CN102568206A - 一种基于视频监控的违章停车检测方法 - Google Patents

Abstract

本发明公开了一种基于视频监控的违章停车检测方法，包括：步骤1：利用码本模型对相机拍摄的视频序列进行背景建模，采用背景减除法得到前景似然信息图像；步骤2：滤除前景似然信息图像中其它运动目标对待监控车辆的干扰；步骤3：利用违章停车判决算法对前景似然信息图像中的待监控车辆进行智能判决，当待监控车辆出现违停现象时发出报警。该方法相对于现有的基于视频监控的违章停车检测方法，滤除了可能对待监控车辆存在影响的其它类型运动目标，提高了报警的准确性，且该方法具有实时性好，鲁棒性强，准确率高等特点，为城市交通的智能化管理提供了有效的技术手段。

Description

一种基于视频监控的违章停车检测方法

技术领域

本发明属于图像处理领域，特别是一种基于视频监控的违章停车检测方法。

背景技术

随着社会的进步与发展，城市的汽车保有量日益增多，与此同时也带来了很多问题。违章停车作为亟待解决的问题之一，已经引起了交通管理部门的重视。传统的违章停车检测主要是通过交警定点实施人工监管，效率低，无法实现实时监控，极大地浪费了相关部门的人力和财力。近年来，基于视频监控的违章停车检测方法受到了越来越多学者和相关部门的重视，这种方法具有准确率高，实时性好，成本低，容易收集证据等优点。

目前，基于视频监控的违章停车检测方法一般是基于混合高斯模型算法或利用差分法实现对待监控目标的提取的，由于其没有对行人或其它非机动车辆等目标进行滤除，在很大程度上导致误报率的增加。另外，现有的方法没有对处于违停区域的车辆类型做出细致的分类，必然影响监控的有效性。

发明内容

本发明针对目前的基于视频监控的违章停车检测方法存在的上述问题，而提出了一种基于视频监控的违章停车检测方法。本发明采用的技术手段如下：

一种基于视频监控的违章停车检测方法，其特征在于包括：

步骤1：利用码本模型对相机拍摄的视频序列进行背景建模，采用背景减除法得到前景似然信息图像；

步骤2：滤除前景似然信息图像中其它运动目标对待监控车辆的干扰；

步骤3：利用违章停车判决算法对前景似然信息图像中的待监控车辆进行智能判决，当待监控车辆出现违停现象时发出报警。

本发明的基于视频监控的违章停车检测方法有效克服了传统人工检测违章停车的缺点，能够对监控场景进行实时监控，发现违停车辆及时报警。该方法相对于现有的基于视频监控的违章停车检测方法，滤除了可能对待监控车辆存在影响的其它类型运动目标，提高了报警的准确性，且该方法具有实时性好，鲁棒性强，准确率高等特点，为城市交通的智能化管理提供了有效的技术手段。

附图说明

图1为本发明的基于视频监控的违章停车检测方法的流程图。

图2A为现有采用混合高斯算法生成的前景似然图示例。

图2B为采用码本模型方法生成的前景似然图示例。

图3A为滤除其它运动目标前的前景似然图示例。

图3B为滤除其它运动目标后的前景似然图示例。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。

如图1所示，本发明的基于视频监控的违章停车检测方法包括：

步骤1：利用码本模型对相机拍摄的视频序列进行背景建模，采用背景减除法得到前景似然信息图像。

现有的基于视频监控的违章停车检测方法所采用的混合高斯模型是在像素域的时间尺度上对像素进行分类，很难将其学习效率控制在既不过检也不漏检的理想状态，容易造成误判，无法解决对待监控目标的阴影、空洞和噪点过多的问题，影响定位跟踪的准确性。针对此问题，本发明是采用码本模型对视频序列进行背景建模的。具体地，步骤1又包括以下步骤：

步骤11：对视频序列进行学习，根据每个像素点连续采样值的颜色距离和亮度范围为每个像素点生成一个码本，假设当前像素点是x＝(R，G，B)，其对应的码本是M。

步骤12：计算当前像素点的亮度I＝R+G+B，定义布尔变量match＝0。

步骤13：根据设定条件从码本M中找到与当前像素匹配的码字C_m，如果能够找到码字C_m，则match＝1，否则match＝0。其中的设定条件包括条件A和条件B，条件A表示为：

$\mathrm{colordist}(x,v_m)=\frac{{\left|\right|x\left|\right|}^2{\left|\right|v_m\left|\right|}^2-{<x,v_m>}^2}{{\left|\right|v_m\left|\right|}^2}\&le;\mathrm{\&epsiv;}$

其中，||x||²＝R²+G²+B²， ${\left|\right|v_m\left|\right|}^2={\stackrel{\&OverBar;}{R}}_m^2+{\stackrel{\&OverBar;}{G}}_m^2+{\stackrel{\&OverBar;}{B}}_m^2,$ ${<x,v_m>}^2={({\stackrel{\&OverBar;}{R}}_{m}R+{\stackrel{\&OverBar;}{G}}_{m}G+{\stackrel{\&OverBar;}{B}}_{m}B)}^2;$

条件B表示为：

且当I_low≤||x||≤I_hi时，

其中，I_low为码字的亮度范围最小值，I_hi为该码字的亮度范围最大值。

步骤14：将match＝0的像素作为当前视频图像的前景像素，将match＝1的像素作为当前视频图像的背景像素。

步骤15：生成关于当前视频图像中像素m_i的前景似然函数l_i(m_i)，进而生成相应的前景似然图，如图2B所示。其中的前景似然函数L_i(m_i)表示为：

$L_i\left(m_i\right)=\left\{\begin{array}{ccc}1,& \mathrm{if}& m_i\&Element;\mathrm{foreground}\\ 0,& & \mathrm{otherwise}\end{array}\right.$

步骤2：滤除前景似然信息图像中其它运动目标对待监控车辆的干扰。

一般情况下，行人、自行车、噪声等前景区域面积要比待监控车辆的区域小，因此，步骤2又包括：

步骤21：计算前景似然信息图像中，每一运动目标的连通区域面积。

步骤22：选取连通区域面积大于或等于一阈值的运动目标作为待监控车辆，如图3B所示，以为后续的跟踪和违章判决提供必要保证。

步骤3：利用违章停车判决算法对前景似然信息图像中的待监控车辆进行智能判决，当待监控车辆出现违停现象时发出报警。

该方法将待监控车辆分为非关注车辆、关注车辆以及违停车辆。其中，非关注车辆为未进入违停区域的车辆；关注车辆为已经进入违停区域的车辆，但是停靠时间小于给定的时间阈值；违停车辆为处于违停区域内且停靠时间超过给定阈值的车辆。则步骤3又包括：

步骤31：计算违停区域中心C_NP的坐标(x_NP，y_NP)。

步骤32：计算车辆i(i＝1，2，...，N)的质心C_i，表示为：

$x_{C_i}=\frac{1}{A_i}\underset{(x,y)\&Element;R_i}{\mathrm{\&Sigma;}}x$

$y_{C_i}=\frac{1}{A_i}\underset{(x,y)\&Element;R_i}{\mathrm{\&Sigma;}}y$

其中，R_i为车辆i对应的前景区域；A_i为R_i的面积；x，y为属于R_i的像素的坐标值。

步骤33：计算质心C_i与违停区域中心C_NP之间的距离dist(C_i，C_NP)，表示为：

$\mathrm{dist}(C_i,C_{\mathrm{NP}})=\mathrm{sqrt}({(x_{C_i}-x_{\mathrm{NP}})}^2+{(y_{C_i}-y_{\mathrm{NP}})}^2)$

步骤34：判断距离dist(C_i，C_NP)是否小于阈值Th_d，是则将车辆i标记为关注车辆，否则返回步骤32。

步骤35：计算第t帧视频图像中关注车辆i处于违停区域内的时间长度

其中，F_s为视频图像的帧率。

步骤36：判断是否大于阈值Th_τ，是则将车辆i标记为违停车辆，并进入违停车辆处理阶段；否则，返回步骤35。

进一步，违停区域又包括两类：一类是禁止一切车辆停放区域(比如：急救站、施工地段、人行横道等)；另一类是禁止长时停放但允许临时停车区域(比如：出租车临时停靠站等)。则可根据不同的要求来设置不同的距离阈值和时间阈值来实现对违停车辆的智能监控。优选地，对于禁止一切车辆停放区域，满足：Th_d∈(0.6～0.8)*L，Th_τ∈(5～30)s；对于禁止长时停放但允许临时停车区域，满足：Th_d∈(0.15～0.2)*L，Th_τ∈(30～60)s，以监测规定范围内的违停事件。其中，L为禁止停车区域在监控视频中的长度。

本发明的基于视频监控的违章停车检测方法有效克服了传统人工检测违章停车的缺点，能够对监控场景进行实时监控，发现违停车辆及时报警。该方法相对于现有的基于视频监控的违章停车检测方法，滤除了可能对待监控车辆存在影响的其它类型运动目标，提高了报警的准确性，且该方法具有实时性好，鲁棒性强，准确率高等特点，为城市交通的智能化管理提供了有效的技术手段。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种基于视频监控的违章停车检测方法，其特征在于包括：

步骤1：利用码本模型对相机拍摄的视频序列进行背景建模，采用背景减除法得到前景似然信息图像；

步骤2：滤除前景似然信息图像中其它运动目标对待监控车辆的干扰；

步骤3：利用违章停车判决算法对前景似然信息图像中的待监控车辆进行智能判决，当待监控车辆出现违停现象时发出报警。

2.根据权利要求1所述的方法，其特征在于步骤1又包括：

步骤11：对视频序列进行学习，根据每个像素点连续采样值的颜色距离和亮度范围为每个像素点生成一个码本，假设当前像素点是x＝(R，G，B)，其对应的码本是M；

步骤12：计算当前像素点的亮度I＝R+G+B，定义布尔变量match＝0；

步骤13：根据设定条件从码本M中找到与当前像素匹配的码字C_m，如果能够找到码字C_m，则match＝1，否则match＝0；其中的设定条件包括条件A和条件B，条件A表示为：

$\mathrm{colordist}(x,v_m)=\frac{{\left|\right|x\left|\right|}^2{\left|\right|v_m\left|\right|}^2-{<x,v_m>}^2}{{\left|\right|v_m\left|\right|}^2}\&le;\mathrm{\&epsiv;}$

其中，||x||²＝R²+G²+B²， ${\left|\right|v_m\left|\right|}^2={\stackrel{\&OverBar;}{R}}_m^2+{\stackrel{\&OverBar;}{G}}_m^2+{\stackrel{\&OverBar;}{B}}_m^2,$ ${<x,v_m>}^2={({\stackrel{\&OverBar;}{R}}_{m}R+{\stackrel{\&OverBar;}{G}}_{m}G+{\stackrel{\&OverBar;}{B}}_{m}B)}^2;$

条件B表示为：

且当I_low≤||x||≤I_hi时，

其中，I_low为码字的亮度范围最小值，I_hi为该码字的亮度范围最大值；

步骤14：将match＝0的像素作为当前视频图像的前景像素，将match＝1的像素作为当前视频图像的背景像素；

步骤15：生成关于当前视频图像中像素m_i的前景似然函数L_i(m_i)，进而生成相应的前景似然图，其中的前景似然函数L_i(m_i)表示为：

$L_i\left(m_i\right)=\left\{\begin{array}{ccc}1,& \mathrm{if}& m_i\&Element;\mathrm{foreground}\\ 0,& & \mathrm{otherwise}\end{array}\right..$

3.根据权利要求2所述的方法，其特征在于步骤2又包括：

步骤21：计算前景似然信息图像中，每一运动目标的连通区域面积；

步骤22：选取连通区域面积大于或等于一阈值的运动目标作为待监控车辆。

4.根据权利要求3所述的方法，其特征在于步骤3又包括：

步骤31：计算违停区域中心C_NP的坐标(x_NP，y_NP)；

步骤32：计算车辆i(i＝1，2，...，N)的质心C_i，表示为：

$x_{C_i}=\frac{1}{A_i}\underset{(x,y)\&Element;R_i}{\mathrm{\&Sigma;}}x$

$y_{C_i}=\frac{1}{A_i}\underset{(x,y)\&Element;R_i}{\mathrm{\&Sigma;}}y$

其中，R_i为车辆i对应的前景区域；A_i为R_i的面积；x，y为属于R_i的像素的坐标值；

步骤33：计算质心C_i与违停区域中心C_NP之间的距离dist(C_i，C_NP)，表示为：

$\mathrm{dist}(C_i,C_{\mathrm{NP}})=\mathrm{sqrt}({(x_{C_i}-x_{\mathrm{NP}})}^2+{(y_{C_i}-y_{\mathrm{NP}})}^2);$

步骤34：判断距离dist(C_i，C_NP)是否小于阈值Th_d，是则将车辆i标记为关注车辆，否则返回步骤32；

步骤35：计算第t帧视频图像中关注车辆i处于违停区域内的时间长度

其中，F_s为视频图像的帧率；

步骤36：判断是否大于阈值Th_τ，是则将车辆i标记为违停车辆，并进入违停车辆处理阶段；否则，返回步骤35。

5.根据权利要求4所述的方法，其特征在于违停区域又包括两类：一类是禁止一切车辆停放区域，另一类是禁止长时停放但允许临时停车区域；

对于禁止一切车辆停放区域，满足：Th_d∈(0.6～0.8)*L，Th_τ∈(～30)s；对于禁止长时停放但允许临时停车区域，满足：Th_d∈(0.15～0.2)*L，Th_τ∈(30～60)s；其中，L为禁止停车区域在当前视频图像中的长度。

Images