CN102142194A - 视频检测方法及其系统 - Google Patents

Abstract

本发明涉及交通管理系统，公开了一种视频检测方法及其系统。本发明中，对视频图像中所设的虚拟线圈进行物体特征的检测，该物体特征包括车前最黑阴影特征。当检测到物体特征时，触发抓拍信号，进行抓拍。通过将车前最黑阴影等一些稳定的车辆信息特征，作为需要检测的一种物体特征，可以有效提高视频检测的捕获率，降低漏报率，实现了较准确较鲁棒的视频检测功能。

Description

视频检测方法及其系统

技术领域

本发明涉及交通管理系统，特别涉及交通控制系统中的视频检测技术。

背景技术

伴随着世界各国车辆数量的急剧增加，交通状况日益受到人们的重视。如何有效地进行交通管理，越来越成为世界各国政府和有关部门所关注的焦点。针对此问题，各种智能交通管理系统相继产生或者已在研发之中，而对违规车辆进行监控、处罚是其中一个极其重要的环节。

传统上对交通违章车辆检测主要是通过埋在地下的感应线圈或车轴感应器来实现。然而，随着视频技术的飞速发展和计算机运算速度的成倍增加，基于计算机视频检测技术的交通监控系统的实现已成为可能。视频检测的优点主要有以下几点：(1)工业摄像机的安装简单方便，且安装时不破损路面，不影响公路交通；(2)可以有效利用现有公路网上已有视频设备，用一套视频检测器能够同时检测多条车道，将大大节省开支；(3)计算机视觉能够提取丰富的交通信息。可以获取常规检测器无法得到的车牌号码、车辆运行轨迹，以及大范围交通现场信息等等；(4)可以实现更多的交通管理功能，这是其它检测设备无法做到的。

车辆检测器按类型可大体分为硬件检测和视频检测两大类，硬件检测常用的有地感线圈车辆检测器，车辆检测器通过分析地感线圈感应系数的变化，实时的判断和提供触发信号；视频检测利用摄像机提供的视频信息，实时检测车辆是否到达，从而产生触发信号，目前常用的方法是基于车辆触发和基于车牌触发。

基于车辆触发是不断地判断在视野范围内是否有车辆存在，发现有车辆时则启动触发，即输出抓拍信号，进行抓拍。常用的方式有基于目标跟踪的方式和基于虚拟线圈的方式。基于目标跟踪的方式是通过对车辆或非机动车辆等目标进行数学建模，从而检测出运动目标，当发现有运动目标时则触发输出；基于虚拟线圈的方式通过在视频图像中设置一个类似于地感线圈功能的检测区域，通过计算该区域内的灰度或颜色等图像信息的变化来判断是否有物体进入该区域，当发现有运动目标进入该区域时启动触发，这种方式可以检测运动的物体，也可以检测经由运动停止在检测区域内的目标。

基于车牌触发是不断地在视频图像中检测是否存在车牌，一旦寻找到车牌区域并经后续确认之后输出触发信号，例如，申请号为CN1798333A的中国发明专利申请公开的“基于快速车牌定位算法的车辆视频触发装置和方法”。

然而，本发明的发明人发现，在目前的视频检测中，存在以下问题：

在基于车辆触发的检测方式中，基于运动目标检测和跟踪的方式由于要进行运动目标的检测和运动目标的跟踪，其中目标检测的效果和跟踪效果的起了决定性的作用，在较为复杂的场景下(如市区公路)，跟踪效果很难保证，因为在市区场景下，行人、机动车辆、电动车等非机动车辆、车辆变道，跟车等情况往往会导致运动的混乱和跟踪的不稳定；目前的较为简单的跟踪方式在复杂场景下很难达到较好的跟踪效果，较为复杂的一些检测和跟踪方法由于受计算量和运行效率的限制，对其实用性带来了较大的影响；且该方式下需要基于像素点对图像中的各个像素点进行建模和处理，运算量较大和运行效率较差，如果采用高清相机，运算量和运行效果会大打折扣，从而影响产品的整体性能。

基于车牌触发检测的方式因为采用的特征信息较为单一，只有对悬挂了车牌且车牌区域较明显的车辆方能实现较好的触发和捕获，对于没有悬挂车牌，随意遮挡，涂改车牌，“遥控翻牌器”等，对于一些摩托车，农用车等很难较好的检测到车牌信息，从而导致漏触发的上升和捕获率的下降，且受车身，路面等周围环境的干扰误触发较多；其次，车牌信息的可靠程度受光照情况的影响较大，如何保证全天候24小时达到较好的成像效果也是一件较为困难的事情，因此同样会对视频检测的捕获率和漏报率造成影响。

发明内容

本发明的目的在于提供一种视频检测方法及其系统，提高视频检测的捕获率，降低漏报率。

为解决上述技术问题，本发明的实施方式提供了一种视频检测方法，包含以下步骤：

在视频图像中所设的虚拟线圈内进行物体特征的检测；

如果在虚拟线圈中检测到物体特征，则触发抓拍信号，进行抓拍；

其中，物体特征包括车前最黑阴影特征。

本发明的实施方式还提供了一种视频检测系统，包含：

检测模块，用于在视频图像中所设的虚拟线圈内进行物体特征的检测；

触发模块，用于在检测模块在虚拟线圈中检测到物体特征时，触发抓拍信号；

抓拍模块，用于在抓拍信号被触发后，进行抓拍；

其中，物体特征包括车前最黑阴影特征，检测模块包含车前最黑阴影特征检测子模块，用于在虚拟线圈中进行车前最黑阴影特征的检测。

本发明实施方式与现有技术相比，主要区别及其效果在于：

在视频图像中所设的虚拟线圈中进行物体特征的检测，该物体特征包括车前最黑阴影特征。当检测到物体特征时，触发抓拍信号，进行抓拍。通过将车前最黑阴影等一些稳定的车辆信息特征，作为需要检测的一种物体特征，可以有效提高视频检测的捕获率，降低漏报率，实现了较准确较鲁棒的视频检测功能。

进一步地，自动计算黄昏结束时间和黎明起始时间。如果检测的实时时间晚于黎明起始时间且早于黄昏结束时间，则采用白天检测模式；如果检测的实时时间晚于黄昏结束且早于黎明起始时间，则采用夜晚检测模式。由于不同时间段内的图像质量会有所不同，因此各个时段采用相对应的检测模式进行检测，以提高在全天候24小时时间范围内的检测效果。而且随着时间的推移，季节的变化，地域的差异，各时各地的白天时段范围和夜晚时段范围都在不断变化当中，而不是固定的，因此通过自动计算黄昏结束时间和黎明起始时间，进而得到选择白天检测模式或夜晚检测模式的选择依据，可以有效的解决因为天气变化，时间推移，地域不同等因素的差异带来的影响，具有较强的稳健性，从而保证较高的准确率。白天检测模式中检测的物体特征还包括以下之一或其任意组合：运动信息特征、运动颜色特征、车身结构特征、车牌特征。采用多种特征信息融合的方法，可以进一步提高视频检测的准确性和鲁棒性。

进一步地，在进行车牌特征的检测时，先对视频图像进行包括降噪处理在内的预处理，然后提取体现有原始图像垂直边缘分布状况的能量图。由于车牌区域就是一种垂直边缘比较密集的区域，因此基于该能量图能够对车牌的位置进行高效的检测与定位。在通过对能量图的搜索得到车牌的候选区域后，就进行后续的候选车牌处理，即通过车牌特征校验对车牌的候选区域中的局部图像进行车牌定位，如果车牌定位成功，则判定存在车牌特征。通过校验该特征值来确定候选车牌是否为真实的车牌；通过候选车牌水平校验，能够有效的过滤大部分的虚假候选区域，提高车牌位置检测的准确率。

进一步地，在完成车前最黑阴影特征、运动信息特征、运动颜色特征、车身结构特征、车牌特征的检测后，根据多种特征信息的检测结果，判断是否满足车辆分割条件，如果满足车辆分割条件，则进行车辆分割。其中，车辆分割条件为：在检测到运动信息特征的同时，还检测到车前最黑阴影特征或运动颜色特征；或者，车辆分割条件为：同时检测到车前最黑阴影特征和运动颜色特征。由于视频检测应用场景中的多样性和复杂性，将对高捕获率和低误触发率造成影响，其中主要的有车流密集，车流拥堵等情况下的高捕获率和低误触发率，在车流密集甚至车流拥堵的情况下，一般的视频检测方法的捕获率会有严重下降。因此，通过对多种特征信息进行融合和联合判断，检测是否是车流密集，车辆跟车较紧的情形，若是，则进行车辆分割，可以大大提高捕获率，降低误报率。

进一步地，在判定满足车辆分割条件后，检测是否存在车牌特征，如果检测到车牌特征，则再对车辆进行分割；如果未检测到车牌特征，则不对车辆进行分割。由于车辆分割条件的判定也有可能存在误判，因此为避免因车辆分割条件的误判所引起的误触发率的上升，需要采用车牌特征校验的方式进行车辆分割校验，保证了该种情况下的高触发率，低误触发率。

进一步地，在对车灯特征进行检测时，在由车灯像素点组成车灯像素块后，根据路面反光特征来对得到的车灯像素块进行检测，滤除因反光导致的车灯像素块。通过采用车灯反光团块滤波的方法，有效的解决了车灯反光造成的误报，进一步提高了视频检测的准确性。

进一步地，根据两车灯像素块之间的间距，判断车辆类型，对大车类型的车辆进行对报警间隔帧数、搜索范围参数的调整。通过车辆判断，对大车的特殊处理机制，可有效降低大车引起的二次触发，进一步保证了检测的准确性。

附图说明

图1是根据本发明第一实施方式的视频检测方法流程图；

图2是根据本发明第一实施方式中的车牌特征的检测流程图；

图3是根据本发明第二实施方式中的车辆分割流程图；

图4是根据本发明第三实施方式中的车灯特征的检测流程图；

图5是根据本发明第四实施方式的视频检测系统结构图。

具体实施方式

在以下的叙述中，为了使读者更好地理解本申请而提出了许多技术细节。但是，本领域的普通技术人员可以理解，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请各权利要求所要求保护的技术方案。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。

本发明第一实施方式涉及一种视频检测方法，在本实施方式中，采用虚拟线圈技术，基于运动信息特征、运动颜色特征、车身结构特征、车前最黑阴影特征，车灯特征，车牌特征等多种特征，对多种特征进行信息融合，最终在全天候24小时时间范围内均达到了较好的检测效果，由于受一天24小时各个时段光线不同等因素的影响，所以需要在不同的时段采用适应的特征和算法，以解决各个时段内可能遇到的各种问题，同时，由于虚拟线圈的方式目前只处理虚拟线圈内部或者周围区域的图像数据，所以计算量和实时性得到了很好的保证，不但可以自动的检测和抓拍通过设定虚拟线圈的机动车辆，而且可以自动检测和抓拍通过设定虚拟线圈区域的自行车、电动车、摩托车等非机动车辆和行人。

具体流程如图1所示，在步骤101中，获取当前的视频图像数据，本步骤与现有的视频检测中，获取视频图像数据的方式相同，在此不再赘述。

接着，在步骤102中，设置图像数据的检测模式。在本实施方式中，检测模式分为白天检测模式和夜晚检测模式。在白天时段范围内，采用白天检测模式，在视频图像中所设的虚拟线圈中进行物体特征的检测；在夜晚时段范围内，采用夜晚检测模式，在视频图像中所设的虚拟线圈中进行物体特征的检测。具体地说，自动计算黄昏结束时间和黎明起始时间，如使用当地的经纬度，时区，日期，时间等信息自动的计算出当地当时的日出日落时间，从而使用日出日落时间自动的计算出此时此地的黄昏结束时间和黎明起始时间。如果检测的实时时间晚于黎明起始时间且早于黄昏结束时间，则将检测模式设置为白天检测模式。如果检测的实时时间晚于黄昏结束且早于黎明起始时间，则将检测模式设置为夜晚检测模式。

由于不同时间段内的图像质量会有所不同，因此各个时段采用相适应的检测模式进行检测，以提高在全天候24小时时间范围内的检测效果。而且随着时间的推移，季节的变化，地域的差异，各时各地的白天时段范围和夜晚时段范围都在不断变化当中，而不是固定的，因此通过自动计算黄昏结束时间和黎明起始时间，进而得到选择白天检测模式或夜晚检测模式的选择依据，可以有效的解决因为天气变化，时间推移、季节变化、地域不同等因素的差异带来的影响，具有较强的稳健性，从而保证较高的准确率。

接着，在步骤103中，判断设置的检测模式是否为白天检测模式，如果是白天检测模式，则进入步骤104，如果是夜晚检测模式，则进入步骤105。

在步骤104中，采用白天检测模式对获取的视频图像数据进行检测。在本实施方式中，白天检测模式中检测的物体特征包括：车前最黑阴影特征、运动信息特征、运动颜色特征、车身结构特征、车牌特征。也就是说，如果在虚拟线圈中检测到车前最黑阴影特征、运动信息特征、运动颜色特征、车身结构特征或车牌特征时，则说明在视频图像的所设的虚拟线圈中有机动车辆或非机动车辆等物体，进入步骤106，触发抓拍信号，即输出抓拍信号。通过采用多种特征信息融合的方法，可以进一步提高视频检测的准确性和鲁棒性。

可以理解，在车体和路面之间，会存在一些暗区，而这些暗区所在的像素点的灰度值既比车体灰度值小，也比路面灰度值小，将该类像素点组成的区域即可称为车前最黑阴影区域。在本实施方式中，车前最黑阴影特征的检测如下：

将虚拟线圈中的灰度值小于车前最黑阴影阈值的像素点作为车前最黑阴影特征点。如果前一帧中的车前最黑阴影特征点在当前帧中的灰度值的增值大于预定的增幅阈值，则判定该像素点为车前最黑阴影像素点。当车前最黑阴影像素点或者车前最黑阴影特征点的数目大于预设的门限值时，判定存在车前最黑阴影特征，进入步骤106。其中，车前最黑阴影阈值的计算和更新方法如下：

在每一帧图像的虚拟线圈中，自适应计算出当前帧中车前最黑阴影区域待定灰度值(该车前最黑阴影区域待定灰度值可采用改进的多级最大类间方差法得到)，从触发帧前后预设数量帧数的车前最黑阴影区域待定灰度值中，选取最小的车前最黑阴影区域待定灰度值作为当前帧的车前最黑阴影阈值，根据以下公式对车前最黑阴影阈值进行更新：

black_th＝(1-α)*black_th+α*cur_black_th

其中，black_th为车前最黑阴影阈值，cur_black_th为当前帧的车前最黑阴影阈值，α为更新率，一般设置为0.15左右。

改进的多级最大类间方差法如下：

设图像的灰度范围为{0，1，...l}，灰度为i的像素点数n_i，图像的总像素数为

灰度为i的像素出现的概率为p_i＝n_i/N，

选择阈值t，将其划分为两类：G₀：{0，1，...，t}；G₁：{t+1，t+2，...，l}，G₀和G₁类的出现概率分别为：

$P_0\left(t\right)=\underset{0}{\overset{t}{\mathrm{\Σ}}}{p}_i,$ $p_1\left(t\right)=\underset{t+1}{\overset{l}{\mathrm{\Σ}}}{p}_i$

其均值分别为：

${\mathrm{\μ}}_0\left(t\right)=\underset{0}{\overset{t}{\mathrm{\Σ}}}i*p_i/P_0\left(t\right),$ ${\mathrm{\μ}}_1\left(t\right)=\underset{t+1}{\overset{l}{\mathrm{\Σ}}}i*p_i/P_1\left(t\right)$

图像的总体灰度均值为：

${\mathrm{\μ}}_T\left(t\right)=\underset{0}{\overset{l}{\mathrm{\Σi}*p_i}}$

按照模式识别理论，可求出这两类的类间方差为：

${\mathrm{\σ}}_B^2\left(t\right)=P_0\left(t\right){[{\mathrm{\μ}}_0\left(t\right)-{\mathrm{\μ}}_T]}^2+P_1\left(t\right){[{\mathrm{\μ}}_1\left(t\right)-{\mathrm{\μ}}_T]}^2$

以类间方差作为衡量不同阈值导出的类别分别性能的测量准则，极大化的过程就是自动确定阈值的过程，因此，最佳阈值为：

$t^{*}=\arg \underset{0<t<l}{\max }{\mathrm{\&sigma;}}_B^2\left(t\right)$

上述为两类的类间最大方差法，但是一副图像中，往往可能需要分割成为多类方可得到真正需要得到的区域，为此，需要在上述方法的基础上，继续对可分割的区域进行类似的分割，由于需要得到的是车前最黑阴影待定灰度值，所以只需对G₀类进行继续分类即可，直至其不能分割为止，判断其是否能进行继续分割的准则为该类的类内方差的大小，当类内方差小于阈值时，停止对该类的继续分类。如G₀类的类内方差为：

所选的类内方差阈值为20。

根据改进的多级最大类间方差法，即可自适应计算出每一帧中的车前最黑阴影区域待定灰度值，也就可以得到触发帧前后预设数量的各帧中的车前最黑阴影区域待定灰度值。因此，可以在触发帧前后预设数量的各帧中的车前最黑阴影区域待定灰度值中，将选取的最小的车前最黑阴影区域待定灰度值作为当前帧的车前最黑阴影阈值。通过将车前最黑阴影等一些稳定的车辆信息特征，作为需要检测的一种物体特征，可以有效提高视频检测的捕获率，降低漏报率，实现了较准确较鲁棒的视频检测功能。

在本实施方式中，运动信息特征的检测如下：某行图像在水平方向上检测连续的预定列数的像素点的亮度的帧差变化大于设定的亮度帧差阈值时，判定该行具有运动特征，当连续具有运动特征的行数大于设定的行数阈值时，判定虚拟线圈中检测到运动信息特征。

在本实施方式中，运动颜色特征的检测如下：虚拟线圈中的颜色信息的帧差差值大于设定色彩帧差阈值，则判定该像素点为运动颜色像素点，当运动颜色像素点的总数大于设定的颜色像素点阈值时，判定虚拟线圈中检测到运动颜色特征，进入步骤106。

在本实施方式中，车身结构特征的检测如下：将前后两帧图像进行比较，对于指定的一行图像数据而言，若有连续超过一定数目的像素发生变化，且变化性质相同，变化幅度在一定的范围之内，则判断该行具有车身特征，当虚拟线圈所在行中具有车身特征行的行数大于预定的车身行数阈值时，判定虚拟线圈中检测到车身结构特征，间歇性的输出触发信号。

在本实施方式中，车牌特征的检测如图2所示。

在步骤201中，对视频图像进行预处理，主要是包括降噪处理。当图像存在严重噪声时，会给车牌特征的检测带来严重的影响，因此必须对图像进行降噪处理。

接着，在步骤202中，进行能量图的提取处理，得到体现有原始图像垂直边缘分布状况的能量图。具体地说，首先是对图像进行水平差分处理来提取图像的垂直边缘，并按照8×8的宏块统计每个宏块的边缘信息，并把该边缘信息作为能量来对待，最终可以得到原始图像1/64大小的能量图。该图充分反映了原始图像垂直边缘的分布状况，而车牌区域就是一种垂直边缘比较密集的区域，因此基于该能量图能够对车牌的位置进行高效的检测与定位。

接着，在步骤203中，进行车牌的候选区域搜索。具体地说，对能量图按照从下到上，从左到右的连续前景线段进行搜索，如果对某行进行扫描得到符合预定长度的前景线段，那么对该线段在垂直方向临近的若干行进行分析，如果临近行都存在连续的前景线段，那么可以认为找到了一个车牌的候选区域。如果车牌的候选区域搜索成功，则进入步骤204，如果失败，则认定不存在车牌特征，结束车牌特征的检测。

接着，在步骤204中，对车牌的候选区域的局部图像进行笔画信息校验。笔画信息校验是基于一个笔画宽度的假设，然后对每行进行扫描，统计每行有效笔画的数量和有效笔画行的数量，以判断候选区域是否为真实车牌。

接着，在步骤205中，对车牌的候选区域的局部图像进行水平跳变校验。水平跳变校验是对每行的值的变化次数进行统计，计算行跳变均值，通过校验该特征值来确定候选车牌是否为真实的车牌。通过该水平跳变校验，能够有效的过滤大部分的虚假候选区域，提高车牌位置检测的准确率。

接着，在步骤206中，判断车牌定位是否成功。也就是说，在本实施方式中，通过包括笔画信息校验和水平跳变校验在内的车牌特征校验，对车牌的候选区域中的局部图像进行车牌定位，如果车牌定位成功，则进入步骤207，判定存在车牌特征。

如果在步骤103中，判定设置的检测模式不是白天检测模式，即为夜晚检测模式，则进入步骤105，在步骤105中，采用夜晚检测模式对获取的视频图像数据进行检测。比如说，由于在夜晚情况下，光线较白天昏暗，相机所成的视频图像较模糊，亮度低，对比度差，此时若有车灯出现的话，车灯特征是一个较强较为可靠的特征信息，因此在夜晚检测模式中，主要是对车灯特征进行检测，在视频图像的所设的虚拟线圈中检测到车灯特征时，认定在视频图像的所设的虚拟线圈中有车辆或非机动车辆等物体，进入步骤106。

在步骤106中，输出抓拍信号，本步骤与现有技术相同，在此不再赘述。

接着，在步骤107中，通过抓拍单元对当前视频图像进行抓拍，本步骤与现有技术相同，在此不再赘述。

本发明第二实施方式涉及一种视频检测方法。第二实施方式在第一实施方式的基础上进行了改进，主要改进之处在于：在完成车前最黑阴影特征、运动信息特征、运动颜色特征、车身结构特征、车牌特征的检测后，根据多种特征信息的检测结果，判断是否满足车辆分割条件，如果满足车辆分割条件，则对车辆进行分割。

具体流程如图3所示，在步骤301中，获取车前最黑阴影特征、运动信息特征、运动颜色特征、车身结构特征和车牌特征的检测结果。

接着，在步骤302中，判断当前帧与上次触发抓拍信号的帧(即触发帧)之间的帧数是否大于预设的帧数阈值(帧数阈值可以默认设置为10)，如果大于帧数阈值，则进入步骤303；如果小于或等于帧数阈值，则进入步骤306，不对车辆进行分割，直接根据虚拟线圈中检测到的物体特征，触发抓拍信号。

在步骤303中，判断是否满足车辆分割条件。在本实施方式中，车辆分割条件为：在检测到运动信息特征的同时，还检测到车前最黑阴影特征或运动颜色特征。或者，车辆分割条件也可以为：同时检测到车前最黑阴影特征和运动颜色特征。如果判定满足车辆分割条件，则进入步骤304；如果不满足车辆分割条件，则进入步骤306。

在步骤304中，判断是否检测到车牌特征，如果检测到车牌特征，则进入步骤305，对车辆进行分割；如果未检测到车牌特征，则进入步骤306。

由于视频检测算法应用场景的多样性和复杂性，会给视频检测算法带来挑战，其中主要的有车流密集，车流拥堵等情况下的高捕获率和低误触发率，在车流密集甚至车流拥堵的情况下，一般的视频检测算法其捕获率会有严重下降，主要是因为在此时不能较为准确的判断到底是两辆小车连接过紧还是一辆大车的情况。因此，在本实施方式中，通过对多种特征信息进行融合和联合判断，检测是否是车流密集，车辆跟车较紧的情形，若是(如同时检测到运动特征，车前最黑阴影特征，运动颜色等特征中的的多个车辆特征时)，则对车辆进行分割，提高捕获率，降低误报率。并且，为了保证分割车辆的准确性，同时使用车牌过滤策略，当同时检测到具有车牌特征时，进行车辆分割，并且输出触发信号并且进行抓拍，若没有车牌特征，则该车辆分割为误分割，对其进行滤除，从而降低了误报率。

本发明第三实施方式涉及一种视频检测方法。第三实施方式在第一或第二实施方式的基础上作了进一步改进，主要改进之处在于：对夜晚检测模式中的车灯特征检测进行了改进。

本领域技术人员可以理解，夜晚情况下，由于光线较白天昏暗，相机所成的视频图像较模糊，亮度低，对比度差，此时若有车灯出现的话，车灯特征是一个较强较为可靠的特征信息。

本实施方式中的车灯特征检测如图4所示，将虚拟线圈中亮度值大于车灯阈值的像素点作为车灯像素点，由车灯像素点组成车灯像素块，对车灯像素块进行团块操作，对一些不符合车灯条件的团块进行筛选，由于车灯照射在路面上很可能会导致路面反光，反光的光斑很可能会误检测为车灯团块，因此需要采用一定的措施对这个反光团块进行检测和滤除，采用判断当前团块是否具有路面反光特征来对团块进行滤波，从而达到抑制反光的目的。如计算车灯阈值为210，车灯像素点构成的区域不具有路面反光特征时，如果车灯像素块符合车灯形状，则判定为存在车灯特征，触发抓拍信号。区域团块是否具有路面反光特征是指分析区域中的像素点的明暗变化多，如区域中像素点亮度值均大于车灯阈值210，但各像素点灰度值之间的的差异较明显，若对车灯阈值进行一定阈值的调节之后，某车灯团块变化较大，均认为是路面反光所致，予以滤除和抑制。通过采用车灯反光团块滤波的方法，有效的解决了车灯反光造成的误报，进一步提高了视频检测的准确性。

另外，对于一些大车上存在很多车灯的情况，容易导致二次触发和抓拍，为了降低该情况引起的二次触发，采用了车辆类型判断，由于大车车灯间距较小车有明显的不同，当检测到车灯间距大于预定像素数阈值时，判断为大车，如所选车灯间距阈值500，当判断为大车时，对报警间隔帧数等一些参数和逻辑判断条件进行相应的调整和处理，以降低该类情况引起的多报，如正常的报警间隔帧数为5帧，当判断为大车时，报警间隔帧数调整为10帧；当判断为大车时，在图像中向后搜索范围由原来的垂直100个像素调整为150个像素，这样可以在更大的范围之内搜索反光团块，采用前面所述的团块滤波方法对反光团块予以滤除。当大车触发后的待定帧数之内，若有触发抓拍信号，对此时的抓拍图片进行车牌过滤操作，当检测到车牌特征时，输出抓拍信号，当无车牌特征时，过滤该抓拍信号，可以有效的过滤因为大车车顶，车身上的其他车灯引起的二次触发，从而提高了抓拍的准确性。

本发明的各方法实施方式均可以以软件、硬件、固件等方式实现。不管本发明是以软件、硬件、还是固件方式实现，指令代码都可以存储在任何类型的计算机可访问的存储器中(例如永久的或者可修改的，易失性的或者非易失性的，固态的或者非固态的，固定的或者可更换的介质等等)。同样，存储器可以例如是可编程阵列逻辑(Programmable Array Logic，简称“PAL”)、随机存取存储器(Random Access Memory，简称“RAM”)、可编程只读存储器(Programmable Read Only Memory，简称“PROM”)、只读存储器(Read-Only Memory，简称“ROM”)、电可擦除可编程只读存储器(Electrically Erasable Programmable ROM，简称“EEPROM”)、磁盘、光盘、数字通用光盘(Digital Versatile Disc，简称“DVD”)等等。

本发明第四实施方式涉及一种视频检测系统。图5是该视频检测系统的结构示意图。该视频检测系统包含：

检测模块，用于在视频图像中所设的虚拟线圈中进行物体特征的检测。其中，物体特征包括车前最黑阴影特征，检测模块包含车前最黑阴影特征检测子模块，用于在虚拟线圈中进行车前最黑阴影特征的检测。

触发模块，用于在检测模块在虚拟线圈中检测到物体特征时，触发抓拍信号。

抓拍模块，用于在抓拍信号被触发后，进行抓拍。

时段计算模块，用于自动计算黄昏结束时间和黎明起始时间。

模式选择模块，用于在检测的实时时间晚于黎明起始时间且早于黄昏结束时间时，选择白天检测模式。在检测的实时时间晚于黄昏结束且早于黎明起始时间时，选择夜晚检测模式。检测模块根据模式选择模块选择的检测模式进行物体特征的检测。其中，白天检测模式中检测的物体特征还包括以下之一或其任意组合：运动信息特征、运动颜色特征、车身结构特征、车牌特征。夜晚检测模式中检测的物体特征还包括：车灯特征。

本实施方式中的车前最黑阴影特征检测子模块包含以下子单元：

车前最黑阴影特征点获取子单元，用于将虚拟线圈中的灰度值小于车前最黑阴影阈值的像素点作为车前最黑阴影特征点。

车前最黑阴影像素点获取子单元，用于将前一帧中的车前最黑阴影特征点在当前帧中的灰度值的增值大于预定增幅阈值的像素点，作为车前最黑阴影像素点。

车前最黑阴影判定子单元，用于在车前最黑阴影像素点或者车前最黑阴影特征点的数目大于预设的门限值时，判定存在车前最黑阴影特征。

车前最黑阴影阈值根据以下公式更新：

black_th＝(1-α)*black_th+α*cur_black_th

其中，black_th为更新后的车前最黑阴影阈值，α为预设的更新率，cur_black_th为当前帧的车前最黑阴影阈值，当前帧的车前最黑阴影阈值是从当前触发帧的前后预设数目的帧中计算得到。

检测模块中还包含车牌特征检测子模块，用于在虚拟线圈中进行车牌特征的检测。车牌特征检测子模块包含以下子单元：

预处理子单元，用于对视频图像进行预处理，预处理包括降噪处理。

能量图提取子单元，用于对经预处理后的图像进行能量图的提取处理，得到体现有原始图像垂直边缘分布状况的能量图。

候选区域搜索子单元，用于对能量图按照从下到上，从左到右的连续前景线段进行搜索，得到车牌的候选区域。

车牌定位子单元，用于通过车牌特征校验对车牌的候选区域中的局部图像进行车牌定位。其中，车牌特征校验包括笔画信息校验和水平跳变校验。

车牌特征判定子单元，用于在车牌定位子单元成功定位车牌时，判定存在车牌特征。

不难发现，第一实施方式是与本实施方式相对应的方法实施方式，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。

本发明第五实施方式涉及一种视频检测系统。第五实施方式在第四实施方式的基础上进行了改进，主要改进之处在于，视频检测系统还包含：

帧数阈值判断模块，用于在检测模块采用白天检测模式进行物体特征的检测后，判断当前帧与上次触发抓拍信号的帧之间的帧数是否大于预设的帧数阈值。

车辆分割条件判断模块，用于在帧数阈值判断模块判定大于帧数阈值时，判断是否满足车辆分割条件。

车辆分割模块，用于在车辆分割条件判断模块判定满足车辆分割条件时，对车辆进行分割。

其中，车辆分割条件为：在检测到运动信息特征的同时，还检测到车前最黑阴影特征或运动颜色特征。或者，车辆分割条件为：同时检测到车前最黑阴影特征和运动颜色特征。

需要说明的是，本实施方式的视频检测系统中还可以包含：车牌特征校验模块，用于在车辆分割条件判断模块判定满足车辆分割条件时，判断检测模块是否检测到车牌特征，并在检测模块检测到车牌特征时，指示车辆分割模块对车辆进行分割，在检测模块未检测到车牌特征时，指示车辆分割模块不对车辆进行分割。

不难发现，第二实施方式是与本实施方式相对应的方法实施方式，本实施方式可与第二实施方式互相配合实施。第二实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第二实施方式中。

本发明第六实施方式涉及一种视频检测系统。第六实施方式在第四或第五实施方式的基础上作了进一步改进，主要改进之处在于：检测模块中还包含车灯特征检测子模块，用于对虚拟线圈进行车灯特征的检测。该车灯特征检测子模块包含以下子单元：

车灯像素点获取子单元，用于将虚拟线圈中亮度值大于车灯阈值的像素点作为车灯像素点。

车灯像素块组成子单元，用于由车灯像素点获取子单元得到的车灯像素点组成车灯像素块。

滤除子单元，用于根据路面反光特征来对车灯像素块组成子单元得到的车灯像素块进行检测，滤除因反光导致的部分。

车灯特征判定子单元，用于根据车灯形状对剩余的车灯像素块进行分析，当剩余的车灯像素块符合车灯形状时，判定存在车灯特征。

值得一提的是，该车灯特征检测子模块还包含：

车辆类型判断子单元，用于在滤除子单元滤除因反光导致的部分后，根据两车灯像素块之间的间距，判断车辆类型。

车辆类型处理子单元，用于在车辆类型判断子单元判定车辆类型为小车时，指示车灯特征判定子单元根据车灯形状对剩余的车灯像素块进行分析。在车辆类型判断子单元判定车辆类型为大车时，对参数进行调整，参数包括报警间隔帧数、搜索范围。

不难发现，第三实施方式是与本实施方式相对应的方法实施方式，本实施方式可与第三实施方式互相配合实施。第三实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第三实施方式中。

需要说明的是，本发明各设备实施方式中提到的各模块都是逻辑模块，在物理上，一个逻辑模块可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现，这些逻辑模块本身的物理实现方式并不是最重要的，这些逻辑模块所实现的功能的组合是才解决本发明所提出的技术问题的关键。此外，为了突出本发明的创新部分，本发明上述各设备实施方式并没有将与解决本发明所提出的技术问题关系不太密切的模块引入，这并不表明上述设备实施方式并不存在其它的模块。

虽然通过参照本发明的某些优选实施方式，已经对本发明进行了图示和描述，但本领域的普通技术人员应该明白，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (18)

1.一种视频检测方法，其特征在于，包含以下步骤：

在视频图像中所设的虚拟线圈内进行物体特征的检测；

如果在所述虚拟线圈中检测到物体特征，则触发抓拍信号，进行抓拍；

其中，所述物体特征包括车前最黑阴影特征。

2.根据权利要求1所述的视频检测方法，其特征在于，所述在视频图像中所设的虚拟线圈内进行物体特征的检测的步骤中，通过以下方式进行车前最黑阴影特征的检测：

将所述虚拟线圈中的灰度值小于车前最黑阴影阈值的像素点作为车前最黑阴影特征点；

如果前一帧中的车前最黑阴影特征点在当前帧中的灰度值的增值大于预定的增幅阈值，则判定该像素点为车前最黑阴影像素点；

当所述车前最黑阴影像素点或者所述车前最黑阴影特征点的数目大于预设的门限值时，判定存在车前最黑阴影特征。

3.根据权利要求2所述的视频检测方法，其特征在于，所述车前最黑阴影阈值根据以下公式更新：

black_th＝(1-α)*black_th+α*cur_black_th

其中，black_th为更新后的车前最黑阴影阈值，α为预设的更新率，cur_black_th为当前帧的车前最黑阴影阈值；所述当前帧的车前最黑阴影阈值是从当前触发帧的前后预设数目的帧中计算得到。

4.根据权利要求1所述的视频检测方法，其特征在于，在所述进行物体特征检测的步骤之前，还包含以下步骤：

自动计算黄昏结束时间和黎明起始时间；

如果检测的实时时间晚于所述黎明起始时间且早于所述黄昏结束时间，则在所述进行物体特征检测的步骤中，采用白天检测模式进行物体特征的检测；

如果检测的实时时间晚于所述黄昏结束且早于所述黎明起始时间，则在所述进行物体特征检测的步骤中，采用夜晚检测模式进行物体特征的检测；

所述白天检测模式中检测的物体特征还包括以下之一或其任意组合：

运动信息特征、运动颜色特征、车身结构特征、车牌特征；

所述夜晚检测模式中检测的物体特征还包括：车灯特征。

5.根据权利要求4所述的视频检测方法，其特征在于，所述车牌特征的检测包含以下步骤：

对视频图像进行预处理，所述预处理包括降噪处理；

对经预处理后的图像进行能量图的提取处理，得到体现有原始图像垂直边缘分布状况的能量图；

对所述能量图按照从下到上，从左到右的连续前景线段进行搜索，得到车牌的候选区域；

通过车牌特征校验对所述车牌的候选区域中的局部图像进行车牌定位，如果车牌定位成功，则判定存在车牌特征；

其中，所述车牌特征校验包括笔画信息校验和水平跳变校验。

6.根据权利要求4所述的视频检测方法，其特征在于，在所述采用白天检测模式进行物体特征的检测后，还包含以下步骤：

判断当前帧与上次触发抓拍信号的帧之间的帧数是否大于预设的帧数阈值，如果大于所述帧数阈值，则进一步判断是否满足车辆分割条件，如果满足车辆分割条件，则对车辆进行分割；如果当前帧与上次触发抓拍信号的帧之间的帧数小于或等于所述帧数阈值，或者判定不满足车辆分割条件，则不对车辆进行分割，直接根据所述虚拟线圈中检测到的物体特征，触发抓拍信号；

其中，所述车辆分割条件为：在检测到运动信息特征的同时，还检测到车前最黑阴影特征或运动颜色特征；或者，所述车辆分割条件为：同时检测到车前最黑阴影特征和运动颜色特征。

7.根据权利要求6所述的视频检测方法，其特征在于，在判定满足车辆分割条件后，对车辆进行分割之前，还包含以下步骤：

进一步判断是否检测到车牌特征，如果检测到车牌特征，则再对车辆进行分割；如果未检测到车牌特征，则不对车辆进行分割。

8.根据权利要求4所述的视频检测方法，其特征在于，所述车灯特征的检测包含以下步骤：

将虚拟线圈中亮度值大于车灯阈值的像素点作为车灯像素点；

由得到的所述车灯像素点组成车灯像素块；

根据路面反光特征来对得到的所述车灯像素块进行检测，滤除因反光导致的部分；

根据车灯形状对剩余的车灯像素块进行分析，当剩余的车灯像素块符合车灯形状时，判定存在车灯特征。

9.根据权利要求8所述的视频检测方法，其特征在于，在滤除因反光导致的车灯像素块后，根据车灯形状对剩余的车灯像素块进行分析之前，还包含以下步骤：

根据两车灯像素块之间的间距，判断车辆类型；

如果判定所述车辆类型为小车，则再进入所述根据车灯形状对剩余的车灯像素块进行分析的步骤；

如果判定所述车辆类型为大车，则对参数进行调整，所述参数包括报警间隔帧数、搜索范围。

10.一种视频检测系统，其特征在于，包含：

检测模块，用于在视频图像中所设的虚拟线圈内进行物体特征的检测；

触发模块，用于在所述检测模块在所述虚拟线圈中检测到物体特征时，触发抓拍信号；

抓拍模块，用于在所述抓拍信号被触发后，进行抓拍；

其中，所述物体特征包括车前最黑阴影特征，所述检测模块包含车前最黑阴影特征检测子模块，用于对所述虚拟线圈进行车前最黑阴影特征的检测。

11.根据权利要求10所述的视频检测系统，其特征在于，所述车前最黑阴影特征检测子模块包含以下子单元：

车前最黑阴影特征点获取子单元，用于将所述虚拟线圈中的灰度值小于车前最黑阴影阈值的像素点作为车前最黑阴影特征点；

车前最黑阴影像素点获取子单元，用于将前一帧中的车前最黑阴影特征点在当前帧中的灰度值的增值大于预定增幅阈值的像素点，作为车前最黑阴影像素点；

车前最黑阴影判定子单元，用于在所述车前最黑阴影像素点或者所述车前最黑阴影特征点的数目大于预设的门限值时，判定存在车前最黑阴影特征。

12.根据权利要求11所述的视频检测系统，其特征在于，所述车前最黑阴影阈值根据以下公式更新：

black_th＝(1-α)*black_th+α*cur_black_th

其中，black_th为更新后的车前最黑阴影阈值，α为预设的更新率，cur_black_th为当前帧的车前最黑阴影阈值；所述当前帧的车前最黑阴影阈值是从当前触发帧的前后预设数目的帧中计算得到。

13.根据权利要求10所述的视频检测系统，其特征在于，所述视频检测系统还包含：

时段计算模块，用于自动计算黄昏结束时间和黎明起始时间；

模式选择模块，用于在检测的实时时间晚于所述黎明起始时间且早于所述黄昏结束时间时，选择白天检测模式；在检测的实时时间晚于所述黄昏结束且早于所述黎明起始时间时，选择夜晚检测模式；

所述检测单元根据所述模式选择模块选择的检测模式进行物体特征的检测；

其中，所述白天检测模式中检测的物体特征还包括以下之一或其任意组合：

运动信息特征、运动颜色特征、车身结构特征、车牌特征；

所述夜晚检测模式中检测的物体特征还包括：车灯特征。

14.根据权利要求13所述的视频检测系统，其特征在于，所述检测模块包含车牌特征检测子模块，用于对所述虚拟线圈进行车牌特征的检测；所述车牌特征检测子模块包含以下子单元：

预处理子单元，用于对视频图像进行预处理，所述预处理包括降噪处理；

能量图提取子单元，用于对经预处理后的图像进行能量图的提取处理，得到体现有原始图像垂直边缘分布状况的能量图；

候选区域搜索子单元，用于对所述能量图按照从下到上，从左到右的连续前景线段进行搜索，得到车牌的候选区域；

车牌定位子单元，用于通过车牌特征校验对所述车牌的候选区域中的局部图像进行车牌定位；

车牌特征判定子单元，用于在所述车牌定位子单元成功定位车牌时，判定存在车牌特征；

其中，所述车牌特征校验包括笔画信息校验和水平跳变校验。

15.根据权利要求13所述的视频检测系统，其特征在于，所述视频检测系统还包含：

帧数阈值判断模块，用于在所述检测模块采用白天检测模式进行物体特征的检测后，判断当前帧与上次触发抓拍信号的帧之间的帧数是否大于预设的帧数阈值；

车辆分割条件判断模块，用于在所述帧数阈值判断模块判定大于所述帧数阈值时，判断是否满足车辆分割条件；

车辆分割模块，用于在所述车辆分割条件判断模块判定满足车辆分割条件时，对车辆进行分割；

其中，所述车辆分割条件为：在检测到运动信息特征的同时，还检测到车前最黑阴影特征或运动颜色特征；或者，所述车辆分割条件为：同时检测到车前最黑阴影特征和运动颜色特征。

16.根据权利要求15所述的视频检测系统，其特征在于，所述视频检测系统还包含：车牌特征校验模块，用于在所述车辆分割条件判断模块判定满足车辆分割条件时，判断所述检测模块是否检测到车牌特征，并在所述检测模块检测到车牌特征时，指示所述车辆分割模块对车辆进行分割，在所述检测模块未检测到车牌特征时，指示所述车辆分割模块不对车辆进行分割。

17.根据权利要求13所述的视频检测系统，其特征在于，所述检测模块包含车灯特征检测子模块，用于在所述虚拟线圈中进行车灯特征的检测；所述车灯特征检测子模块包含以下子单元：

车灯像素点获取子单元，用于将虚拟线圈中亮度值大于车灯阈值的像素点作为车灯像素点；

车灯像素块组成子单元，用于由所述车灯像素点获取子单元得到的所述车灯像素点组成车灯像素块；

滤除子单元，用于根据路面反光特征来对所述车灯像素块组成子单元得到的所述车灯像素块进行检测，滤除因反光导致的部分；

车灯特征判定子单元，用于根据车灯形状对剩余的车灯像素块进行分析，当剩余的车灯像素块符合车灯形状时，判定存在车灯特征。

18.根据权利要求17所述的视频检测系统，其特征在于，所述车灯特征检测子模块还包含：

车辆类型判断子单元，用于在所述滤除子单元滤除因反光导致的部分后，根据两车灯像素块之间的间距，判断车辆类型；

车辆类型处理子单元，用于在所述车辆类型判断子单元判定所述车辆类型为小车时，指示所述车灯特征判定子单元根据车灯形状对剩余的车灯像素块进行分析；在所述车辆类型判断子单元判定所述车辆类型为大车时，对参数进行调整，所述参数包括报警间隔帧数、搜索范围。

Images