CN101936730A - 车辆排队长度检测的方法及装置 - Google Patents

Abstract

本发明实施例公开一种车辆排队长度检测的方法及装置，涉及智能交通领域，提高了车辆排队长度检测的准确性。包括：获取一帧交通道路图像；识别并判断所述交通道路图像的拍摄场景；当判断出所述交通道路图像的拍摄场景为白天时，采用结合三帧差法和形态学的第一检测方法检测出排队车辆队列，并计算所述排队车辆队列的长度；当判断出所述交通道路图像的拍摄场景为夜晚时，采用基于车灯的第二检测方法检测出排队车辆队列，并计算所述排队车辆队列的长度。本发明实施例应用在车辆排队长度检测时，针对白天和夜晚各自的特点，分别采用不同的车辆排队检测算法，可以实现在白天和夜晚都准确地检测出车辆排队情况，从而提高车辆排队长度检测的准确性。

Description

车辆排队长度检测的方法及装置

技术领域

本发明涉及智能交通领域，尤其涉及一种车辆排队长度检测的方法及装置。

背景技术

在智能交通系统中，通过车辆排队长度检测可以检测出某个车道是否存在车辆排队现象，当存在车辆排队时，可以计算出排队车辆形成的队列长度。

现有技术提供一种车辆排队长度检测方法在实现车辆排队检测时，采用移动窗口机制，对每个子窗口的检测又分为车辆运动检测和车辆存在检测两步进行。如，通过提取检测窗口内图像的边缘信息判断是否有车辆存在，或者通过提取车辆垂直于路轴方向上的边缘实现车辆存在检测。现有技术还提供一种采用形态学方法提取边缘，并利用一个伸缩窗实现了车辆排队检测。

然而，发明人发现白天车辆的边缘信息通常比较明显，现有的方法可以取得很好的车辆排队长度检测效果，当夜晚来临时，光线变得较暗，车辆边缘信息锐减，采用边缘信息进行车辆存在检测时，容易造成检测到的车辆排队长度结果不准确。尤其发生雨雪天气后，由于潮湿路面反光或路面的不平整，当车灯照在路面上时会检测出大量的边缘信息，造成车辆排队长度检测结果的不准确。

发明内容

本发明的实施例提供一种车辆排队长度检测的方法及装置，提高车辆排队长度检测的准确性。

为达到上述目的，本发明的实施例采用如下技术方案：

一种车辆排队长度检测的方法，包括：

获取一帧交通道路图像；

识别并判断所述交通道路图像的拍摄场景；

当判断出所述交通道路图像的拍摄场景为白天时，采用结合三帧差法和形态学的第一检测方法检测出排队车辆队列，并计算所述排队车辆队列的长度；

当判断出所述交通道路图像的拍摄场景为夜晚时，采用基于车灯的第二检测方法检测出排队车辆队列，并计算所述排队车辆队列的长度。

一种车辆排队长度检测的装置，包括：

获取单元，用于获取一帧交通道路图像；

识别单元，识别并判断所述交通道路图像的拍摄场景；

第一检测单元，用于当所述识别单元判断出所述交通道路图像的拍摄场景为白天时，采用结合三帧差法和形态学的第一检测方法检测出排队车辆队列；

第二检测单元，用于当所述识别单元判断出所述交通道路图像的拍摄场景为夜晚时，采用基于车灯的第二检测方法检测出排队车辆队列；

计算单元，用于计算所述第一检测单元或第二检测单元检测出的排队车辆队列的长度。

本发明实施例所提供的车辆排队长度检测的方法，可以判断出当前处理的交通道路图像所属的拍摄场景为白天还是夜晚，针对白天和夜晚分别采取不同的车辆排队长度检测方法。在白天光照条件下，利用清晰的车辆边缘信息，结合三帧差法和形态学边缘检测来进行车辆排队检测；在夜晚场景下，采用车灯这一显著特征进行车辆排队检测，在白天和夜晚都可以准确地检测出车辆排队情况。与现有技术在白天和夜晚采用相同的车辆长度检测方法，容易导致夜晚检测车辆排队长度时产生误差相比，本发明实施例提高了车辆排队长度检测的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种车辆排队长度检测的方法的流程图；

图2为本发明实施例提供的另一种车辆排队长度检测的方法的流程图；

图3为本发明实施例提供的结合三帧差法和形态学的第一检测方法的流程图；

图4为本发明实施例采取图3所示的方法进行车辆排队检测示意图；

图5为本发明实施例提供的基于车灯的第二检测方法的流程图；

图6为本发明实施例采取图5所示的方法进行车辆排队检测示意图；

图7为本发明实施例中建立的摄像机模型的示意图；

图8为本发明实施例中进行摄像机标定的示意图；

图9为本发明实施例提供第一种车辆排队长度检测的装置的结构图；

图10为本发明实施例提供第二种车辆排队长度检测的装置的结构图；

图11为本发明实施例提供第三种车辆排队长度检测的装置的结构图；

图12为采用本发明实施例提供的车辆排队长度检测方法进行车辆检测实验的结果示意图。

具体实施方式

本发明实施例中车辆排队长度检测的方法，可以针对白天和夜晚分别采用不同的车辆排队长度检测方法，在白天和夜晚都可以准确地检测到车辆排队长度。如图1所示，该方法包括如下步骤：

101、获取一帧交通道路图像。

该交通道路图像可以为全天中任何一个时间检测到的交通道路图像。

102、识别并判断所述交通道路图像的拍摄场景。

本发明实施例中，将交通道路图像的拍摄场景划分为两种：白天和夜晚。当然也可以根据不同光照条件对全天各个不同时间获取的交通道路图像进行更为详细的划分，在这里不做限制。

103、当判断出所述交通道路图像的拍摄场景为白天时，采用结合三帧差法和形态学的第一检测方法检测出排队车辆队列，并计算所述排队车辆队列的长度。

由于白天光线通常较为充足，采用三帧差法可以减小噪声干扰，较快地检测出是否存在车辆运动的情况，基于形态学的边缘检测算法受噪声干扰小，可以较准确地检测出是否存在车辆。

104、当判断出所述交通道路图像的拍摄场景为夜晚时，采用基于车灯的第二检测方法出排队车辆队列，并计算所述排队车辆队列的长度。

由于晚上车辆的边缘信息不太清晰，采用现有的方法检测车辆边缘信息常常导致检测结果出现误差，因而，本发明实施例中在夜晚的交通道路图像中采用车灯这一显著的技术特征进行车辆排队检测，可以取得较好的检测效果。

由于本发明实施例根据白天和夜晚各自的特点，在白天光照条件下，采用三帧差法和形态学边缘检测通过检测清晰的车辆边缘信息可以得到准确的车辆排队检测结果；在夜晚场景下，采用车灯这一显著特征进行车辆排队检测的准确度要高于利用车辆边缘信息进行检测得出的结果，因而，本发明实施例在白天和夜晚都可以准确地检测出车辆排队情况，而现有方法在白天和夜晚采用相同的车辆长度检测方法，虽然在白天利用车辆边缘信息可以准确地检测出车辆排队长度，然而在夜晚仍然利用车辆边缘信息检测车辆排队长度时常常出现误差，与现有技术相比，本发明实施例提供的方法可以提高车辆排队长度检测的准确性。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图2所示的本发明实施例提供一种车辆排队长度检测的方法，包括如下步骤：

201、获取一帧交通道路图像。

202、根据kNN算法(K最近邻分类算法)识别并判断所述交通道路图像的拍摄场景。

由于亮度的不同，白天的交通道路图像和夜晚的交通道路图像各自的灰度直方图存在较大差异。白天的交通道路图像的灰度值集中在灰度直方图的中值附近，而夜晚的交通道路图像的灰度值集中在灰度较小的一端，或者在车灯等光源较多的情况下，灰度值分布在直方图的两端。具体应用过程中可以利用灰度直方图的相关系数作为距离值，采用kNN方法来实现交通道路图像拍摄场景的识别和判断。

下面，首先介绍一下灰度直方图的相关系数的计算。

给定两帧图像f₁和f₂，分别定义f₁对应的灰度直方图为H₁，f₂对应的灰度直方图为H₂，其相关系数的计算公式为：

$d_{\mathrm{correl}}(H_1,H_2)=\frac{\underset{i=1}{\overset{256}{\mathrm{\Σ}}}{H}_1^{\′}\left(i\right)\·H_2^{\′}\left(i\right)}{\sqrt{\underset{i=1}{\overset{256}{\mathrm{\Σ}}}{H}_1^{\′2}\left(i\right)\·H_2^{\′2}\left(i\right)}}---\left(1\right)$

其中， $H_k^{\′}\left(i\right)=H_k\left(i\right)-(1/256)\left(\underset{j=1}{\overset{256}{\mathrm{\Σ}}}{H}_k\left(j\right)\right).$

当相关系数越大时，图像f₁和f₂越匹配。例如，当d_correl(H₁，H₂)为1，则说明图像f₁和图像f₂完全匹配。又如，当d_correl(H₁，H₂)为-1时，则说明图像f₁和图像f₂完全不匹配。

基于上述灰度直方图的相关系数，本发明实施例可以采用kNN算法识别并判断出所述交通道路图像的所属拍摄场景，具体实现过程可以如图2中的步骤202所示，包括如下子步骤：

202A、获取样本集。

每隔10分钟选取一张交通道路图像，分别设置白天拍摄场景的交通道路图像对应的标识为0、夜晚拍摄场景的的交通道路图像对应的标识为1。依次计算上述每一张交通道路图像的灰度直方图，所有这些灰度直方图组成样本集H。所述样本集的大小可以为k+1。

202B、将步骤201中获取的交通道路图像表示为f，计算其灰度直方图H_f；

202C、依次计算所述交通道路图像的灰度直方图H_f与所述样本集中的每个灰度直方图h的相关系数d_correl(H_f，h)，其中h∈H，并按照所述相关系数从大到小的次序，依次取出前k个相关系数对应的灰度直方图h的标识，记为label(i)，i＝1…k。

实际检测中，kNN算法中的k大于等于1，所述k的取值可以为3或5。

202D、根据

计算所述k个标识之和。

如果sum≤k/2，所述交通道路图像所属拍摄场景为白天；如果sum＞k/2，所述交通道路图像所属拍摄场景为夜晚。由此可以判断出上述步骤201中所获取的交通道路图像所属拍摄场景。

203、采用步骤202的KNN方法，当判断出所述交通道路图像的拍摄场景为白天时，采用结合三帧差法和形态学的第一检测方法检测出排队车辆队列。

在白天光照条件下，车辆的边缘信息和运动信息容易获取，采用结合三帧差法和形态学的第一检测方法进行车辆排队检测可以获得较准确地检查结果。具体应用过程中，如图3所示，结合三帧差法和形态学的第一检测方法可以分为如下步骤进行：

203A、在步骤201中获取的交通道路图像上设定检测区域，在所述检测区域中设有从所述检测区域的前端向后端移动的移动检测窗，所述移动检测窗移动的起始位置对应排队车辆队列的队头位置，所述移动检测窗移动的终止位置对应排队车辆队列的队尾位置。

203B、根据三帧差法在所述检测区域内的移动检测窗中进行车辆运动检测。具体应用过程中，三帧差法的计算公式表示如下：

${\mathrm{df}}_{12}(x,y)=\left\{\begin{array}{cc}1& |f_1(x,y)-f_2(x,y)|>T\\ 0& \mathrm{otherwise}\end{array}\right.---\left(2\right)$

${\mathrm{df}}_{23}(x,y)=\left\{\begin{array}{cc}1& |f_2(x,y)-f_3(x,y)|>T\\ 0& \mathrm{otherwise}\end{array}\right.---\left(3\right)$

$\mathrm{df}(x,y)=\left\{\begin{array}{cc}1& {\mathrm{df}}_{12}(x,y)=1\mathrm{and\; d}{f}_{23}(x,y)=1\\ 0& \mathrm{otherwise}\end{array}\right.---\left(4\right)$

其中，f₁、f₂、f₃为连续的三帧图像，f(x，y)表示图像f中位置(x，y)处的像素值，df₁₂为第一帧和第二帧的帧差结果，df₂₃为第二帧和第三帧的帧差结果，df为最终的帧差结果，T为一设定的阈值，一般取7左右能达到较好的效果。

得到三帧差结果df后，可以进行是否有车辆运动的判断。定义N(D)为df中位于所述移动检测窗内的运动像素数，即值为1的像素数，N(A)为当前检测窗内的像素总数，定义N(D)与N(A)的比率如下：

$p_m=\frac{N\left(D\right)}{N\left(A\right)}---\left(5\right)$

当p_m大于预定的阈值T_m时，则说明所述移动检测窗内有车辆运动；

当p_m不大于预定的阈值T_m时，说明无车辆运动，具体实施时，T_m可取为0.1。

另外，现有技术在进行车辆运动检测时，通常采用的方法有三种：帧差法、背景差法和光流法。其中，帧差法对环境变化具有很强的适应性，但是往往不能检测出完整的运动物体。背景差法可以提取出最完整的前景图像，但是对光照等环境的变化很敏感。光流法可以在摄像机运动的情况下检测出运动物体，但是计算复杂度高，耗时多。本发明实施例中采用三帧差法进行车辆运动检测时，可以减少噪声干扰，提高检测的准确性。

203C、当检测到所述移动检测窗中有车辆运动时，此时说明该移动检测窗中不存在排队车辆，所述移动检测窗在所述检测区域内向后移动一个位置，使得排队车辆的队列变短。

203D、当检测到所述移动检测窗中无车辆运动时，此时有两种可能的情况，一种情况是没有车辆运动，同时也不存在车辆；另一个情况是没有车辆运动，但存在车辆，这种情况说明是由车辆排队造成的。为了确定是否存在车辆，本步骤根据形态学的边缘检测方法在所述移动检测窗中进行车辆存在检测。

具体可以采用如下步骤进行车辆存在检测：

首先，对步骤201中获取的交通道路图像f进行中值滤波，得到滤波后的交通道路图像f_m，然后对f_m进行膨胀和腐蚀，并计算腐蚀膨胀差得到边缘交通道路图像f_e：

f_e＝d(f_m)-e(f_m)         (6)

其中，d(f_m)和e(f_m)分别表示对交通道路图像f_m进行膨胀和腐蚀操作。

之后，对f_e进行二值化处理得到二值化的边缘交通道路图像f_be：

$f_{\mathrm{be}}(x,y)=\left\{\begin{array}{cc}1& f_e(x,y)>T\\ 0& \mathrm{otherwise}\end{array}\right.---\left(7\right)$

T可取30。

记N(E)为f_be中位于所述移动检测窗内的边缘像素数，即f_be中值为1的像素数，N(A)为所述移动检测窗内的像素总数，定义N(E)与N(A)比率p_e为：

$p_e=\frac{N\left(E\right)}{N\left(A\right)}---\left(8\right)$

若p_e大于预先设定的阈值T_e，则说明检测窗内有车辆存在；否则说明无车辆存在。T_e的值可以随检测窗距离摄像头的距离变远而变大，例如，第一个检测窗的T_e可设为0.1，下一个窗口的阈值设为前一个的1.1倍，但最大不超过0.5。

另外，现有的车辆存在检测方法大部分是基于梯度或者统计学方法的。基于梯度的边缘检测方法对交通道路图像中的噪声很敏感，而基于统计学的边缘检测技术无法检测到细的边缘。本发明实施例所采用的形态学的边缘检测算法，受噪声干扰较小，可以较准确地检测出车辆边缘信息。

203E、当检测到所述移动检测窗中存在车辆时，说明有车辆排队的情况，此时所述移动检测窗在所述检测区域内向前移动一个位置，排队车辆队列的长度会增加。

203F、当检测到所述移动检测窗中无车辆运动，并且当检测到所述移动检测窗中不存在车辆时，所述移动检测窗在所述检测区域内向后移动一个位置，此时排队车辆队列的长度会减少。

在实际检测中，为了增加检测的稳定性，记t时刻的当前检测窗标号为W_n(t)，并且检测窗标号从所述排队车辆形成队列的队头到队尾由1到N逐渐增大。优选的，选取t时刻之前的连续T帧，比如T可取20进行检测，以判断所述移动检测窗口是否有排队。

具体检测过程如下：计算当前检测窗的p_m和p_e；

如果连续T帧p_m大于一定阈值T_m，说明存在运动车辆，当前检测窗标号减1，即W_n(t)＝W_n(t-T)-1，此时所述移动检测窗在所述检测区域内向所述排队车辆形成队列的队头方向减少一个位置；

如果连续T帧p_m小于一定阈值T_m并且p_e小于一定阈值T_e，说明无车辆存在，那么当前检测窗标号减1，即W_n(t)＝W_n(t-T)-1，此时所述移动检测窗在所述检测区域内向所述排队车辆形成队列的队头方向减少一个位置；

如果连续T帧p_m小于一定阈值T_m并且p_e大于一定阈值T_e，说明车辆无运动且有车辆存在，那么当前检测窗标号加1，即W_n(t)＝W_n(t-T)+1，所述移动检测窗在所述检测区域内向所述排队车辆形成队列的队尾方向增加一个位置。

在其他的情况下，当前检测窗标号保持不变，即W_n(t)＝W_n(t-T)。上述检测过程可以采用如下公式进行表示：

如图4所示的队列变化示意图，在检测车道上设置要检测的区域，利用一个长度约为一辆车长度的检测窗，由检测区域的前端逐渐向后移动进行检测，图中的黑色检测框表示对当前检测窗进行车辆运动检测，白色检测框表示对当前检测框进行车辆存在检测。同时由于三维坐标空间到二维图像坐标变换的结果，距离摄像机越远的地方检测窗的长度越小。在当前检测窗内，进行运动检测和车辆存在检测，若检测到当前检测窗内无运动并且存在车辆，则说明有车辆排队，检测窗向前移动一个位置，队列变长，否则检测窗向后移动，队列变短，继续检测。实验结果表明对检测窗长度的要求并不严格，可以根据实际检测效果调节检测窗大小。

204、上述步骤203描述了白天场景下，采用结合三帧差法和形态学的第一检测方法检测出排队车辆队列的过程。

本步骤将详细描述当判断出所述交通道路图像所属拍摄场景为夜晚时，采用基于车灯的第二检测方法进行车辆排队检测的过程，如图5所示，具体步骤如下：

204A、在所述获取的交通道路图像上设定检测区域，在所述检测区域中设有从所述检测区域的前端向后端移动的移动检测窗，所述移动检测窗移动的起始位置对应排队车辆队列的队头位置，所述移动检测窗移动的终止位置对应排队车辆队列的队尾位置。

204B、在所述检测区域内，利用移动检测窗检测从该检测区域的前端逐渐向后端移动，在所述移动检测窗中检测是否存在车灯。

通常，夜晚道路情况是黑暗的背景、明亮的车灯和其他干扰光源，比如路面反光，路灯以及路标反光等。根据夜晚道路环境，去除干扰光源是车灯检测的重要部分，车灯检测步骤如下：

首先，对给定的灰度图像f进行二值化处理得到二值图像f_b：

$f_b(x,y)=\left\{\begin{array}{cc}1& f(x,y)>T\\ 0& \mathrm{otherwise}\end{array}\right.---\left(10\right)$

之后，对f_b进行腐蚀膨胀运算，去掉小的噪声，得到f_o，其中的b为结构元素：

f₀＝(f_beb)⊕b                    (11)

其中的e和⊕分别表示腐蚀和膨胀运算。

对f_o进行连通域分析，得到各连通域的外接矩形R_i。通过R_i的宽和高初步判断R_i是否为车灯，滤掉部分干扰光源，判断公式如下：

其中T_wl、T_wh、T_hl和T_hh为设定的阈值。

由于车灯的外接矩形应该近似为正方形，根据公式12通过对R_i宽高比AR_i的限定，可以进一步滤除干扰光源，

$\mathrm{IsHeadLight}=\left\{\begin{array}{cc}\mathrm{true}& T_L<{\mathrm{AR}}_i<T_U\\ \mathrm{false}& \mathrm{otherwise}\end{array}\right.---\left(13\right)$

通过上面几步的处理，车灯被检测到，绝大部分干扰光源可以被滤除。在进行车灯检测时，由于车灯很亮，我们在二值化时应该把T阈值取为250左右，这样可以去除大部分干扰光源。高和宽阈值的大小根据与摄像机的距离分段设定，高宽比AR_i限定为0.5到2之间。在采用大量夜晚视频进行实际测试过程中，采用上述车灯检测算法具有很强的鲁棒性，能检出绝大部分车灯，并且误检很少。

现有技术中也有一种用车灯作为特征检测车辆的方法，但需要采用了一定的匹配方法来判断出属于同一辆车的车灯。本发明实施例中，检测出一辆车的任何一个车灯就可以进行车辆排队检测，减少了车灯的匹配处理开销。

204C、与白天场景下的车辆排队长度检测方法类似，在当前所述交通道路图像之前的连续指定帧数的图像中均检测到固定区域存在车灯时，移动检测窗在所述检测区域内向前移动一个位置，所述固定区域在所述获取的交通道路图像上位于所述检测区域内的移动检测窗中。

204D、在所述连续指定帧数的图像中没有检测到固定区域存在车灯时，所述移动检测窗在所述检测区域内向后移动一个位置。

如图6所示的夜晚场景下的车辆排队长度检测示意图，黑色方框表示当前检测框，白色方框表示检测到的排队车辆形成的队列。在当前检测窗内，若连续T帧(T可取20)都检测到某个固定小区域内有车灯，则认为此检测窗内有车辆在排队，检测窗向前移动一个位置，队列变长，否则检测窗向后移动一个位置，队列变短，继续检测。该检测过程可以表示为：

$W_n\left(t\right)=\left\{\begin{array}{cc}{W}_n(t-T)+1& \mathrm{HasLight\; in\; some\; fixed}\\ & \mathrm{area\; from\; t}-\mathrm{T\; tot}\\ W_n(t-T)-1& \mathrm{otherwise}\end{array}\right.---\left(14\right)$

上述步骤203中在白天场景下检测到排队车辆队列长度后，还需要计算所述队列的长度。同样上述步骤204中在夜晚场景下检测到排队车辆队列长度后，也需要计算所述排队车辆队列的长度。

下面的步骤205将详细描述如何计算检测出的排队车辆队列的长度。

205、计算检测出的排队车辆队列的长度。

具体实施过程中，计算排队车辆队列的实际长度时，需要建立摄像机的透视模型，标定出摄像机的内外参数，建立三维世界坐标和二维图像坐标间的关系。本发明实施例选择传统摄像机标定方法，利用车道线和车道的宽度进行摄像机标定，此方法不需要标定块，不需要任何摄像机的已知信息，且可以标定出所需的各个摄像机参数，简单实用，并具有很高的准确性。下面介绍具体标定过程。

首先，建立摄像机模型，如图7所示，要标定的摄像机参数为平移角p、倾斜角t、旋转角s、焦距f和摄像机距离l。标定中需要用到一个矩形和其一条边的宽，如图8中所示的矩形ABCD和宽w，所述矩形ABCD可以通过连接两段车道线的端点得到。上述要标定的摄像机各个参数的计算公式为：

$\tan s=\frac{\begin{array}{c}-Y_{\mathrm{AB}}{Y}_{\mathrm{AC}}{Z}_{\mathrm{BD}}{X}_{\mathrm{CD}}+Y_{\mathrm{AC}}{X}_{\mathrm{BD}}{Y}_{\mathrm{AB}}{Z}_{\mathrm{CD}}+Y_{\mathrm{CD}}{Z}_{\mathrm{AB}}{Y}_{\mathrm{BD}}{X}_{\mathrm{AC}}-Y_{\mathrm{AB}}{Z}_{\mathrm{CD}}{Y}_{\mathrm{BD}}{X}_{\mathrm{AC}}\\ {-Y}_{\mathrm{CD}}{Y}_{\mathrm{BD}}{Z}_{\mathrm{AC}}{X}_{\mathrm{AB}}-Y_{\mathrm{AC}}{Z}_{\mathrm{AB}}{X}_{\mathrm{BD}}{Y}_{\mathrm{CD}}+Y_{\mathrm{AB}}{Z}_{\mathrm{AC}}{Y}_{\mathrm{BD}}{X}_{\mathrm{CD}}+Y_{\mathrm{CD}}{Y}_{\mathrm{AC}}{Z}_{\mathrm{BD}}{X}_{\mathrm{AB}}\end{array}}{\begin{array}{c}{-Y}_{\mathrm{AB}}{Z}_{\mathrm{AC}}{X}_{\mathrm{BD}}{X}_{\mathrm{CD}}+Y_{\mathrm{AC}}{Z}_{\mathrm{AB}}{X}_{\mathrm{BD}}{X}_{\mathrm{CD}}-Y_{\mathrm{AC}}{X}_{\mathrm{BD}}{X}_{\mathrm{AB}}{Z}_{\mathrm{CD}}-X_{\mathrm{AC}}{Z}_{\mathrm{BD}}{Y}_{\mathrm{CD}}{X}_{\mathrm{AB}}\\ -X_{\mathrm{CD}}{Z}_{\mathrm{AB}}{Y}_{\mathrm{BD}}{X}_{\mathrm{AC}}+Y_{\mathrm{AB}}{X}_{\mathrm{AC}}{Z}_{\mathrm{BD}}{X}_{\mathrm{CD}}+X_{\mathrm{AB}}{Z}_{\mathrm{CD}}{Y}_{\mathrm{BD}}{X}_{\mathrm{AC}}+X_{\mathrm{BD}}{Z}_{\mathrm{AC}}{Y}_{\mathrm{CD}}{X}_{\mathrm{AB}}\end{array}}---\left(15\right)$

$\sin t=-\sqrt{\frac{\begin{array}{c}[(X_{\mathrm{BD}}{Z}_{\mathrm{AC}}-X_{\mathrm{AC}}{Z}_{\mathrm{BD}})\sin s+(Y_{\mathrm{BD}}{Z}_{\mathrm{AC}}-Y_{\mathrm{AC}}{Z}_{\mathrm{BD}})\cos s]\\ \&times;[(X_{\mathrm{CD}}{Z}_{\mathrm{AB}}-X_{\mathrm{AB}}{Z}_{\mathrm{CD}})\sin s+(Y_{\mathrm{CD}}{Z}_{\mathrm{AB}}-Y_{\mathrm{AB}}{Z}_{\mathrm{CD}})\cos s]\end{array}}{\begin{array}{c}[(X_{\mathrm{CD}}{Z}_{\mathrm{AB}}-X_{\mathrm{AB}}{Z}_{\mathrm{CD}})\cos s+(Y_{\mathrm{AB}}{Z}_{\mathrm{CD}}-Y_{\mathrm{CD}}{Z}_{\mathrm{AB}})\sin s]\\ \&times;[(Y_{\mathrm{BD}}{Z}_{\mathrm{AC}}-Y_{\mathrm{AC}}{Z}_{\mathrm{BD}})\sin s+(X_{\mathrm{AC}}{Z}_{\mathrm{BD}}-X_{\mathrm{BD}}{Z}_{\mathrm{AC}})\cos s]\end{array}}}---\left(16\right)$

$\tan p=\frac{\sin t[(Y_{\mathrm{BD}}{Z}_{\mathrm{AC}}-Y_{\mathrm{AC}}{Z}_{\mathrm{BD}})\sin s+(X_{\mathrm{AC}}{Z}_{\mathrm{BD}}-X_{\mathrm{BD}}{Z}_{\mathrm{AC}})\cos s]}{[(X_{\mathrm{BD}}{Z}_{\mathrm{AC}}-X_{\mathrm{AC}}{Z}_{\mathrm{BD}})\sin s+(Y_{\mathrm{BD}}{Z}_{\mathrm{AC}}-Y_{\mathrm{AC}}{Z}_{\mathrm{BD}})\cos s]}---\left(17\right)$

$f=\frac{{-Z}_{\mathrm{AB}}\sin p\cos t}{X_{\mathrm{AB}}\cos p\sin s-X_{\mathrm{AB}}\sin p\sin t\cos s+Y_{\mathrm{AB}}\cos p\cos s+Y_{\mathrm{AB}}\cos p\cos s+Y_{\mathrm{AB}}\sin p\sin t\sin s}---\left(18\right)$

$\begin{array}{c}l=\frac{w(f\sin t+x_A\cos t\sin s+y_A\cos t\cos s)(f\sin t+x_C\cos t\sin s+y_c\cos t\cos s)}{-(f\sin t+x_A\cos t\sin s+y_A\cos t\cos s)}\\ (x_C\cos p\sin s-x_C\sin p\sin t\cos s+y_C\cos p\cos s+y_C\sin p\sin t\sin s)\\ +(f\sin t+x_C\cos t\sin s+y_C\cos t\cos s)\\ (x_A\cos p\sin s-x_A\sin p\sin t\cos s+y_A\cos p\cos s+y_A\sin p\sin t\sin s)\end{array}---\left(19\right)$

其中：(x_A，y_A)、(x_B，y_B)、(x_C，y_C)、(x_D，y_D)分别为A、B、C、D四点的坐标。w为A、B两点的实际距离，即车道的宽。

X_AB＝x_B-x_A，Y_AB＝y_B-y_A，Z_AB＝x_Ay_B-x_By_A，

X_AC＝x_C-x_A，Y_AC＝y_C-y_A，Z_AC＝x_Ay_C-x_Cy_A，

X_BD＝x_D-x_B，Y_BD＝y_D-y_B，Z_BD＝x_By_D-x_Dy_B，

X_CD＝x_D-x_C，Y_CD＝y_D-y_C，Z_CD＝x_Cy_D-x_Dy_C.

通过进行摄像机的标定，建立二维图像坐标到三维世界坐标的转换关系。由于车辆队列长度计算不需要高度信息，本发明实施例假设道路平面为z＝0的平面，记路面上的某个点的图像坐标为(u，v)，则其对应的世界坐标为(x，y，0)。x和y的计算公式分别如下：

$x=\frac{l\sin p(u\sin s+v\cos s)+l\sin t\cos p(u\cos s-v\sin s)}{u\cos t\sin s+v\cos t\cos s+f\sin t}---\left(20\right)$

$y=\frac{-l\cos p(u\sin s+v\cos s)+l\sin p\sin t(u\cos s-v\sin s)}{u\cos t\sin s+v\cos t\cos s+f\sin t}---\left(21\right)$

之后，获得在白天场景下或者夜晚场景下检测到的车辆队列的队头坐标和队尾坐标，假设队头在所述获取的交通道路图像上的坐标为(u₁，v₁)，队尾在所述获取的交通道路图像上的坐标为(u₂，v₂)，由上述交通道路图像坐标到世界坐标的转换关系，根据公式20和21可以计算出它们对应的世界坐标系坐标(x₁，y₁，0)和(x₂，y₂，0)队列长度L的计算公式如下：

$L=\sqrt{{(x_1-x_2)}^2+{(y_1-y_2)}^2}---\left(22\right)$

如上描述的车辆排队长度检测的方法，在白天和夜晚不同光照条件下，采用不同的队列检测算法，并以图像灰度直方图的相关系数作为距离值，利用kNN分类方法进行白天夜晚的判断，可以在白天和夜晚各自采用的检测算法之间进行自动切换。在白天光照条件下，采用移动检测窗来进行车辆排队检测，在每一个检测窗内，通过三帧差法运动检测和形态学边缘检测进行车辆存在检测两步判断有无车辆排队。针对夜晚场景，提出利用车灯这一显著特征进行车辆排队检测。无论在白天还是夜晚场景下，当检测出排队车辆形成的队列之后，利用车道线进行摄像机标定，并计算出队列长度。在白天和夜晚都可以准确地检测出车辆排队情况，并准确计算出队列长度，与现有技术在白天和夜晚采用相同的检测方法导致夜晚检测出的排队车辆长度不准确相比，提高了车辆排队长度检测的准确性。

另外，利用本发明实施例计算出的车辆排队长度等相关信息来调节交通灯的时间，对排队比较严重的车道方向可自适应地延长绿灯的时间，从而可以缓解交通拥堵。

如图9所示的实施例中，提供一种实现上述车辆排队长度检测方法的装置，包括：获取单元11，识别单元12，第一检测单元13、第二检测单元14和计算单元20。

获取单元11用于获取一帧交通道路图像，该交通道路图像可以为全天中任何一个时间检测到的交通道路图像。

识别单元12用于根据K最近邻分类算法识别并判断所述交通道路图像的拍摄场景。本发明实施例中，将交通道路图像的拍摄场景划分为两种：白天和夜晚。当然也可以根据不同光照条件对全天各个不同时间获取的交通道路图像进行更为详细的划分，在这里不做限制。

第一检测单元13用于当所述识别单元识别并判断出所述交通道路图像的拍摄场景为白天时，采用结合三帧差法和形态学的第一检测方法检测出排队车辆队列。

第二检测单元14用于当所述识别单元判断出所述交通道路图像的拍摄场景为夜晚时，采用基于车灯的第二检测方法检测出排队车辆队列。

计算单元20用于计算所述第一检测单元13或第二检测单元14检测出的排队车辆队列的长度。

进一步地，如图10所示，所述识别单元12包括：获取模块12A，计算模块12B，读取模块12C和识别模块12D。

获取模块12A用于获取样本集，所述样本集中的样本为灰度直方图，所述样本集的大小可以为k+1，所述灰度直方图的拍摄场景为白天时，其标识为0，所述灰度直方图的拍摄场景为夜晚时，其标识为1。

计算模块12B用于计算所述交通道路图像的灰度直方图，并依次计算所述交通道路图像的灰度直方图与所述样本集中的每个灰度直方图的相关系数。假设给定两帧图像f₁和f₂，分别定义f1对应的灰度直方图为H₁，f₂对应的灰度直方图为H₂，其相关系数的计算公式为：

$d_{\mathrm{correl}}(H_1,H_2)=\frac{\underset{i=1}{\overset{256}{\mathrm{\&Sigma;}}}{H}_1^{\&prime;}\left(i\right)\&CenterDot;H_2^{\&prime;}\left(i\right)}{\sqrt{\underset{i=1}{\overset{256}{\mathrm{\&Sigma;}}}{H}_1^{\&prime;2}\left(i\right)\&CenterDot;H_2^{\&prime;2}\left(i\right)}}---\left(1\right)$

其中， $H_k^{\&prime;}\left(i\right)=H_k\left(i\right)-(1/256)\left(\underset{j=1}{\overset{256}{\mathrm{\&Sigma;}}}{H}_k\left(j\right)\right).$

当相关系数越大时，图像f₁和f₂越匹配。例如，当d_correl(H₁，H₂)为1，则说明图像f₁和图像f₂完全匹配。又如，当d_correl(H₁，H₂)为-1时，则说明图像f₁和图像f₂完全不匹配。

读取模块12C用于按照所述相关系数从大到小的次序，依次取出前k个相关系数在计算时对应样本集中的灰度直方图的标识。

识别模块12D用于当所述k个标识之和不大于k/2时，判断所述交通道路图像的拍摄场景为白天，当所述k个标识之和大于k/2时，判断所述交通道路图像的拍摄场景为夜晚。所述k大于等于1，例如，k的取值可以为3或5。

进一步地，具体应用过程中，当上述识别单元识别出所述交通道路图像的拍摄场景为白天时，(图未示)所述第一检测单元可以细分为如下功能模块：设置模块、车辆运动检测模块。

其中，设置模块用于在所述交通道路图像上设定检测区域，在所述检测区域中设有从所述检测区域的前端向后端移动的移动检测窗。利用所述移动检测窗可以进行车辆运动检测和车辆存在检测。

车辆运动检测模块用于根据三帧差法在所述检测区域内的移动检测窗中进行车辆运动检测，根据检测结果控制所述移动检测窗口位置的变换。根据不同的检测结果，控制所述移动检测窗口位置的变换的具体过程如下：

当所述车辆运动检测模块检测到所述移动检测窗中有车辆运动时，说明此时没有车辆排队，将所述移动检测窗在所述检测区域内向后移动一个位置，车辆排队队列减小；

当所述车辆运动检测模块检测到所述移动检测窗中无车辆运动时，此时有两种可能的情况，一种情况是没有车辆运动，同时也不存在车辆；另一个情况是没有车辆运动，但存在车辆，这种情况说明是由车辆排队造成的。为了确定是否存在车辆，车辆存在检测模块根据形态学的边缘检测方法在所述移动检测窗中进行车辆存在检测；

当所述车辆存在检测模块检测到所述移动检测窗中存在车辆时，说明此时有车辆排队现象，将所述移动检测窗在所述检测区域内向前移动一个位置，此时排队车辆队列的长度会增加。

当所述车辆运动检测模块检测到所述移动检测窗中无车辆运动，并且当所述车辆存在检测模块检测到所述移动检测窗中不存在车辆时，将所述移动检测窗在所述检测区域内向向后移动一个位置，此时排队车辆队列的长度会减少。

进一步地，(图未示)所述第二检测单元也可以细分为如下功能模块，包括：设置模块，第一检测模块和第二检测模块。

其中，设置模块用于在所述交通道路图像上设定检测区域，在所述检测区域中设有从所述检测区域的前端向后端移动的移动检测窗；

第一检测模块用于在所述交通道路图像之前的连续指定帧数的图像中均检测到固定区域存在车灯时，移动检测窗在所述检测区域内向前移动一个位置，所述固定区域在所述交通道路图像上位于所述移动检测窗中；

第二检测模块用于在所述连续指定帧数的图像中没有检测到固定区域存在车灯时，所述移动检测窗在所述检测区域内向后移动一个位置。

进一步地，如图11所示，所述计算单元20包括：标定模块15，坐标获取模块16，坐标转换模块17和计算模块18。

其中，坐标获取模块16在所述获取单元11得到的交通道路图像上获取所述排队车辆形成队列的队头坐标和队尾坐标；

标定模块15利用车道线和车道的宽度进行摄像机标定。通过进行摄像机的标定，可以建立二维图像坐标到三维世界坐标的转换关系。

坐标转换模块17将所述队头坐标转换为对应在世界坐标系下的坐标(x₁，y₁，0)、将队尾坐标转换为对应在世界坐标系下的坐标(x₂，

，0)

之后，计算模块18根据公式计算队列长度，L表示队列长度。

本发明实施例采用上述车辆长度检测方法对15段白天视频和5段夜晚视频进行了车辆排队长度的检测实验，每段视频长度为6分钟左右，大小为320*240。具体检测的实验过程如下：

首先设置要检测的车道区域，通常设置为人眼能分辨清车辆的区域。在实际检测中可对当前检测窗后面的2-3个检测窗同时进行排队检测，只要有一个检测窗满足队列增长的条件，队列长度就增加，当前检测窗向前移动一个位置。这样可提高检测算法的鲁棒性，尤其是傍晚时刻有部分车辆未开灯的情况。下面通过实验数据说明排队检测的准确度和长度检测的准确度。

定义从队列开始形成到队列消失的过程为一次排队。定义正确率、误检率和漏检率分别为：

正确率＝正确检测次数/实际排队次数*100％；

误检率＝错误检测次数/实际排队次数*100％；

漏检率＝漏检次数/实际排队次数*100％。

如下表1是队列检测结果，检测结果表明该系统能正确检测到车辆排队，误报很少，并且误报持续时间很短。此外检测灵敏度较高，能迅速检测到车辆队列的形成和消失。

表1车辆排队检测结果

	实际排队次数	正确检测次数	误检次数	漏检次数	正确率	误检率	漏检率
								白天场景	80	80	0	0	100％	0	0
夜晚场景	41	40	1	1	97.56％	2.4％	2.4％

采用本发明实施例提供的车辆长度检测方法还对一段标定好车队实际长度的视频进行队列长度检测结果的分析，统计了1200帧排队检测结果。表2给出了1200帧交通道路图像队列长度的分布情况。

表2队列长度分布

长度区间	[0m，20m]	(20m，40m]	(40m，60m]	60m以上
					帧数	200	400	400	200

假设定义检测误差和误差率分别为：

误差＝|实际长度-检测长度|；

误差率＝|实际长度-检测长度|/实际长度*100％。

为方便呈现检测结果，检测误差被分成几个区间段，表3是位于各个误差区间段的帧数。

表3长度误差统计结果

误差区间	(0，2m]	(2m，4m]	(4m，6m]	6m以上
					帧数	367	453	259	21

由表3中的数据可知98％的检测误差在6m以下。图12是我们绘制的长度大于20m的队列的实际长度和此队列长度对应的平均误差关系图。从图12可以看出，车辆队列长度检测的平均误差率在8％以内，排队长度检测精度满足实际应用的需求。

本发明实施例所提供的车辆排队长度检测的装置主要应用于智能交通领域，在白天光照条件下，利用清晰的车辆边缘信息，结合三帧差法和形态学边缘检测来进行车辆排队检测；针对夜晚情况采用车灯这一显著特征进行车辆排队检测，实现在白天和夜晚都可以准确地检测出车辆排队情况，与现有技术在白天和夜晚采用相同的车辆长度检测方法，容易导致夜晚检测车辆排队长度时产生误差相比，提高了车辆排队长度检测的准确性。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘，硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (11)

1.一种车辆排队长度检测的方法，其特征在于，包括：

获取一帧交通道路图像；

识别并判断所述交通道路图像的拍摄场景；

当判断出所述交通道路图像的拍摄场景为白天时，采用结合三帧差法和形态学的第一检测方法检测出排队车辆队列，并计算所述排队车辆队列的长度；

当判断出所述交通道路图像的拍摄场景为夜晚时，采用基于车灯的第二检测方法检测出排队车辆队列，并计算所述排队车辆队列的长度。

2.根据权利要求1所述的车辆排队长度检测的方法，其特征在于，所述识别并判断所述交通道路图像的拍摄场景包括：

获取样本集，所述样本集中的样本为灰度直方图，所述灰度直方图的拍摄场景为白天时，其标识为0，所述灰度直方图的拍摄场景为夜晚时，其标识为1；

计算所述交通道路图像的灰度直方图，并依次计算所述交通道路图像的灰度直方图与所述样本集中的每个灰度直方图的相关系数；

按照所述相关系数从大到小的次序，依次取出前k个相关系数在计算时对应样本集中的灰度直方图的标识，其中k大于等于1；

当所述k个标识之和不大于k/2时，所述交通道路图像的拍摄场景为白天；

当所述k个标识之和大于k/2时，所述交通道路图像的拍摄场景为夜晚。

3.根据权利要求1所述的车辆排队长度检测的方法，其特征在于，所述采用结合三帧差法和形态学的第一检测方法检测出排队车辆队列包括：

在所述交通道路图像上设定检测区域，在所述检测区域中设有从所述检测区域的前端向后端移动的移动检测窗；

根据三帧差法在所述移动检测窗中进行车辆运动检测，根据检测结果控制所述移动检测窗口位置的变换。

4.根据权利要求3所述的车辆排队长度检测的方法，其特征在于，所述根据三帧差法在所述移动检测窗中进行车辆运动检测，根据检测结果控制所述移动检测窗口位置的变换包括：

当检测到所述移动检测窗中有车辆运动时，所述移动检测窗在所述检测区域内向后移动一个位置；

当检测到所述移动检测窗中无车辆运动时，根据形态学的边缘检测方法在所述移动检测窗中进行车辆存在检测；

当检测到所述移动检测窗中存在车辆时，所述移动检测窗在所述检测区域内向前移动一个位置；

当检测到所述移动检测窗中无车辆运动，并且当检测到所述移动检测窗中不存在车辆时，所述移动检测窗在所述检测区域内向后移动一个位置。

5.根据权利要求1所述的车辆排队长度检测的方法，其特征在于，所述采用基于车灯的第二检测方法检测出排队车辆队列包括：

在所述交通道路图像上设定检测区域，在所述检测区域中设有从所述检测区域的前端向后端移动的移动检测窗；

在当前的所述交通道路图像之前的连续指定帧数的图像中均检测到相同的固定区域存在车灯时，所述移动检测窗在所述检测区域内向前移动一个位置，所述固定区域在所述交通道路图像上位于所述移动检测窗中；

在所述连续指定帧数的图像中没有检测到相同的固定区域存在车灯时，所述移动检测窗在所述检测区域内向后移动一个位置。

6.根据权利要求1所述的车辆排队长度检测的方法，其特征在于，计算所述排队车辆队列的长度包括：

获取所述排队车辆队列的队头坐标和队尾坐标；

利用车道线和车道的宽度进行摄像机标定，将所述队头坐标转换为对应在世界坐标系下的坐标(x₁，y₁，0)、将队尾坐标转换为对应在世界坐标系下的坐标(x₂，

，0)

根据公式

计算队列长度，L表示队列长度。

7.一种车辆排队长度检测的装置，其特征在于，包括：

获取单元，用于获取一帧交通道路图像；

识别单元，用于识别并判断所述交通道路图像的拍摄场景；

第一检测单元，用于当所述识别单元判断出所述交通道路图像的拍摄场景为白天时，采用结合三帧差法和形态学的第一检测方法检测出排队车辆队列；

第二检测单元，用于当所述识别单元识别并判断出所述交通道路图像的拍摄场景为夜晚时，采用基于车灯的第二检测方法检测出排队车辆队列；

计算单元，用于计算所述第一检测单元或第二检测单元检测出的排队车辆队列的长度。

8.根据权利要求7所述的车辆排队长度检测的装置，其特征在于，所述识别单元包括：

获取模块，用于获取样本集，所述样本集中的样本为灰度直方图，所述灰度直方图的拍摄场景为白天时，其标识为0，所述灰度直方图的拍摄场景为夜晚时，其标识为1；

计算模块，用于计算所述交通道路图像的灰度直方图，并依次计算所述交通道路图像的灰度直方图与所述样本集中的每个灰度直方图的相关系数；

标识获取模块，用于按照所述相关系数从大到小的次序，依次取出前k个相关系数在计算时对应样本集中的灰度直方图的标识，其中k大于等于1；

识别模块，用于当所述k个标识之和不大于k/2时，判断所述交通道路图像的拍摄场景为白天，当所述k个标识之和大于k/2时，判断所述交通道路图像的拍摄场景为夜晚。

9.根据权利要求7所述的车辆排队长度检测的装置，其特征在于，所述第一检测单元包括：

设置模块，用于在所述交通道路图像上设定检测区域，在所述检测区域中设有从所述检测区域的前端向后端移动的移动检测窗；

车辆运动检测模块，用于根据三帧差法在所述移动检测窗中进行车辆运动检测，根据检测结果控制所述移动检测窗口位置的变换。

10.根据权利要求7所述的车辆排队长度检测的装置，其特征在于，所述第二检测单元包括：

设置模块，用于在所述交通道路图像上设定检测区域，在所述检测区域中设有从所述检测区域的前端向后端移动的移动检测窗；

第一检测模块，用于在当前所述交通道路图像之前的连续指定帧数的图像中均检测到相同的固定区域存在车灯时，所述移动检测窗在所述检测区域内向前移动一个位置，所述固定区域在所述交通道路图像上位于所述移动检测窗中；

第二检测模块，用于在所述连续指定帧数的图像中没有检测到固定区域存在车灯时，所述移动检测窗在所述检测区域内向后移动一个位置。

11.根据权利要求7所述的车辆排队长度检测的装置，其特征在于，所述计算单元包括：

坐标获取模块，用于获取所述排队车辆队列的队头坐标和队尾坐标；

标定模块，用于利用车道线和车道的宽度进行摄像机标定；

坐标转换模块，用于将所述队头坐标转换为对应在世界坐标系下的坐标(x₁，y₁，0)、将队尾坐标转换为对应在世界坐标系下的坐标(x₂，

，0)

计算模块，用于根据公式

计算队列长度，L表示队列长度。

Images