一種基于視頻分析的車(chē)流量統(tǒng)計(jì)方法
【專(zhuān)利說(shuō)明】一種基于視頻分析的車(chē)流量統(tǒng)計(jì)方法 【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于交通工程領(lǐng)域，是一種基于視頻分析的車(chē)流量統(tǒng)計(jì)方法。 【【背景技術(shù)】】
[0002] 傳統(tǒng)的視頻分析的車(chē)輛統(tǒng)計(jì)方法主要分為虛擬檢測(cè)線或虛擬線圈法、目標(biāo)跟蹤法 等。根據(jù)同一輛車(chē)的粒子特性，有一種目標(biāo)聚類(lèi)跟蹤方法，通過(guò)分析聚類(lèi)多邊形和背景信息 來(lái)合并或分離聚類(lèi)，在一定程度上改善了目標(biāo)粘連或分?jǐn)嗟膯?wèn)題。識(shí)別出車(chē)輛后，利用粒子 中心所在位置的顏色直方圖的相似性來(lái)跟蹤運(yùn)動(dòng)車(chē)輛。但是，對(duì)于較小的運(yùn)動(dòng)車(chē)輛可能會(huì) 遺漏，因?yàn)槠淞Ｗ拥臄?shù)量太少，不足以生成一個(gè)聚類(lèi)。
[0003] 存在一種對(duì)不同運(yùn)動(dòng)目標(biāo)假設(shè)不同的運(yùn)動(dòng)模型，并基于隱馬爾科夫度量場(chǎng)的檢測(cè) 和跟蹤方法，但該方法對(duì)于雨雪等惡劣天氣情況下的處理效果較差。存在一種基于塊稀疏 表示模型的目標(biāo)跟蹤方法，這種塊結(jié)構(gòu)的稀疏表示方法將跟蹤目標(biāo)的外觀和遮擋能通過(guò)塊 稀疏線性表示的方式在子空間中進(jìn)行表示。該跟蹤方法可以捕獲目標(biāo)外觀和遮擋的位置關(guān) 系，能更好地處理遮擋的變化。但是，當(dāng)拍攝角度極端變化和照明劇烈變化、或者遠(yuǎn)距離目 標(biāo)遮擋時(shí)本方法也很容易跟丟目標(biāo)。
[0004] 在幀差法的基礎(chǔ)上結(jié)合自適應(yīng)閾值法，并采用基于像素值的K均值聚類(lèi)方法分割 單個(gè)運(yùn)動(dòng)車(chē)輛，從而實(shí)現(xiàn)車(chē)輛檢測(cè)。
[0005] 綜合虛擬線圈和目標(biāo)跟蹤這兩種方法，結(jié)合Canny算子邊緣檢測(cè)方法、均值背景 建模法和背景差分法等技術(shù)，提出了一種基于質(zhì)心的車(chē)流量統(tǒng)計(jì)綜合方法。在車(chē)輛目標(biāo)的 檢測(cè)階段采用基于虛擬線圈的車(chē)流量統(tǒng)計(jì)方法，當(dāng)檢測(cè)到車(chē)輛目標(biāo)后，改用目標(biāo)跟蹤方法， 對(duì)車(chē)輛進(jìn)行跟蹤。該方法結(jié)合了虛擬線圈和目標(biāo)跟蹤各自的優(yōu)勢(shì)，兼顧了車(chē)流量統(tǒng)計(jì)的實(shí) 時(shí)性和準(zhǔn)確性。但是，該方法在夜間和惡劣環(huán)境下的路面上的準(zhǔn)確性較差。
[0006] 將基于類(lèi)Harr特征和Adaboost級(jí)聯(lián)分類(lèi)器的人臉檢測(cè)思想運(yùn)用于車(chē)輛檢測(cè)，提 出一種基于車(chē)輛分類(lèi)器的視頻車(chē)流量統(tǒng)計(jì)方法。首先搜集大量的車(chē)輛樣本進(jìn)行訓(xùn)練，得到 車(chē)輛分類(lèi)器；其次設(shè)置檢測(cè)區(qū)域和檢測(cè)線，在檢測(cè)區(qū)域內(nèi)進(jìn)行車(chē)輛檢測(cè)。并通過(guò)距離和位置 判斷前后幀是否為同一車(chē)輛，最后，對(duì)檢測(cè)到的車(chē)輛進(jìn)行計(jì)數(shù)。
[0007] 針對(duì)傳統(tǒng)車(chē)流量檢測(cè)方法在復(fù)雜環(huán)境中檢測(cè)精度較低的問(wèn)題，有一種新的基于低 秩矩陣的車(chē)流量檢測(cè)方法。首先利用伊辛模型和魯棒性主成份分析方法（RPCA)得到非凸 的能量函數(shù)，然后利用奇異值分解（SVD)并且不斷迭代的方法分步解決能量函數(shù)非凸性的 問(wèn)題，進(jìn)而優(yōu)化能量函數(shù)檢測(cè)出最佳車(chē)輛前景，最后利用虛擬檢測(cè)線圈來(lái)統(tǒng)計(jì)車(chē)流量。但該 方法對(duì)陰影以及遠(yuǎn)景小簇目標(biāo)粘連的情況存在漏檢和誤檢。
[0008] 存在一種基于虛擬線圈法和模板鏈相結(jié)合的車(chē)流量檢測(cè)新方法，該方法通過(guò)虛擬 線圈技術(shù)捕捉到路面上灰度的變化，同時(shí)采用模板鏈的方法檢測(cè)出車(chē)輛信息。
[0009] 存在一種改進(jìn)的基于邊緣信息的車(chē)流量檢測(cè)方法。該方法通過(guò)預(yù)先對(duì)實(shí)時(shí)路況圖 像進(jìn)行削頂處理，以確定一個(gè)恰當(dāng)?shù)拈撝?，從而可以更加?zhǔn)確有效地提取背景邊緣信息；并 且在車(chē)流量統(tǒng)計(jì)過(guò)程中，設(shè)計(jì)了 一種新的浮動(dòng)窗法進(jìn)行車(chē)輛計(jì)數(shù)。
[0010] 可以看出，視頻檢測(cè)技術(shù)不管是在國(guó)外還是國(guó)內(nèi)都取得了一定的研究成果，但現(xiàn) 有的方法仍然存在著一些缺陷。 【
【發(fā)明內(nèi)容】
】
[0011] 為解決上述現(xiàn)有技術(shù)中存在的問(wèn)題，本發(fā)明通過(guò)提取并結(jié)合了兩種圖像信息：位 置信息和像素變化信息，提出了一種新的基于虛擬檢測(cè)線的車(chē)流量分割計(jì)數(shù)方法，該方法 結(jié)合了虛擬線圈和目標(biāo)跟蹤各自的優(yōu)勢(shì)，兼顧了車(chē)流量統(tǒng)計(jì)的實(shí)時(shí)性和準(zhǔn)確性，該方法能 夠在多種不同天氣狀況下在各車(chē)道對(duì)視頻車(chē)輛計(jì)數(shù)的準(zhǔn)確率均大于95%，具有容易推廣實(shí) 施的優(yōu)勢(shì)。
[0012] 本發(fā)明是通過(guò)如下技術(shù)方案來(lái)實(shí)現(xiàn)的。
[0013] -種基于視頻分析的車(chē)流量統(tǒng)計(jì)計(jì)算方法，包括如下步驟：
[0014] 步驟一：對(duì)原始圖像進(jìn)行預(yù)處理來(lái)增強(qiáng)該圖像的整體對(duì)比度，該預(yù)處理依次包括 濾波去噪和圖像增強(qiáng)，先通過(guò)濾波去噪去除原始圖像上孤立的噪點(diǎn)，再通過(guò)圖像增強(qiáng)增加 像素灰度值的動(dòng)態(tài)范圍，使圖像整體對(duì)比度增強(qiáng)；
[0015] 步驟二：在步驟一處理過(guò)的圖像通過(guò)幀差法檢測(cè)運(yùn)動(dòng)車(chē)輛，再利用形態(tài)學(xué)處理和 行掃描的方法處理運(yùn)動(dòng)車(chē)輛輪廓存在的孔洞，以達(dá)到對(duì)圖像上車(chē)輛的分析和識(shí)別的目的。
[0016] 步驟三：通過(guò)車(chē)輛分割計(jì)數(shù)方法在步驟二處理過(guò)的圖像上進(jìn)行車(chē)輛計(jì)數(shù)。
[0017] 所述的步驟一中，所述的濾波去噪選用中值濾波的方法，通過(guò)中值濾波去除圖像 上孤立的噪點(diǎn)。
[0018] 所述的步驟一中，所述的圖像增強(qiáng)選用直方圖均衡化處理，直方圖均衡化處理把 原始圖像的灰度直方圖從比較集中的某個(gè)灰度區(qū)間變成在全部灰度范圍內(nèi)的均勻分布。
[0019] 所述的步驟二中，通過(guò)所述的幀差法先將視頻序列中相鄰兩幀進(jìn)行差分，得到差 分圖像；然后再對(duì)該差分圖像進(jìn)行閾值化分割得到二值化的前景圖像。
[0020] 所述的步驟二中，所述的形態(tài)學(xué)處理選用閉運(yùn)算，通過(guò)閉運(yùn)算來(lái)填充幀差法遺留 的孔洞問(wèn)題。
[0021] 所述的步驟二中，通過(guò)逐行掃描的方法找到每一行發(fā)生像素信息突變的點(diǎn)，得到 目標(biāo)區(qū)域完整輪廓。
[0022] 所述的步驟三中，所述的車(chē)輛分割計(jì)數(shù)方法基于虛擬檢測(cè)線的檢測(cè)方法，在二值 化的前景圖像上，通過(guò)車(chē)輛和檢測(cè)線相對(duì)位置的基礎(chǔ)上結(jié)合檢測(cè)線上像素特征的變化規(guī)律 來(lái)對(duì)車(chē)輛進(jìn)行計(jì)數(shù)。
[0023] 所述的步驟三中，當(dāng)一輛車(chē)通過(guò)虛擬檢測(cè)線時(shí)，檢測(cè)線上的像素值會(huì)有0~255~ 〇的變化規(guī)律，在車(chē)輛剛剛碰到檢測(cè)線的時(shí)刻，像素值從〇跳變至255,在車(chē)輛剛駛離檢測(cè) 線的時(shí)刻，像素值從255跳變至0,在車(chē)身通過(guò)檢測(cè)線的時(shí)間段內(nèi)，像素值為255 ;當(dāng)檢測(cè)線 上的像素值為按照上述規(guī)律變化，說(shuō)明在所述的車(chē)輛剛剛碰到檢測(cè)線的時(shí)刻至在車(chē)輛剛駛 離檢測(cè)線的時(shí)刻的時(shí)間段內(nèi)只有一輛車(chē)經(jīng)過(guò)檢測(cè)線，在這一時(shí)間段只允許對(duì)計(jì)數(shù)器加1 ; 若有多輛車(chē)在經(jīng)過(guò)檢測(cè)線時(shí)，通過(guò)分析判斷檢測(cè)線上的像素值的變化，實(shí)現(xiàn)對(duì)多個(gè)車(chē)輛進(jìn) 行分割，從而避免對(duì)車(chē)輛計(jì)數(shù)出現(xiàn)遺漏的問(wèn)題。
[0024] 所述的步驟三中，通過(guò)車(chē)輛和檢測(cè)線相對(duì)位置的基礎(chǔ)上結(jié)合檢測(cè)線上像素特征的 變化規(guī)律來(lái)對(duì)車(chē)輛進(jìn)行計(jì)數(shù)的方法如下：
[0025] 引入狀態(tài)變量statel、state2和state3,均初始化為0 ;
[0026] 在所述的二值化的前景圖像中，在車(chē)輛經(jīng)過(guò)檢測(cè)線時(shí)，逐幀判斷車(chē)輛與檢測(cè)線的 相對(duì)位置，若檢測(cè)線位于車(chē)身前1/2區(qū)域，則設(shè)置狀態(tài)變量statel= 0，state2 = 0,將 statel標(biāo)記為1;繼續(xù)判斷下一幀，若檢測(cè)線位于車(chē)身的前1/4到1/2區(qū)域，則設(shè)置statel =1，則state2標(biāo)記為1，statel重新標(biāo)記為0 ;汽車(chē)駛過(guò)車(chē)身前1/2區(qū)域后，再將state2 標(biāo)記為〇 ;
[0027] 分析檢測(cè)線中點(diǎn)的像素值的變化規(guī)律，在連續(xù)序列幀中，若檢測(cè)線中點(diǎn)像素值由 前一幀中的〇變化為當(dāng)前幀中的255,則state3標(biāo)記為1，表明有車(chē)輛剛剛碰到檢測(cè)線；若 前一幀與當(dāng)前幀都為255,則state3標(biāo)記為1，表明車(chē)輛正在通過(guò)檢測(cè)線；若由255變?yōu)?， 則state3標(biāo)記為0,表明車(chē)輛剛剛駛離檢測(cè)線；若前一幀與當(dāng)前幀都為0,則state3標(biāo)記為 〇,說(shuō)明無(wú)車(chē)輛經(jīng)過(guò)檢測(cè)線；
[0028] 綜合分析，如果當(dāng)前幀中state2 = 1且state3 = 1，則對(duì)應(yīng)車(chē)道的計(jì)數(shù)器加1， state3置為0 ;如果當(dāng)前幀中state2 = 1且state3 = 0,表明該車(chē)輛已經(jīng)統(tǒng)計(jì)過(guò)，貝lj不計(jì) 數(shù)。
[0029]與現(xiàn)有技術(shù)相比，本發(fā)明的一種基于視頻分析的車(chē)流量統(tǒng)計(jì)方法具有如下有益效 果：
[0030] 本發(fā)明在普通虛擬檢測(cè)線的基礎(chǔ)上，提出了將位置信息和檢測(cè)線像素變化規(guī)律相 結(jié)合的車(chē)輛計(jì)數(shù)分割方法，并且實(shí)驗(yàn)證實(shí)了本方法在實(shí)時(shí)性和準(zhǔn)確性方面的出色表現(xiàn)，本 方法在陰、雨天氣情況下表現(xiàn)最好，晴天效果稍次，這是因?yàn)殛?、雨天氣光線變化等外部影 響較晴天小，總體上，在這三種天氣情況下，每條車(chē)道的統(tǒng)計(jì)準(zhǔn)確率均可以達(dá)到95%以上， 效果十分理想。 【【附圖說(shuō)明】】
[0031] 圖1為本發(fā)明的基于視頻分析的車(chē)流量統(tǒng)計(jì)方法的流程圖；<