CN100538763C - 基于视频的混合交通流参数的检测方法 - Google Patents

Abstract

本发明公开了一种基于视频的混合交通流参数的检测方法。该方法是在现有硬件设备的基础上应用计算机程序而实现混合交通流参数的视频检测方法，其包括如下步骤：安装硬件设备、获取交通视频图帧、初始化、背景模型、阴影检测、物体识别、运动跟踪、获取混合交通流参数和将获取混合交通流参数进行处理得到准确的控制参数通过硬件设备来管理控制交通，其中初始化步骤包括检测区选择、交通场景位置映射和背景初始化。本发明根据物体的运动跟踪，可获取其微观交通行为，如：加速、换道、停止、转向、逆行等。本发明具有较高的准确性，物体识别准确度大于98%，速度准确度大于90%，流量精度大于98%，时间占有率精度大于89%，可满足实际需要。

Description

基于视频的混合交通流参数的检测方法

技术领域

本发明涉及一种用于城市交通管理系统中交通状态参数获取的方法，具体的说是涉及一种基于视频的混合交通流参数的检测方法。

背景技术

目前，交通流参数检测器主要为视频检测器、微波检测器、地感线圈检测器、雷达检测器和超声波检测器，可获取交通流基本参数，如：速度、流量、占有率、车型等，实现城市交通的智能管理。其中，城市交通管理系统主要利用地感线圈检测器获取交通流参数进而实现信号控制，但检测器无法实现行人、自行车交通流参数的获取，只能用于机动车车流信号控制，而且该检测器一旦损坏则需要关闭车道进行检修。微波检测器、雷达检测器、超声波检测器，无法实现高密度状态的准确检测，主要用于机动车的检测。随着城市信息化的快速发展，视频监控系统广泛应用于城市交通管理系统，利用视频检测可实现运动物体识别、跟踪和姿态估计等，但城市交通管理系统视频检测器主要进行交通中机动车车流检测。混合交通，即机动车、自行车和行人的混合交通流，是我国交通的一个主要特征，混合交通流管理控制的前提是实现混合交通流参数的检测，目前尚无适合我国混合交通流参数获得的检测器满足混合交通管理控制的实际需要。

发明内容

本发明所要解决的技术问题是克服现有技术所存在的不能获取混合交通流参数的问题，采用计算机程序，提供一种基于视频的混合交通流参数的检测方法。进而提供一种满足我国混合交通管理控制实际需要的混合交通流参数的检测器

为解决上述技术问题，本发明采用如下技术方案予以实现。方法包括有下列步骤：安装摄像头、交换机、视频服务器，并用光缆、无线和电线依次将他们连接起来，获取交通视频图帧，检测区选择，交通场景位置映射和获取混合交通流参数，还包括下列步骤：

1.在有效检测区域内将视频图帧中被检测的车辆、行人、自行车除去而得到的交通场景图帧的背景初始化；

2.随外界条件的变化，根据运动物体区域有选择地进行混合高斯的背景表达与更新：

3.利用物体部分和连接阴影区域的RGB颜色最大变化量可看作混合高斯分布，根据每个运动物体的特点进行阴影检测，排除运动物体误分类影响的阴影检测；

4.基于距与几何形态的混合交通特征表达方法，将运动物体进行分割，进行特征提取，建立特征向量，进而利用相似距离测度比较样本与待测物体的相似距离，进而达到实施不同物体分类与识别的物体识别；

5.运动物体的运动次序按照队列的数据结构表达，将物体进行标号跟踪，为了快速进行物体分类与分割，跟踪过程中利用kalman运动跟踪预测方法，快速预测出物体下一时刻的大致位置，并在附近搜索物体的运动跟踪。

技术方案中所述的背景初始化包括下列步骤：

1)训练序列，即选择一段时间的视频图帧作为训练序列，对于图像的每个固定像素点的亮度值在训练序列中，可看作一个时间序列{x_i|i＝1…N}；

2)滑动可变窗口，即根据上述特点利用滑动可变窗口检测平滑子序列，该平滑子序列可作为可能背景；

3)判断平滑子序列数是否大于两个点，如果大于两个点则按如下步骤进行：a)构建分类集；b)无监督聚类；c)选择高密度子类中心；d)作为初始背景值；如果是少于两个点则按如下步骤进行：a)选序列中值；b)作为初始背景值。

技术方案中所述的背景表达与更新包括下列步骤：

1)根据F(x，y，t)＝I(x，y，t)-B(x，y，t-1)，即根据背景差分获取当前图帧的前景，其中I(x，y，t)表示当前时刻(x，y)点的视频图像，B(x，y，t-1)表示前一时刻(x，y)点的背景图像；

2)然后对检测区内的整个前景图像进行图像分割获取每个前景物体；

3)判断当前像素是否为前景物体区域，若为运动物体区域则该点不进行背景更新；

4)否则，按照像素级的混合高斯背景更新。

技术方案中所述的阴影检测包括下列步骤：

1)比较前景与背景区域，获取候选阴影区域；

2)图像分割，获取每个阴影与其相连的部分图像区域；

3)统计每个区域的RGB最大变化度分布；

4)利用EM算法获取区域的混合高斯分布；

5)选取变化量最小的高斯分量作为阴影区域；

技术方案中所述的物体识别包括下列步骤：

1)选取前景图像；

2)进行物体分割；

3)特征提取；

4)进入特征登记阶段，该阶段为将样本特征存入样本数据库；

5)进入特征识别阶段，该部分为利用物体的特征向量与样本库德特征向量进行比较识别。

所述的特征提取包括下列步骤：

1)获取物体区域；

2)计算7个pq阶中心距、实际物体长度l、实际物体宽度w和w/l；

3)构成10维特征向量，作为运动物体的特征。

所述的特征识别阶段包括下列步骤：

1)计算与每个样本特征向量相似距离测度；

2)获取最小距离；

3)分类判断。

本发明的有效益效果是：

1.本发明获取混合交通流参数，既可应用于城市交通管理也可以应用于设计部门或科研院所，实现城市混合交通控制管理研究开发的需要，具有重要的社会意义和巨大的工程应用经济价值。

2.本发明根据物体的运动跟踪，可获取其微观交通行为，如：加速、换道、停止、转向、逆行等。

3.为了测试本发明性能，在长春城市道路进行交通录像，其中包括交通畅通、交通拥挤、混合交通等交通状态，且交通录像时间累积1000小时以上，利用本发明对交通录像进行分析，实验结果表明本发明具有较高的准确性，物体识别准确度大于98％，速度准确度大于90％，流量精度大于98％，时间占有率精度大于89％，可满足实际需要。

附图说明

图1是基于视频的混合交通流参数的检测方法的技术路线流程框图；

图2是图1所示基于视频的混合交通流参数的检测方法的技术路线流程框图中背景初始化的流程框图；

图3是图1所示基于视频的混合交通流参数的检测方法的技术路线流程框图中背景表达与更新的流程框图；

图4是图1所示基于视频的混合交通流参数的检测方法的技术路线流程框图中阴影检测的流程框图；

图5-(a)是背景初始化实施例平滑子序列检测图的特定点的时间序列观测值曲线；

图5-(b)是背景初始化实施例平滑子序列检测图的特定点的滑动窗口检测的平滑子序列曲线；

图6-(a)是背景初始化实施例对比效果图的待处理序列图帧；

图6-(b)是背景初始化实施例对比效果图的中值背景法效果图帧；

图6-(c)是背景初始化实施例对比效果图的一致性判别法检测效果图帧；

图6-(d)是背景初始化实施例对比效果图的本发明背景初始化效果图帧；

图7-(a)是物体识别实施例图的前景显示的识别效果图帧；

图7-(b)是物体识别实施例图的原视频图帧上识别效果图帧；

图8是图1所示基于视频的混合交通流参数的检测方法的技术路线流程框图中运动跟踪的预测示意图；

图9是图1所示基于视频的混合交通流参数的检测方法的技术路线流程框图中物体识别的流程框图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细描述：

参阅图1，城市的混合交通流参数的视频检测系统是由硬件和软件两部分组成，即有视频采集与传输设备的硬件部分和混合交通流参数的视频检测计算机程序部分组成。基于视频的混合交通流参数的检测方法是在现有硬件设备的基础上应用自编计算机程序而实现的混合交通流参数的视频检测方法，完整的说其包括如下步骤：安装硬件设备、获取交通视频图帧、初始化、背景表达与更新、阴影检测、物体识别、运动跟踪、获取混合交通流参数和将获取混合交通流参数进行处理得到准确的控制参数通过硬件设备来管理控制城市交通或者提供给设计部门、科研院所使用，其中初始化步骤包括检测区选择、交通场景位置映射和背景初始化。

现按时间顺序详细描述如下：

1.安装摄像头、交换机、视频服务器，并用电线、光缆或无线依次将他们连接起来，为城市的混合交通流参数的视频检测提供硬件设备支持，这里所说获取视频图帧的摄像头应安置于车道的正上方，尽可能处于垂直位置，且距路面5至6米高，夜晚时需要补足光线。

2.获取交通流的视频图帧

开动硬件设备，使安装有自编计算机程序的整个视频采集与传输设备处于工作状态。获取欲检测路段交通流的视频图帧，并将视频图帧信号经交换机传输到视频服务器。

3.背景初始化

该步骤是进行视频检测的初始设置，其包括检测区选择、交通场景位置映射和背景初始化三个步骤。

1)有效检测区选择是利用鼠标在视频图帧上选定道路上的有效检测范围，其检测区大小根据实际交通场景决定，检测区可设置一个或多个，参阅图7-(a)，所示的矩形框内区域就是选定的有效检测区。

2)交通场景位置映射是指获取视频图帧坐标与道路位置坐标的换算关系，根据该换算关系可以快速计算运动物体的空间位置，为计算速度、空间占有率奠定基础。视频图像坐标I(x，y)与道路空间坐标W(u，v)存在

$\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]=\left[\begin{array}{ccc}{M}_{11}& M_{12}& M_{13}\\ M_{21}& M_{22}& M_{23}\\ M_{31}& M_{32}& M_{33}\end{array}\right]\left[\begin{array}{c}u\\ v\\ 1\end{array}\right]$ 的映射关系，利用标定模板可以快速计算映射矩阵M，即实现交通场景位置映射，获取视频检测区域内的图像坐标I(x，y)与道路空间位置坐标W(u，v)的换算关系矩阵M。利用图像坐标与M^-1可计算出检测区内对应点的道路位置坐标，从而为计算不同时刻的运动物体位置变化提供了基础，进而可以获取运动物体的速度、平均速度、占有率等交通参数。

3)背景是指视频图帧中除了被检测车辆、行人、自行车以外的交通场景信息。前景指当前视频图帧中包括的待检测物体，比如：车辆、行人、自行车。为了克服外界干扰，如光线变化、绿化带草木的摇动等因素，通常利用当前图像减去背景图像的背景差分过程获取前景物体，即F(x，y，t)＝I(x，y，t)-B(x，y，t-1)，其中F(x，y，t)表示当前时刻的前景图像，I(x，y，t)表示当前时刻的图象，B(x，y，t-1)表示前一时刻的背景图像。因此，需要给定初始背景，通常情况下直接选取没有前景物体的交通场景作为背景，但该方法在混合交通检测过程受到交通状况的影响，本发明提出的背景初始化方法，其流程图如图2所示。选择一段时间的视频录像作为训练序列视频通过训练获取初始背景，训练序列中每像素的颜色通道亮度值I(x，y，t)，可看作一个时间序列{x_i|i＝1…N}，当运动物体通过该点时，该点的亮度将发生较大变化，其它时间将保持基本不变，因此可以检测平稳的序列段作为背景，如图5-(a)所示时间序列值。本发明利用滑动可变窗口检测平滑的子序列，将多个平滑子序列可作为可能背景。滑动可变窗口首先初始窗口的最小长度，然后将窗口在观测点的时间序列上滑动，若窗口内的所有观测值在允许变化范围内时，将下一个观测值移进窗口，窗口的长度增加1；否则，判断当前窗口长度是否大于初始长度，若大于初始长度则其若记录当前窗口内的观测值为一平滑子序列，然后重新利用初始滑动窗口在下一个观测值开始滑动。按照上述处理过程，获取其平滑子序列集L＝<l₁，…，l_k>，每个平滑子序列l_b＝{x_i，…，x_j}应满足如下条件：

ω<j-i，                            (1)

$\&ForAll;(s,t)|x_s-x_t|\&le;{\mathrm{\&delta;}}_{\max }$

式中：ω为初始最小长度，δ_max为最大允许变化量。上述平滑序列集可作为可能背景。由于大型缓慢运动物体的影响，如：公交车辆的影响，在固定点其也构成一个平滑子序列成为平滑序列集的一个分量。根据固定路段地点的交通流到达与释放特性，公交车所构成的平滑分量要少于背景所构成的分量，且在训练序列中，背景分量基本上不变。根据该特性，分别选取每个平滑子序列观测值的中值，如式(2)构造分类序列<s₁，…，s_k>，对分类序列利用无监督聚类，选择子类包含点数最多的子集，即“高密度”子集，作为背景子集，然后选择“高密度”子集中心值作为背景值。

s_j＝median(l_j)，1≤j≤k             (2)

上述情况是在平滑子序列数大于两个点时考虑，一旦少于两个点，选取平滑子序列的中值作为背景。

4.背景表达与更新

由于交通场景随外界条件的变化而变化，为了使背景能够真实地反映现实交通场景，因此背景需要根据外界环境的变化而实时性变化，即背景的更新。本发明利用像素级的混合高斯模型对背景进行表达，然后根据运动物体的状态有选择地进行背景更新，其处理过程见图3，其中I(x，y，t)表示当前时刻(x，y)点的视频图像，B(x，y，t-1)表示前一时刻的(x，y)点背景图像，F(x，y，t)表示当前时刻(x，y)点的运动前景。根据背景差分获取当前图帧的前景，然后对检测区内的整个前景图像进行图像分割获取每个前景物体，然后判断当前像素是否为前景物体区域，若为运动物体区域则该点不进行背景更新，否则，按照像素级的混合高斯背景更新(其中像素级的混合高斯背景更新参见Stauffer Chris，Grimson W.E.L.Adaptivebackground mixture models for real-time tracking.ICVPR 1999 2：246-252)。本发明方法为结合区域特性的混合高斯背景更新，该方法可以克服交通拥堵或交通量较大情况下，像素级混合高斯模型不能很好地进行背景维持的缺点。

5.阴影检测

阴影分为静态阴影和动态阴影，其中静态阴影由路边的树木或建筑造成，该部分可利用背景表达与更新克服其影响，而动态阴影由运动物体自身造成，其运动特性与运动物体的运动特性相同，容易造成运动物体的误分类，因此需要阴影检测。本发明根据阴影的光谱特性，则同一地点在阴影时RGB颜色通道亮度明显低于其非阴影时的亮度，如式(3)所示，其中R表示红色通道，G表示绿色通道，B表示蓝色通道，下标shadow表示阴影状态，lit表示光亮无阴影状态。

R_shadow<R_lit

B_shadow<B_lit                          (3)

G_shadow<G_lit

根据式(3)比较I(x，y，t)在(x，y)点与背景B(x，y，t-1)时各个通道颜色亮度，若满足式(3)则作为候选阴影区域，然后对候选应用区域进行图像分割，获取每个物体的阴影候选区域，其中每个物体的候选阴影区域包含阴影与部分物体区域，而通常情况下，道路上物体的RGB总体变化度将大于阴影的RGB总体变化度，即选取位置点(x，y)的RGB三通道亮度变化量最大的通道作为该点的亮度变化如式(4)。

V_c＝max{(R_c-R_b)，(G_c-G_b)，(B_c-B_b)}    (4)

将每个物体的候选阴影区的颜色RGB最大变化度形成一维的GM数组，统计GM数组的颜色变化度分布，由于阴影区域的颜色变化度为均一性变化，因此，将阴影和物体的部分区域颜色变化量可看作混合高斯分布，利用EM算法自适应地获取较小变化的分量作为阴影，阴影检测的流程图如图4所示。本发明方法根据每个运动物体的特点进行阴影检测，可以较好地克服阴影影响。

6.物体识别

混合交通中行人、自行车、机动车的分类识别是混合交通检测的必备条件，如果不能有效地实现物体识别，便不可能实现混合交通流检测应用。由于运动过程中，运动物体出现形变、遮挡等问题，因此伸缩、平移、旋转不变性的混合交通运动物体的特征表达方法尤为重要，本发明根据行人、机动车、自行车的几何表达特点，提出了pq阶中心距与运动投影的混合交通特征表达方法。根据前景的分割区域，对每个物体区域建立7维pq阶中心距如式(5)与平行于运动方向的投影宽度w、垂直于运动方向的投影宽度l，其中w、l为利用交通场景位置映射计算出实际物体宽度和长度，以及w/l共同构成10维特征向量，作为运动物体的特征。

$U_{\mathrm{pq}}=\underset{x\&Element;R}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y\&Element;R}{\overset{N}{\mathrm{\&Sigma;}}}{(x-\stackrel{\&OverBar;}{x})}^p{(y-\stackrel{\&OverBar;}{y})}^q---\left(5\right)$

式中x＝m₁₀/m₀₀，y＝m₀₁/m₀₀且

$m_{\mathrm{pq}}=\underset{x\&Element;R}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y\&Element;R}{\overset{N}{\mathrm{\&Sigma;}}}{x}^p{y}^q$

其中M为物体区域点数，p与q为x或y的阶数。特征登记阶段将混合交通物体的样本进行特征提取，并将特征保存如特征数据库。在识别阶段，计算样本特征向量X_i与待识别物体的特征向量X的相似性距离测度如式(6)所示。

$D(X,X_i)=\sqrt{(X-X_i){(X-X_i)}^T}---\left(6\right)$

若相似性距离测度D(X，X_i)<D(X，X_j)，则待识别物体X更接近X_i。根据计算待识别物体与样本相似性距离测度，若选择待识别物体与样本X_i的测度距离最小值，则待识别物体为X_i，实现物体识别，其处理流程如同9所示。

7.运动跟踪

运动跟踪可以快速了解物体的运动状态，同时为物体分割提供快速的预测位置，加快处理速度，运动跟踪通常采用Kalman运动跟踪预测方法，但在交通环境下，运动物体进入检测区、离开检测区以及运动遮挡等情况下，需要进行特殊处理，以快速辨别物体的运动状态。通常情况下，由于每个运动方向上的运动物体在检测区内部不可能突然消失和出现，将运动物体的运动次序按照队列的数据结构表达如图8所示，并结合kalman运动跟踪预测方法。第K个运动物体在行进方向上不可能突然出现与消失，若物体在附近没有搜索到匹配的对象，则将物体进行标号处理，若连续3秒内没有出现，便认为物体离开检测区，若重新出现便认为物体被遮挡。该方法可以快速预测出物体下一时刻的大致位置，并在附近搜索物体，同时对于已经分类的物体不需要再次进行特征提取和分类操作，极大提高了处理速度，且可以获取运动物体的微观交通行为，如停止，加速，减速。

8.交通流参数计算获取

通过上述处理，可以准确地实现运动物体识别分类，根据物体进入检测区和离开检测区时间Δt，以及利用交通场景位置映射M计算出位移Δs，则运动物体在该区域的平均速度 $\stackrel{\&RightArrow;}{v}=\mathrm{\&Delta;s}/\mathrm{\&Delta;t};$ 交通流量统计每秒钟离开检测区的累积流量N＝N+1，当时间累积1秒时，计数器N＝0，重新计数，其中时间的计算根据视频格式的播放计时进行，流量按照交通物体分类分别进行统计。通常情况下视频每秒播放25或30帧，物体的即时速度按照每3帧一个采样间隔进行计算 $\stackrel{\&RightArrow;}{v}=\mathrm{\&Delta;s}/\mathrm{\&Delta;t};$ 加速度根据物体相邻即时速度计算，根据加速度和即时速度判断物体的运动状态，如：加速、减速、停止等。运动物体时间占有率，根据运动物体在2米检测长度上的运行时间Δt_i，在1秒内累积∑Δt_i，将∑Δt_i/1作为时间占有率。

9.将获取混合交通流参数进行处理得到准确的反应道路交通状态的参数通过硬件设备来管理控制城市交通，也可应用于设计部门或科研院所，实现城市混合交通管理控制或研究开发的需要。

实验分析：

1.背景初始化

本发明的背景初始化方法可用于视频监控系统的各种应用系统中。选择不同交通状态的训练序列视频图帧，对每个像素点的时间序列观测值进行滑动窗口检测，其中选择ω＝6，δ_max＝5，某一点的时间序列值如图5-(a)所示，其平滑子序列如图5-(b)所示，然后对平滑子序列进行聚类，获取“高密度”子类中心作为背景值。然后对视频图帧的每个像素点按照上述处理过程处理，参阅图2所示流程框图。对不同交通序列的背景初始化效果参阅图6，由图6可知，在自行车密集状态下，本文方法可以克服50％遮挡影响，同时克服虚假背景影响，本发明处理效果明显优于中值背景法和一致性判别法；在交通畅通状态，上述三种方法都能达到良好的背景初始化效果；在交通拥堵和包含缓慢运动大型物体状态下，中值背景法和一致性判别法都不能很好地处理公交车存在的情况，本文方法处理结果明显优于中值背景法、一致性判别法，能够克服缓慢运动的大型物体影响。上述实验结果表明，本发明所述的方法具有良好的鲁棒性，可克服大型缓慢运动前景物体的影响，实现覆盖率大于50％的背景初始化，满足混合交通实际条件的应用。

2.物体识别

选取长春城市道路的一段交通录像，结合图1描述的方法过程，利用本发明所述的方法首先进行初始化，包括检测区选择、交通场景位置映射、背景初始化，背景表达与更新获取、阴影检测处理，其按照物体识别步骤对物体进行特征提取，然后与样本库特征向量按照计算公式(6)计算相似测度，选取距离最小的样本向量，便认为该物体与样本为同一类物体，在分类图像中选取一图帧如图7所示，图7-(a)为前景显示的分类效果(矩形区域内部部分)，图7-(b)为直接在视频上的分类显示(矩形区域内部部分)，由实验结果表明，本发明可以很好地区分机动车和自行车，且具有较高的识别准确率，物体识别准确度大于98％，速度准确度大于90％，流量精度大于98％，时间占有率精度大于89％，可满足实际需要。

Claims (7)

1.一种采用计算机程序的基于视频的混合交通流参数的检测方法，包括有下列步骤：安装摄像头、交换机、视频服务器，并用光缆和电线依次将他们连接起来，获取交通视频图帧，检测区选择，交通场景位置映射和获取混合交通流参数，其特征在于还包括下列步骤：

1)在有效检测区域内将视频图帧中被检测的车辆、行人、自行车除去而得到的交通场景图帧的背景初始化；

2)随外界条件的变化，根据运动物体区域有选择地进行混合高斯的背景表达与更新；

3)利用物体部分和连接阴影区域的RGB颜色最大变化量可看作混合高斯分布，根据每个运动物体的特点进行阴影检测，排除运动物体误分类影响的阴影检测；

4)基于pq阶中心距与运动投影的混合交通特征表达方法，将运动物体进行分割，进行特征提取，建立特征向量，进而利用相似距离测度比较样本与待测物体的相似距离，进而达到实施不同物体分类与识别的物体识别；

5)运动物体的运动次序按照队列的数据结构表达，将物体进行标号跟踪，为了快速进行物体分类与分割，跟踪过程中利用kalman运动跟踪预测方法，快速预测出物体下一时刻的大致位置，并在附近搜索物体的运动跟踪。

2.按照权利要求1所述的基于视频的混合交通流参数的检测方法，其特征在于所述的背景初始化包括下列步骤：

1)训练序列，即选择一段时间的视频图帧作为训练序列，对于图像的每个固定像素点的亮度值在训练序列中，可看作一个时间序列{x_i|i＝1…N}；

2)滑动可变窗口，即根据上述特点利用滑动可变窗口检测平滑子序列，该平滑子序列可作为可能背景；

3)判断平滑子序列数是否大于两个点，如果大于两个点则按如下步骤进行：

a)构建分类集；b)无监督聚类；c)选择高密度子类中心；d)作为初始背景值；

如果是少于两个点则按如下步骤进行：

a)选序列中值；b)作为初始背景值。

3.按照权利要求1所述的基于视频的混合交通流参数的检测方法，其特征在于所述的背景表达与更新包括下列步骤：

1)根据F(x，y，t)＝I(x，y，t)-B(x，y，t-1)，即根据背景差分获取当前图帧的前景，其中I(x，y，t)表示当前时刻(x，y)点的视频图像，B(x，y，t-1)表示前一时刻(x，y)点的背景图像；

2)然后对检测区内的整个前景图像进行图像分割获取每个前景物体；

3)判断当前像素是否为前景物体区域，若为运动物体区域则该点不进行背景更新，否则，按照像素级的混合高斯背景更新。

4.按照权利要求1所述的基于视频的混合交通流参数的检测方法，其特征在于所述的阴影检测包括下列步骤：

1)比较前景与背景区域，获取候选阴影区域；

2)图像分割，获取每个阴影与其相连的部分图像区域；

3)统计每个区域的RGB最大变化度分布；

4)利用EM算法获取区域的混合高斯分布；

5)选取变化量最小的高斯分量作为阴影区域。

5.按照权利要求1所述的基于视频的混合交通流参数的检测方法，其特征在于所述的物体识别包括下列步骤：

1)选取前景图像；

2)进行物体分割；

3)特征提取；

4)进入特征登记阶段，该阶段为将样本特征存入样本数据库；

5)进入特征识别阶段，该阶段为利用物体的特征向量与样本库的特征向量进行比较识别。

6.按照权利要求5所述的基于视频的混合交通流参数的检测方法，其特征在于所述的特征提取包括下列步骤：

1)获取物体区域；

2)计算7个pq阶中心距、实际物体长度l、实际物体宽度w和w/l；

3)构成10维特征向量，作为运动物体的特征。

7.按照权利要求5所述的基于视频的混合交通流参数的检测方法，其特征在于所述的特征识别阶段包括下列步骤：

1)计算物体的特征向量与每个样本特征向量的相似距离测度；

2)获取最小距离；

3)分类判断。

Images