CN102147971A - 基于视频图像处理技术的交通信息采集系统 - Google Patents

Abstract

一种基于视频图像处理技术的交通信息采集系统，属于计算机领域控制领域，一种由一台高空摄像机拍摄道路视频然后基于视频图像处理技术得到准确的车辆信息，尽量减少外在的噪声的干扰，从而自动准确的追踪定位识别车辆信息，通过离散的交通信息得到任意时刻的全面的交通信息参数，从而实现采集的全面性、准确性、自动化，不仅可以实现道路断面的全面的交通信息采集，更能实现路段的全面的交通信息采集。本系统可视频图像信息中采集到车辆存在、车辆速度、车辆平面轮廓、车辆类型、交通占有率、流量、速度、占有率、车型车色、车流向、车辆轨迹、车间距、通过时间、交通流密度等各种交通参数。

Description

基于视频图像处理技术的交通信息采集系统

技术领域：本发明专利属于计算机控制领域技术，它涉及一套通过现场道路视频去自动采集交通信息的处理系统，尤其是能全面的获取路段上各种交通信息。

背景技术：道路交通基础数据的采集是道路交通管理和智能交通系统中的一项很重要的工作内容，而现在这些基础数据的采集工作主要是由感应线圈车辆检测器和视频车辆检测器两种设备完成的。

环形感应线圈车辆检测器(即通俗说法的地圈)是一种基于电磁感应的车辆检测器，这种传感器是一个通过切割道路路面，形成环形细槽，将漆包线缠绕在环形槽内，然后采用环氧树脂胶将槽密封住的设施。它是一种埋设在道路路面下、通过一定交变电流的环形线圈，在通过交流电后形成感应电磁场。当具有金属物质的车辆通过或停在线圈上时，车辆这种金属物品切割了环形线圈所产生的感应电磁场的磁力线，从而产生电流脉冲信号，之后将脉冲信号送到控制中心，即系统检测到车辆通过地圈的信号，所以地圈式车辆检测器通过电流脉冲信号变化检测出车辆的存在。环形线圈检测器有环形线圈、调谐回路、以及检测电路三部分组成。

环形感应线圈车辆检测器的优点：测量精度较高，适应性较强，故障率较低，性价比较高。其缺点：需要坚固的道路路面，否则检测电路易遭到破坏，较小车辆难以检测到；由于封口的环氧树脂胶在露天的环境下日晒雨淋，易于老化失效，到时封口功能丧失，感应线圈暴露在雨水的环境中，容易发生短路故障而致损坏，需要定期维修和养护；每次安装和维修时更换都需要扒开道路路面，非常麻烦。必须封闭道路行车道，阻碍交通。

视频车辆检测器主要由摄像机(头)和图像识别处理系统所组成。其工作原理是：由闭路电视CCTV摄像机连续摄得道路中的两帧图像，对其全部或部分区域进行比较，如有差异则说明检测区有运动物体，从而检测出通过道路的车辆。而目前来说是视频车辆检测模式去采集道路交通数据还没有被充分的发挥出来。现在应用的摄像机去采集数据的会出现的问题有采集信息不全面、准确性不够、模型设计过于复杂。

发明内容：

为了克服现有的交通信息采集技术中的不足，本发明通过应用一台架设在高建筑物的摄像机对道路进行摄像得到道路运行状态视频，然后基于视频图像处理技术的对图像进行处理从而采集全面准确连续的交通信息参数。该系统不仅可以全面的采集断面交通信息，同时可全面的采集路段上任意时间状态下全面的交通信息参数。

本发明专利所采用的技术方案如下：

1.用固定摄像的方法得到车辆路段运行的视频信息

摄像的选择一般在高的建筑物上正对道路进行摄像拍摄画面如图1所示模型的建立及参数要求

a)摄像机的要求：拍摄的摄像机一般要求是平面镜头，本研究发现分辨率要求在240*320及以上但是分辨率并不是越高越好，分辨率越高运算量越大，所以本文建议分辨率的选择在240×320和480×640之间。

b)本文对于车辆的跟踪识别研究发现最小帧速率应该选择要大于等于10帧每秒。

c)固定拍摄的区域图像1像素点所代表的实际距离要大于等于0.1m。

d)摄像机用三角架进行固定必须稳固，减少风对摄像机的晃动的影响。

e)纵向角度和横向角度的要求：纵向角度α≥11°，横向角β≥67°如图2

2.通过背景更新模型对道路背景进行建模，得到初始的图像数据。

采集的视频通过opencv对道路背景进行建模应用背景更新模型得到原始图像得到原始图像如图3、背景图像如图4和前景图像如图5。从而得到初始的图像数据。

3.连通区域集合分割与合并的方法，其过程在于对车辆阴影联合模连通区域应用一种结合它的形态特征和像素点灰度特征的方法，即先对车辆阴影联合轮廓简化成关键点(六个或七个)然后对这个多边形进行简化分割初次判断车辆信息；对第一次判断不是车辆信息的部分进行带状滤波处理进行二次判断，对二次判断带状滤波后仍有车辆连通信息的部分进行判断连通区域是否进行加法运算得到完整的车辆信息。

具体操作如下：

(1)提出本模型车辆阴影的八种实际情况如图6，对前景图像中连通区域的轮廓用Douglas-Peucker法(道格拉斯——普克法)进行轮廓简化然后按照一定规则选取轮廓六点模型和七点模型从而得到如图7，其中红线以外的部分是车辆阴影部分。

(2)我们利用图5中偏右部分的大客车及其阴影部分的实际情况进行举例说明，它所对应的模型是图7(c)的情况。首先用Douglas-Peucker法对大客车及其阴影轮廓进行简化得到图8，在图8简化的轮廓中去找对于模型对应模型图7(c)的六个顶点V＝[V₁，V₂，...，V₆]。首先先找关键点，左下角的点V₁，右下角的点V₂，右上角V₄，左上角V₅，用式子表达如(1)——(4)：

${(x,y)}_{V_1}=\arg \min \{x_i+k{y}_i\}---\left(1\right)$

${(x,y)}_{V_2}=\arg \min \{x_i-k{y}_i\}---\left(2\right)$

${(x,y)}_{V_4}=\arg \min \{x_i+k{y}_i\}---\left(3\right)$

${(x,y)}_{V_5}=\arg \min \{x_i-k{y}_i\}---\left(4\right)$

其中k为一可调参数可根据实际情况进行调节例如k＝2，得到如图9，V₃为V₂和V₄之间的一个点，V₆为V₁和V₅之间的一个点，使得V＝[V₁，V₂，...，V₆]这六个顶点所围成的面积和图8所有顶点所围成的面积相差最小。从而确定V＝[V₁，V₂，...，V₆]得到如图10。同理可以得到七个顶点的简化方法。选择简化成六边形还是简化成七边形取决于实际的阴影情况，而这一情况可以根据一天当中各个时间段内阴影的情况而定总共八种影子模型，根据实际情况可设定各个时段为哪种模型，从而使程序根据时间信息自动处理。

(3)过V3像素点做向量V₃V₇＝aV₂V₁(a为正常数)即V₇像素点为向量V₃V₇与V₁V₆向量的交点连同区域PV是图10图像数据矩阵像素点的集合，PV1＝{x|x∈连通六边形V₁V₂V₃V₇}；PV2＝{x|x∈连通六边形V₃V₄V₅V₇}。

(4)将集合PV2对应映射到图3相应位置的灰度像素点中相应位置定义为PV2′，对PV2′部分利用灰度值进行带状滤波即当b＜PV2′(i，j)＜c时PV2′(i，j)＝0；否则PV2′(i，j)＝1。令PV2＝PV2′。b，c为两个可调参数，可根据实际情况进行调节例如b＝30，c＝200，这样选择的原因在于，车辆阴影部分的灰度值t一般在30＜t＜200范围内，故滤掉的绝大部分是影子的像素点。

(5)PV＝PV1+PV2，对连通块PV部分的各个连通块进行外接矩形操作。大客车部分上部如果只有一个连通区域则操作结束，但对于图5中大客车上面部分进行操作却得到了图11的效果一辆车被分成了两个连通区域。出现图11这种情况则要进行进一步操作。

(6)如图12所示B1与B2的主要有以上四种位置关系，B1连通块在像素点坐标系中的形心坐标为O₁(x₁，y₁)，四个顶点坐标A，B，C，D分别为：(x₁₁，y₁₁)，(x₁₂，y₁₂)，(x₁₃，y₁₃)，(x₁₄，y₁₄)；B2连通块的像素点坐标系中的形心坐标O₂(x₂，y₂)，四个顶点坐标为E，F，G，K分别为：(x₂₁，y₂₁)，(x₂₂，y₂₂)，(x₂₃，y₂₃)，(x₂₄，y₂₄)。θ为O₁O₂向量与x向量的夹角。B1和B2的位置关系可以通过θ角的大小分为4个情况，如图13。

L代表连通块B1和B2几何形心的距离。图13中a，b两种情况连通块之间的距离大于l₁则两个连通块不进行合并运算说明两个连通块是属于两辆不同的车辆的部分。图13中c，d两种情况连通块之间的距离大于l₂则两个连通块不进行合并运算说明两个连通块是属于两辆不同的车辆的部分。

(i)θ角度属于a那种情况且L≤l₁时(l₁一般取值为车辆像素长度的一半)，定义连通块加法运算 

其中WAFGD为以A，F，G，D为边界的最小外接矩形。

(ii)θ角度属于b那种情况且L≤l₁时(l₁一般取值为车辆像素长度的一半)， 

其中EBCK为以E，B，C，K为边界的最小外接矩形。

(iii)θ角度属于c那种情况且L≤l₂时(l₂一般取值为车辆像素宽度的一半)， 

其中ABGK为以A，B，G，K为边界的最小外接矩形。

(iiii)θ角度属于d那种情况且L≤l₂时(l₂一般取值为车辆像素宽度的一半)， 

其中EFCD为以E，F，C，D为边界的最小外接矩形。

(iiiii)如果PV2中连通区块多于两个，就按连通块的大小进行排列，根据位置关系判断连通块哪些是属于一辆车的哪些属于不通车辆的然后按照连通块的大小进行连通加法运算。如果想减少计算的复杂度可以把比较小的连通块按像素点数目进行过滤，设定阈值把小的连通区域过滤掉。

图11经过(6)步处理得到图14。

4.在上一步对图像进行处理的基础上针对0-1图像数据提出一种位置追踪的算法来追踪识别不同的车辆的运行信息。

(1)首先标定车道如图15所示图15(a)是所拍摄的路面情况，图15(b)是标定的1车道，图15(c)是标定的2车道，图15(d)是标定3道。

(2)我们以各个车道为研究对象，对车道上车辆的信息进行研究。如图16所示标定的车道上，图16(a)和图16(b)是连续两帧车辆移动的信息，车辆是由左向右移动的。图16(a)中L(l₁，l₂)是图中车辆左边界的中点坐标，M(m₁，m₂)是图中车辆的几何中心坐标，N(n₁，n₂)是图中车辆右边界的中点坐标。图16(b)中L(l₁′，l₂′)是图中车辆左边界的中点坐标，M(m₁′，m₂′)是图中车辆右边界的中点坐标，N(n₁′，n₂′) 是图中车辆右边界的中点坐标。车的几何中心留在哪个车道车辆就属于哪个车道。

(3)判断图16(a)里的像素横坐标l₁＞1时开始记录车辆信息包括面积s、长度1、宽度q、LMN三点的坐标的信息，图16(a)M点的像素纵坐标m₁向前k个像素点距离区域内如果对应的图16(b)中的m₁′满足m₁′＞＝m₁且m₁′＜＝m₁+k，则认为图16(a)和图16(b)中的车是同一辆车的信息，其中k值的确定举例进行说明比如标定的实际一像素点代表的距离为0.1m而k取15时代表一辆车在一帧的时间里移动了1.5m，而一秒钟如果是25帧的话则车辆的速度就是135km每小时，而在城市道路中车辆达不到这个速度因此k为15符合城市道路的标准，而对于高速公路来说，k的取值要适当的大一些比如20。

(4)如果在m₁′＞＝m₁且m₁′＜＝m₁+k范围内有两辆车的信息则按照他们之间的相似程度进行判断，从面积，长度，宽度这些指标进行判断，相似度函数γ＝1-0.2×s-0.4×l-0.4×q进行判断(相似度函数中的系数是通过大量的统计得来的)，图16(a)中车辆和图16(b)中相似度最高的为同一辆车。

(5)追踪搜索直到l₁＜352(352为摄像机最大分辨率282×352最大的横坐标)。表1给出了追踪一车辆的完整的信息。

5.应用经过修正的窗口权重回归理论对上一步追踪出来的车辆信息建模计算得到车辆在路段上连续的速度与加速度信息，从而得出每辆车在各个车道上完整的时间-空间坐标轨迹。

移动窗口权重回归理论的介绍：

令x(t)，t＝1，...，T表示一辆车随时间序列t变化的位移；用t₀周围临近的点估算去求的t₀位置的时间位移轨迹；令n表示用于求估算t₀位置的时间位移的周围点的个数即窗口的大小。

在t₀附近的车辆轨迹的函数设定为一个关于时间的函数：

$s\left(t\right)=f_{t_0}(t,{\mathrm{\β}}_{t_0})+{\mathrm{\ϵ}}_{t_0,t}$

(·)-----以t₀为中心n个点的窗口局部多项式拟合函数在t时刻的位移。

-------在t₀周围的多项式拟合函数的参数向量 

-------服从正态分布的误差项。

$f_{t_0}(t,{\mathrm{\β}}_{t_0})=Z\left(t\right){\mathrm{\β}}_{t_0}=\underset{m=0}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\β}}_{t_0,m}{\left(t\right)}^M$

Z(t)-----在观测时间t时刻的一组相对独立的参数变量，即时间自变量的多项式形式，

Z(t)＝[1 t t² t³...t^M]。

M----拟合多项式的最高次数。

提出一种最小二乘模型算法去求的t₀点拟合多项式 

当中的 

向量

$\underset{{\mathrm{\β}}_{t_0}}{\min }{[X_{t_0}-f_{t_0}(t,{\mathrm{\β}}_{t_0})]}^{\′}{W}_{t_0}[X_{t_0}-f_{t_0}(t,{\mathrm{\β}}_{t_0})]---\left(1\right)$

其中 

----拟合以t₀为中心的轨迹函数所需的N维观测位置向量。

------一个N×N的对角矩阵，矩阵中的元素代表各个位移观测值用于局部拟合所占的权重。

总而言之局部回归的应用需要选取三个基础元素：

(1)通过选择 函数形式来定义函数，该形式决定局部拟合曲线的形状。

(2)窗口尺寸，决定的用于拟合每一测量值的邻近点数。

(3)在局部回归窗口内为每个点分配权重。

矩阵中对角位置上的元素代表t₀点周围的各个点的权重，计算的方法是利用那个三次立方权重函数

w(t₀，t)＝(1-u(t₀，t)³)³

$u(t_0,t)=\frac{|t-t_0|}{d}$

$d=\frac{n+1}{2}$

w(t₀，t)------代表在计算拟合t₀这点的拟合多项式 

时t所分配的权重。这个取决于标准化的时间差。

u(t₀，t)------代表t₀与t的时间差的归一化测量。

d------表示n个点的窗口中离t₀最远的那个时间点t的距离。

举例说明：在t₀周围各有五个点的各个点所占权重(窗口为n＝11个点)。如图16所示，11个点所占权重分别为：0.0747761194622263，0.348473301834070，0.669921875000000，0.892953309962912，0.986175312293604，1，0.986175312293604，0.892953309962912。0.669921875000000，0.348473301834070，0.0747761194622264。

根据M和n的不同取值修正移动窗口权重回归模型，窗口的大小n与回归次数的大小M选择会影响回归的多项式函数的精确度，因此需要对最小二乘模型即(1)式子进行修正。通过应用最小二乘模型移动窗口权重回归模型算法得到的不同窗口不同回归次数统计得到算法得到的速度 

和观测的单点数据得到的像素值 

发现 

我们根据速度的差值对 

进行修正得到 

推导过程如下：

$v_{t_0}^{\′}=v_{t_0}-\frac{1}{2(m+n)}$

${v_{t_0}}^{\′}={f_{t_0}}^{\′}(t_0,{\mathrm{\β}}_{t_0})-\frac{1}{2(m+n)}=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}j{\mathrm{\β}}_j{t_0}^{j-1}-\frac{1}{2(m+n)}$

$a=\frac{1}{2(m+n)}$

$F_{t_0}(t,{\mathrm{\β}}_{t_0})=\underset{0}{\overset{t}{\∫}}{v_{t_0}}^{\′}d{t}_0+{\mathrm{\β}}_0=\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\β}}_j{t}^j-\mathrm{at}$

从而得到修正的移动窗口权重回归模型：

$\underset{{\mathrm{\β}}_{t_0}}{\min }{[X_{t_0}-F_{t_0}(t,{\mathrm{\β}}_{t_0})]}^{\′}{W}_{t_0}[X_{t_0}-F_{t_0}(t,{\mathrm{\β}}_{t_0})]$

令 $S=\left[{X_{t_0}-F_{t_0}(t,{\mathrm{\β}}_{t_0})]}^{\′}{W}_{t_0}\right[X_{t_0}-F_{t_0}(t,{\mathrm{\β}}_{t_0})]$

$S=[s_1-\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\β}}_j{t_1}^j+a{t}_1,s_2-\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\β}}_j{t_2}^j+a{t}_2,\·\·\·,s_n-\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\β}}_j{t_n}^j+a{t}_n]*\left\{\begin{array}{ccccc}{w}_{11}& 0& \·\·\·& & 0\\ 0& w_{22}& \·\·\·& & 0\\ 0& 0& w_{33}& \·\·\·& 0\\ \·\·\·& & & & \·\·\·\\ 0& & & & w_{\mathrm{nn}}\end{array}\right\}*\left[\begin{array}{c}{s}_1-\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\β}}_j{t_1}^j+a{t}_1\\ s_2-\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\β}}_j{t_2}^j+a{t}_2\\ \·\·\·\\ s_n-\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\β}}_j{t_n}^j+a{t}_n\end{array}\right]$

整理后得到

$S=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}{[s_k-\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\β}}_j{t_k}^j+a{t}_k]}^2$

利用最小二乘理论去求的 

即 $\frac{\∂S}{\∂{\mathrm{\β}}_j}=0$

$\frac{\∂S}{\∂{\mathrm{\β}}_j}=2\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}[\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\β}}_j{t_k}^j-a{t}_k-s_k]*\frac{\∂\left(\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\β}}_j{t_k}^j\right)}{\∂{\mathrm{\β}}_j}$

$=2\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}{[\underset{i=0}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\β}}_i{t_k}^i-a{t}_k-s_k]*t_k}^i$

$=2[\underset{i=0}{\overset{n}{\mathrm{\Σ}}}\left(\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}{t_k}^{i+j}\right){\mathrm{\β}}_i-\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}a{t_k}^{j+1}-\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}{s}_k{t_k}^j]$

故 $\underset{i=0}{\overset{n}{\mathrm{\Σ}}}\left(\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}{t_k}^{i+j}\right){\mathrm{\β}}_i-\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}a{t_k}^{j+1}-\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}{s}_k{t_k}^j=0,j=\mathrm{0,1},\·\·\·n.$

简化为线性正规方程组 

其中

$A=\left\{\begin{array}{cccc}m& \underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}{t}_k& \·\·\·& \underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}{t_k}^n\\ \underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}{t}_k& \underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}{t_k}^2& \·\·\·& \underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}{t_k}^{n+1}\\ \underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}{t_k}^2& \underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}{t_k}^3& \·\·\·& \underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}{t_k}^{n+3}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ \underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}{t_k}^n& \underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}{t_k}^{n+1}& \·\·\·& \underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}{t_k}^{2n}\end{array}\right\},c=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}{s}_k{t_k}^j+\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{kk}}a{t_k}^{j+1}$

从而求得 

从而得到位移函数 

得到得到t₀点及其周围点的连续，通过位移函数的一阶导数得到t₀及其周围连续时间点的速度，通过位移函数的一阶导数得到t₀及其周围连续时间点的加速度速度。举例说明比如时刻t₁＝1s，t₂＝2s，t₃＝3s，t₄＝4s，t₅＝5s，t₆＝6s，t₇＝7s，t₈＝8s它们对应的位移分别为s₁＝2m，s₂＝4m，s₃＝6m，s₄＝8m，s₅＝10m，s₆＝12m，s₇＝14m，s₈＝16m，我们用n＝7的窗口进行移动窗口权重回归，我们算t₄点的 

就是用t₁，t₂，t₃，t₄，t₅，t₆，t₇这七个时刻的时间位移信息去算 

用 

去求的 

得到 

也就得到时间区间[3.5s，4.5s]这个时间段内的车辆的连续时间-轨迹信息，从而得到这个时间段的车辆的速度，加速度，位移信息。通过算t₅点的 就是用t₂，t₃，t₄，t₅，t₆，t₇，t₈这七个时刻的时间-位移信息去算 

得到(4.5s，5.5s]这个时间段内的车辆的连续时间-轨迹信息，从而得到这个时间段的车辆的速度，加速度，位移信息。以此类推就可以移动计算得到连续时段内车辆的瞬时交通信息参数。

从而位置追踪算法所得到的车辆的离散的时间-位移信息经过修正的移动窗口权重回归算法得到连续时间的时间-位移信息。从而得到到连续全面的交通信息参数。

表2为表1数据进行7个点的窗口六次回归运算得到的单个车辆的信息。

6.最终，采集到到所拍摄路段上各个车辆的单独信息通过这个信息可以全面准确的交通信息(各个车辆时间-空间轨迹、瞬时车辆速度、瞬时车辆加速度、车型、时间占有率、车流量、车流向、车间距、通过时间、交通流密度)。

附图说明：图1是所建立的模型拍摄路段具体的图像示意图。

图2是所建道路模型的立体示意图。

图3是所建模型数据的原始图。

图4是用opencv建模得到的相应图3的道路背景示意图。

图5是用opencv建模得到的相应图3的道路前景示意图。

图6是所建模型车辆阴影联合轮廓的八种形态示意图。

图7是所建模型车辆阴影联合轮廓的八种形态简化模型示意图。

图8是用Douglas-Peucker算法对图5中大客车阴影轮廓进行简化得到的简化轮廓示意图。

图9是对图8中按照寻找规则找出关键点V₁，V₂，V₄，V₅位置的示意图。

图10是对图5中大客车及其阴影轮廓进行简化得到的六个关键点的模型的示意图。

图11是对图5进行图像进行形态学操作去除阴影所得到的示意图。

图12是车辆连通块的位置关系示意图。

图13是图12中4种模型位置关系相应的角度自判断条件示意图。

图14是进行完整的形态学操作所最终得到的处理效果图。

图15是车道划分方法的示意图。

图16是车辆位置追踪识别说明示意图。

图17是11点移动窗口权重回归系数示意图。

Claims (8)

1.一种基于一个高空摄像头拍摄的高空路面信息视频图像处理技术的，以路段交通运行情况为研究对象的交通信息采集系统，可采集道路上各个车道全面的交通信息参数，其特征在于建立高空拍摄的路面背景模型得到初始的车辆阴影联合轮廓模型，对车辆阴影联合轮廓模型进行一种连通区域集合分割与合并的方法对车辆的阴影进行去除得到图像中完整的车辆信息，对图像准确完整的车辆信息用一种位置追踪识别定位的方法对车辆进行识别定位从而得到车辆大小和离散的时间位置信息，针对追踪到的离散的车辆的时间位移信息应用一种修正的移动窗口权重回归模型的方法得到连续瞬时的车辆的轨迹信息，从而自动全面准确的获取路段全部瞬时连续的交通信息参数(流量、计数、存在、加速度、速度、占有率、车类车型、车流向、车辆行驶轨迹、车间距、通过时间、交通流密度等)。

2.根据权利要求1所述的建立高空拍摄的路面背景模型，其技术特征在于基于opencv背景更新模型对道路背景进行建模从而得到初始的车辆阴影联合模型的前景图像、背景道路图像、原始图像。

3.根据权利要求1所述的连通区域集合分割与合并的方法，其技术特征在于对车辆阴影联合模连通区域应用一种结合它的形态特征和像素点灰度特征的方法，即先对车辆阴影联合轮廓简化成关键点(六个或七个)然后对这个多边形进行简化分割初次判断车辆信息；对第一次判断不是车辆信息的部分进行带状滤波处理进行二次判断，对二次判断带状滤波后仍有车辆连通信息的部分进行判断连通区域是否进行加法运算得到完整的车辆信息。

4.根据权利要求3所述的关键点，其技术特征在于对对车辆阴影联合轮廓连通区域用道格拉斯——普克法进行简化然后找出能确定的V₁，V₂，V₄，V₅，然后找出简化六边形的V₃，V₆这两个顶点(如果是简化七边形的话就找出V₃，V₆，V₇这三个顶点)使得所选的六边形(或者七边形)的面积和车辆阴影联合轮廓连通区域的面积相差最小，选择简化成六边形还是简化成七边形取决于实际的阴影情况，而这一情况可以根据一天当中各个时间段内阴影的情况而定总共八种影子模型，根据实际情况可设定各个时段为哪种模型，从而使程序根据时间信息自动处理。

5.根据权利要求3所述的连通区域加法运算，其技术特征在于根据带状滤波后所剩下的连通区域根据它们质心之间的质心和角度的大小而判断是否进行连通区域合并运算，如果进行运算则按照相应的情况进行运算。

6.根据权利要求1所述的位置追踪识别定位方法，其技术特征在于在标定的车道上出现的车辆的时侯进行定位(位置按它的质心坐标表示，位移就是它质心的纵坐标)跟踪车辆记录车辆的时间、位置和面积信息，在上一帧质心位置向前适当范围内搜索下一帧图像中车辆信息，如果有车辆信息则认为是同一辆车辆的信息然后继续向下搜索(如果有两辆车或者多辆车的信息则按照和上一帧车辆的相似度来进行判断)直到追踪车辆离开拍摄区域。

7.根据权利要求1所述的修正移动窗口权重回归模型的方法，其技术特征是能够精确的拟合出车辆任意时刻的位移、速度、加速度信息，准确的获取各个车辆的时间位移连续轨迹信息，连续轨迹信息确定了，所有的交通信息参数也就确定了。

8.根据权利要求1所述的交通信息采集系统，其技术特征是基于视频图像处理技术得到准确的车辆信息，尽量减少外在的噪声的干扰，从而准确的追踪车辆信息，通过离散的交通信息得到任意时刻的全面的交通信息参数，从而实现采集的全面性、准确性、自动化，不仅可以实现道路断面的全面的交通信息采集，更能实现路段的全面的交通信息采集，而且只需要通过一个高空摄像头拍摄，方法方便实用。

Images