CN103106796A - 智能交通监控系统中的车辆检测方法和装置 - Google Patents

Abstract

本发明提出了一种智能交通监控系统中的车辆检测方法，其包括：步骤S101，通过电荷耦合元件CCD摄像头采集道路交通视频帧序列；步骤S102，将采集的视频帧序列数据进行图像预处理，得到计算机能够识别的数字视频序列；步骤S103，输入步骤S102所得的数字视频序列，利用改进的混合高斯背景建模算法实现运动目标的检测；步骤S104，对步骤S103检测所得的运动目标前景进行阴影检测；步骤S105，对运动目标前景进行阴影去除，实现运动目标的正确识别。本发明还提出了一种智能交通监控系统中的车辆检测装置。通过本发明可以快速地去除不符合要求的背景模型，有效地减少模型对环境突变的响应时间，保证了系统在光照变化或摄像头抖动等情况下具有良好的自适应性，配合阴影去除算法大幅提高车辆检测的准确率。

Description

智能交通监控系统中的车辆检测方法和装置

技术领域

本发明属于数字图像处理技术领域，具体涉及智能交通监控中的车辆检测方法和装置。

背景技术

随着计算机视觉算法的发展和硬件平台处理速度的提高，计算机视觉技术在智能交通监控系统中的应用越来越广泛。而在众多的技术中，车辆检测技术对于智能交通系统具有重要的意义，也是其他技术实现或判决的重要基础之一。

对于固定摄像机，混合高斯背景模型法是实时目标检测的有效方法之一，但当场景中存在动态背景（光照变化、背景扰动以及摄像头的轻微抖动等）时，目标区域的背景就会不断变化，从而影响运动目标的正确检测。传统的混合高斯建模方法虽然能很好的处理光流和天气变化的问题，但却无法解决物体进入或离开场景时候的判决问题。一种解决方案是对每个像素采用多色彩模型，使用一种自适应无参数的混合高斯建模方法来，这种方法还能减少场景中微小重复运动对判决的影响。例如，运动场景中树木的晃动或者摄像头本身的轻微晃动。或者采用另外一种核估计的方法，对每个像素采集核心样本，然后对各种微小的运动采用空间融合的算法。该算法的原理主要就是对比背景模型周围环形相互关联的部分。虽然该算法本身也拥有一系列加快运行速度的方案，但依然无法解决算法过于复杂的问题。此外，混合高斯背景模型运用到智能视频监控的某些场景时存在计算量大、存在虚影现象以及阴影未去除现象。

阴影与运动目标有两种重要的视觉特征：第一，阴影通常与背景存在明显的不同，而被检测为前景；第二，阴影与运动目标具有相同的运动特性。因此，阴影的检测与去除是一项极具挑战性的工作。然而，阴影与运动目标也具有可分性，例如在色度空间中，阴影区域与背景区域较接近，而真正的运动目标则不具备这种特性。为了更好的检测阴影，需要建立一个能分割成色差部分和亮度部分的色彩空间，同时还能兼容前文提出的混合高斯模型。

发明内容

综合考虑上述问题，本发明在混合高斯建模更新公式中引入先验概率偏置对传统的混合高斯建模做出改进，并在一定阈值内，对比无背景情况下前景像素和当前的背景像素在色彩空间中的色差部分和亮度部分发生的变化，进行阴影检测和去除。采用这种方法可以快速地去除不符合要求的背景模型，有效地减少模型对环境突变的响应时间，保证了系统在光照变化或摄像头抖动等情况下具有良好的自适应性，配合阴影去除算法大幅提高车辆检测的准确率。

本发明提出了一种智能交通监控系统中的车辆检测方法，其包括：

步骤S101，通过电荷耦合元件CCD摄像头采集道路交通视频帧序列；

步骤S102，将采集的视频帧序列数据进行图像预处理，得到计算机能够识别的数字视频序列；

步骤S103，输入步骤S102所得的数字视频序列，利用改进的混合高斯背景建模算法实现运动目标的检测；

步骤S104，对步骤S103检测所得的运动目标前景进行阴影检测；

步骤S105，对运动目标前景进行阴影去除，实现运动目标的正确识别。

其中，所述改进的混合高斯背景建模算法在于对模型的更新做了相应的改进。

其中，改进后模型，t时刻像素点(x,y)的第i个高斯分布的更新公式为：

ω_i,t,xy=ω_i，t-1,xy+β(M-ω_i，t-1,xy)-βc_T            (1);

μ_i,t,xy=μ_i,t-1,xy+M(β/ω_i,t,xy)(I_t,xy-μ_i,t-1,xy)    (2);

${\mathrm{\Σ}}_{i,t,\mathrm{xy}}^2={\mathrm{\Σ}}_{i,t-1,\mathrm{xy}}^2+M(\mathrm{\β}/{\mathrm{\ω}}_{i,t,\mathrm{xy}})[{(I_{t,\mathrm{xy}}-{\mathrm{\μ}}_{i,t-1.\mathrm{xy}})}^T(I_{t,\mathrm{xy}}-{\mathrm{\μ}}_{i,t-1,\mathrm{xy}})-{\mathrm{\Σ}}_{i,t-1,\mathrm{xy}}^2]---\left(3\right),$

其中，公式（1）（2）（3）中，ω_i,t,xy、μ_i,t,xy、

分别为t时刻像素点(x,y)第i个高斯分布的权值、均值向量、协方差矩阵，且有

K为混合高斯背景模型中高斯分布的个数；ω_i,t-1,xy、μ_i，t-1,xy、

分别为t-1时刻像素点(x,y)第i个高斯分布的权值、均值向量、协方差矩阵；先验概率的偏置通过c_T引入，偏置可以减少大数据的复杂度；M为匹配因子，若输入的新像素点不与混合高斯背景模型中任何一个高斯分布匹配，则M=0，否则为1。

其中，在不匹配的条件下，会增加一个新的高斯模型，而去除原来模型中权值最小的模型。

其中，所述新模型参数设置为：ω_M+1＝β，μ_M+1＝I_t,xy，σ_M+1＝σ₀，而σ₀为整个模型初始化时的标准差。常数β为权值更新率，它描述了一个指数衰减包络，用来限制旧数据对整个递归过程的影响。

其中，所述步骤104的阴影检测为通过对比无背景时前景像素和当前的背景像素的方法实现阴影的检测，即若在一定阈值内，色彩空间的色差部分和亮度部分都检测到变化，则可以判定该区域为阴影。

其中，所述步骤103包括：

第一步，利用最大似然估计对传统混合高斯背景模型的权值更新公式进行推导；

第二步，在第一步的基础上引入先验概率偏置对传统的混合高斯背景模型中的权值更新公式进行改进。

本发明还提出了一种智能交通监控系统中的车辆检测装置，其包括：

视频帧序列采集模块，用于通过电荷耦合元件CCD摄像头采集道路交通视频帧序列；

图像预处理模块，用于将采集的视频帧序列数据进行图像预处理，得到计算机能够识别的数字视频序列；

混合高斯背景建模模块，用于输入所述图像预处理模块所得的数字视频序列，利用改进的混合高斯背景建模算法实现运动目标的检测；

阴影检测，用于对所述混合高斯背景建模模块检测所得的运动目标前景进行阴影检测；

阴影去除模块，用于对运动目标前景进行阴影去除，实现运动目标的正确识别。

附图说明

图1为与本发明实施例一致的智能交通监控系统中车辆检测方法的流程图。

图2为与本发明实施例一致的智能交通监控系统中车辆检测装置。

具体实施方式

如图1所示，智能交通监控系统中车辆检测方法的流程图：

步骤S101，通过电荷耦合元件CCD（Charge-coupled Device）摄像头采集道路交通视频帧序列；

步骤S102，将采集的视频帧序列数据进行图像预处理，得到计算机能够识别的数字视频序列；

步骤S103，输入步骤S102所得的数字视频序列，利用改进的混合高斯背景建模算法实现运动目标的检测；

混合高斯背景模型的改进之处在于对模型的更新做了相应的改进。假设t时刻像素点

的像素值为I_t,xy，则改进后，t时刻像素点(x,y)的第i个高斯分布的更新公式为

ω_i,t,xy=ω_i，t-1,xy+β(M-ω_i，t-1,xy)-βc_T            (1)

μ_i,t,xy=μ_i,t-1,xy+M(β/ω_i,t,xy)(I_t,xy-μ_i,t-1,xy)    (2)

${\mathrm{\Σ}}_{i,t,\mathrm{xy}}^2={\mathrm{\Σ}}_{i,t-1,\mathrm{xy}}^2+M(\mathrm{\β}/{\mathrm{\ω}}_{i,t,\mathrm{xy}})[{(I_{t,\mathrm{xy}}-{\mathrm{\μ}}_{i,t-1.\mathrm{xy}})}^T(I_{t,\mathrm{xy}}-{\mathrm{\μ}}_{i,t-1,\mathrm{xy}})-{\mathrm{\Σ}}_{i,t-1,\mathrm{xy}}^2]---\left(3\right)$

公式（1）（2）（3）中，ω_i,t,xy、μ_i,t,xy、

分别为t时刻像素点(x,y)第i个高斯分布的权值、均值向量、协方差矩阵，且有

K为混合高斯背景模型中高斯分布的个数；ω_i,t-1,xy、μ_i,t-1,xy、

分别为t-1时刻像素点(x,y)第i个高斯分布的权值、均值向量、协方差矩阵；先验概率的偏置通过c_T引入，偏置可以减少大数据的复杂度，本发明中令c_T=0.05。M为匹配因子，若输入的新像素点不与混合高斯背景模型中任何一个高斯分布匹配，则M=0，否则为1。另外，在不匹配的条件下，会增加一个新的高斯模型，而去除原来模型中权值最小的模型。新模型参数设置为：ω_M+1＝β，μ_M+1＝I_t,xy，σ_M+1＝σ₀，而σ₀为整个模型初始化时的标准差。常数β为权值更新率，它描述了一个指数衰减包络，用来限制旧数据对整个递归过程的影响，即如果β取的值比较小，适应环境变化的能力就低，能适应缓慢的环境变化，如果β取的值比较大，适应环境变化能力强，但容易受噪声影响，不够稳定。本发明中，设T为建模更新的时间间隔，取β=1/T。

一般情况下，突然进入背景的物体会用附加的宏块来表示，其权值较小。按照ω_i，t，xy对各个高斯分布进行从高到低排序，从K个高斯分布中选出前B个高斯分布作为背景模型，B的选取按照由式（4）确定：

$B=\arg \underset{b}{\min }(\underset{i=1}{\overset{b}{\mathrm{\Σ}}}{\mathrm{\ω}}_{i,t,\mathrm{xy}}>(1-c_f))---\left(4\right)$

式中c_f是估计背景的最小测度阈值，b是满足1≤b≤K的参数。

如果一个新的对象进入场景并且停留在场景中一段时间，则它会产生一个额外而稳定的宏块，这个宏块的权重也会不断地增长。当这个对象在场景中停留了足够长的时间并且它的权重大于c_f后，就将被判为背景，成为背景模型中的一部分。

步骤S104，对步骤S103检测所得的运动目标前景进行阴影检测；

利用改进的混合高斯背景模型进行运动目标检测，得运动目标前景。通常运动目标前景会存在阴影，且被检测为运动目标的一部分，因此，需要进行阴影检测与去除。本发明通过对比无背景时前景像素和当前的背景像素的方法实现阴影的检测，即若在一定阈值内，色彩空间的色差部分和亮度部分都检测到变化，则可以判定该区域为阴影。该色彩空间由描述背景像素的RGB均值的位置矢量组成，对于一个来自背景模型的给定观察像素值I，亮度失真a，彩色畸变C，可通过式（5）和（6）来计算：

$a=\arg \underset{z}{\min }{(I-\mathrm{zE})}^2---\left(5\right)$

C=||I-aE||        (6)

其中，E代表预期的色差线，亮度阈值τ。

通过对每个混合模型中高斯分布的估计，第K个模型的标准差∑_K能够被设置成和色彩失真相等。而a和C通过向量的点积来计算得到。在本发明中，亮度阈值τ为0.5且满足τ<C<1。无背景条件下检测到的样本被认为是移动的阴影，把它从运动前景中去除，消除了阴影的运动前景即为运动目标。

步骤S105，对运动目标前景进行阴影去除，最终实现运动目标的正确识别。

下面利用最大似然估计和先验概率偏置对步骤S103中公式（1）做相应的推导，分两步。第一步，利用最大似然估计对传统混合高斯背景模型的权值更新公式进行推导；第二步，在第一步的基础上引入先验概率偏置对传统的混合高斯背景模型中的权值更新公式进行改进。

第一步：利用最大似然估计推导传统混合高斯背景模型的权值更新公式。

传统的混合高斯背景模型中的权值更新公式为：

ω_i，t，xy＝ω_i，t-1,xy+β(M-ω_i，t-1,xy)    (7)

权值ω_i也可以被看作像素样本来自其高斯分布的概率。因此，可以用它来定义一个多项分布。假设有q个像素样本，每个样本都属于一个高斯分布。再假设属于第k个高斯分布的样本的数量为n_k：

$n_k=\underset{i=1}{\overset{q}{\mathrm{\&Sigma;}}}{M}_{k,i}---\left(8\right)$

其中，M_k,i为匹配因子，若第i个样本与第k个高斯分布匹配，则M_k,i=1，否则为0。

假定对于n_k的多项分布给出一个似然函数：

$L=\underset{k=1}{\overset{K}{\mathrm{\&Pi;}}}{\mathrm{\&omega;}}_k^{n_k}---\left(9\right)$

因为所有权重之和为1，引入拉格朗日乘数λ，则最大似然估计如下：

$\frac{\&PartialD;}{{\&PartialD;\mathrm{\&omega;}}_k}(\log L+\mathrm{\&lambda;}(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_k-1))=0---\left(10\right)$

除去λ后，得到最大似然估计值为：

${\mathrm{\&omega;}}_{k,q}=\frac{n_k}{q}=\frac{1}{q}\underset{i=1}{\overset{q}{\mathrm{\&Sigma;}}}{M}_{k,i}---\left(11\right)$

写成递归的形成：

ω_k,q=ω_k,q-1+1/q(M_k,q-ω_k,q-1)      (12)

公式（12）的ω_k,q、ω_k，q-1分别表示第q个和第q-1个像素样本属于第k个高斯分布的权重，M_k,q为匹配因子。公式（12）就是传统的混合高斯背景模型中的权值更新公式，对比公式（7），可得，β=1/q。由于本发明中取β=1/T，即1/q=1/T。

第二步：引入先验概率偏置对传统的混合高斯背景模型中的权值更新公式进行改进。

将新样本对整个递归的影响率变成固定值后，新的高斯模型的建立将更依赖与新样本本身，而旧样本对建模的影响将大幅下降。因为狄利克雷分布就是多元分布的共轭先验分布，使用狄利克雷分布的目的就是不断减少与新像素不匹配的模型的权值，当权值为负时，这个模型就将从系统中被去除，同时也保证了混合模型中的任何一个模型的权值，都不会为负。所以多项分布的先验概率可以通过引入狄利克雷分布来实现：

$P=\underset{k=1}{\overset{K}{\mathrm{\&Pi;}}}{\mathrm{\&omega;}}_k^{c_k}---\left(13\right)$

其中系数c_k为宏块k内样本数量的先验证据。取c_k为负值即c_k=-c，负值的意义在于只有宏块k在数据上证明了自己的存在，系统才会接受它。这种类型也关系到最小消息长度准则，这个准则用于对给定的数据选择适当的模型。因此，对于式（14），（15）：

$\frac{\&PartialD;}{{\&PartialD;\mathrm{\&omega;}}_k}(\log L+\log P+\mathrm{\&lambda;}(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_k-1))=0---\left(14\right)$

$P=\underset{k=1}{\overset{K}{\mathrm{\&Pi;}}}{\mathrm{\&omega;}}_k^{-c}---\left(15\right)$

除去λ后，可以得到：

${\mathrm{\&omega;}}_{k,q}=\frac{1}{N}(\underset{i=1}{\overset{q}{\mathrm{\&Sigma;}}}{M}_{k,i}-c)---\left(16\right)$

式中 $N=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}(\underset{i=1}{\overset{q}{\mathrm{\&Sigma;}}}{M}_{k,i}-c)=q-\mathrm{Kc},$ 代入式(15)得到：

${\mathrm{\&omega;}}_{i,q}=\frac{{\mathrm{\&Gamma;}}_k-c/q}{1-\mathrm{Kc}/q}---\left(17\right)$

（17）式中

是来自式（11）的最大似然估计值，而先验概率的偏置通过c/q引入，偏置可以减少大数据的复杂度。令c_T=c/q，代入式（12）并写成递归的形式：

${\mathrm{\&omega;}}_{k,q}={\mathrm{\&omega;}}_{k,q-1}+1/q(\frac{M_{k,q}}{1-{\mathrm{Kc}}_T}-{\mathrm{\&omega;}}_{k,q-1})-1/q\frac{c_T}{1-{\mathrm{Kc}}_T}---\left(18\right)$

因为K通常不会大于5且Mc_T的值很小，所以可以假定1-Kc_T≈1，再由β=1/q代入式（18）得到最终的权值更新方程：

ω_k,q=ω_k，i-1+β(M_k,q-ω_k,q-1)-βc_T      (19)

每次更新后需要对权重进行归一化。

由于权值发生变化，由公式（2）（3）可知，均值向量和协方差矩阵相应的也随着权值的更新而更新。至此，也就对传统的混合高斯背景模型更新进行了改进。

如图2所示为与本发明实施例一致的智能交通监控系统中车辆检测装置。其中1表示该装置。

视频帧序列采集模块，用于通过电荷耦合元件CCD摄像头采集道路交通视频帧序列；

图像预处理模块，用于将采集的视频帧序列数据进行图像预处理，得到计算机能够识别的数字视频序列；

混合高斯背景建模模块，用于输入所述图像预处理模块所得的数字视频序列，利用改进的混合高斯背景建模算法实现运动目标的检测；

阴影检测，用于对所述混合高斯背景建模模块检测所得的运动目标前景进行阴影检测；

阴影去除模块，用于对运动目标前景进行阴影去除，实现运动目标的正确识别。

以上所述，仅为本发明的具体实施例，但本发明实施例的保护范围不局限于此，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，可轻易想到的变化或替换都应涵盖在本发明的保护范围内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种智能交通监控系统中的车辆检测方法，其包括：

步骤S101，通过电荷耦合元件CCD摄像头采集道路交通视频帧序列；

步骤S102，将采集的视频帧序列数据进行图像预处理，得到计算机能够识别的数字视频序列；

步骤S103，输入步骤S102所得的数字视频序列，利用改进的混合高斯背景建模算法实现运动目标的检测；

步骤S104，对步骤S103检测所得的运动目标前景进行阴影检测；

步骤S105，对运动目标前景进行阴影去除，实现运动目标的正确识别。

2.如权利要求1所述智能交通监控系统中的车辆检测方法，其中所述改进的混合高斯背景建模算法在于对模型的更新做了相应的改进。

3.如权利要求2所述智能交通监控系统中的车辆检测方法，其中改进后模型，t时刻像素点(x,y)的第i个高斯分布的更新公式为：

ω_i,t,xy=ω_i，t-1,xy+β(M-ω_i，t-1,xy)-βc_T             (1);

μ_i,t,xy=μ_i,t-1,xy+M(β/ω_i,t,xy)(I_t,xy-μ_i,t-1,xy)     (2);

${\mathrm{\&Sigma;}}_{i,t,\mathrm{xy}}^2={\mathrm{\&Sigma;}}_{i,t-1,\mathrm{xy}}^2+M(\mathrm{\&beta;}/{\mathrm{\&omega;}}_{i,t,\mathrm{xy}})[{(I_{t,\mathrm{xy}}-{\mathrm{\&mu;}}_{i,t-1.\mathrm{xy}})}^T(I_{t,\mathrm{xy}}-{\mathrm{\&mu;}}_{i,t-1,\mathrm{xy}})-{\mathrm{\&Sigma;}}_{i,t-1,\mathrm{xy}}^2]---\left(3\right),$

其中，公式（1）（2）（3）中，ω_i,t,xy、μ_i,t,xy、

分别为t时刻像素点(x,y)第i个高斯分布的权值、均值向量、协方差矩阵，且有

K为混合高斯背景模型中高斯分布的个数；ω_i,t-1,xy、μ_i,t-1,xy、

分别为t-1时刻像素点(x,y)第i个高斯分布的权值、均值向量、协方差矩阵；先验概率的偏置通过c_T引入，偏置可以减少大数据的复杂度；M为匹配因子，若输入的新像素点不与混合高斯背景模型中任何一个高斯分布匹配，则M=0，否则为1。

4.如权利要求3所述智能交通监控系统中的车辆检测方法，其中在不匹配的条件下，会增加一个新的高斯模型，而去除原来模型中权值最小的模型。

5.如权利要求4所述智能交通监控系统中的车辆检测方法，其中所述新模型参数设置为：ω_M+1＝β，μ_M+1＝I_t,xy，σ_M+1＝σ₀，而σ₀为整个模型初始化时的标准差。常数β为权值更新率，它描述了一个指数衰减包络，用来限制旧数据对整个递归过程的影响。

6.如权利要求1所述智能交通监控系统中的车辆检测方法，其中所述步骤104的阴影检测为通过对比无背景时前景像素和当前的背景像素的方法实现阴影的检测，即若在一定阈值内，色彩空间的色差部分和亮度部分都检测到变化，则可以判定该区域为阴影。

7.如权利要求1所述智能交通监控系统中的车辆检测方法，其中所述步骤103包括：

第一步，利用最大似然估计对传统混合高斯背景模型的权值更新公式进行推导；

第二步，在第一步的基础上引入先验概率偏置对传统的混合高斯背景模型中的权值更新公式进行改进。

8.一种智能交通监控系统中的车辆检测装置，其包括：

视频帧序列采集模块，用于通过电荷耦合元件CCD摄像头采集道路交通视频帧序列；

图像预处理模块，用于将采集的视频帧序列数据进行图像预处理，得到计算机能够识别的数字视频序列；

混合高斯背景建模模块，用于输入所述图像预处理模块所得的数字视频序列，利用改进的混合高斯背景建模算法实现运动目标的检测；

阴影检测，用于对所述混合高斯背景建模模块检测所得的运动目标前景进行阴影检测；

阴影去除模块，用于对运动目标前景进行阴影去除，实现运动目标的正确识别。

Images