CN103208185A - 一种基于车灯识别的夜间车辆检测方法及系统 - Google Patents

Abstract

本发明公开了一种基于车灯识别的夜间车辆检测方法及系统，通过强光抑制摄像头获取交通视频数据，确定分析的感兴趣区域；基于数学形态学对图像进行滤波处理，并在此基础上获取连通区域信息；然后建立车灯筛选及匹配规则，对车辆车灯进行筛选和配对；在此之后通过对目标进行位置预测，设置车辆置信度，更新存储的车辆位置信息，实现对车辆的追踪；最后对已离开了感兴趣区域的车辆进行车流量，车速等参数计算并统计。本发明中对车灯对的识别通过采用大量车灯图像数据统计的先验知识，从连通区域中选出匹配度最高的车灯对，这种车灯识别方法能有效地将车灯从夜间场景中分离出来，并具有很好的场景适应性。

Description

一种基于车灯识别的夜间车辆检测方法及系统

技术领域

本发明涉及一种夜间检测车辆和追踪并统计流量的方法和装置，尤其涉及一种基于车灯识别的夜间车辆检测方法及系统，属于智能交通技术。

背景技术

随着国民经济的飞速发展，全国的流动车辆数量日益增多，交通系统也面临极大的压力。智能交通系统在这样的背景下在近年得到了高速的发展，尤其在高速公路系统中。智能交通系统（Intelligent Transport System,简称ITS）是将信息技术、数据通讯传输技术、电子传感技术、电子控制技术以及计算机处理技术等有效地集成运用于整个交通运输管理体系，而建立起的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合运输和管理系统。

目前，基于视频的白天的车辆检测及流量统计系统已经成熟，而夜间的检测技术还在探索中，夜间占全年时间的比例相当大，基本要到全年的一半时间。夜间进行视频检测的难点主要在于：1.夜间的能见度低，车辆的大部分很难被检测到，白天车辆的检测算法几乎失去效果；2.夜间车辆的特征不明显，较明显的特征为车前灯和车尾灯，车灯照常会产生光晕影响检测率；3.夜间有的路段有路灯，有的路段完全漆黑，针对不同照明情况，算法效果可能差别很大；4.需要排除路灯光线，道路反射光及其他车灯光线对于某辆车检测算法的影响；5.从算法的复杂性考虑，为了使摄像头位置和白天检测时一致，使用车前灯方法检测车辆，对于车灯的配对是一个难点。

早期的夜间车辆检测利用普通摄像头加高强度探照灯组合，在夜晚通过探照灯对检测区域进行光照增强，然后再由普通摄像头对检测区域进行图像采集，这主要是补偿捕获图像照度不足的影响，高强度的探照灯需要消耗较大的功率。另外一种常用的技术是采用红外成像技术捕获夜间目标，然后用红外视频进行目标检测和追踪处理。红外成像主要分为主动红外和被动红外两种。目前，被动红外的成像质量优于主动红外，红外成像设备具有许多优点：不依赖光照条件，在白天或者晚上均可以应用。但是缺点是红外的功耗是也是比较大的，此外红外摄像头拍摄的光晕很大。

基于背景提取的方法可以剔除车灯在路面的反射光对检测的影响，但是这种方法需要基于比较复杂的背景模型，如高斯混合模型，而外部环境的动态变化会对背景模型产生较大的影响，如光照和天气的变化，会使得检测率大幅下降。此外，如果车流量较大，该算法检测率也会大幅下降。基于时间差分（temporal differencing）的方法避免了背景建模的缺点，且算法复杂度较低，但是该方法对于噪声比较敏感，有噪声时检测率较低，而且难以进行摄像机标定。

除了检测设备有区别外，夜间检测算法也有很大差异。基于特征识别的方法虽然受噪声影响较小，但是在外部光照条件较暗或者漆黑的情况下，检测率很低。基于车尾灯中的颜色信息来检测车流量，但是受到环境光照的影响，车尾灯颜色有时会表现为单一的白色，因此检测率会显著下降。在夜间场景，车前灯是车辆最显著的特征，基于车前灯检测的方法具有算法复杂度低，对于噪声不敏感等优点，即使外部环境变化，检测率也不会大幅下降。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于车灯识别的夜间车辆检测方法及系统，抓住车灯这一夜间车辆最显著的特征，总结出精确、有效的车灯筛选匹配准则，并辅以强光抑制摄像头，解决由于车灯直射产生光晕而掩盖车辆特征的问题，能够对夜间交通场景进行有效的流量检测，具有很强的实用性。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于车灯识别的夜间车辆检测方法，包括如下步骤：

（1）通过强光抑制摄像头捕捉夜间交通视频，确定图像感兴趣区域，获取图像感兴趣区域中实际空间距离与视频中像素距离之间的转换关系参数；

（2）对捕捉的视频信号进行二值化处理，对获得的二值化图像进行形态学处理，然后在此基础上获取连通区域信息；

（3）建立车灯筛选规则，对车辆车灯进行筛选；

（4）建立车灯对识别准则，排除不可能的车灯对组合，对车灯进行一一匹配，并建立打分标准对识别的车灯对进行打分，然后挑选出正确的车灯对；

（5）存储车辆状态，对目标进行位置预测，设置车辆置信度，更新存储车辆位置信息，实现对车辆的追踪；

（6）对已离开了感兴趣区域的车辆进行车流量，车速等参数计算。

所述步骤（1）具体为：

101：通过强光抑制摄像头捕捉夜间交通视频；

102：固定强光抑制摄像头姿势后，通过捕捉的视频划定图像感兴趣区域；

103：进行摄像头标定，计算图像感兴趣区域中实际空间距离与视频中像素距离之间的转换关系参数，并统计车辆在该图像感兴趣区域中不同位置时的实际车灯距D_实际；

104：将摄像头采集的数据保存为YUV格式，并从中提取出Y分量，获取灰度信息。

所述步骤（2）具体为：

201：采用基于灰度直方图的最小误差阈值方法设定阈值T₁，将捕捉的视频进行二值化处理，若dI(t;i,j)>T₁，则dI(t;i,j)←0，否则dI(t;i,j)←255，其中dI(t;i,j)为灰度图像dI(t)在位置(i,j)上的像素值；

202：在步骤201的结果基础上，对dI(t)进行形态滤波，即开运算和闭运算；

203：在步骤202的结果基础上，对dI(t)进行连通区域划分，用矩形框出各个连通区域，将这些矩形记为{V₁,…,V_n}，其中n为连通区域的个数。

所述步骤（3）具体为：

301：建立车灯筛选规则如下：

301-1）连通区域面积为S，要求S≥T₂并且S≤T₃,其中T₂和T₃均为面积S的阈值，要求T₂<T₃；

301-2）要求连通区域宽W和长H均大于阈值T₄；

301-3）连通区域宽长比R=W/H，要求R≥T5并且R≤T6，其中T5和T6均为宽长比R的阈值，要求T5<T6；

302：通过规则对连通区域{V₁,…,V_n}进行筛选出可能为车灯的区域{L₁,…,L_k}，其中k为筛选出来的连通区域个数。

所述步骤（4）具体为：

401：建立车灯对配对的一般准则，排除掉不可能的车灯对组合，准则如下：

401-1）两个车灯区域L_m和L_n的中心坐标在垂直方向上差值D_y小于阈值Y；

401-2）两个车灯区域L_m和L_n的中心坐标在水平方向上差值D_x大于阈值X；

402：对经过步骤401筛选后的连通区域进行打分，打分标准如下：

402-1）计算两个车灯区域L_m和L_n的面积相似度V_s，V_s=S_m-S_n-1，其中S_m为车灯区域L_m的面积，S_n为车灯区域L_n的面；

402-2）计算两个车灯区域L_m和L_n的中心坐标在水平方向上差值D_车灯，车灯距与实际车灯距D_实际的相似度V_d，

402-3）计算总体相似度V_t=V_s+V_d；

403：在满足条件V_s≤T₇&&V_d≤T₈&&V_t≤T₉的车灯对中寻找V_t最小的车灯对组合，其中T₇、T₈和T₉均为相似度阈值，寻找出的车灯对组合为正确的车灯对。

所述步骤（5）具体为：

501：根据上个步骤保留的车灯位置信息，预测当前帧中同一目标的位置；

502：将目标在步骤501中保留的位置信息与预测的位置信息进行比较，若能匹配，则认为是同一目标仍处于图像感兴趣区域中，当前位置信息被存储为真实位置信息；若不能匹配，则认为有新目标出现，为其开辟新的存储空间，并存储位置信息；

503：对存储单元进行更新，检查离开感兴趣区域车辆的目标置信度，若其低于阈值T₁₀，则直接将其删除，高于阈值T₁₀，则将其传给后面的计算模块之后删除。

所述步骤（6）具体为：

601：根据图像中车灯对之间的距离，结合实际空间距离与视频中像素距离之间的转换关系参数，计算得到车辆的真实车灯距D，当D大于阈值T₁₁时判断该车为大车，否则为小车；

602：根据记录的车灯区域在图像感兴趣区域中位置的变化情况，结合实际空间距离与视频中像素距离之间的转换关系参数，计算得到车灯的运动速度，即为车速。

603：设置计时器，记录每个单位时间内经过的车辆数。

一种基于上述车灯识别的夜间车辆检测方法的装置，包括

夜间视频数据采集装置：通过强光抑制摄像头捕捉夜间交通视频，先进行强光抑制摄像头标定，然后将捕捉到的视频数据输出到视频分析子系统；

视频分析子系统：通过对接收到的视频数据进行处理，计算出车辆的车速、车型等信息，并统计得出一段时间内车流量大小；

其中，视频分析子系统包括：

二值化处理、形态滤波单元：提取视频信号的灰度信息并进行二值化处理，对获得的二值化图像进行形态滤波；

图像连通区域划分单元：在滤波后的图像中划分出连通区域；

连通区域筛选单元：根据车灯的特征，对每个连通区域进行筛选，删除不可能为车灯区域的连通区域信息；

车灯对识别单元：根据车灯对匹配的规则，从满足车灯筛选准则的连通区域中选出车灯对；

车辆追踪单元：存储车辆状态，对目标进行位置预测，设置车辆置信度，更新存储的车辆位置信息，实现对车辆的追踪。

有益效果：本发明提供的基于车灯识别的夜间车辆检测方法及系统，强光抑制摄像头对夜间道路车辆进行拍摄，能够解决常用的红外摄像头捕获夜间目标时车灯区域光晕过大的问题，这极大地方便了图像中车灯对区域的获取；对车灯对的识别通过采用大量车灯图像数据统计的先验知识，首先从连通区域中提取出可能的车灯区域，然后对从中选出匹配度最高的车灯对，这种车灯识别方法能有效地将车灯从夜间场景中分离出来，并具有很好的场景适应性。

附图说明

图1为本发明方法的流程图；

图2为夜间视频数据采集装置的工作流程图；

图3为二值化处理、形态滤波单元和图像连通区域划分单元的工作流程图；

图4为本发明建立车灯筛选规则，对车辆车灯进行筛选的流程图；

图5为连通区域筛选单元的工作流程图；

图6为车灯对识别单元的工作流程图；

图7为本发明系统的结构框图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示为一种基于车灯识别的夜间车辆检测方法流程图，包括如下步骤：

（1）通过强光抑制摄像头捕捉夜间交通视频，确定图像感兴趣区域，获取图像感兴趣区域中实际空间距离与视频中像素距离之间的转换关系参数；

（2）对捕捉的视频信号进行二值化处理，对获得的二值化图像进行形态学处理，然后在此基础上获取连通区域信息；

（3）建立车灯筛选规则，对车辆车灯进行筛选；

（4）建立车灯对识别准则，排除不可能的车灯对组合，对车灯进行一一匹配，并建立打分标准对识别的车灯对进行打分，然后挑选出正确的车灯对；

（5）存储车辆状态，对目标进行位置预测，设置车辆置信度，更新存储车辆位置信息，实现对车辆的追踪；

（6）对已离开了感兴趣区域的车辆进行车流量，车速等参数计算。

如图2所示，所述步骤（1）具体为：

101：通过强光抑制摄像头捕捉夜间交通视频；

102：固定强光抑制摄像头姿势后，通过捕捉的视频划定图像感兴趣区域；

103：进行摄像头标定，计算图像感兴趣区域中实际空间距离与视频中像素距离之间的转换关系参数，并统计车辆在该图像感兴趣区域中不同位置时的实际车灯距D_实际；

104：将摄像头采集的数据保存为YUV格式，并从中提取出Y分量，获取灰度信息。

如图3所示，所述步骤（2）具体为：

201：采用基于灰度直方图的最小误差阈值方法设定阈值T₁，将捕捉的视频进行二值化处理，若dI(t;i,j)>T₁，则dI(t;i,j)←0，否则dI(t;i,j)←255，其中dI(t;i,j)为灰度图像dI(t)在位置(i,j)上的像素值；

202：在步骤201的结果基础上，对dI(t)进行形态滤波，即开运算和闭运算；

203：在步骤202的结果基础上，对dI(t)进行连通区域划分，用矩形框出各个连通区域，将这些矩形记为{V₁,…,V_n}，其中n为连通区域的个数。

如图4所示，所述步骤（3）具体为：

301：建立车灯筛选规则如下：

301-1）连通区域面积为S，要求S≥T₂并且S≤T₃,其中T₂和T₃均为面积S的阈值，要求T₂<T₃；

301-2）要求连通区域宽W和长H均大于阈值T₄；

301-3）连通区域宽长比R=W/H，要求R≥T5并且R≤T6，其中T5和T6均为宽长比R的阈值，要求T5<T6；

302：通过规则对连通区域{V₁,…,V_n}进行筛选出可能为车灯的区域{L₁,…,L_k}，其中k为筛选出来的连通区域个数。

如图5所示，所述步骤（4）具体为：

401：建立车灯对配对的一般准则，排除掉不可能的车灯对组合，准则如下：

401-1）两个车灯区域L_m和L_n的中心坐标在垂直方向上差值D_y小于阈值Y；

401-2）两个车灯区域L_m和L_n的中心坐标在水平方向上差值D_x大于阈值X；

402：对经过步骤401筛选后的连通区域进行打分，打分标准如下：

402-1）计算两个车灯区域L_m和L_n的面积相似度V_s，V_s=S_m-S_n-1，其中S_m为车灯区域L_m的面积，S_n为车灯区域L_n的面；

402-2）计算两个车灯区域L_m和L_n的中心坐标在水平方向上差值D_车灯，车灯距与实际车灯距D_实际的相似度V_d，

402-3）计算总体相似度V_t=V_s+V_d；

403：在满足条件V_s≤T₇&&V_d≤T₈&&V_t≤T₉的车灯对中寻找V_t最小的车灯对组合，其中T₇、T₈和T₉均为相似度阈值，寻找出的车灯对组合为正确的车灯对。

如图6所示，所述步骤（5）具体为：

501：根据上个步骤保留的车灯位置信息，预测当前帧中同一目标的位置；

502：将目标在步骤501中保留的位置信息与预测的位置信息进行比较，若能匹配，则认为是同一目标仍处于图像感兴趣区域中，当前位置信息被存储为真实位置信息；若不能匹配，则认为有新目标出现，为其开辟新的存储空间，并存储位置信息；

503：对存储单元进行更新，检查离开感兴趣区域车辆的目标置信度，若其低于阈值T₁₀，则直接将其删除，高于阈值T₁₀，则将其传给后面的计算模块之后删除。

如图7所示，所述步骤（6）具体为：

601：根据图像中车灯对之间的距离，结合实际空间距离与视频中像素距离之间的转换关系参数，计算得到车辆的真实车灯距D，当D大于阈值T₁₁时判断该车为大车，否则为小车；

602：根据记录的车灯区域在图像感兴趣区域中位置的变化情况，结合实际空间距离与视频中像素距离之间的转换关系参数，计算得到车灯的运动速度，即为车速。

603：设置计时器，记录每个单位时间内经过的车辆数。

基于图像目标轮廓区域和局部特征点追踪的交通流信息感知系统框图如图7所示，该系统包括

夜间视频数据采集装置（2000）：通过强光抑制摄像头捕捉夜间交通视频，先进行强光抑制摄像头标定，然后将捕捉到的视频数据输出到视频分析子系统（2100）；

视频分析子系统（2100）：通过对接收到的视频数据进行处理，计算出车辆的车速、车型等信息，并统计得出一段时间内车流量大小；

其中，视频分析子系统（2100）包括：

二值化处理、形态滤波单元（2110）：提取视频信号的灰度信息并进行二值化处理，对获得的二值化图像进行形态滤波；

图像连通区域划分单元（2120）：在滤波后的图像中划分出连通区域；

连通区域筛选单元（2130）：根据车灯的特征，对每个连通区域进行筛选，删除不可能为车灯区域的连通区域信息；

车灯对识别单元（2140）：根据车灯对匹配的规则，从满足车灯筛选准则的连通区域中选出车灯对；

车辆追踪单元（2150）：存储车辆状态，对目标进行位置预测，设置车辆置信度，更新存储的车辆位置信息，实现对车辆的追踪。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于车灯识别的夜间车辆检测方法，其特征在于：包括如下步骤：

（1）通过强光抑制摄像头捕捉夜间交通视频，确定图像感兴趣区域，获取图像感兴趣区域中实际空间距离与视频中像素距离之间的转换关系参数；

（2）对捕捉的视频信号进行二值化处理，对获得的二值化图像进行形态学处理，然后在此基础上获取连通区域信息；

（3）建立车灯筛选规则，对车辆车灯进行筛选；

（4）建立车灯对识别准则，排除不可能的车灯对组合，对车灯进行一一匹配，并建立打分标准对识别的车灯对进行打分，然后挑选出正确的车灯对；

（5）存储车辆状态，对目标进行位置预测，设置车辆置信度，更新存储车辆位置信息，实现对车辆的追踪；

（6）对已离开了感兴趣区域的车辆进行车流量，车速参数计算。

2.根据权利要求1所述的基于车灯识别的夜间车辆检测方法，其特征在于：所述步骤（1）具体为：

101：通过强光抑制摄像头捕捉夜间交通视频；

102：固定强光抑制摄像头姿势后，通过捕捉的视频划定图像感兴趣区域；

103：进行摄像头标定，计算图像感兴趣区域中实际空间距离与视频中像素距离之间的转换关系参数，并统计车辆在该图像感兴趣区域中不同位置时的实际车灯距D_实际；

104：将摄像头采集的数据保存为YUV格式，并从中提取出Y分量，获取灰度信息。

3.根据权利要求1所述的基于车灯识别的夜间车辆检测方法，其特征在于：所述步骤（2）具体为：

201：采用基于灰度直方图的最小误差阈值方法设定阈值T₁，将捕捉的视频进行二值化处理，若dI(t;i,j)>T₁，则dI(t;i,j)←0，否则dI(t;i,j)←255，其中dI(t;i,j)为灰度图像dI(t)在位置(i,j)上的像素值；

202：在步骤201的结果基础上，对dI(t)进行形态滤波，即开运算和闭运算；

203：在步骤202的结果基础上，对dI(t)进行连通区域划分，用矩形框出各个连通区域，将这些矩形记为{V₁,…,V_n}，其中n为连通区域的个数。

4.根据权利要求1所述的基于车灯识别的夜间车辆检测方法，其特征在于：所述步骤（3）具体为：

301：建立车灯筛选规则如下：

301-1）连通区域面积为S，要求S≥T₂并且S≤T₃,其中T₂和T₃均为面积S的阈值，要求T₂<T₃；

301-2）要求连通区域宽W和长H均大于阈值T₄；

301-3）连通区域宽长比R=W/H，要求R≥T5并且R≤T6，其中T5和T6均为宽长比R的阈值，要求T5<T6；

302：通过规则对连通区域{V₁,…,V_n}进行筛选出可能为车灯的区域{L₁,…,L_k}，其中k为筛选出来的连通区域个数。

5.根据权利要求1所述的基于车灯识别的夜间车辆检测方法，其特征在于：所述步骤（4）具体为：

401：建立车灯对配对的一般准则，排除掉不可能的车灯对组合，准则如下：

401-1）两个车灯区域L_m和L_n的中心坐标在垂直方向上差值D_y小于阈值Y；

401-2）两个车灯区域L_m和L_n的中心坐标在水平方向上差值D_x大于阈值X；

402：对经过步骤401筛选后的连通区域进行打分，打分标准如下：

402-1）计算两个车灯区域L_m和L_n的面积相似度V_s，V_s=S_m-S_n-1，其中S_m为车灯区域L_m的面积，S_n为车灯区域L_n的面；

402-2）计算两个车灯区域L_m和L_n的中心坐标在水平方向上差值D_车灯，车灯距与实际车灯距D_实际的相似度V_d，

402-3）计算总体相似度V_t=V_s+V_d；

403：在满足条件V_s≤T₇&&V_d≤T₈&&V_t≤T₉的车灯对中寻找V_t最小的车灯对组合，其中T₇、T₈和T₉均为相似度阈值，寻找出的车灯对组合为正确的车灯对。

6.根据权利要求1所述的基于车灯识别的夜间车辆检测方法，其特征在于：所述步骤（5）具体为：

501：根据上个步骤保留的车灯位置信息，预测当前帧中同一目标的位置；

502：将目标在步骤501中保留的位置信息与预测的位置信息进行比较，若能匹配，则认为是同一目标仍处于图像感兴趣区域中，当前位置信息被存储为真实位置信息；若不能匹配，则认为有新目标出现，为其开辟新的存储空间，并存储位置信息；

503：对存储单元进行更新，检查离开感兴趣区域车辆的目标置信度，若其低于阈值T₁₀，则直接将其删除，高于阈值T₁₀，则将其传给后面的计算模块之后删除。

7.根据权利要求1所述的基于车灯识别的夜间车辆检测方法，其特征在于：所述步骤（6）具体为：

601：根据图像中车灯对之间的距离，结合实际空间距离与视频中像素距离之间的转换关系参数，计算得到车辆的真实车灯距D，当D大于阈值T₁₁时判断该车为大车，否则为小车；

602：根据记录的车灯区域在图像感兴趣区域中位置的变化情况，结合实际空间距离与视频中像素距离之间的转换关系参数，计算得到车灯的运动速度，即为车速。

603：设置计时器，记录每个单位时间内经过的车辆数。

8.根据权利要求1～7中任一项所述的基于车灯识别的夜间车辆检测方法的装置，其特征在于：包括

夜间视频数据采集装置（2000）：通过强光抑制摄像头捕捉夜间交通视频，先进行强光抑制摄像头标定，然后将捕捉到的视频数据输出到视频分析子系统（2100）；

视频分析子系统（2100）：通过对接收到的视频数据进行处理，计算出车辆的车速、车型信息，并统计得出一段时间内车流量大小；

其中，视频分析子系统（2100）包括：

二值化处理、形态滤波单元（2110）：提取视频信号的灰度信息并进行二值化处理，对获得的二值化图像进行形态滤波；

图像连通区域划分单元（2120）：在滤波后的图像中划分出连通区域；

连通区域筛选单元（2130）：根据车灯的特征，对每个连通区域进行筛选，删除不可能为车灯区域的连通区域信息；

车灯对识别单元（2140）：根据车灯对匹配的规则，从满足车灯筛选准则的连通区域中选出车灯对；

车辆追踪单元（2150）：存储车辆状态，对目标进行位置预测，设置车辆置信度，更新存储的车辆位置信息，实现对车辆的追踪。

Images