CN102385803A - 基于视频监控的全天候市区车辆跟踪与计数方法 - Google Patents

Abstract

本发明公开了一种基于视频监控的全天候市区车辆跟踪与计数方法，通过判断当前时段属于白天或夜晚分别采用两种方法，白天采用的技术方案是：首先利用背景去除法提取车辆前景目标；然后根据当前路况的拥堵情况来判断是使用跟踪方法进行计数还是使用虚拟检测线法进行计数；夜间采用的技术方案是：首先设定一条虚拟检测线和检测区域；然后对当前帧进行二值化处理以此来提取车灯；扫描检测线判断是否有车灯经过，进行计数。本发明适用于全天候的交通视频监控处理，能有效对车辆进行准确跟踪和可靠计数，提高了交通视频分析的稳定性和鲁棒性。

Description

基于视频监控的全天候市区车辆跟踪与计数方法

技术领域

本发明属于智能交通视频监控领域，具体涉及一种全天候市区视频车辆跟踪与计数算法。

背景技术

近年来，随着人们车辆拥有率的提高，智能交通系统（ITS）在诸多提高交通运输能力的方法中，已经占据了最主要的地位，并日益得到研究人员的关注。考虑到交通运输管理的未来发展趋势要求，在交通环境中实现在线监控和更加详细的信息收集，图象分析和计算机视觉技术迅速被应用于交通视频分析中，以求实现诸如车辆量统计，从而进行拥堵检测已及交通事故检测等功能。因此提出一套鲁棒的、实时的算法，以处理一系列由固定安装在路边的监控摄像机所提供的交通视频图像对车辆进行跟踪计数，便成为亟待解决的技术问题。 

当前基于视频的车流量计数方法大都只解决白天的车辆计数，很少同时涉及解决夜晚的车辆计数，因此不能做到全天候计数。如公开号为CN101777263A的中国专利公开了“一种基于视频的交通车流量检测方法”，该方法通过分析车辆边缘信息对车辆进行计数，不能适应夜晚照明度不够的情况。另外，对于基于视频分析的白天车辆计数方法，目前大多数的计数方法都是单纯的基于车辆跟踪进行计数，这样的方法在车流量密度低的时候效果很好，但是不能适用于红绿灯路口等红灯时的情况以及上下班时间车辆比较拥堵的情况。

本专利对视频进行分析提取交通拥堵信息，根据拥堵情况分别利用跟踪方法和虚拟线框方法对车辆进行计数，增强了鲁棒性。本专利通过提取图像亮度以及时间信息对日夜进行判断，在日夜两种算法之间进行切换，实现了全天候的车流量计数。

发明内容

本发明所要解决的技术问题是公开一种全天候市区视频车辆跟踪与计数算法，实现对白天和夜间道路车辆进行实时准确计数，并能够有效地解决红绿灯路口车辆等红灯以及上下班时间路况比较拥堵时车辆跟踪计数差的问题，同时该发明还改进了白天情况下的车辆跟踪策略，通过以上措施可较好地改善视频监控系统的稳定性和鲁棒性，提高车辆的计数精度。

本发明为解决上述技术问题采用以下技术方案：

一种基于视频监控的全天候市区车辆跟踪与计数方法，包括以下步骤：

步骤A，采用安装在路边的监控摄像机实时获取交通视频图像，根据当前图像的亮度和系统时间，综合判断当前时刻是白天时段还是夜间时段；

步骤B，当判断结果是白天时段，所述车辆跟踪与计数方法具体步骤如下：

B1，采用背景更新方法获取背景图像，利用背景去除法检测车辆前景目标；

B2，对由步骤B1获得的前景目标图像进行阴影去除； 

B3，对由步骤B2得到的前景目标图像再进行粘连消除，获得最终的前景目标图像；

B4，根据当前路况是否拥堵进行虚拟线框法和跟踪算法切换，具体步骤为；

B41，计算一定时间段内前景总面积大于设定阈值的帧数和该时间段内通过的车辆数；

B42. 通过对B41中得到的帧数和车辆数判断当前路况是否拥堵；

B43，若当前的路况为畅通时，调用跟踪算法对车辆进行计数；若当前的路况为拥堵时，则调用虚拟线圈法对车辆进行计数；

步骤C，当判断结果是夜间时段，所述车辆跟踪与计数方法具体步骤如下：

C1，在原始图像上设定要进行夜间检测的检测区域，该区域的设定要尽可能覆盖整个路面为宜，通过设定的检测区域对原始图像进行剪裁，从而获得目标处理图像；

C2，对目标处理图像进行自适应二值化处理，对目标处理图像从上到下，从左到右进行遍历，将目标处理图像中的每个像素的灰度值与设定阈值进行比对，若大于阈值，则像素设为255，若小于阈值，则像素设为0；

C3，对步骤C2获得的二值化图像进行形态学处理，使用3×3的结构因子对图像进行腐蚀，用7×7的结构因子对图像进行膨胀；

C4，设置步骤C3获得的图像中水平的中轴线为夜间车灯检测线；

C5，按照步骤C4获得的夜间车灯检测线对步骤C3获得的图像进行夜间图像预处理操作：

对获得的前景区域形状和大小符合车灯的进行处理，设定车灯区域的纵向中轴线上的所有像素值为一定值，即为预设车灯标记值；对获得的前景区域形状和大小不满足车灯的，去除该区域；

C6，对图像的水平中轴线按从左到右进行检测，若检测到像素值为预设车灯标记值，则对车灯进行计数；

C7，对比前后两帧间检测车灯的坐标，判断是否是同一个车灯；

C8，根据车灯数量进行车辆计数。

进一步的，本发明的基于视频监控的全天候市区车辆跟踪与计数方法，所述步骤B1的具体步骤为：利用公式B__i+1 = (1-a)*B__i+ a*Cur__i，计算出当前背景图像，式中B__i代表原背景图像，Cur__i代表当前帧图像，a代表背景更新权值；然后利用当前帧图像减去背景图像得到车辆的的前景目标图像。

进一步的，本发明的基于视频监控的全天候市区车辆跟踪与计数方法，所述步骤B43中当确定采用虚拟线圈方法计数的时候，把当前车辆数传递给虚拟线圈计数器，并在随后的预设时间内采用虚拟线圈法进行计数，在下一个判决时刻，判断是否继续运行虚拟线圈法，若继续运行，则虚拟线圈计数器继续进行车辆计数，若不继续运行，则把虚拟线圈计数器的当前值传递给跟踪算法计数器。

进一步的，本发明的基于视频监控的全天候市区车辆跟踪与计数方法，所述步骤B2的具体步骤如下：

B21. 对背景灰度图像和当前帧灰度图像求取互相关系数；

B22. 对当前帧灰度图像进行基于灰度值的阴影初判断，灰度值在设定范围内的初步判断为阴影；

B23. 对初步判断为阴影的区域，进行基于互相关的阴影检测，互相关系数大于互相关阈值的为阴影区域，去除阴影区域，获得经过互相关去阴影操作后的前景二值区域；

B24. 使用canny边缘算子对车辆及阴影区域进行边缘提取，获得车辆及阴影区域的边界图像；

B25. 对边界图像进行垂直投影，获得垂直投影向量，对图像每列的像素数总和进行保存；

B26. 阴影区域判断，检查当前帧的前景目标图像及边缘图像的垂直投影向量中的对应列的值是否在预设范围内，满足条件时判断所处理的列为阴影，否则不判为阴影；

B27. 对判断为阴影的区域，基于互相关去除阴影后的前景目标图像进行二次去阴影。

进一步的，本发明的基于视频监控的全天候市区车辆跟踪与计数方法，所述步骤B3的具体步骤如下：

B31. 对前期处理获得的前景目标图像进行区域增长，获得候选目标区域N个；

B32. 对每个候选目标区域进行检测区域定位，判别候选目标区域所在的检测区域；

B33. 对每一个不同的检测区域，设定不同的合理性检测规则；

B34. 利用目标所在检测区域的检测规则，对候选目标区域进行位置及大小的合理性检验，若目标的宽度在预设的范围内，则认为候选区域为目标区域；

B35. 对不符合合理性检验要求的候选目标区域进行去除，设置相应位置的像素值为0。

进一步的，本发明的基于视频监控的全天候市区车辆跟踪与计数方法，所述步骤B43中，采用虚拟线框计数的具体步骤如下：

B51. 选择虚拟线圈的大小和位置，选择的原则是，保持虚拟线圈在车辆行进方向的长度保持一致，与车辆行进方向相垂直的方向上，一个线圈占一个车道；

B52. 针对每个线圈在检测区域的位置，设定不同的比例系数，离边缘越近的线圈，设定的比例系数越小，相反，则越大；

B53. 对当前前景二值图像在每个线圈区域内的面积进行统计，并对其相对于其所处的线圈面积进行归一化；

B54. 若归一化目标面积大于相对应线圈的比例系数，则判定为车辆目标，虚拟线圈计数器加1；否则，不做处理。

进一步的，本发明的基于视频监控的全天候市区车辆跟踪与计数方法，所述步骤B43中，采用跟踪算法计数的具体步骤如下： 

B61. 遍历前一帧前景目标图像存在的各个目标，根据重叠面积的大小筛选可能对应的当前帧的前景目标； 

B62. 若当前帧图像无前景目标与之匹配，则判断其是否有前景碎片，若有则用总边界对其进行位置更新，否则判此目标退场；

B63. 若目标有一个当前帧的前景目标与之匹配，则判断是否是一一对应，若是则更新目标位置，否则标定融合态；  

B64. 若目标与当前帧多个前景目标相匹配，则对这些前景目标进行筛选，若筛选之后还有前景目标与之对应，则判断各个前景目标之间的距离，若距离较近则用总边界进行位置更新，否则用颜色直方图找出最佳匹配并更新； 

B65. 遍历当前帧各个前景目标，根据其被多少个目标选为最佳候选目标分为2种情况；

若被0个目标选为最佳候选目标，则进一步判断其与各个目标的距离，看其是否是新目标出现还是已存在目标的一部分碎片；

若被2个或2个以上目标选为最佳候选目标，表明出现了目标的融合，对此融合态目标进行画框标记。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明可实现对白天和夜间道路车辆进行实时准确计数，并能够有效地解决红绿灯路口车辆等红灯以及上下班时间路况比较拥堵时车辆跟踪计数差的问题，同时该发明还改进了白天情况下的车辆跟踪策略，通过以上措施可较好地改善视频监控系统的稳定性和鲁棒性，提高车辆的计数精度。

附图说明

图1是整体框架流程图。

图2是白天算法流程图。

图3是车辆阴影去除流程图。

图4是车辆粘连消除流程图。

图5是已有目标跟踪算法流程图。

图6是新目标检测流程图。

图7是夜间算法流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

如图1所示，本发明首先是根据当前灰度图像的亮度统计情况和系统时间来综合判断当前调用白天算法还是夜间算法；白天时段调用白天算法；夜间时段调用夜间算法。时段判断方法具体如下：

在系统中将早上7：00-下午17：00设定为白天时段，晚上19：00-次日早上5：00设定为夜间时段。在日夜交接的两个时间段：早上5：00-7：00和下午17：00到19：00之间，每隔10分钟统计一下之前10分钟内视频帧中背景图像的平均灰度。若平均灰度大于一定值且时间位于5：00-7：00之间，则由夜间算法向白天算法进行切换；若平均灰度小于一定值时间位于17：00到19：00之间则由白天算法向夜间算法进行切换。

如图2所示，本发明的全天候市区视频车辆跟踪与计数算法中，白天算法主要包含以下步骤：

步骤1：建立初始背景；

（1），初始化一个背景图像，令其中每一点的像素值为0。

（2），获取当前一帧图像（非首帧），对其上每一个像素与上一帧对应像素亮度值作差，若差值小于某特定值则认为此像素属于背景像素点，将背景图像中对应的该点像素值用本帧中该像素点亮度值赋值。

（3），统计背景图像中亮度为0的像素点的个数，若该数量小于某一值则认为初始背景已经建好，否则继续（2）。

步骤2：采用背景更新获取新的背景；

利用公式B__i+1 = (1-a)*B__i+ a*Cur__i，计算出当前背景图像，式中B__i代表原背景图像，Cur__i代表当前帧图像，a代表背景更新权值，然后利用当前帧图像减去背景图像得到车辆的的前景目标图像。 

步骤3：图像预处理；

图像预处理分为阴影去除和粘连消除两部分。

1：对当前帧的前景目标图像进行阴影去除，如图3所示；

（1），对背景灰度图像和当前帧灰度图像求取互相关系数；

（2），对当前帧灰度图像进行基于灰度值的阴影初判断，灰度值在20-90范围内的初步判断为阴影；

（3），对初步判断为阴影的区域，进行基于互相关的阴影检测，互相关系数大于互相关阈值的为阴影区域，去除阴影区域，获得经过互相关去阴影操作后的前景目标区域；

（4），使用canny边缘算子对车辆及阴影区域进行边缘提取，获得车辆及阴影区域的边界图像；

（5），对边界图像进行垂直投影，获得垂直投影向量，对图像每一列的像素数总和进行保存；

（6），阴影区域判断，检查当前帧的前景目标图像及边缘图像的垂直投影向量中的对应列的值是否在预设范围内，满足条件时判断所处理的列为阴影，否则不判为阴影；

（7），对判断为阴影的区域（列），基于互相关去除阴影后的前景目标图像进行二次去阴影；

2：对当前帧的前景目标图像再进行粘连消除，如图4所示；

（1），对前期处理获得的前景目标图像进行区域增长，获得候选目标区域N个；

（2），对每个候选目标区域进行检测区域定位，判别候选目标区域所在的检测区域，在检测区域1内，在检测区域2内，在检测区域3内，或不在任一检测区域内；

（3），对每一个不同的检测区域，设定不同的合理性检测规则；

（4），利用目标所在检测区域的检测规则，对候选目标区域进行位置及大小的合理性检验，若目标的宽度在预设的范围内，则认为候选区域为目标区域；

（5），对不符合合理性检验要求的候选目标区域进行去除，设置相应位置的像素值为0。

步骤4：根据当前路况的拥堵等级进行跟踪算法和虚拟线框算法的切换，如图2所示；

（1），计算10秒内前景面积大于设定阈值的帧数count_fore和此10秒内通过的车辆数tens_number；

（2），若count_fore大于0且小于100则判为畅通；

（3），若count_fore大于100且小于150则判为缓行；

（4），若count_fore大于150且小于180且tens_number小于10则判为缓行，若此种情况下连续出现缓行超过2分钟则判为拥挤。

（5），若当前的路况拥堵等级判定为畅通时，则调用跟踪算法对车辆进行计数；若当前的路况拥堵等级判定为缓行和拥挤时，则调用虚拟线圈法对车辆进行计数；

（6），采用多种信息无缝融合的策略，当确定采用虚拟线圈方法的时候，把当前车辆数传递给虚拟线圈计数器，并在随后的预设时间内（10s）采用虚拟线圈法进行计数，在下一个判决时刻（开始运行虚拟线圈方法10s后），判断是否继续运行虚拟线圈法，若继续运行，则虚拟线圈计数器继续进行车辆计数，若不继续运行，则把虚拟线圈计数器的当前值传递给跟踪算法计数器。

步骤5:采用虚拟线框对车辆进行计数；

（1），选择虚拟线圈的大小和位置，选择的原则是，保持虚拟线圈在车辆行进方向的长度保持一致，与车辆行进方向相垂直的方向上，一个线圈占一个车道；

（2），针对每个线圈在检测区域的位置，设定不同的比例系数，离边缘越近的线圈，设定的比例系数越小，相反，则越大；

（3），对当前前景目标图像在每个线圈区域内的面积进行统计，并对其相对于其所处的线圈面积进行归一化；

（4），若归一化目标面积大于相对应线圈的比例系数，则判定为车辆目标，虚拟线圈计数器加1，否则，不做处理。

步骤6：采用目标跟踪对车辆进行计数；

车辆目标跟踪课分为已有目标匹配和新目标检测两部分：

1：对已存在目标在本帧进行匹配，如图5所示；

（1），遍历前一帧前景目标图像存在的各个目标obj[j]，根据重叠面积overArea[i*numberObject+j]的大小筛选可能对应的当前帧的前景目标； 

（2），若当前帧图像无前景目标与之匹配，则判断其是否有前景碎片，若有则用总边界对其进行位置更新，否则判此目标退场；

（3），若目标有一个当前帧的前景目标与之匹配，则判断是否是一一对应，若是则更新目标位置，否则标定融合态；

（4），若目标与当前帧多个前景目标相匹配，则最这些前景目标进行筛选，若筛选之后还有前景目标与之对应则判断各个前景之间的距离，若距离较近则用总边界进行位置更新，否则用颜色直方图找出最佳匹配并更新。 

2：跟踪方法中的新目标检测并计数，如图6所示；

（1），遍历当前帧各个前景目标blob[i]；

（2），若前一帧无目标与本帧前景目标blob[i]相对应，则计算本帧前景目标与其他无目标对应前景目标blob[j]之间的距离distanceX和distanceY；

（3），若distanceX小于阈值distance且distanceY也小于阈值distance，则将前景目标blob[i]和blob[j]相融合；

（4），计算blob[i]与各个目标obj[m]之间的距离distanceX和distanceY，若distanceX小于阈值distanceTop且distanceY也小于阈值distanceTop，则将前景目标blob[i]与目标obj[m]相融合；

（5），distanceX不小于阈值distanceTop或者distanceY不小于阈值distanceTop，则计算前景目标blob[i]与各个假消失目标之间的颜色直方图匹配系数bha，若最大的直方图匹配系数bhaMax大于设定阈值，则用前景目标blob[i]对该假消失目标进行更新；

（6），若bhaMax不大于设定阈值，则认为blob[i]是新目标出现，目标总数加1；

（7），若本帧前景目标blob[i]被2个或2个以上前一帧目标相对应，则表明出现了目标的融合，对此融合态目标进行画框标记。

本发明的全天候市区视频车辆跟踪与计数算法中，夜间算法主要包含以下步骤：

步骤1：夜间车辆检测计数算法，如图7所示；

（1），选择检测区域，设定进行夜间检测的检测区域，并对原始图像进行剪裁，获得目标处理图像；

（2），对图像进行自适应二值化处理，对图像从上到下，从左到右进行遍历，对比每一个像素与阈值的大小关系，若大于阈值，则像素设为255，若小于阈值，则像素设为0；

（3），对获得的二值化图像进行形态学处理，使用3×3的结构因子对图像进行腐蚀，用7×7的结构因子对图像进行膨胀；

（4），设定夜间车灯检测线，设置图像中水平的中轴线为夜间车灯检测线；

（5），对第三步获得的图像进行夜间图像预处理操作，夜间图像预处理操作分两步，首先进行车灯合理性判定，对于符合车灯合理性判定，即确定获得的检测区域为车灯的，对车灯进行处理，设定车灯区域的纵向中轴线上的所有像素值为一定值，车灯标记值（200），对不符合判定的，去除该区域；

（6），对图像的水平中轴线按从左到右进行检测，若检测到像素值为预设车灯标记值，则对车灯进行计数；

（7），对比前后两帧间检测车灯的坐标，判断是否是同一个车灯，以此避免重复计数；

以上结合附图对本发明的具体实施方式作做了说明，但这些说明不能被理解为限制了本发明的范围，任何在本发明权利要求基础上的改动都是本发明的保护范围。

Claims (7)

1.一种基于视频监控的全天候市区车辆跟踪与计数方法，其特征在于，包括以下步骤：

步骤A，采用安装在路边的监控摄像机实时获取交通视频图像，根据当前图像的亮度和系统时间，综合判断当前时刻是白天时段还是夜间时段；

步骤B，当判断结果是白天时段，所述车辆跟踪与计数方法具体步骤如下：

B1，采用背景更新方法获取背景图像，利用背景去除法检测车辆前景目标；

B2，对由步骤B1获得的前景目标图像进行阴影去除； 

B3，对由步骤B2得到的前景目标图像再进行粘连消除，获得最终的前景目标图像；

B4，根据当前路况是否拥堵进行虚拟线框法和跟踪算法切换，具体步骤为；

B41，计算一定时间段内前景总面积大于设定阈值的帧数和该时间段内通过的车辆数；

B42. 通过对B41中得到的帧数和车辆数判断当前路况是否拥堵；

B43，若当前的路况为畅通时，调用跟踪算法对车辆进行计数；若当前的路况为拥堵时，则调用虚拟线圈法对车辆进行计数；

步骤C，当判断结果是夜间时段，所述车辆跟踪与计数方法具体步骤如下：

C1，在原始图像上设定要进行夜间检测的检测区域，该区域的设定要尽可能覆盖整个路面为宜，通过设定的检测区域对原始图像进行剪裁，从而获得目标处理图像；

C2，对目标处理图像进行自适应二值化处理，对目标处理图像从上到下，从左到右进行遍历，将目标处理图像中的每个像素的灰度值与设定阈值进行比对，若大于阈值，则像素设为255，若小于阈值，则像素设为0；

C3，对步骤C2获得的二值化图像进行形态学处理，使用3×3的结构因子对图像进行腐蚀，用7×7的结构因子对图像进行膨胀；

C4，设置步骤C3获得的图像中水平的中轴线为夜间车灯检测线；

C5，按照步骤C4获得的夜间车灯检测线对步骤C3获得的图像进行夜间图像预处理操作：

对获得的前景区域形状和大小符合车灯的进行处理，设定车灯区域的纵向中轴线上的所有像素值为一定值，即为预设车灯标记值；对获得的前景区域形状和大小不满足车灯的，去除该区域；

C6，对图像的水平中轴线按从左到右进行检测，若检测到像素值为预设车灯标记值，则对车灯进行计数；

C7，对比前后两帧间检测车灯的坐标，判断是否是同一个车灯；

C8，根据车灯数量进行车辆计数。

2.根据权利要求1所述的基于视频监控的全天候市区车辆跟踪与计数方法，其特征在于，所述步骤B1的具体步骤为：利用公式B__i+1 = (1-a)*B__i+ a*Cur__i，计算出当前背景图像，式中B__i代表原背景图像，Cur__i代表当前帧图像，a代表背景更新权值；然后利用当前帧图像减去背景图像得到车辆的的前景目标图像。

3.根据权利要求1所述的基于视频监控的全天候市区车辆跟踪与计数方法，其特征在于，所述步骤B43中当确定采用虚拟线圈方法计数的时候，把当前车辆数传递给虚拟线圈计数器，并在随后的预设时间内采用虚拟线圈法进行计数，在下一个判决时刻，判断是否继续运行虚拟线圈法，若继续运行，则虚拟线圈计数器继续进行车辆计数，若不继续运行，则把虚拟线圈计数器的当前值传递给跟踪算法计数器。

4.根据权利要求1所述的基于视频监控的全天候市区车辆跟踪与计数方法，其特征在于，所述步骤B2的具体步骤如下：

B21. 对背景灰度图像和当前帧灰度图像求取互相关系数；

B22. 对当前帧灰度图像进行基于灰度值的阴影初判断，灰度值在设定范围内的初步判断为阴影；

B23. 对初步判断为阴影的区域，进行基于互相关的阴影检测，互相关系数大于互相关阈值的为阴影区域，去除阴影区域，获得经过互相关去阴影操作后的前景二值区域；

B24. 使用canny边缘算子对车辆及阴影区域进行边缘提取，获得车辆及阴影区域的边界图像；

B25. 对边界图像进行垂直投影，获得垂直投影向量，对图像每列的像素数总和进行保存；

B26. 阴影区域判断，检查当前帧的前景目标图像及边缘图像的垂直投影向量中的对应列的值是否在预设范围内，满足条件时判断所处理的列为阴影，否则不判为阴影；

B27. 对判断为阴影的区域，基于互相关去除阴影后的前景目标图像进行二次去阴影。

5.根据权利要求1所述的基于视频监控的全天候市区车辆跟踪与计数方法，其特征在于，所述步骤B3的具体步骤如下：

B31. 对前期处理获得的前景目标图像进行区域增长，获得候选目标区域N个；

B32. 对每个候选目标区域进行检测区域定位，判别候选目标区域所在的检测区域；

B33. 对每一个不同的检测区域，设定不同的合理性检测规则；

B34. 利用目标所在检测区域的检测规则，对候选目标区域进行位置及大小的合理性检验，若目标的宽度在预设的范围内，则认为候选区域为目标区域；

B35. 对不符合合理性检验要求的候选目标区域进行去除，设置相应位置的像素值为0。

6.根据权利要求1所述的基于视频监控的全天候市区车辆跟踪与计数方法，其特征在于，所述步骤B43中，采用虚拟线框计数的具体步骤如下：

B51. 选择虚拟线圈的大小和位置，选择的原则是，保持虚拟线圈在车辆行进方向的长度保持一致，与车辆行进方向相垂直的方向上，一个线圈占一个车道；

B52. 针对每个线圈在检测区域的位置，设定不同的比例系数，离边缘越近的线圈，设定的比例系数越小，相反，则越大；

B53. 对当前前景二值图像在每个线圈区域内的面积进行统计，并对其相对于其所处的线圈面积进行归一化；

B54. 若归一化目标面积大于相对应线圈的比例系数，则判定为车辆目标，虚拟线圈计数器加1；否则，不做处理。

7.根据权利要求1所述的基于视频监控的全天候市区车辆跟踪与计数方法，其特征在于，所述步骤B43中，采用跟踪算法计数的具体步骤如下： 

B61. 遍历前一帧前景目标图像存在的各个目标，根据重叠面积的大小筛选可能对应的当前帧的前景目标； 

B62. 若当前帧图像无前景目标与之匹配，则判断其是否有前景碎片，若有则用总边界对其进行位置更新，否则判此目标退场；

B63. 若目标有一个当前帧的前景目标与之匹配，则判断是否是一一对应，若是则更新目标位置，否则标定融合态；  

B64. 若目标与当前帧多个前景目标相匹配，则对这些前景目标进行筛选，若筛选之后还有前景目标与之对应，则判断各个前景目标之间的距离，若距离较近则用总边界进行位置更新，否则用颜色直方图找出最佳匹配并更新； 

B65. 遍历当前帧各个前景目标，根据其被多少个目标选为最佳候选目标分为2种情况；

若被0个目标选为最佳候选目标，则进一步判断其与各个目标的距离，看其是否是新目标出现还是已存在目标的一部分碎片；

若被2个或2个以上目标选为最佳候选目标，表明出现了目标的融合，对此融合态目标进行画框标记。

Images