CN102496276B - 一种高效车辆检测方法 - Google Patents

Abstract

本发明公开了一种高效车辆检测方法，包括车存在信息检测和车运动信息检测，车存在信息检测包括以下步骤：（11）、统计背景图像模型；（12）、计算图像-背景差分图；（13）、对图像-背景差分图做二值化处理；（14）、判断是否有车存在；车运动信息检测包括以下步骤：（21）、对相邻两帧图像做差分，并对差分图像提取边缘点；（22）统计出差分图像的边缘点的梯度方向直方图；（23）、判断是否存在车运动。本发明的车辆检测方法检测精度高，检测效果好。

Description

一种高效车辆检测方法

技术领域

本发明涉及一种车辆检测方法，属于智能交通技术领域。

背景技术

在智能交通技术领域，有效的车辆运动和存在信息提取是智能交通中十分重要的环节，目前主要的车辆检测方法有：公开号为CN101226691、发明名称为“基于视频图像的车辆计数方法”的发明专利，使用基本的背景建模技术，通过统计像素的灰度值概率分布来检测前景目标点并以此估计车辆信息，实现了采用计算机视觉技术实现车辆计数。在黎明、傍晚等昼夜转换、光线变化较为明显的时段，由于图像亮度、对比度均发生大幅度下降，容易导致目标遗漏，检测效果不理想。

也有的方法通过对车灯进行检测，然而在黎明、傍晚昼夜转换时段，同时有较多车辆打开车灯，由于车灯眩光或反光等问题容易造成虚假检测，检测精度同样很低。

基于此，如何发明一种高效车辆检测方法，可以抑制复杂光照造成的虚假检测和目标遗漏，提取正确的车辆信息，是本发明主要解决的问题之一。

发明内容

本发明为了解决现有车辆检测方法不适用于光线变化较为明显的时段的问题，提供了一种车辆检测方法，该方法对于车存在和车运动信息的检测效果较好，有效防止了虚假检测和目标遗漏。

为了解决上述技术问题，本发明采用以下技术方案予以实现：

一种高效车辆检测方法，包括车存在信息检测和车运动信息检测，

车存在信息检测包括以下步骤：

（11）、统计背景图像模型；

（12）、对当前帧图像与背景图像做差分运算，得出图像-背景差分图；

（13）、设置阈值T，对图像-背景差分图做二值化处理，得到包括前景目标点和背景目标点的二值图；

（14）、对前景目标点提取出边缘点，利用前景目标点的边缘点数与前景目标点数的比值R判断是否有车存在；

车运动信息检测包括以下步骤：

（21）、对相邻两帧图像做差分，并对差分图像提取边缘点；

（22）、计算差分图像的边缘点的梯度方向，统计出梯度方向直方图；

（23）、根据差分图像的边缘点数、梯度方向直方图、和步骤（14）中车存在的判断结果，判断是否存在车运动。

进一步的，基于上述的车存在信息判断和车运动馆信息的判断，还包括判断是否有车辆通过的步骤：

（31）、利用步骤（22）中的方向梯度直方图，判断当前帧图像是否包含车头；

（32）、若上一帧判断没有车运动，且连续至少一帧判断存在车头，则触发计数；

（33）、若上一帧判断有车运动，且当前帧图像中无有车运动，则表示车辆离开。

又进一步的，对图像-背景差分图做二值化处理时，由于每个场景环境不一样，因而背景的灰度相差很大，所以需要根据不同的背景灰度值设定不同的阈值，可以更准确的二值化图像。步骤（13）中阈值T的设置方法为：用T1、T2、T3、T4将亮度值0-255分为5个区间，该5个区间相对应的阈值为N1、N2、N3、N4、N5,统计当前帧图像的平均亮度，平均亮度落入其中一个区间内,该区间对应的阈值即为阈值T,其中，0﹤T1﹤T2﹤T3﹤T4﹤255，N1、N2、N3、N4、N5为正整数，T1、T2、T3、T4的设置可以根据经验值设定。

进一步的，由于梯度值量化了帧差边缘信息的丰富程度，越大表示边缘信息越丰富，也即表明有车存在，因此，步骤（14）中车存在的判断方法为：若R大于或等于阈值T5，则有车存在，否则无车存在。

优选的，步骤（11）中利用经典的混合高斯建模方法统计背景图像模型。

为了防止相邻两帧图像的差分值出现负值的情况，步骤（21）中还包括对差分图像取模的步骤，然后对取模后的差分图像提取边缘点。

再进一步的，梯度大小反映的是边缘信息是否丰富，本方法在统计了帧差图像的梯度后，并统计能够反映帧差边缘信息分布的梯度直方图，步骤（22）中梯度方向直方图的统计方法为：利用阈值T6、T7将梯度值分为3个区间，统计分别落入三个梯度区间的个数，依次为Q1、Q2、Q3，其中，0﹤T6﹤T7。

更进一步的，步骤（23）中，车运动的判断较为复杂，需要综合车存在、帧差边缘点总数、前景点目标边缘点比例的因素，因此，车运动的判断方法为：若同时满足车存在的条件、差分图像的边缘点数不小于阈值T8、以及Q3﹥T9，其中，T9为正整数，则判为车运动，否则为无车运动，由于梯度大小反映的是边缘信息是否丰富，梯度越大，边缘信息越复杂，越可能本帧图像有车，令Q3大于阈值T9就是基于上述原理。

再进一步的，由于车头的边缘信息最为丰富，步骤（31）中判断当前帧图像是否包含车头的方法为，若同时满足以下条件，则包含车头，否则不包括：

Q3﹥Q1;

Q3﹤5×Q1;

1/3×(Q1+Q2)﹤Q2﹤3×(Q1+Q2)。

优选的，步骤（14）和步骤（22）中使用sobel算子提取边缘点。

与现有技术相比，本发明的优点和积极效果是：

1、克服了同类算法中，在黎明和傍晚时段光线变化较为复杂情况下，由于亮度和对比度降低导致目标遗漏，以及由于车灯眩光或反光造成虚假检测等问题，有效的提高了检测精度。

2、算法运算量较小，实现性很高。

3、由于车辆本身包含一定的边缘信息，而车灯反光等造成的帧差前景较为平坦，不包含明显边缘，利用前景目标点的边缘点数以及帧间差分图像计算边缘点数，可排除车灯反光等造成的影响，对于亮度和对比度都很低的车辆，虽然帧差点不多，但可以通过自适应阈值计算出边缘点，故可以减少遗漏。

4、车辆计数时，利用车头包含比较丰富的边缘信息，通过对方向梯度直方图进行分析，锁定车头运动信息，触发线圈状态，因此可以过滤掉一部分干扰。

结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。

附图说明

图1是本发明所提出的高效车辆检测方法实施例一中的车存在检测流程图；

图2是本发明所提出的高效车辆检测方法实施例一中的车运动检测流程图。

具体实施方式

本发明为了解决在昼夜转换、光线变化明显、车灯眩光或反光造成光线较复杂时，车辆检测困难，检测效果不好，容易造成误检获漏检的问题，提供了一种高效车辆检测方法，通过对原始帧间差分图像计算边缘，以及对 前景区域分析边缘，利用车灯反光等造成的帧差前景较为平坦的特点，可以排除车灯眩光和反光的影响，可以准确检测到车存在和车运动信息。

下面结合附图对本发明的具体实施方式作进一步详细地说明。

实施例一，参见图1所示，本实施例的高效车辆检测方法包括车存在信息检测和车运动信息检测，具体的，

车存在信息检测包括以下步骤：

S11、统计背景图像模型；

本步骤主要是在系统刚上电时候完成，通过统计背景图像模型，便于后续步骤中区分前景目标点和背景目标点。

本步骤优选采用经典的混合高斯建模方法统计背景图像模型。

S12、对当前帧图像与背景图像做差分运算，得出图像-背景差分图；

利用前一步统计的背景图像模型，将当前帧图像的灰度值与背景图像的灰度值做差分运算，可以初步区分开前景目标点和背景目标点，是因为若是背景目标点的话，相减后灰度差值会很小，反之，若是前景目标点的话，灰度差值相对较大一些。

S13、设置阈值T，对图像-背景差分图做二值化处理，得到包括前景目标点和背景目标点的二值图；

通过设置阈值，对前景目标点和背景目标点作出定量的判断，得到包括前景目标点和背景目标点的二值图。

在本实施例中，对图像-背景差分图做二值化处理时，由于每个场景环境不一样，因而背景的灰度相差很大，所以需要根据不同的背景灰度值设定不同的阈值，可以更准确的二值化图像。步骤S13中阈值T的设置方法为：用T1、T2、T3、T4将亮度值0-255分为5个区间，该5个区间相对应的阈值为N1、N2、N3、N4、N5,统计当前帧图像的平均亮度，平均亮度落入其中一个区间内,该区间对应的阈值即为阈值T,其中，0﹤T1﹤T2﹤T3﹤T4﹤255，N1、N2、N3、N4、N5为正整数，T1、T2、T3、T4的设置可以根据经验值设定。比如，设置T1、T2、T3、T4分别为80、100、120、150，将亮度值0-255分为5个区间：0-80；81-100；101-120；121-150；151-255，该5个区间分别对应的二值化阈值N1、N2、N3、N4、N5分别为10、15、20、30、40；统计当前帧图像的平均亮度，平均亮度落入其中一个区间内,该区间对应的阈值即为阈值T。

S14、对前景目标点提取出边缘点，利用前景目标点的边缘点数与前景目标点数的比值R判断是否有车存在；

本步骤主要利用车辆的边缘信息较背景边缘信息丰富的特点，而且对于车灯眩光或反光造成的前景目标区域，边界点较为模糊，边缘点不明显，且前景区域内无边缘点，故通过提取边缘点信息可以有效的避免了上述情况造成的影响，提高了车辆检测精确度。

本实施例中优选使用sobel算子提取边缘点，算子求帧差图像边缘的阈值根据当前帧图像的亮度进行自适应调整，比如：为图像平均灰度的十分之一且在5-20的范围内。

由于梯度值量化了帧差边缘信息的丰富程度，越大表示边缘信息越丰富，也即表明有车存在，因此，步骤S14中车存在的判断方法为：若R大于或等于阈值T5，则有车存在，否则无车存在。

车运动信息检测包括以下步骤：

S21、对相邻两帧图像做差分，并对差分图像提取边缘点；

对于运动的车辆来说，相邻帧的图像相对有一定得差别，因此，车辆运动信息主要根据相邻帧图像的差别进行判断。

为了防止相邻两帧图像的差分值出现负值的情况，步骤S21中还包括对差分图像取模的步骤，然后对取模后的差分图像提取边缘点。

S22、计算差分图像的边缘点的梯度方向，统计出梯度方向直方图；

梯度大小反映的是边缘信息是否丰富，本实施例在统计了帧差图像的梯度方向后，再统计出能够反映帧差边缘信息分布的梯度直方图，把对直方图的各种运算作为车辆运动信息的判定条件，有利于精确判断是否车运动。

作为一个具体的实施例，步骤S22中梯度方向直方图的统计方法为：利用阈值T6、T7将梯度值分为3个区间，统计分别落入三个梯度区间的个数，依次为Q1、Q2、Q3，其中，0﹤T6﹤T7，例如，在本实施例中，设置T6=58，T7=173，因此包括0-58；59-173；174-+∞三个区间，通过划分梯度区间，可以将落入各区间的个数作为区分为车辆信息和背景信息的一项条件。

与步骤S14相类似，本步骤中同样优选使用sobel算子提取边缘点，算子求帧差图像边缘的阈值根据当前帧图像的亮度进行自适应调整，比如：为图像平均灰度的十分之一且在5-20的范围内。

S23、根据差分图像的边缘点数、梯度方向直方图、和步骤S14中车存在的判断结果，判断是否存在车运动。

车运动信息是一个综合判断的结果，在本实施例中，综合了差分图像的边缘点数、梯度方向直方图、和步骤S14中车存在的判断结果，对车运动进行判断。

步骤S23中，车运动的判断较为复杂，需要综合车存在、帧差边缘点总数、前景点目标边缘点比例的因素，因此，车运动的判断方法为：若同时满足车存在的条件、差分图像的边缘点数不小于阈值T8、以及Q3﹥T9，则判为车运动，否则为无车运动，由于梯度大小反映的是边缘信息是否丰富，梯度越大，边缘信息越复杂，越可能本帧图像有车，令Q3大于阈值T9就是基于上述原理。

实施例二，基于实施例一中的车存在信息判断和车运动馆信息的判断，本实施例还包括判断是否有车辆通过的步骤：

S31、利用步骤S22中的方向梯度直方图，判断当前帧图像是否包含车头；

在本具体的实施例中，通过以下方式判断，由于车头的边缘信息最为丰富，Q3对应区间的边缘信息最丰富，Q2次之，Q1最小，步骤S31中判断当前帧图像是否包含车头的方法为，若同时满足以下条件，则包含车头，否则不包括：

Q3﹥Q1;

Q3﹤5×Q1;

1/3×(Q1+Q2)﹤Q2﹤3×(Q1+Q2)。

S32、若上一帧判断没有车运动，且连续至少一帧判断存在车头，则触发计数；

若上一帧判断为有车存在，且本帧线圈内存在车运动，则表示车辆正在通过；

S33、若上一帧判断有车运动，且当前帧图像中无有车运动，则表示车辆离开。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (9)

1.一种车辆检测方法，包括车存在信息检测和车运动信息检测，其特征在于，

车存在信息检测包括以下步骤：

（11）、统计背景图像模型；

（12）、对当前帧图像与背景图像做差分运算，得出图像-背景差分图；

（13）、设置阈值T，对图像-背景差分图做二值化处理，得到包括前景目标点和背景目标点的二值图；

（14）、对前景目标点提取出边缘点，利用前景目标点的边缘点数与前景目标点数的比值R判断是否有车存在；

车运动信息检测包括以下步骤：

（21）、对相邻两帧图像做差分，并对差分图像提取边缘点；

（22）、计算差分图像的边缘点的梯度方向，统计出梯度方向直方图；

（23）、根据差分图像的边缘点数、梯度方向直方图、和步骤（14）中车存在的判断结果，判断是否存在车运动；

所述的车辆检测方法还包括判断是否有车辆通过的步骤：

（31）、利用步骤（22）中的方向梯度直方图，判断当前帧图像是否包含车头；

（32）、若上一帧判断没有车运动，且连续至少一帧判断存在车头，则触发计数；

（33）、若上一帧判断有车运动，且当前帧图像中无有车运动，则表示车辆离开。

2.根据权利要求1所述的车辆检测方法，其特征在于，步骤（13）中阈值T的设置方法为：用T1、T2、T3、T4将亮度值0-255分为5个区间，该5个区间相对应的阈值为N1、N2、N3、N4、N5,统计当前帧图像的平均亮度，平均亮度落入其中一个区间内,该区间对应的阈值即为阈值T,其中，0﹤T1﹤T2﹤T3﹤T4﹤255，N1、N2、N3、N4、N5为正整数。

3.根据权利要求1所述的车辆检测方法，其特征在于，步骤（14）中车存在的判断方法为：若R大于或等于阈值T5，则有车存在，否则无车存在。

4.根据权利要求1-3任一项权利要求所述的车辆检测方法，其特征在于，步骤（11）中利用混合高斯建模方法统计背景图像模型。

5.根据权利要求1所述的车辆检测方法，其特征在于，步骤（21）中还包括对差分图像取模的步骤，然后对取模后的差分图像提取边缘点。

6.根据权利要求1所述的车辆检测方法，其特征在于，步骤（22）中梯度方向直方图的统计方法为：利用阈值T6、T7将梯度值分为3个区间，统计分别落入三个梯度区间的个数，依次为Q1、Q2、Q3，其中，0﹤T6﹤T7。

7.根据权利要求6所述的车辆检测方法，其特征在于，步骤（23）中，若同时满足车存在的条件、差分图像的边缘点数不小于阈值T8、以及Q3﹥T9，则判为车运动，否则为无车运动,其中，T9为正整数。

8.根据权利要求6所述的车辆检测方法，其特征在于，步骤（31）中判断当前帧图像是否包含车头的方法为，若同时满足以下条件，则包含车头，否则不包括：

Q3﹥Q1;

Q3﹤5×Q1;

1/3×(Q1+Q2)﹤Q2﹤3×(Q1+Q2)。

9.根据权利要求1所述的车辆检测方法，其特征在于，步骤（14）和步骤（22）中使用sobel算子提取边缘点。

Images