CN102789686A - 一种基于路面亮度组合模式识别的道路交通流检测方法 - Google Patents

Abstract

本发明公开了一种基于路面亮度组合模式识别的道路交通流检测方法，通过匹配路面亮度组合模式对路面上某区域在某时刻是否有车辆存在进行判别。该方法的基本原理是：设定路面上某区域为检测区，获取该区域的亮度组合模式，连续或按照一定的时间间隔分析这种亮度组合模式是否存在，如果不存在则说明有物体经过该区域，根据物体经过该区域的时间长度、以及经过不同区域的时间差，可进一步得到交通流量、速度、占有率等参数。该方法可以克服视频交通数据采集领域中目前广泛使用的背景差分法、帧间差分法在阴影、光照变化等因素干扰下检测精度不高、稳定性较差的问题，大幅提高检测精度和环境适应性。

Description

一种基于路面亮度组合模式识别的道路交通流检测方法

技术领域

本发明涉及道路交通流检测技术领域，特别涉及一种基于路面亮度组合模式识别的道路交通流检测方法。

背景技术

智能交通系统（ITS）是公认的解决现代交通问题的有力手段，而交通信息采集是ITS得以顺利实施的技术基础。现有交通流检测技术主要包括：超声波、地感线圈、地磁、压力、红外、视频等。与其它检测技术相比，视频技术的显著优点是具有丰富的信息量，因此为细粒度交通信息的获取提供了可能，此外视频技术比较直观，能够对道路交通场景进行全面的记录与再现，因此许多大中城市都构建了规模庞大的视频监控网络。现有视频交通流检测技术绝大多数采用背景差分或帧间差分法，计算复杂度较高，且受光照、阴影等因素的影响严重，在夜间、隧道内等交通场景中交通流参数采集精度较低。

发明内容

本发明在于解决上述现有技术中检测准确率偏低、环境适应性差的不足，从模式识别的角度，提供一种基于路面亮度组合模式识别的道路交通流检测方法，其中参数包括流量、速度、时间占有率、平均车头时距等。

为了达到上述目的，本发明采用了以下技术方案，

一种基于路面亮度组合模式识别的道路交通流检测方法，包括以下步骤：

步骤S1：在路面上各待检测车道上设定检测区域，每个检测区域的路面上至少包括光学反射率值高和光学反射率值低的两种不同光学材料；

步骤S2：在检测区域G内设定两个以上子区域，子区域中至少有1个子区域上设有步骤S1）所述的光学反射率值高的光学材料；至少另有1个子区域设有步骤S1）所述的光学反射率值低的光学材料；

步骤S3：确定检测区域G内各子区域的亮度值指标；并按亮度值指标设定各子区域的相对亮度级，各子区域的相对亮度级的组合即为该检测区域G的亮度组合模式P1；

步骤S4：进行交通参数采集，获取检测区域G的成像视频；

步骤S5：根据获得的成像视频计算检测区域G中各子区域的亮度值指标；并按亮度值指标确定各子区域的相对亮度级，从而确定检测区域G的亮度组合模式P2；

步骤S6：判断步骤S5）得到的检测区域的亮度组合模式P2与该检测区域无车经过时成像的亮度组合模式P1是否匹配，若匹配则此时该检测区域没有车辆经过，否则有车辆经过。

步骤S1）所述光学反射率值高的光学材料的反射率值大于3倍光学反射率值低的光学材料的反射率值。保证了除非照射在光学反射率值低的光学材料上的光强是照射在光学反射率值高的光学材料上的光强的3倍以上，否则光学反射率值高的光学材料的反射光亮度总比光学反射率值高的光学材料的反射光亮度大。其中光学反射率值低的光学材料为沥青或水泥等普通路面材料、或暗色地坪漆等其它材料；光学反射率值高的光学材料为路面白色标线漆、亮色地坪漆、白色水泥等。

步骤S2）所述若干个子区域至少为两个子区域，各个子区域之间的拓扑关系为相邻、重叠、包含或不相交。

步骤S3）、S5）所述各子区域的亮度值指标为平均亮度、最大亮度或最小亮度。

步骤S5）所述计算各子区域的亮度值指标确定各子区域的相对亮度级是按步骤S5）计算的各子区域的亮度值指标的大小进行排序确定。

其中计算各子区域的亮度值指标的方法如下：

1）计算检测区域G内每个子区域的亮度值指标，可以采用平均亮度、最大亮度、最小亮度等能够反映子区域亮度的指标；

2）假如检测区域G包含n个子区域，子区域的相对亮度级分为k级，参考模式M（对应模式P1）可表示为：

$M=\{Y^1,Y^2,...,Y^k\}=\{(A_1^1,A_2^1,...,A_{n1}^1),(A_1^2,A_2^2,...,A_{n2}^2),...,(A_1^k,A_2^k,...,A_{\mathrm{nk}}^k)\}$

其中n＝n1+n2+…+nk，Y¹,Y²,…,Y^k表示相对亮度级相同的子区域的集合，

表示相对亮度级为j的第i个子区域；并规定如果整数z>0，则亮度值指标L $(\&ForAll;a\&Element;Y^t)<L(\&ForAll;b\&Element;Y^{t+z}),L(\&ForAll;a\&Element;Y^t)$ 为亮度指标值；

3）按亮度值指标从小到大排列各个子区域；

4）将其中第1—n_n1个、n_n1+1—n_n2个、…、n_n(k-1)+1—n_nk个子区域分别指定为第1、2、…、k个相对亮度级。

步骤S6）判断出车有车辆经过时，采集交通参数，所述的交通参数包括：

车辆经过检测器的时间t：t＝h×t₀，其中h为某辆车经过检测器的图像帧数，t₀为图像采集间隔；

车辆的速度v：v＝d/(g×t₀)，其中d为同一车道前后检测区域的距离，g为经过前后检测区域的图像帧数差，t₀为图像采集间隔；

车辆的长度r：r＝v×t，其中r为车辆长度，v为车辆速度，t为经过检测区域的时间；

交通流量Q：其中T为观测时间长度，X为观测时间经过检测区域的总车辆数；

时间速度平均速度V：

其中n为单位时间经过的车辆数，v_i为第i辆车的速度；

时间占有率O：

其中n为观测时间T内经过的车辆数，t_i为第i辆车通过检测器的时间；

与现有技术相比，本发明的有益效果是：由于不同光学反射率材料在不同光照环境中具备较好的相对亮度组合模式一致性，因此采集交通参数时不需要采用背景差分、帧间差分等方法，同时具有较少的运算量、较高的检测精度和环境稳定性。而路面标线漆等高光学反射率材料在许多路面上本来已经存在，即便重新绘制也具有施工快速、设备简单、费用低廉、不对路面造成破损等特征，这些材料使用寿命长且不需要额外的日常维护。

附图说明

图1为检测区域内图案示意图；

图2为车道上设置检测区域示意图；

图3为道路横断面上设置检测区域示意图；

图4为交叉口设置检测区域示意图；

图5为t⁰时刻采集到的图像画面；

图6为t¹时刻采集到的图像画面；

图7为t²时刻采集到的图像画面；

图8为t³时刻采集到的图像画面；

图9为t⁴时刻采集到的图像画面；

图10为t⁵时刻采集到的图像画面。

具体实施方式

以下结合附图对本发明进一步说明。

高光学反射率材料与低光学反射率材料其反射率差别越大，其所组成的亮度组合模式的鲁棒性也就越强，对环境的适应性也就越强。铺设高光学反射材料、低光学反射率材料必须考虑以下3个方面的问题:

1）、材料铺设后的图案尽量不与车辆上的图案相同；

2）、考虑车道宽于车辆、车辆行驶的横向自由度较大的现实，材料铺设位置和尺寸以车辆在车道内正常通行时能至少覆盖其中一部分为设计原则；

3）、为了避雨天积水的干扰，铺设材料可适当高出原路面、并以不干扰车辆正常通行为原则。

如果需要进行车速检测，则每个车道均需设置两个检测区域，两个检测区域间的距离与路段设计速度、摄像机的采样频率、检测精度等相关，在本实施例中计算方法采用以下模型：

其中d为检测区间的距离，v为车辆速度，t₀为摄像机成像间隔，s为最小期望速度精度。其各个检测区域设置若干个子检测区域，如图1所示。

如图2、3、4所示分别为在单条车道上、道路横断面上、交叉口上绘制辅助识别图案。

本发明的原理如下：

在漫反射过程中，由于物体会把光谱中的其它颜色吸收，与物体本身的颜色相同的光谱才能被反射并被摄像机接收，具有较大颜色差（表现为光学反射率的差异）的子区域在不同光照、阴影干扰情况下其反射光谱的组合方式具有较高的一致性，因此比较适合于计算机辨识。例如对于分别具有ρ₁、ρ₂反射率的子区域A₁和A₂，在不同照度E₁、E₂下其亮度L₁、L₂分别为：

因此： $\frac{L_1}{L_2}=\frac{E_1{\mathrm{\&rho;}}_1}{E_2{\mathrm{\&rho;}}_2}$

以路面白色标线漆为例，其光学反射率一般是黑色沥青的10倍以上，除非沥青上的照度是标线漆上的照度的10倍以上，否则路面标志漆的亮度高于沥青的亮度，在实际交通场景中，路面标志漆与沥青处于同一车道内较为接近的区域，其光照强度的差异一般不大。

获取各车道对应的交通参数采集参考区的成像：由于车辆是快速运动的且车间距可能较小，因此摄像机必须连续地采集图像，采集图像的速度与设备的处理能力及交通参数检测精度有关（一般要求每秒采集并处理15帧以上）；

计算并记录上述每个检测区没有车辆经过时的相对亮度组合模式，即确定相对亮度分级数及分级范围，判定各个子区域属于什么样的相对亮度级（相对亮度级与绝对亮度级是不一样的，在不同光照环境下无法保证绝对的亮度级）。假如只有2个相对亮度级，则需要判定哪些属于相对亮的子区域，哪些属于相对暗的子区域，将相对暗的子区域、相对亮的子区域分为两个集合，分别记为Y¹、Y²，则有 $L(\&ForAll;a\&Element;Y^1)<L(\&ForAll;b\&Element;Y^2),$ 其中L表示平均亮度。

进行交通参数采集时，获取一个或多个车道对应检测区域的成像，每个检测区包括多个子区域；

根据获得的成像计算每个子区域的像素平均亮度，并得到每个检测区的相对亮度组合模式；

分别判断上述计算得到的各个相对亮度组合模式与对应车道检测区无车经过时的成像的相对亮度组合模式是否匹配，若能匹配，则此时该检测区没有车辆经过，否则有车辆经过，算法过程如下：

1）进行图像滤波，消除某块图像中出现的个别与周围像素差别过大的像素，该过程可通过中值滤波、平滑滤波法等方法实现；

2）计算每个子区域亮度值指标，包括平均亮度、最大亮度、最小亮度以及其它能反映区域亮度情况的指标，在本实施例中以平均亮度为例，其计算方法为： $L\left(a\right)=\frac{1}{m}\underset{i=0}{\overset{m}{\mathrm{\&Sigma;}}}{p}_i$

其中a表示包含m个像素的某子区域，p_i∈a表示a中第i个像素，L表示平均亮度；

3）进行相对亮度组合模式匹配以判断各检测区上是否有车辆存在，包括以下过程：

31）假如检测区包含n个子区域，子区域的相对亮度级分为k级，则参考模式M可表示为 $M=\{Y^1,Y^2,...,Y^k\}=\{(A_1^1,A_2^1,...,A_{n1}^1),(A_1^2,A_2^2,...,A_{n2}^2),...,(A_1^k,A_2^k,...,A_{\mathrm{nk}}^k)\},$ 其中n＝n₁+n₂+…+n_k，Y¹,Y²,…,Y^k表示相对亮度级相同的子区域的集合，

表示相对亮度级为j的第i个子区域，并规定如果整数z>0则 $L(\&ForAll;a\&Element;Y^t)<L(\&ForAll;b\&Element;Y^{t+z}),L(\&ForAll;a\&Element;Y^t)$ 表示子区域集合Y^t平均亮度，

表示子区域集合Y^t+z平均亮度；

32）按平均亮度值从小到大排列当前检测区的各个子区域；

33）将其中第1—n_n1个、n_n1+1—n_n2个、…、n_n(k-1)1+1—n_nk个子区域分别指定为第1、2、…、k个相对亮度级；

34）判断检测区域上是否有车辆存在时，分析每个子区域的相对亮度级变化情况，如果所有子区域的相对亮度级与无车时相同，则可判断此时没有车辆经过检测区，否则有车辆经过。

4）在判断检测区上存在车辆的基础上，进行交通参数采集：

1、车辆经过检测器的时间：t＝h×t₀；其中h为某辆车经过检测器的图像帧数，t₀为图像采集间隔。

2、车辆的速度：v＝d/(g×t₀)；其中d为同一车道前后检测区的距离，g为经过前后检测区的图像帧数差，t₀为图像采集间隔。

3、车辆长度：r＝v×t；其中r为车辆长度，v为车辆速度，t为经过检测区域的时间。

4、交通流量：其中T为观测时间长度，X为观测时间经过检测区的总车辆数。

5、时间平均速度：其中n为单位时间经过的车辆数，v_i为第i辆车的速度。

6、时间占有率：

其中n为观测时间T内经过的车辆数，t_i为第i辆车通过检测器的时间。

7、平均车头时距：

其中Q为单位时间的车流量。

实施例1

在广州市某双向4车道道路上进行交通参数采集，摄像机固定在龙门架上，采集到的图像如图5所示。图中从左到右共4个车道，每个车道设置两个检测区域，两个检测区域之间的距离为1.85米，每个检测区包括10个子区域，分别采用路面白色标线漆、黑色沥青进行铺设，相对亮度级包括2级，其中5个子区域为黑色子区域，另外五个为白色子区域。

图像处理过程如下：

按照每秒25帧的速度采集并处理图像，对于每一帧图像，进行以下计算：

步骤1：采用5×5的平滑滤波法去除每个子区域中的小成分，对于像素I[r,c]（r,c分别表示行列坐标），其滤波结果为：

步骤2：计算每个子区域的平均亮度：

其中a表示包含m个像素的某子区域，p_i∈a表示a中第i个像素，L表示平均亮度；

步骤3：进行相对亮度组合模式匹配，包括以下过程：

步骤31：每个检测区包含10个子区域，子区域的相对亮度级分为2级，则参考亮度组合模式G可表示为：

$G=\{Y^1,Y^2\}=\{(A_1^1,A_2^1,...,A_5^1),(A_1^2,A_2^2,...,A_5^2)\}=\{(A_2,A_4,A_6,A_8,A_{10}),(A_1,A_3,A_5,A_7,A_9)\}$

即子区域2、4、6、8、10属于较暗子区域，1、3、5、7、9属于较亮子区域，相对亮度组合模式的判定规则是：

步骤32：按平均亮度值从小到大排列当前检测区的各个子区域；

步骤33：将其中第1-5个、6-10个分别指定为第1、2个相对亮度级；

步骤34：分析每个子区域的相对亮度级变化情况，如果所有子区域的相对亮度级与无车时相同，则可判断此时没有车辆经过检测区，否则有车辆经过。在图5-10中，对于车道2，图7为某辆车刚刚到达第1个检测区域的时刻，图9为该车刚刚到达第2个检测区域的时刻，图10为该车离开第1个检测区域的时刻；对于车道4，图6为某辆车刚刚到达第1个检测区域的时刻，图8为该车刚刚到达第2个检测区域的时刻，图9为该车离开第1个检测区域的时刻。在观测时间段内，车道1、3都没有车辆经过。

步骤4：在判断检测区上是否有车辆存在的基础上，进行交通参数采集：

1，车辆经过检测器的时间：t＝h×t₀，其中h为某辆车经过检测器的图像25帧数，t₀为图像采集间隔。

2，车辆的速度：v＝d/(g×t₀)，其中d为同一车道前后检测区的距离，g为经过前后检测区的图像帧数差，t₀为图像采集间隔。

3，车辆长度：r＝v×t，其中r为车辆长度，v为车辆速度，t为经过检测区域的时间。

4，交通流量：

其中T为观测时间长度，X为观测时间经过检测区的总车辆数。

5，时间平均速度：

其中n为单位时间经过的车辆数，v_i为第i辆车的速度。

6，时间占有率：

其中n为观测时间T内经过的车辆数，t_i为第i辆车通过检测器的时间。

7，平均车头时距：

其中Q为单位时间的车流量。

对于上述环境，采用摄像机在白天和夜间各进行1个小时的录像，并分别采用背景差分法、帧间差分法和本发明所提出的方法对录像进行车流量检测，结果如下表1所示：

表1

Claims (6)

1.一种基于路面亮度组合模式识别的道路交通流检测方法，其特征在于包括以下步骤：

步骤S1：在路面上各待检测车道上设定检测区域，每个检测区域的路面上至少包括光学反射率值高和光学反射率值低的两种不同光学材料；

步骤S2：在检测区域G内设定两个以上子区域，子区域中至少有1个子区域上设有步骤S1）所述的光学反射率值高的光学材料；至少另有1个子区域设有步骤S1）所述的光学反射率值低的光学材料；

步骤S3：确定检测区域G内各子区域的亮度值指标；并按亮度值指标设定各子区域的相对亮度级，各子区域的相对亮度级的组合即为该检测区域G的亮度组合模式P1；

步骤S4：进行交通参数采集，获取检测区域G的成像视频；

步骤S5：根据获得的成像视频计算检测区域G中各子区域的亮度值指标；并按亮度值指标确定各子区域的相对亮度级，从而确定检测区域G的亮度组合模式P2；

步骤S6：判断步骤S5）得到的检测区域的亮度组合模式P2与该检测区域无车经过时成像的亮度组合模式P1是否匹配，若匹配则此时该检测区域没有车辆经过，否则有车辆经过。

2.根据权利要求1所述基于路面亮度组合模式识别的道路交通流检测方法，其特征在于步骤S1）所述光学反射率值高的光学材料的反射率值大于3倍光学反射率值低的光学材料的反射率值。

3.根据权利要求1所述基于路面亮度组合模式识别的道路交通流检测方法，其特征在于步骤S2）所述若干个子区域至少为两个子区域，各个子区域之间的拓扑关系为相邻、重叠、包含或不相交。

4.根据权利要求1所述基于路面亮度组合模式识别的道路交通流检测方法，其特征在于步骤S3）、S5）所述各子区域的亮度值指标为平均亮度、最大亮度或最小亮度。

5.根据权利要求1所述基于路面亮度组合模式识别的道路交通流检测方法，其特征在于步骤S5）所述计算各子区域的亮度值指标确定各子区域的相对亮度级是按步骤S5）计算的各子区域的亮度值指标的大小进行排序确定。

6.根据权利要求1所述基于路面亮度组合模式识别的道路交通流检测方法，其特征在于步骤S6）判断出车有车辆经过时，采集交通参数，所述的交通参数包括：

车辆经过检测器的时间t：t=h×t₀，其中h为某辆车经过检测器的图像帧数，t₀为图像采集间隔；

车辆的速度v：v＝d/(g×t₀)，其中d为同一车道前后检测区域的距离，g为经过前后检测区域的图像帧数差，t₀为图像采集间隔；

车辆的长度r：r＝v×t，其中r为车辆长度，v为车辆速度，t为经过检测区域的时间；

交通流量Q：

其中T为观测时间长度，X为观测时间经过检测区域的总车辆数；

时间速度平均速度V：

其中n为单位时间经过的车辆数，v_i为第i辆车的速度；

时间占有率O：

其中n为观测时间T内经过的车辆数，t_i为第i辆车通过检测器的时间；

平均车头时距s：其中Q为单位时间的车流量。

Images