CN102768804A - 基于视频的交通信息采集方法 - Google Patents

Abstract

本发明公开基于视频的交通信息采集方法。该方法基于图像处理和模式识别理论，依次经过检测区域设置并进行几何校正，高斯背景建模提取出前景目标，采用分离器进行目标的识别，并将识别结果与前景区域进行匹配，消除检测的虚警，融合粒子滤波算法和车辆检测算法实现车辆的自适应跟踪，在检测结果的基础上实现有效的增加目标和目标融合，最终实现本发明的流量统计、以及速度、密度、时间占有率等参数的计算。另外，本发明根据检测跟踪结果，还可对目标进行微观交通分析，如违章停车、逆行、超速等检测。同时，可实现交通状态的判断，如拥堵检测，并可进行拥堵情况下的排队长度计算。本发明具有准确性高、计算复杂度低的优点，可满足实际应用的需要。

Description

基于视频的交通信息采集方法

技术领域

本发明涉及智能交通技术领域，具体是一种基于视频的交通信息采集方法。

背景技术

作为智能交通系统（ITS）的基础部分，交通信息采集系统在ITS中占有很重要的地位。目前，交通信息的采集主要依靠地感线圈检测、超声波检测和视频检测等技术。

地感线圈检测技术需要在车道上切割环行线槽，然后埋设感应线圈，车辆通过时感应线圈会发出信号给相应设备。主要优点是成本相对较低，当车流量低、车速不是太慢时对车辆的检测比较准确，但是遇到复杂的环境，机动车和非机动车混杂的道路时很容易出现误触发。同时由于需要在地下埋设感应线圈，加大了施工难度同时提高了工程成本，并且线圈在大车重压下容易损坏，增加了维护成本。

超声波检测技术依据声波的传播和反射原理，通过测量发射波和反射波的时差来实现位移的测量。其优点是安装无需破坏路面，且不受路面变形、施工的影响，维护成本低。其缺点是建设成本较高、安装调试较为复杂、测量反应时间长、误差大，也比较容易受外界天气的影响。

视频检测技术是将计算机视觉引入到交通信息的检测中，运用图像处理和模式识别技术获取所需的交通信息。其主要优点是安装简单、操作容易、维护方便，克服了上述方法的不足之处。但现有的视频检测技术还存在准确性不够、模型计算过于复杂的问题，且在车辆拥堵情况下检测不准确。

发明内容

针对现有交通信息采集技术中存在的不足，本发明提供一种基于视频的交通信息采集方法。该系统可实现精确、高效的交通信息采集功能，弥补现有视频检测技术在车辆拥堵情况下的不足。

本发明通过以下技术方案来实现，所述基于视频的交通信息采集方法包括以下步骤：

（1）在视频图像上设置检测区域，并在调试过程中测量图像检测区域所对应的实际道路区域的尺寸，完成几何校正，把图像坐标系变换到世界坐标系；

（2）采用混合高斯模型进行背景建模，实时的进行模型的更新，并提取出前景部分；

（3）从样本图片集提取正样本和负样本，形成训练样本集；计算样本的矩形特征，并获得矩形特征集；采用Adaboost方法进行训练得到级联分类器；

（4）采用级联分类器在检测区域上进行识别车辆，得到初步的识别结果；匹配初步识别结果与前景图像，消除检测过程中存在的虚警；

（5）采用多目标粒子滤波和Adaboost检测融合的方法实现车辆目标的自适应跟踪，通过给连续几帧目标设定权值的方法，实现目标的增减。

其中，步骤1所述几何校正包括以下步骤：

（1.1）固定摄像机，在图像上手工设置车辆检测区域；

（1.2）测量对应的实际道路检测区域的宽度和长度参数；

（1.3）计算透视变换矩阵，完成几何校正。

步骤2所述背景建模包括以下步骤：

（2.1）通过初始背景得到当前像素点的灰度值所匹配的特定高斯分布，建立初始背景模型；

（2.2）对于视频图像的每个像素点，去当前时刻的灰度值x与高斯模型依次按序比较，如果差值在一定的阈值范围内，则认为像素点与该高斯模型匹配，并实时更新高斯模型的参数，得到背景图像；

（2.3）将当前帧图像与背景图像相减，得到前景图像。

步骤5所述车辆目标的自适应跟踪包括以下步骤：

（5.1）初始化粒子数目，选择运动模型及模型参数；

（5.2）粒子的初始化；

（5.3）粒子状态转移，计算粒子的权值，并归一化；

（5.4）对粒子进行重采样，对粒子进行加权，并计算其后验概率；

（5.5）得到跟踪的目标状态，并与Adaboost的检测结果进行匹配；

（5.6）对目标权值进行判断，如果其大于预设值，则判断目标为真，否则，判断目标不正确。

本发明具有如下有益效果：

（1）本发明通过一台摄像机采集多种交通参数，可为城市交通管理和信号控制提供数据服务，有效降低了成本，具有重要的社会效益和巨大的工程应用价值。

（2）本发明通过跟踪和检测算法的有效结合，解决了在交通拥堵情况下基于视频的交通信息采集所存在的问题，大大提高了检测精度和效率。

附图说明

图1是基于视频的交通信息采集方法的技术路线流程图。

图2是分类器训练和车辆识别流程图。

图3是车辆跟踪流程图。

具体实施方式

下面结合附图和实施例对本实用新型作进一步说明。

如图1所示，本发明所述的基于视频的交通信息采集方法包括以下步骤：

（1）在视频图像上设置检测区域，并在调试过程中测量图像检测区域所对应的实际道路区域的尺寸，完成几何校正，把图像坐标系变换到世界坐标系；

（2）采用混合高斯模型进行背景建模，实时的进行模型的更新，并提取出前景部分；

（3）从样本图片集提取正样本和负样本，形成训练样本集；计算样本的矩形特征，并获得矩形特征集；采用Adaboost方法进行训练得到级联分类器；

（4）采用级联分类器在检测区域上进行识别车辆，得到初步的识别结果；匹配初步识别结果与前景图像，消除检测过程中存在的虚警；

（5）采用多目标粒子滤波和Adaboost检测融合的方法实现车辆目标的自适应跟踪，通过给连续几帧目标设定权值的方法，实现目标的增减。

以上可以看出，本发明主要由几何校正（步骤1）、背景建模（步骤2）、车辆检测（步骤3，4）、车辆跟踪（步骤5）、参数计算等部分组成。所述几何校正是把图像坐标系变换到世界坐标系，以便速度计算和车长计算；所述背景建模部分，负责背景模型的更新并将前景部分提取出来；所述车辆检测部分，通过Adaboost方法训练出车辆分类器，并在检测区域负责车辆的检测；所述车辆跟踪部分，负责连续几帧车辆检测结果的匹配和对应；所述参数计算部分，负责统计车流量，实现速度、密度、车道占有率的计算，并进行相应的微观分析，如停车检测、逆行检测、超速检测等，在交通拥堵的情况下还可实现车辆排队长度的计算。

几何校正部分主要涉及车道和检测区域的设置以及摄像机标定等内容。具体步骤如下：

（1）将摄像机架设在固定的装置上，在图像区域中设置车辆的检测区域，检测区域设置最主要的就是虚拟先的选取，与地面埋设的线圈相似。首先选取与道路方向垂直的一条虚拟线，然后随机选取一点标示出与之平行的虚拟线，它们与车道线组成的不规则四边形即为选取的检测区域。也可同时设置多个检测区域（车道）；

（2）测量出对应的实际道路检测区域的车道宽度和检测区域长度等参数；

（3）通过图像坐标系中选取的点的坐标和世界坐标系中的相应坐标点，计算透视变换矩阵；

（4）根据透视变换矩阵，实现由图像坐标系到世界坐标系的转换。

背景建模部分主要包括初始背景估计和背景更新。为了适应复杂多变的交通环境，本发明采用了混合高斯背景建模方法，具体步骤如下：

（1）通过初始背景估计得到当前像素点的灰度值所匹配的特定高斯分布，建立初始背景模型；

（2）对于视频图像的每个像素点，去当前时刻的灰度值x与高斯模型依次按序比较，如果差值在一定的阈值范围内，则认为像素点与该高斯模型匹配，并实时更新高斯模型的参数，得到背景图像；

（3）将当前帧图像与背景图像相减，得到前景图像。

车辆检测部分包括分类器训练、识别、匹配部分，如图2所示。具体步骤如下：

（1）从训练图片集中挑选正样本和负样本，形成训练样本集；

（2）输入训练样本集，在给定的矩形特征原型下，计算并获得矩形特征集；

（3）输入特征集，采用弱学习算法，获得弱分离器集，并在检测率和误判率限制下，使用Adaboost算法挑选最优的弱分类器构成强分类器；

（4）以强分类器为输入，将其组合得到最终的级联分类器；

（5）在检测区域图像上，采用级联分类器进行分类，得到初步的识别结果；

（6）将初步识别结果与前景图像进行匹配，有效消除检测过程中存在的虚警，进一步提高检测的准确率。

在车辆跟踪部分，本发明融合了多目标粒子跟踪算法和Adaboost检测算法，实时更新粒子滤波的状态参数，实现了自适应的跟踪。在提高跟踪算法准确率的同时，提高了算法的抗干扰能力。算法流程如图3所示，具体步骤如下：

（1）初始化粒子数目，选择合理的运动模型及模型参数；

（2）在初始帧位置，建立模板，并以目标中心点为中心，选择2倍模板区域的点作为候选粒子，并进行粒子的初始化；

（3）采用运动模型预测粒子的运动状态转移过程，得到粒子的权值，并进行归一化；

（4）对粒子进行重采样，对粒子进行加权，并计算其后验概率；

（5）得到跟踪的目标状态，并与Adaboost的检测结果进行匹配，如果匹配成功，则目标的权值加1；如果匹配失败，则认为是有新目标出现，并对新目标进行粒子的初始化；

（6）对目标权值进行判断，如果其大于预设值，则认为其连续几帧都出现了，判断目标为真，否则，判断目标不正确。

参数计算部分主要根据前面几何校正、车辆检测和车辆跟踪的结果进行参数计算和微观分析。具体步骤如下：

（1）根据车辆跟踪对目标分配的权值进行判断，如果权值大于一定的阈值，则认为是车辆目标，计数加1；

（2）根据同一个目标在图像坐标系中前后两帧的位置，经逆透视变换，可计算其在世界坐标系中的位移，并计算其当前速度；根据所有目标的当前速度，可统计平均速度；同时可计算车辆长度，并进行车型的划分；

（3）交通流密度和时间占有率可根据车流量和车速进行计算；

（4）根据车流速度可进行交通状态的微观分析，判断车辆的停车状态、逆行、超速等情况；

（5）根据车速可对交通状态进行判断，当交通运行状态为拥堵时，统计排队长度。

其中，计算基本的交通参数时，可根据车辆跟踪结果对车辆进行统计计数，得到车流量；根据对跟踪结果的分析，得到车辆在间隔t时间内移动的距离，计算得到车辆速度；通过统计车辆通过的时间，除以采样总时间，得到时间占有率。

根据车辆检测的结果，可得到车辆在图像上的像素长度，通过透视变换计算出其在世界坐标系中的长度，即车辆长度；将车辆长度按照长度阈值划分为大、中、小车型。

根据检测的车辆速度进行车辆状态分析，速度为0时判定为停车状态，速度为负时，判定为逆行状态，速度超过最大设定速度，即为超速状态。

根据对车速的统计，当总体车速小于预设阈值时，即判定为拥堵状态，并按照车辆的数目和长度统计排队长度。

Claims (4)

1.基于视频的交通信息采集方法，其特征在于，包括以下步骤：

（1）在视频图像上设置检测区域，并在调试过程中测量图像检测区域所对应的实际道路区域的尺寸，完成几何校正，把图像坐标系变换到世界坐标系；

（2）采用混合高斯模型进行背景建模，实时的进行模型的更新，并提取出前景部分；

（3）从样本图片集提取正样本和负样本，形成训练样本集；计算样本的矩形特征，并获得矩形特征集；采用Adaboost方法进行训练得到级联分类器；

（4）采用级联分类器在检测区域上进行识别车辆，得到初步的识别结果；匹配初步识别结果与前景图像，消除检测过程中存在的虚警；

（5）采用多目标粒子滤波和Adaboost检测融合的方法实现车辆目标的自适应跟踪，通过给连续几帧目标设定权值的方法，实现目标的增减。

2.根据权利1所述的基于视频的交通信息采集方法，其特征在于，步骤1所述几何校正包括以下步骤：

（1.1）固定摄像机，在图像上手工设置车辆检测区域；

（1.2）测量对应的实际道路检测区域的宽度和长度参数；

（1.3）计算透视变换矩阵，完成几何校正。

3.根据权利1所述的基于视频的交通信息采集方法，其特征在于，步骤2所述背景建模包括以下步骤：

（2.1）通过初始背景得到当前像素点的灰度值所匹配的特定高斯分布，建立初始背景模型；

（2.2）对于视频图像的每个像素点，去当前时刻的灰度值x与高斯模型依次按序比较，如果差值在一定的阈值范围内，则认为像素点与该高斯模型匹配，并实时更新高斯模型的参数，得到背景图像；

（2.3）将当前帧图像与背景图像相减，得到前景图像。

4.根据权利1所述的基于视频的交通信息采集方法，其特征在于，步骤5所述车辆目标的自适应跟踪包括以下步骤：

（5.1）初始化粒子数目，选择运动模型及模型参数；

（5.2）粒子的初始化；

（5.3）粒子状态转移，计算粒子的权值，并归一化；

（5.4）对粒子进行重采样，对粒子进行加权，并计算其后验概率；

（5.5）得到跟踪的目标状态，并与Adaboost的检测结果进行匹配；

（5.6）对目标权值进行判断，如果其大于预设值，则判断目标为真，否则，判断目标不正确。

Images