取车辆三维结构，也难以兼容PTZ摄像机的图像识别方式，来获得车型分类、道路空间占有率等交通流参数。

因此，目前尚没有便捷的，精确度高的应用单目PTZ摄像机，实现交通流参数检测的方法。

参考文件：

1、Gupte S，Masoud O，Martin R F K，Papanikolopoulos N P.Detection and classification of vehicles.IEEETransactions on Intelligent Transportation Systems，2002，3(1)：37-47

2、Rad R，Jamzad M.Real time classification and tracking of multiple vehicles in highways.PatternRecognition Letters，2005，26(10)：1597-1607

3、Kim Z W，Malik J.Fast vehicle detection with probabilistic feature grouping and its application tovehicle tracking.In：Proceedings of the Ninth IEEE International Conference on Computer Vision.Nice，France：IEEE，2003.524-531

4、Sidla O，Paletta L，Lypetskyy Y，Janner C.Vehicle recognition for highway lane survey.In：Proceedingsof the 7th International IEEE Conference on Intelligent Transportation Systems.Washington，D.C，USA：IEEE，2004.531-536

5、Meng Xiao-Qiao，Hu Zhan-Yi.Recent progress in camera self-calibration.Acta Automatica Sinica，2003，29(1)：110-124(孟晓桥，胡占义.摄像机自标定方法的研究与进展.自动化学报，2003，29(1)：110-124)

6、Li Bo，Dong Rong，Chen Qi-Mei.Automatic calibration method for PTZ camera.Journal of BeijingUniversity of Posts and Telecommunications，2009，32(B04)：24-29(李勃，董蓉，陈启美.路况PTZ摄像机自动标定方法.北京邮电大学学报，2009，32(B04)：24-29)

7、Ma Shuai，Tang Shi-Wei，Yang Dong-Qing，Wang Teng-Jiao.An incremental clustering algorithm for thetopology adjustment of location databases.Journal of Software，2004，15(9)：1351-136(马帅，唐世渭，杨冬青，王腾蛟.一种用于位置数据库结构调整的增量聚类算法.软件学报，2004，15(9)：1351-1360)

8、Liu Ming，Wang Xiao-Long，Liu Yuan-Chao.A fast clustering algorithm for large-scale and highdimensional data.Acta Automatica Sinica，2009，35(7)：859-866(刘铭，王晓龙，刘远超.一种大规模高维数据快速聚类算法.自动化学报，2009，35(7)：859-866)

9、Liu Kai-Di，Liu Xin，Zhao Qi，Zhou Shao-Ling.An unsupervised learning algorithm based onclassification weight and mass center driving.Acta Automatica Sinica，2009，35(5)：526-531(刘开第，刘昕，赵奇，周少玲.基于分类权与质心驱动的无监督学习算法.自动化学报，2009，35(5)：526-531)

10、Ester M，Kriegel H P，Sander J，Xu X.A density-based algorithm for discovering clusters in largespatial databases with noise.In：Proceedings of the 2nd Intemational Conference on KnowledgeDiscovery and Data Mining.Portland，USA：AAAI，1996.226-231

11、Karypis G，Hah E H，Kumar V.Chameleon：hierarchical clustering using dynamic modeling.IEEEComputer，1999，32(8)：68-75

12、 Steinbach M，Kumar V.Finding clusters of different sizes，shapes，and densities in noisy，highdimensional data.In：Proeeedings of the Third SIAM International Conference on Data Mining.SanFrancisco，USA：SIAM，2003.47-58

13、Zhou Xue，Hu Wei-Ming.Object contour tracking with fusion of color and incremental shape priors.Acta Automatica Sinica，2009，35(11)：1394-1402(周雪，胡卫明.融合颜色和增量形状先验的目标轮廓跟踪.自动化学报，2009，35(11)：1394-1402)

14、Jiao Bo，Li Guo-Hui，Wang Yah-Ming，Tian Hao.A method of shadow elimination for moving vehielebased on morphology.Acta Automatica Sinica，2008，34(7)：838-840(焦波，李国辉，汪彦明，田昊.一种基于形态学的运动车辆阴影消除方法.自动化学报，2008，34(7)：838-840)

15、Zhao Y，Karypis G.Empirical and theoretical comparisons of selected criterion functions for documentclustering.Machine Learning，2004，55(3)：311-331

发明内容

本发明要解决的问题是：单目摄像机成像丢失深度信息，且云台摄像视频场景多变，导致交通流参数提取误差较大，需要研究一种适用于PTZ单目摄像机的交通流参数检测方法。

本发明的技术方案为：基于车型聚类的交通流参数视频检测方法，获取PTZ摄像视频，基于车型聚类实现交通流参数检测，包括以下步骤：

1)构建PTZ摄像机成像模型，PTZ摄像机高度H固定，将世界坐标系原点设为PTZ摄像机正下方，根据路面车道分割线，实时在世界坐标系中自动标定PTZ摄像机；

2)建立PTZ摄像机的像平面坐标系u-v与世界坐标系X_w-Y_w-Z_w的变换关系；

3)在PTZ摄像视频中，通过背景差分，获取车辆的图像区域并建立车辆的简化模型：在PTZ像平面中，将车辆的投影视锥与道路平面的相交区域定义为伪形状特征，设包含伪形状特征的最小矩形的长和宽为伪形状特征的长度和宽度，再通过已建立的像平面坐标系与世界坐标系的变换关系，获得伪形状特征的实际长度w′和实际宽度l′；

4)将车辆的伪形状特征(w′，l′)记为数据点的坐标值，对由各车辆得到的数据点坐标值进行聚类分析：采集车辆的伪形状特征(w′，l′)时，在PTZ视频图像中设定车辆伪形状特征的数据采集参考线Y＝Y_Ref，当车辆到达数据采集参考线时记录车辆的伪形状特征(w′，l′)，保持当前的车辆伪形状特征的数据采集参考线Y＝Y_Ref在PTZ图像中心区域内，即满足0.2*v_max＜Y_Ref＜0.8*v_max，v_max为PTZ像平面纵坐标最大值，建立已采集数据的数据库，数据库规模为100个，当已采集数据大于100个时，则新采集的车辆的伪形状特征数据替换数据库中最早数据，进行基于贡献率算法的车型聚类，

数据的贡献率用来度量一个点被类似的点，也就是在K-最近邻中包围的程度，如式(7)所示.

$>\mathrm{cr}\left(i\right)=K*(\underset{j=1}{\overset{i-1}{\Sigma }}\frac{1}{M_{\mathrm{ji}}}+\underset{j=i+1}{\overset{D}{\Sigma }}\frac{1}{M_{\mathrm{ji}}})---\left(7\right)$>

M为K-最近邻矩阵的稀疏阵，即若点i是点j第L近邻，L≤K则M_ji＝L或1，L＞K则M_ji＝0，M_ji是非对称的，式中cr(i)表示数据点i的贡献率，D表示数据库规模，

在簇中心的点具有相对较高的贡献率；在簇边界附近的点具有相对较低的贡献率；噪声点贡献率趋近于零，设定贡献率划分值将聚类的数据点分为核心点、边界点和噪声点，基于DBSCAN算法结合贡献率进行聚类，按照车高分为三类：小型车，车高1.5米，中型车，车高2.5米，大型车，车高3.5米：

41)找出所有数据点的K-最近邻；

42)计算所有点的贡献率，将其标记为核心点、边界点和噪声点；

43)删除噪声点；

44)每组连通的核心点形成一个簇；

45)将每个边界点指派到一个与之关联的核心点的簇中；

聚类后统计不同车型车流量；

5)若PTZ摄像机参数变化导致Y＝Y_Ref已不在图像中心区域内，则重新选择合适的Y_Ref，并重新提取伪形状特征，重复步骤4)。

PTZ摄像机的像平面坐标系u-v与世界坐标系X_w-Y_w-Z_w的变换关系为：

(u v 1)^T＝Z_C^-1P_fR_sR_pt((X_w Y_w Z_w 1)^T-T)        (1)

其中

Z_C＝cos(t)sin(p)*X_w+cos(t)cos(p)*Y_w-sin(t)*(Z_w-H)

T＝H*tan^-1(t)*(sin(p)cos(p)0 0)^T

$>P_f=\left(\begin{array}{cccc}-f& 0& 0& 0\\ 0& -f& 0& 0\\ 0& 0& 1& 0\end{array}\right)$>

$>R_s=\left(\begin{array}{cccc}\cos \left(s\right)& -\sin \left(s\right)& 0& 0\\ \sin \left(s\right)& \cos \left(s\right)& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right)$>

$>R_{\mathrm{pt}}=\left(\begin{array}{cccc}\cos \left(p\right)& -\sin \left(p\right)& 0& 0\\ -\sin \left(t\right)\sin \left(p\right)& -\sin \left(t\right)\cos \left(p\right)& -\cos \left(t\right)& 0\\ \cos \left(t\right)\sin \left(p\right)& \cos \left(t\right)\cos \left(p\right)& -\sin \left(t\right)& H/\sin \left(t\right)\\ 0& 0& 0& 1\end{array}\right)$>

Z_C为空间物体的深度信息，T为坐标系变换平移矩阵，P_f为摄像机投影关系矩阵，R_s为摄像机像平面旋转变换矩阵，R_pt摄像机像平面俯仰角变换矩阵，H为摄像机光心与世界坐标系原点距离，也就是PTZ摄像机高度，t为摄像机的俯仰角，p为偏角，s为旋转角，f为焦距。

进一步的，车辆实际车宽为w，实际车长为l，实际车高为h，则

PTZ摄像机在道路左侧时，车辆所在路面位置设为B(X_wB，Y_wB，0)：

$>{\left(\begin{array}{cc}{w}^{\prime }& l^{\prime }\end{array}\right)}^T={(\frac{-h}{H-h}{X}_{\mathrm{wB}}+\frac{H}{H-h}w\frac{h}{H-h}{Y}_{\mathrm{Ref}}+\frac{H}{H-h}l)}^T---\left(4\right)$>

得到实际的车长和车宽：

$>{\left(\begin{array}{cc}w& l\end{array}\right)}^T\approx {(\frac{H-\bar{h}\left(i\right)}{H}{w}^{\prime }+\frac{\bar{h}\left(i\right)}{H}{X}_{\mathrm{wB}}\frac{H-\bar{h}\left(i\right)}{H}{l}^{\prime }+\frac{-\bar{h}\left(i\right)}{H}{Y}_{\mathrm{Ref}})}^T,$>

PTZ摄像机在道路右侧时，车辆所在路面位置设为B(X_wA，Y_wA，0)，：

$>{\left(\begin{array}{cc}{w}^{\prime }& l^{\prime }\end{array}\right)}^T={(\frac{-h}{H-h}{X}_{\mathrm{wA}}+\frac{H}{H-h}w\frac{h}{H-h}{Y}_{\mathrm{Ref}}+\frac{H}{H-h}l)}^T---\left(5\right)$>

得到实际的车长和车宽：

$>{\left(\begin{array}{cc}w& l\end{array}\right)}^T\approx {(\frac{H-\bar{h}\left(i\right)}{H}{w}^{\prime }+\frac{\bar{h}\left(i\right)}{H}{X}_{\mathrm{wA}}\frac{H-\bar{h}\left(i\right)}{H}{l}^{\prime }+\frac{-\bar{h}\left(i\right)}{H}{Y}_{\mathrm{Ref}})}^T,$>

用于道路空间占用率的计算，以及提升车速检测精度。

本发明提出了一种基于车型聚类的交通流参数检测方法，在改进的摄像机自标定成像模型中，提取PTZ参数变化下的透视投影不变量“伪形状特征”，对其进行基于贡献率算法的车型聚类分析，以车型均高代替实际高度，获取车辆的长宽，进而计算道路空间占有率并提升车速检测精度.测试表明：实时性较高，车型聚类自适应于不同场景，平均准确度为96.9％，车长计算精度优于90％.

附图说明

图1为本发明方法的框架图。

图2为本发明摄像机成像模型的坐标关系图。

图3为不同PTZ摄像机参数的成像示意图。

图4为本发明为形状特征的提取流程示意图。

图5为伪形状特征的投影示意图。

图6为本发明基于贡献率算法的车型聚类流程图。

图7为本发明聚类中，窗口数据D＝100时产生的簇，(a)为窗口数据，(b)为聚类结果。

具体实施方式

本发明提出了一种基于车型聚类的交通流参数检测方法，其框架结构如图1所示.在改进了PTZ摄像机自标定模型^[5][6]的基础上，兼顾左右车道，建立车辆的简化模型， 提取了PTZ参数变化下的透视投影不变量“伪形状特征”；结合窗口数据的建立、更新和清空^[7][8][9]，通过对伪形状特征的长度和宽度进行聚类分析，获取了车型信息；因为实际应用中不同车型的车高主要集中于1.5米、2.5米及3.5米三个特征参数值，将车型均高及车辆位置坐标带入车辆简化模型，获得实际车长和车宽，进而计算道路空间占用率并提升车速检测精度.

为了提取透视投影不变量而采取的车辆简化模型带来较大误差，而且角点坐标和参考线的计算也存在一定的误差，使得伪形状特征的分布较为不规律，很难采用传统的图像识别方式或者基于阈值划分的分类技术解决PTZ摄像视频的车型分类问题.本发明采用基于密度的聚类方法对伪形状特征的长度和宽度进行车型的聚类分析；而且为满足视频检测系统的实时性需求，比较分析了DBSCAN算法^[10]、Chameleon聚类算法^[11]及基于SNN密度聚类算法^[12]，定义了一种新的简单的相似性间接度量“贡献率”，结合DBSCAN算法，提出了一种用于车型聚类的新聚类方法。

下面具体说明本发明方法。

1.车辆投影伪形状分析

PTZ摄像机参数由于监控需要经常改变并无规律可循，且单目摄像机成像丢失深度信息，若能提取车辆的透视投影不变量，则大大简化PTZ摄像视频的车型分类问题.

为便于计算车长和车宽，改进摄像机自标定模型；为提取透视投影不变量，且兼顾左右车道，建立车辆的简化模型，并在假设车高h＝0的情况下，提取出透视投影不变量“伪形状特征”.

1.1.摄像机自标定模型改进

在经典Tsai模型的基础上，针对检测系统性能需求和路况成像特点，构建的摄像机成像模型^[6]，根据路面车道分割线，能够实时自动标定PTZ摄像机，标定路面距离精度达到96％以上.

为了方便计算车长和车宽，改进成像模型^[6][13][14]，将世界坐标系原点移至摄像机正下方，如式(1)中T所示；建立了像平面坐标系(u-v)与世界坐标系(X_w-Y_w-Z_w)的变换关系，如式(1)和图2所示，其数学表达式记为式(2)，其中H为摄像机光心与世界坐标系原点距离，t为摄像机的俯仰角，p为偏角，s为旋转角，f为焦距.

(u v 1)^T＝Z_C^-1P_fR_sR_pt((X_w Y_w Z_w 1)^T-T)        (1)

其中

Z_C＝cos(t)sin(p)*X_w+cos(t)cos(p)*Y_w-sin(t)*(Z_w-H)

T＝H*tan^-1(t)*(sin(p)cos(p)0 0)^T

$>P_f=\left(\begin{array}{cccc}-f& 0& 0& 0\\ 0& -f& 0& 0\\ 0& 0& 1& 0\end{array}\right)$>

$>R_s=\left(\begin{array}{cccc}\cos \left(s\right)& -\sin \left(s\right)& 0& 0\\ \sin \left(s\right)& \cos \left(s\right)& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right)$>

$>R_{\mathrm{pt}}=\left(\begin{array}{cccc}\cos \left(p\right)& -\sin \left(p\right)& 0& 0\\ -\sin \left(t\right)\sin \left(p\right)& -\sin \left(t\right)\cos \left(p\right)& -\cos \left(t\right)& 0\\ \cos \left(t\right)\sin \left(p\right)& \cos \left(t\right)\cos \left(p\right)& -\sin \left(t\right)& H/\sin \left(t\right)\\ 0& 0& 0& 1\end{array}\right)$>

则$>Z_C{\left(\begin{array}{ccc}u& v& 1\end{array}\right)}^T=B_H^{s,t,p,f}{\left(\begin{array}{cccc}{X}_w& Y_w& Z_w& 1\end{array}\right)}^T---\left(2\right)$>

式中，Z_C为空间物体的深度信息，T为坐标系变换平移矩阵，P_f为摄像机投影关系矩阵，R_s为摄像机像平面旋转变换矩阵，R_pt摄像机像平面俯仰角变换矩阵，矩阵B为3×4的摄像机矩阵，对于空间物体，由于摄像机将三维物体投影到二维平面上，属退化的射影变换，因此不可能从三维物体的单幅图像恢复其三维结构，即如果不知道Z_w的数值，无法从该点的像平面坐标计算得到其世界坐标.

1.2.透视投影不变量分析

在不同PTZ参数下的成像模型如图3所示，当摄像机高度H固定，摄像机的俯仰角t，偏角p，旋转角s和焦距f的变化，导致像平面的变化，如图中像平面I和像平面II所示，使得三维物体的在像平面上的投影区域改变，但是三维物体的世界坐标并不改变.

车辆高度因车型而不同，为解决PTZ视频的车型分类问题，本发明定义了车辆的伪形状特征，即车辆的投影视锥与道路平面的相交区域，如图3中阴影区域所示.

摄像机高度H固定，由射影几何关系可知，当只有PTZ参数发生变化，仅仅是伪形状特征在像平面中的投影发生变化，而伪形状特征的世界坐标并没有变化；车辆的伪形状特征只与车辆的位置和车高有关，在PTZ参数变化下，伪形状特征可以区分三类不同的车型.

取包含伪形状特征的最小矩形的长和宽为伪形状特征的长度w和宽度l′，车辆所在位置设为B点(X_wB，Y_wB，0)，车宽为w，车长为l，车高为h，则

$>{\left(\begin{array}{cc}{w}^{\prime }& l^{\prime }\end{array}\right)}^T={(\frac{-h}{H-h}{X}_{\mathrm{wB}}+\frac{H}{H-h}w\frac{h}{H-h}{Y}_{\mathrm{wB}}+\frac{H}{H-h}l)}^T---\left(3\right)$>

伪形状特征的提取过程与摄像机成像过程的关系如图4所示，由伪形状特征的定义可知，伪形状特征和车辆模型在同一像平面上的投影重合；由背景差分和边缘检测，可以获得B_UV和E_UV点的像平面坐标，结合上述自标定算法计算得到的摄像机参数，并令车高h＝0，通过反投影变换，获得车辆的伪形状特征；通过对伪形状特征的聚类分析，获得车型信息，用车型平均车高代替实际车高，带入标定方程，得到车辆的实际车长及车宽.

因为路宽有限，X_wB取值范围较小，且其系数较小，对w影响较小；取数据采集参考线Y＝Y_Ref，即车辆距离摄像机所在的世界坐标系的X_w-Z_w平面的距离为一个固定参考值，数据采集参考线用于保证采集车辆伪形状特征时，每辆车与PTZ摄像机的距离是一致的，如图5所示，定义式(4)为伪形状特征的宽度和长度，需指明，车辆的伪形状特征不会随PTZ摄像机焦距、俯角等参数的改变而变化.

$>{\left(\begin{array}{cc}{w}^{\prime }& l^{\prime }\end{array}\right)}^T={(\frac{-h}{H-h}{X}_{\mathrm{wB}}+\frac{H}{H-h}w\frac{h}{H-h}{Y}_{\mathrm{Ref}}+\frac{H}{H-h}l)}^T---\left(3\right)$>

上述模型考虑的是摄像机在道路左侧，若摄像机在道路在右侧，车辆所在路面位置设为B(X_wA，Y_wA，0)，则伪形状特征的宽度和长度如式(5)所示.

$>{\left(\begin{array}{cc}{w}^{\prime }& l^{\prime }\end{array}\right)}^T={(\frac{-h}{H-h}{X}_{\mathrm{wA}}+\frac{H}{H-h}w\frac{h}{H-h}{Y}_{\mathrm{Ref}}+\frac{H}{H-h}l)}^T---\left(3\right)$>

在实际应用中同一车型的尺寸相比不同车型之间的较接近，而且车高h主要集中于小型车1.5米、中型车2.5米及大型车3.5米三个特征参数值，结合式(4)得出，同一车型的伪形状特征的宽度和长度也会集中于该车型的典型值；反之，则可以根据车辆的伪形状特征来判定该车辆的车型信息，并结合车辆位置信息，获取实际的车长和车宽，如式(6)和(8)所示.或者直接将车型平均车高和车辆位置坐标带入式(1)，计算得到实际的车长和车宽：

PTZ摄像机在道路左侧：

$>{\left(\begin{array}{cc}w& l\end{array}\right)}^T\approx {(\frac{H-\bar{h}\left(i\right)}{H}{w}^{\prime }+\frac{\bar{h}\left(i\right)}{H}{X}_{\mathrm{wB}}\frac{H-\bar{h}\left(i\right)}{H}{l}^{\prime }+\frac{-\bar{h}\left(i\right)}{H}{Y}_{\mathrm{Ref}})}^T,$>

PTZ摄像机在道路右侧：

$>{\left(\begin{array}{cc}w& l\end{array}\right)}^T\approx {(\frac{H-\bar{h}\left(i\right)}{H}{w}^{\prime }+\frac{\bar{h}\left(i\right)}{H}{X}_{\mathrm{wA}}\frac{H-\bar{h}\left(i\right)}{H}{l}^{\prime }+\frac{-\bar{h}\left(i\right)}{H}{Y}_{\mathrm{Ref}})}^T,$>

但是为了提取特征不变量而采取车辆的简化模型带来较大误差，而且角点坐标和参考线的计算也存在一定的误差，使得伪形状特征的分布较为不规律，很难采用传统的图像识别方式或者基于阈值划分的分类技术解决PTZ摄像视频的车型分类问题.

2.车型聚类与贡献率算法

结合伪形状特征的讨论，影响车型分类的因素多而复杂，各个误差的影响程度也不尽相同，无法用数学模型统一衡量，因此本发明提出了采用车型聚类的方式解决PTZ摄像视频的车型分类问题，以获得实时准确的车型分类.车型聚类问题化为基于伪形状特征(w′，l′)的聚类分析问题，可以通过基于图的聚类算法解决.

基于伪形状特征(w′，l′)的聚类分析问题主要存在以下3个难点：

1.伪形状特征数据中存在噪声，且三种簇的形状和大小均不同；

2.聚类算法需满足实时性应用的要求；

3.在PTZ摄像视频的交通流参数检测中，伪形状特征数据不断增加，如果只将之前所有数据进行聚类，使得原聚类分析得到的聚类可能与新的数据不匹配.

2.1.车型聚类分析

产生新的聚类的方法有两种^[7]：一种是重新聚类；另一种是增量聚类.由于聚类分析所面对的一般都是大数据集，所以重新聚类相对增量聚类效率较低、计算代价较大.

因车型分类的数据量较小，测试视频数据量均小于600辆/h，增量聚类的效率由于其算法的复杂度反而其优势不明显。为了满足实时监控系统的需要，本发明每次只取最新的部分数据，即窗口数据D，对其进行聚类分析，本发明测试中D取100时，车型的正确识别率为96.9％以上.需指明，窗口数据D的大小要和选择的算法的复杂程度相匹配.

车辆的伪形状特征具有在PTZ参数变化下的不变性，考虑一种较少发生的情况，若PTZ参数变化过大，Y＝Y_Ref不在成像区域内，就无法计算车辆的伪形状特征，需重新选取合适的Y_Ref，导致伪形状特征的数据分布规律改变，窗口数据需被清空，如图6所示，为了有较好的计算精度且兼顾左右车道，Y＝Y_Ref一般取图像中心区域内，例如满足0.2*v_max＜v_Ref＜0.8*v_max，v_max为图像纵坐标最大值.

由上述讨论，本发明提出了一种新的基于贡献率算法的车型聚类方法，流程如图6所示，不论PTZ参数怎样变化，只要当前的Y＝Y_Ref在图像中心区域内，则该车辆的伪形状特征数据替换数据库中最早数据，进行基于贡献率算法的车型聚类；若PTZ参数变化导致Y＝Y_Ref已不在图像中心区域内，则重新选择合适的Y_Ref，并重新提取伪形状特征，重复上述过程.

针对其系统应用特点，为了满足实时监控系统的需要，本发明提出一种与DBSCAN结合的贡献率算法，能够抑制由于伪形状特征数据中的噪声，并能够处理任意形状和不同大小的非接触簇，且实时性较高，测试证明其简单有效。

2.2.贡献率算法

若不考虑满足实时性应用，此问题通过聚类分析处理较为简单，虽然三种簇的形状和大小均不同，但基于密度的聚类方法能够抑制伪形状特征数据中的噪声，并能够处理任意形状和不同大小的簇.常用的基于密度的聚类算法有DBSCAN算法^[10]、Chameleon聚类算法^[11]和基于SNN密度的聚类算法^[12].DBSCAN算法^[10]需要用户指定距离参数E_ps，但是由于不同车型的数据间距不同，无法统一指定距离参数E_ps；Chameleon算法 ^[11]需要构造稀疏图和划分图，相对较复杂；基于SNN密度的聚类算法^[12]在计算所有点的K-最近邻后，需要建立基于SNN相似度图，计算较为复杂，不能满足视频检测系统的实时性.

经过测试，簇间是非接触的，这就将问题简化了，本发明定义一种新的简单的相似性间接度量——“数据的贡献率”，并与DBSCAN算法结合在一起，创建一种新的聚类算法，不用计算建立稀疏化临近度图和最小生成树图，计算简单，实时性较高，能够处理数据中的噪声，并能够处理任意形状和不同大小的簇，测试证明其简单有效.

数据的贡献率用来度量一个点被类似的点(在K-最近邻中)包围的程度，如式(7)所示.

$>\mathrm{cr}\left(i\right)=K*(\underset{j=1}{\overset{i-1}{\Sigma }}\frac{1}{M_{\mathrm{ji}}}+\underset{j=i+1}{\overset{D}{\Sigma }}\frac{1}{M_{\mathrm{ji}}})---\left(7\right)$>

M为K-最近邻矩阵的稀疏阵，即若点i是点j第L近邻，L≤K则M_ji＝L或1，L＞K则M_ji＝0，注意M_ji是非对称的.

因此，在簇中心的点，周围具有同样特征的点较多，一般具有相对较高的贡献率；在簇边界附近的点，周围具有同样特征的点较少，一般具有相对较低的贡献率；噪声点其贡献率一般趋近于零.根据贡献率定义核心点、边界点和噪声点：

●核心点.一个点是核心点，如果在给点的K-最近邻图中，其贡献率高于某个阈值HighPts，其中HighPts是用户提供的参数.

●边界点.一个点是边界点，如果在给点的K-最近邻图中，其贡献率小于HighPts且高于某个阈值LowPts，其中LowPts是用户提供的参数.

●噪声点.一个点是噪声点，如果在给点的K-最近邻图中，其贡献率小于LowPts.

由上述定义可知，边界点一定落在某个核心点的K邻域内，参数K、HighPts和LowPts可以设置为与数据总数有关的系数.边界点的指派也可采用近邻核心点加权投票的方法.贡献率算法的步骤如表1所示：

表1 贡献率算法

本发明系统取D＝100，图7(a)为一个实例，其中型车的数据量较少；选取K＝0.1*D，HighPts＝0.08*D，LowPts＝0.03*D，边界点的指派采用近邻核心点加权投票的方法，聚类结果如图7(b)所示，能够产生较好的聚类效果，能够较好的区分小型车、中型车、大型车以及噪声点.

经测试表明，本发明基于车型聚类的交通流参数检测方法能够快速准确对不同PTZ摄像视频进行车型分类，自适应性较强，平均准确度为96.9％；能够从单PTZ摄像视频中，获得车辆的长度和宽度，计算车长的精度达到90％以上.

基于车型聚类的交通流参数检测方法可以根据车型聚类的结果，统计不同车型的车流量；通过上述获得的车长、车宽和车高，能够计算道路空间占用率；因为基于图像中心的车速检测抗干扰能力强，但其结果受车高影响较大，通过上述方法获得车辆的车高，进而提升车速检测的精度。