CN102419906A - 车流量自动检测系统 - Google Patents
车流量自动检测系统 Download PDFInfo
- Publication number
- CN102419906A CN102419906A CN2011102353697A CN201110235369A CN102419906A CN 102419906 A CN102419906 A CN 102419906A CN 2011102353697 A CN2011102353697 A CN 2011102353697A CN 201110235369 A CN201110235369 A CN 201110235369A CN 102419906 A CN102419906 A CN 102419906A
- Authority
- CN
- China
- Prior art keywords
- image
- traffic flow
- difference
- video
- flow detecting
- 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.)
- Pending
Links
Abstract
本发明涉及一种车流量自动检测系统,属于监控系统。车流量自动检测系统是一款具有高效率和高可靠性的监控系统,可应用到各个交通道路的车流量检测设备中。该系统采用背景差法对图像视频进行分析,并且运用似然比技术对图像进行进一步的分析,从而达到更加准确的检测车流量的目的。本发明的优点在于:车流量自动检测系统是一款具有高效率和高可靠性的道路车辆监控系统。该系统可连接视频摄像设备,将由摄像头拍摄的道路车辆情况的视频进行实时分析,准确的记录视频中各个车道的行车数量。同时该系统还可将道路情况视频进行速度调节以便监控者进行实时的监控,做到更加清晰直观。
Description
技术领域
本发明属于监控系统,尤其是指车流量检测系统。
背景技术
数字图像处理和分析是研究景物图像的处理和分析从而获得景物的解释的学科,随着计算机技术的飞速发展,数字图像处理迅速发展成为一门独立的有强大生命力的学科。它有着潜在的广阔前景并与计算机、自动化、集成技术、光学、视觉心理和生理、脑研究等众多领域交叉综合,共同发展。其应用范围很广:从空间技术到显微图像,从军事领域到工业生产,从天文地质到医学诊断,从电视广告到少儿游戏,图像处理技术无处不在,它与每个人的工作、学习和生活密切相关。计算机视觉的底层次处理技术(编码、增强和恢复等)比较成熟而其高层处理技术(边缘提取、图像分割、纹理分析、形状分析、图像序列分析和三维景物分析的高层次视觉)则相对发展较慢。随着数字图像处理技术的发展和实际应用的需求,出现了另一类的问题,就是不要求结果输出一幅完整图像的本身,而是经过图像的变换、增强、复原、匹配等技术处理后的图像,再经过分割和描述提取有效的特征,进而得到图像中感兴趣目标的相关参数。
近年来,随着信息科技的发展和视频监控系统的普及,视频信号的智能化处理需求日益增加,其中包括运动目标检测与跟踪、运动目标识别、可疑物体检测、智能视频检索等。由于传统的视频监控系统只是将各摄象机的信号在主控室的监视器上显示出来,对于监视场景动态情况的判断,需由操作员目视完成。对于某些重要的场景,就要求操作员目不转睛地盯着屏幕,十分容易疲劳而分心。而智能化视频监控系统的运动目标检测功能,能够在目标闯入设防区时自动报警,极大地提高了监控的效率和可靠性。
现阶段,针对视频图像检测器得到的交通序列图像,人们提出了多种车辆检测与跟踪技术。例如:帧差法、背景差法、边缘检测法等。但是,基于视频的车辆检测与跟踪方法的准确性受环境因素影响很大,其中车辆的运动阴影和车辆间的遮挡是两个重要因素。
发明内容
本发明提供一种车流量自动检测系统,以解决由于在车辆检测与跟踪技术中,车辆的运动阴影会使相邻车辆在检测过程中粘连在一起造成误检测,而车辆间的遮挡会导致重叠的多辆车辆被检测为一辆的问题。
本发明的技术方案是:该系统采用背景差法对图像视频进行分析,并且运用似然比技术对图像进行进一步的分析,从而达到更加准确的检测车流量的目的;差分法运动目标检测,对实际的运动图像,一般不使用简单相减方法,因为其抑制噪声能力差,可以不直接利用像素间灰度值的差,而是研究小区域间的相似性,利用小区域的灰度均值,方差等特征构造不匹配判别的尺度。对一个图像序列,研究其相似度,累积不匹配的次数作为一次差分图像,利用其性质可以检测出运动物体。若对一次差分图像,再求二次差分,则更能有效检测出运动物体;似然比检测技术是序列图像在空间域上的一种差图像分析技术。将f(x,y,ti)和f(x,y,tj)分别记为fi和fj,若ti<tj,则fi称为以前帧,fj称为当前帧。差图像是图像f(x,y,ti)和f(x,y,tj)在位置(x,y)像素灰度的比较结果;它是一个二值图像:
x,y=0,1,Λ,N-1
f(x,y,ti)和f(x,y,tj)在(x,y)位置的灰度显著性差异由下列似然比决定:
上式中mk和Sk(k=i,j)是f(x,y,tk)在(x,y)的某小邻域Ω(x,y)内的均值和方差。t是门限。
本发明的优点在于:车流量自动检测系统是一款具有高效率和高可靠性的道路车辆监控系统。该系统可连接视频摄像设备,将由摄像头拍摄的道路车辆情况的视频进行实时分析,准确的记录视频中各个车道的行车数量。同时该系统还可将道路情况视频进行速度调节以便监控者进行实时的监控,做到更加清晰直观。
车流量自动检测系统可以运用到各大道路交通系统中。我们可在一些交通要道或是车流量较大的道路上方架设摄像装置,对道路进行实时监控,当监控录像传回至该系统中,系统便会进行车流量的自动检测。该系统还可自动更换背景图像,以防由于日照或天气原因造成的图像识别方面的误差。利用该系统的原理及方法,智能化视频监控系统还可改造成为重要场合到场人数统计系统,或者防盗系统等。
具体实施方式
车流量自动检测系统是一款具有高效率和高可靠性的监控系统,可应用到各个交通道路的车流量检测设备中。该系统采用背景差法对图像视频进行分析,并且运用似然比技术对图像进行进一步的分析,从而达到更加准确的检测车流量的目的。
静止背景下的运动目标检测
由运动目标所形成的图像序列可以分为两种情况:一种是静止背景,一种是变化背景。前一种情况通常发生在摄像机相对静止状态(如监视某一路口车流量的固定摄像机),这种情况可以采用消除背景的方法,处理起来比较简单,如简单的帧间差分或自适应背景对消方法。后一种情况通常发生在摄像机也在相对运动状态(如装在飞机或卫星上的监视系统),此种情况处理起来较为复杂,在此不做说明。
差分法运动目标检测
将同一背景不同时刻两幅图像进行比较,可以反映出一个运动物体在此背景下运动的结果。比较的一种简单方法是将两幅图像做“差分”或者“相减”运算,从相减后的图像中,很容易发现运动物体信息。
对实际的运动图像,一般不使用简单相减方法,因为其抑制噪声能力差。可以不直接利用像素间灰度值的差,而是研究小区域间的相似性。利用小区域的灰度均值,方差等特征构造不匹配判别的尺度。对一个图像序列,研究其相似度,累积不匹配的次数作为一次差分图像,利用其性质可以检测出运动物体。若对一次差分图像,再求二次差分,则更能有效检测出运动物体。
差分方法计算简单,效果很好,但它要求背景绝对静止或基本无变化(噪声较小),因而适用场合有限。
似然比检测技术
似然比检测技术是序列图像在空间域上的一种差图像分析技术。将f(x,y,ti)和f(x,y,tj)分别记为fi和fj,若ti<tj,则fi称为以前帧,fj称为当前帧。
x,y=0,1,Λ,N-1
f(x,y,ti)和f(x,y,tj)在(x,y)位置的灰度显著性差异由下列似然比决定:
上式中mk和Sk(k=i,j)是f(x,y,tk)在(x,y)的某小邻域Ω(x,y)内的均值和方差。t是门限。
若上式成立,则f(x,y,ti)和f(x,y,tj)的灰度在(x,y)位置有显著性差异,取
在场景物体运动过程中,假设相机位置不变,物体上的点的灰度从时刻ti到tj也保持不变,那么在给定的(x,y)像素位置上,有以下三种情形使灰度发生变化:
(1)(x,y)位置,在fi是背景区域,在fj被运动物体区域覆盖
(2)(x,y)位置,在fi是物体区域,在fj是背景或其它运动物体区域
(3)(x,y)位置,在fi和fj都是物体区域,但物体有不同灰度
在差图像形成过程中,为了消除由于引进不适当的“1”而形成的噪声干扰,设置门限“TH”。若取“1”值连通区域中“1”的个数小于TH,那么则排除这个区域(变“1”为“0”)。这样作的结果可以将缓慢运动物体区域或小物体区域排除,但它却保证了留下的具有“1”标记的区域是运动的结果。对这些留下的区域作运动检测比基于不排除包含小于TH点的小区域的差图像来得准确。
图中可以看出,由于前后两帧图像背景和目标都有变化,目标变化量大一些,背景变化量小一些(1~2个象素),直接差分法检测的结果不是很理想,噪声较大;似然比的方法检测的结果是比较好的,但这种方法的代价是速度较慢。
运动目标提取及跟踪
基于环形像素点匹配的图像跟踪算法能在不需要增加算法复杂度并保证跟踪精度的前提下,有效地提高运算速度的跟踪算法。
基于环形像素点匹配的图像跟踪算法首先选择环形像素点。所谓环形像素点是指以目标上的一点为中心,画一个覆盖在目标上并不超出目标的圆,将落在该圆边缘上的像素点定义为特征像素点,所有的特征像素点构成特征像素点集。
选择好作为模板的环形像素点之后,算法分3步完成一次跟踪:粗搜索,用于排除明显失配点,选择出待匹配点;精搜索,在待匹配点中选择出最匹配的点作为目标的当前位置;模板更新,决定下一步跟踪中所使用的模板。
Claims (1)
1.一种车流量自动检测系统,其特征在于:一款具有高效率和高可靠性的监控系统,可应用到各个交通道路的车流量检测设备中。该系统采用背景差法对图像视频进行分析,并且运用似然比技术对图像进行进一步的分析,从而达到更加准确的检测车流量的目的;差分法运动目标检测,对实际的运动图像,一般不使用简单相减方法,因为其抑制噪声能力差,可以不直接利用像素间灰度值的差,而是研究小区域间的相似性,利用小区域的灰度均值,方差等特征构造不匹配判别的尺度。对一个图像序列,研究其相似度,累积不匹配的次数作为一次差分图像,利用其性质可以检测出运动物体。若对一次差分图像,再求二次差分,则更能有效检测出运动物体;似然比检测技术是序列图像在空间域上的一种差图像分析技术。将f(x,y,ti)和f(x,y,tj)分别记为fi和fj,若ti<tj,则fi称为以前帧,fj称为当前帧。差图像是图像f(x,y,ti)和f(x,y,tj)在位置(x,y)像素灰度的比较结果;它是一个二值图像:
x,y=0,1,Λ,N-1
f(x,y,ti)和f(x,y,tj)在(x,y)位置的灰度显著性差异由下列似然比决定:
上式中mk和Sk(k=i,j)是f(x,y,tk)在(x,y)的某小邻域Ω(x,y)内的均值和方差,t是门限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102353697A CN102419906A (zh) | 2011-08-16 | 2011-08-16 | 车流量自动检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102353697A CN102419906A (zh) | 2011-08-16 | 2011-08-16 | 车流量自动检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102419906A true CN102419906A (zh) | 2012-04-18 |
Family
ID=45944304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011102353697A Pending CN102419906A (zh) | 2011-08-16 | 2011-08-16 | 车流量自动检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102419906A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184751A (zh) * | 2015-09-22 | 2015-12-23 | 成都融创智谷科技有限公司 | 一种基于改进聚类的连通性运动物体检测方法 |
CN105303562A (zh) * | 2015-09-22 | 2016-02-03 | 成都融创智谷科技有限公司 | 一种基于c-均值聚类法的运动目标检测方法 |
CN110288833A (zh) * | 2019-07-15 | 2019-09-27 | 北京航空航天大学 | 一种基于高精度红外阵列传感器的车流量检测系统 |
-
2011
- 2011-08-16 CN CN2011102353697A patent/CN102419906A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184751A (zh) * | 2015-09-22 | 2015-12-23 | 成都融创智谷科技有限公司 | 一种基于改进聚类的连通性运动物体检测方法 |
CN105303562A (zh) * | 2015-09-22 | 2016-02-03 | 成都融创智谷科技有限公司 | 一种基于c-均值聚类法的运动目标检测方法 |
CN110288833A (zh) * | 2019-07-15 | 2019-09-27 | 北京航空航天大学 | 一种基于高精度红外阵列传感器的车流量检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101916383B (zh) | 基于多摄像机的车辆检测跟踪识别系统 | |
CN109636795B (zh) | 实时无跟踪的监控视频遗留物检测方法 | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN102289948B (zh) | 高速公路场景下一种多特征融合的多车辆视频跟踪方法 | |
CN103810717B (zh) | 一种人体行为检测方法及装置 | |
CN109886241A (zh) | 基于长短期记忆网络的驾驶员疲劳检测 | |
CN104378582A (zh) | 一种基于ptz摄像机巡航的智能视频分析系统及方法 | |
CN102084397B (zh) | 图像处理设备、方法 | |
CN105303191A (zh) | 一种前视监视场景下的行人计数方法和装置 | |
Milford et al. | Condition-invariant, top-down visual place recognition | |
Piciarelli et al. | Surveillance-oriented event detection in video streams | |
Hsu et al. | Passenger flow counting in buses based on deep learning using surveillance video | |
CN105719283A (zh) | 一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法 | |
CN101179713A (zh) | 复杂背景下单个运动目标的检测方法 | |
CN102254394A (zh) | 一种基于视频差异分析的输电线路杆塔防盗监控方法 | |
CN111860291A (zh) | 基于行人外观和步态信息的多模态行人身份识别方法和系统 | |
CN106127812A (zh) | 一种基于视频监控的客运站非出入口区域的客流统计方法 | |
CN104463232A (zh) | 一种基于hog特征和颜色直方图特征的密度人群计数的方法 | |
CN103034843A (zh) | 一种基于单目视觉的夜间车辆检测方法 | |
CN106778540A (zh) | 停车检测准确的基于双层背景的停车事件检测方法 | |
Park et al. | Real-time signal light detection | |
Liang et al. | Methods of moving target detection and behavior recognition in intelligent vision monitoring. | |
Malinovskiy et al. | Video-based monitoring of pedestrian movements at signalized intersections | |
CN106056078A (zh) | 一种基于多特征回归式集成学习的人群密度估计方法 | |
CN101635026A (zh) | 一种无需跟踪过程的遗弃物检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120418 |