CN101499214B - 一种基于图像信息熵的交通参数自动提取方法 - Google Patents
一种基于图像信息熵的交通参数自动提取方法 Download PDFInfo
- Publication number
- CN101499214B CN101499214B CN2009101055778A CN200910105577A CN101499214B CN 101499214 B CN101499214 B CN 101499214B CN 2009101055778 A CN2009101055778 A CN 2009101055778A CN 200910105577 A CN200910105577 A CN 200910105577A CN 101499214 B CN101499214 B CN 101499214B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- mtr
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000005311 autocorrelation function Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002137 ultrasound extraction Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像信息熵的交通参数自动提取方法。首先,从彩色视频序列中提取图像帧,并利用混合高斯背景建模方法获得背景图像。其次,利用图像纹理信息对检测区域图像进行预处理。然后,利用图像信息熵与自适应阈值相结合的方法,进行车辆存在检测。最后,计算车辆数、交通流、车道占有率和空间平均速率三个交通参数。实施结果表明,本发明提出的方法解决了运动车辆阴影以及环境光线变化对交通参数提取造成干扰的问题,有效地提高了交通参数提取的准确性。
Description
技术领域
本发明涉及一种新的交通参数提取方法。该方法采用交通视频图像作为信息源,结合图像信息熵理论,提取多种交通参数。其中包括:交通流(Traffic flow)以及车道占有率(Occupancyratio),空间平均速率(Space mean speed)。
背景技术
随着机动车数量的不断增长和城市人口与面积的不断扩张,繁重的交通负担所带来的负面影响已经成为制约世界各国城市发展以及经济增长的主要问题之一。集中表现在交通拥堵严重,交通事故增加,能源消耗巨大,环境污染加重。
面对交通发展中所产生的种种问题,智能交通系统技术结合通信、电子、自动化和信号处理等先进技术,科学地协调和管理交通资源,使其应用率进一步提高,从而缓解和解决交通所面临的问题。主要表现在以下几个方面:
1)提高公路交通的安全性;
2)提高汽车运输效率和经济效益;
3)降低能源消耗,减少汽车运输对大气环境的影响。
交通参数提取是智能交通系统中的重要组成部分,它为有效地协调与管理交通资源提供了重要的数据参考。因此,如何实时并准确地获取交通参数具有重要的现实意义。传统的交通参数提取方法包括:超声波提取、红外提取和环形线圈提取等方法。其中,超声波提取的数据精度较低,容易受车辆遮挡和行人的影响,并且检测的距离短(一般不超过12m)。红外线提取的抗噪声能力不强,易受车辆本身热源影响,检测精度也较差。环形感应器的数据提取精度相对较高.但其安装需要破坏路面和土木结构,给大规模的施工与维护工作带来诸多不便。
与传统交通参数提取方法相比较,基于视频的交通参数提取技术具有以下优点:
1)视频传感器可获得更大范围,更丰富的车辆及交通场景信息;
2)视频传感器易于安装和调试,对路面和土木结构不会产生破坏,降低了施工成本;
3)交通参数提取更为灵活,且种类丰富。
目前,由于采用视频方式获取交通参数的方法优势明显,得到了广泛的研究与应用。
目的在实际的交通场景中,运动车辆阴影以及环境光线的变化会对基于视频的交通参数提取造成极大干扰,严重降低了参数提取的准确性和可靠性。为此,本发明提出了一种新的基于视频的交通参数提取方法,集中解决了上述交通参数提取过程中的问题,进一步提高了方法的准确性及鲁棒性。
发明内容
本发明主要分为四个部分,它们分别是:检测区域提取、预处理、车辆存在检测和交通参数计算,如图3所示。在接下来的章节中,对各部分内容中的基本原理以及工作流程进行详细说明。
1、检测区域提取
首先从交通视频序列F中读取当前RGB彩色图像帧Fn,并采用混合高斯背景建模方法提取背景图片Bn,然后从图像Fn及Bn中提取相应的检测区域图像FRn及BRn。其中,检测区域是长宽各为3米的正方形区域,如图1所示。
2、预处理:
经研究表明,图像纹理信息在不同光线条件下的差异很小,具有光照不变性。并且,图像块(image block)的纹理信息可以由自相关函数R进行描述,公式如下:
其中,u,v分别为m,n方向上的坐标,2M+1,2N+1为图像块I的尺寸,I(m,n)为坐标点(m,n)处像素点的像素值。
因此,在预处理阶段,将原始图像与背景图像进行纹理信息差分运算,从而提取运动车辆。这种方法不仅可有效地抑制运动阴影干扰,还可以解决光线变化产生图像噪点的问题。具体内容如下:
首先,将检测区域图像FRn和BRn由RGB色彩空间转换至YCbCr色彩空间,并提取亮度图像FRYn和BRYn;
然后,将亮度图像FRYn和BRYn做纹理均方差运算,过程如图2所示,公式如下:
其中,X,Y为图像尺寸,R(x,y)(u,v)是以(x,y)点为中心,尺寸为2M+1,2N+1的图像块内坐标为(u,v)处像素点的纹理自相关函数。
最后,根据dT与阈值τT的比较结果,生成二值图DBn,公式如下:
3、车辆存在检测
本发明将二值图像中像素值为1的像素点定义为动态点。当检测区域中不存在车辆时,动态点个数应为零。但考虑到图像噪点的影响,此时可能存在少量随机分布的动态点。反之,当车辆完全进入检测区域时,动态点的数量最多,且分布均匀。因此,本发明利用动态点的数量及分布均匀程度两种特性,进行区域内的车辆存在检测。具体内容如下:
首先,为了抑制局部噪点对检测结果的干扰,将二值图DBn均匀分成K个图块,并将动态图块的个数记为Kab。其中,动态图块是含有动态点的图块。
其次,采用概率因子Pv表征检测区域内动态点的数量,公式如下:
并采用图像信息熵H表征检测区域内动态点的分布均匀程度,公式如下:
其中,pi为各图块中动态点的出现概率,公式如下:
其中,Ni为第i个图块中动态点的数目,Ndz为整个检测区域内动态点的数目;
结合动态点的数量及分布均匀程度两种性质,采用概率因子Pv与图像信息熵H的乘积来表征车辆的呈现度,记为Wn,公式如下:
Wn=PV×H (7)
最后,将车辆呈现度Wn与阈值τn进行比较,从而判断检测区域内是否存在车辆。公式如下:
其中,In为第n帧检测结果标识符,用于表示当前帧的检测区域内是否存在车辆。
与此同时,在本发明中,采用一种自适应的计算方法来确定阈值τ的数值。公式如下:
4、计算交通参数
在本部分中,通过相应公式计算车辆数、交通流、车道占有率和空间平均速率四种交通参数。具体内容如下所述。
●车辆数Qcar
车辆数是指通过检测区域的车辆数量。在本发明中,将当前帧的标识符In与前一帧标识符In-1进行比较,从而确定车辆数Qcar是否累加,公式如下:
●交通流q
交通流是指在观测时间内,通过检测区域的交通实体数目,单位为辆/秒,计算公式如下:
其中,Td为观测时间。
●车道占有率O
车道占有率是指在道路的任一路段上,车辆通过检测区域的时间累计值与观测时间的比值,通常用百分比表示,计算公式如下:
其中,Tp为车辆通过检测区域的时间累计值,Nf为在观测时间Td内标识符I=1的帧数目,Fr为帧率;
●空间平均速率vs
空间平均速率是指交通实体通过的路程与通过这些路程所用时间的比值,计算公式如下:
其中,L为检测区域的长度,d为通过车辆的平均长度。
本发明优点:
1、与传统交通参数提取方法相比,本发明采用视频图像作为信息源,可获得更大范围和丰富的交通信息,从而提取更多种类的交通参数。同时,视频传感器易于安装和调试,对路面和土木结构不会产生破坏,降低了施工成本。
2、利用图像信息熵及图像纹理性质有效地消除了阴影干扰,提高了参数提取的精确度。
3、采用自适应的阈值计算方法,提高了参数提取算法的自适应性以及鲁棒性。
附图说明
检测区域设置(如图1)
本发明采用的纹理均方差运算方法示意图(如图2)
本发明提出的处理流程示意图(如图3)
具体实施方式
下面是对本发明提出的交通参数提取方法的具体实施案例。本实施案例并不限制本发明,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以作出若干改进和变化,这些改进和变化也应视为本发明的保护范围之内。
本实施案例运行在普通普通台式电脑上,具体配置如下:
CPU:Intel P4 1.7GHz
内存:1536M DDR333
操作系统:Windows XP Professional Edition
运行环境:The Mathworks Matlab R2008a
视频帧率:15帧/秒
视频分辨率:320×240
以下是案例实施的具体过程:
■步骤1:从彩色视频序列中读取一帧原始图像Fn,并采用混合高斯背景建模算法提取背景图像Bn;
■步骤2:分别从当前图像帧Fn与背景图像Bn中提取相应检测区域图像FRn和BRn;
■步骤3:将图像FRn和BRn由RGB色彩空间转换为YCrCb色彩空间,并提取亮度空间图像FRYn和BRYn:
■步骤4:将图像FRYn和BRYn做图像块纹理均方差运算,并将该结果进行二值化处理,从而得到二值图DBn;
■步骤5:计算检测区域内的车辆呈现度Wn以及自适应阈值τn;
■步骤6:比较数值Wn与τn,进行判断,检测区域内若存在车辆,则将标识符In置为1;若检测区域内不存在车辆,则将标识符In置为0;
■步骤7:从视频序列中新读入一帧原始图像Fn+1,重复执行步骤2至步骤6,最终得到标识符结果为In+1;
■步骤8:通过比较In+1与In,判定车辆数Qcar是否进行累加。之后,计算交通流q,车道占有率O,空间平均速率vs三个交通参数。
使用上述实施案例对随机选取的五段视频进行测试,处理结果如表1所示:
表1对随机选取的五段视频的处理结果比较
Claims (2)
1.一种基于图像信息熵的交通参数自动提取方法,其特征在于,所述方法包括:
1)从彩色视频序列中读取一帧原始图像Fn,并采用混合高斯背景建模算法提取背景图像Bn;
2)分别从当前图像帧Fn与背景图像Bn中提取相应检测区域图像FRn和BRn;
3)将图像FRn和BRn由RGB色彩空间转换为YCrCb色彩空间,并提取亮度空间图像FRYn和BRYn;
4)将图像FRYn和BRYn做纹理均方差运算,并将该结果进行二值化处理,从而得到二值图DBn;纹理均方差运算的方法为:
其中,X,Y为图像尺寸,R(x,y)(u,v)的计算方法为:
其中,u,v分别为m,n方向上的坐标,2M+1,2N+1为图像块的尺寸,I(m,n)为坐标点(m,n)处像素点的像素值;二值图DBn的计算方法为:
其中,τT是设定阀值;
5)计算检测区域内的车辆呈现度Wn以及自适应阈值τn;车辆呈现度Wn的计算方法为:
Wn=PV×H
其中,Pv的计算方法为:
其中,Kab为动态图块的个数,动态图块为含有动态点的图块,动态点定义为二值图DBn中像素值为1的像素点,K为检测区域所分成的图块个数;
H的计算方法为:
6)比较数值Wn与τn,进行判断,检测区域内若存在车辆,则将当前帧标识符In置为1;若检测区域内不存在车辆,则将当前帧标识符In置为0;Wn与τn的比较方法为:
7)从视频序列中新读入一帧原始图像Fn+1,重复执行步骤2至步骤6,最终得到标识符结果为In+1;
8)通过比较In+1与In,判定车辆数Qcar是否进行累加,并相继计算交通流q,车道占有率O,空间平均速率vs三项交通参数;
9)车辆数Qcar的计算方法为:
其中In-1为前一帧标识符,In为当前帧标识符;
10)交通流q的计算方法为:
其中,Td为观测时间;
11)车道占有率O的计算方法为:
其中,Tp为车辆通过检测区域的时间累计值,Nf为在观测时间Td内标识符In=1的帧数目,Fr为帧率;
12)空间平均速率vs的计算方法为:
其中,L为检测区域的长度,d为通过车辆的平均长度。
2.根据权利要求1所述的一种基于图像信息熵的交通参数自动提取方法,其特征在于,步骤2)所述的,检测区域是宽度为3米,长度为3米的正方形区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101055778A CN101499214B (zh) | 2009-02-27 | 2009-02-27 | 一种基于图像信息熵的交通参数自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101055778A CN101499214B (zh) | 2009-02-27 | 2009-02-27 | 一种基于图像信息熵的交通参数自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101499214A CN101499214A (zh) | 2009-08-05 |
CN101499214B true CN101499214B (zh) | 2011-05-11 |
Family
ID=40946274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009101055778A Expired - Fee Related CN101499214B (zh) | 2009-02-27 | 2009-02-27 | 一种基于图像信息熵的交通参数自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101499214B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136195B (zh) * | 2011-03-28 | 2013-05-01 | 长安大学 | 一种基于图像纹理检测道路交通状况的方法 |
CN102409599B (zh) * | 2011-09-22 | 2013-09-04 | 中国科学院深圳先进技术研究院 | 道路路面检测方法及系统 |
CN106204710A (zh) * | 2016-07-13 | 2016-12-07 | 四川大学 | 基于图像二维信息熵的纹理块映射到三维网格模型的方法 |
CN109118481B (zh) * | 2018-07-27 | 2019-08-30 | 上海鲀鱼数码科技有限公司 | 计算机熵值提取方法 |
-
2009
- 2009-02-27 CN CN2009101055778A patent/CN101499214B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101499214A (zh) | 2009-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103914688B (zh) | 一种城市道路障碍物识别系统 | |
CN106373430B (zh) | 一种基于计算机视觉的交叉路口通行预警方法 | |
CN103093249B (zh) | 一种基于高清视频的出租车识别方法及系统 | |
CN101916383B (zh) | 基于多摄像机的车辆检测跟踪识别系统 | |
CN102819952B (zh) | 一种基于视频检测技术的车辆违法变道检测方法 | |
CN106934374B (zh) | 一种雾霾场景中交通标识牌的识别方法及系统 | |
CN103488975B (zh) | 一种基于智能驾驶的斑马线实时检测的方法 | |
CN110619279B (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
Hong et al. | Highway crack segmentation from unmanned aerial vehicle images using deep learning | |
CN108269407B (zh) | 一种自动管理人流、物流的安防机器人 | |
CN106951898B (zh) | 一种车辆候选区域推荐方法及系统、电子设备 | |
Chong et al. | Integrated real-time vision-based preceding vehicle detection in urban roads | |
CN102289940A (zh) | 一种基于混合差分的车流量检测方法 | |
CN102243705B (zh) | 基于边缘检测的车牌定位方法 | |
Yang et al. | A vehicle license plate recognition system based on fixed color collocation | |
CN113822285A (zh) | 一种用于复杂应用场景的车辆违停识别方法 | |
CN106919939B (zh) | 一种交通标识牌跟踪识别方法及系统 | |
CN108922176B (zh) | 一种混合交通冲突态势的快速判断方法 | |
CN101499214B (zh) | 一种基于图像信息熵的交通参数自动提取方法 | |
CN109117702A (zh) | 目标车辆的检测与跟踪计数方法及系统 | |
CN110321855A (zh) | 一种雾天检测预警装置 | |
Qu et al. | Human-vehicle collision detection algorithm based on image processing | |
CN106056926B (zh) | 基于动态虚拟线圈的视频车速检测方法 | |
CN111523385A (zh) | 一种基于帧差法的静止车辆检测方法及系统 | |
CN114708560B (zh) | 一种基于yolox算法的违章停车检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110511 Termination date: 20140227 |