CN103366572B - 一种交叉口的视频交通参数检测方法 - Google Patents

Abstract

本发明涉及一种用在道路交叉口上的视频交通参数检测方法。该交叉口的视频交通参数检测方法包括以下五个步骤：ROI感兴趣区域设置、选择性背景建模、精确车辆检测、优化车流量统计和错误检测。采用的选择性背景建模，建模的背景图片不仅稳定性好，而且准确率高，以利于在车辆实时通过时，能准确计算车流量参数；在选择性背景建模的基础上进一步通过本发明的精确车辆检测步骤，能够快速获得的车辆是否压线的检测信息，实时、动态获取交通参数信息，并且该检测方法适用在交叉口复杂的环境，稳定性好，出错率低，精确度高。

Description

一种交叉口的视频交通参数检测方法

技术领域

本发明属于交通参数检测领域，具体是涉及一种用在道路交叉口上的视频交通参数检测方法。

背景技术

随着城市化的进展和汽车的普及，汽车数量急剧增加，交通拥挤加剧、交通事故频繁、交通环境恶化等问题都变得越来越严重。现有道路已不能满足经济增长的需要，为改善这种交通状况，提供高效的交通服务，智能交通系统(Intelligent Transportation System，ITS)应运而生并发展起来。其中视频交通参数检测由于其自身优点，在智能交通系统(ITS)中得到广泛的应用。常用的交通流参数的检测有多种方式，基于视频的交通流参数检测系统具有直观、安装简便、费用低，它代表了车辆检测器的发展方向。

交叉口是公路交通网的关键节点，交通行为复杂，易遭受到交通环境、人流、车流的影响，是交通阻塞和事故的多发地，成为影响城市道路通行能力的“瓶颈”，针对它的交通参数检测对改善路口运行状态，提高城市路网整体运行效益以及对控制算法的性能评价都有着极其重要的意义。由于交叉口与高速公路有着较大的区别，其特点如下：车辆遵循交通信号灯的指示通行，绿灯时车辆持续通行，红灯时车辆驻留，与高速公路的连续通行有着明显的区别；车辆密集、行驶速度不稳定以及车辆间距小；多车道，多方向性，不同转向的车道间有相应的通行约束。针对交叉口的这些特性，我们需要一种针对性交叉口视频交通参数检测方法，完成对交叉口交通参数的检测，为交叉口的信号控制提供更为准确的交通参数信息。

发明内容

针对现有视频交通参数检测方法主要针对高速公路以及干线道路，而对于交叉口的检测不适用的问题。本发明的发明目在于提供一种针对交叉口的视频交通参数检测方法，该方法针对复杂的交叉口能够实时、动态地提供准确的交通参数信息。

为了实现上述发明目的，本发明采用一下技术方案：

一种交叉口的视频交通参数检测方法，该检测方法包括如下步骤：

A.ROI区域设置：

将用于采集视频数据的视频检测器安装在交叉口的进车口后方，将用于车流量检测的虚拟线圈放置在交叉口处的每个车道前端；

B.选择性背景建模：

a．将步骤A中视频检测器采集的视频数据发送至图像处理计算机，图像处理计算机将视频数据处理成图片序列；

b．将获得的图片采用Canny算子检测边缘信息，获得边缘信息图B_edge，采用LBP算子检测纹理特征获得纹理特征图B_LBP；通过计算机结合边缘信息图B_edge和纹理特征图B_LBP数据，完成图片中车辆的存在性检测，将存在车辆的图片剔除，筛选出无车存在的图片；

c．通过如下的均值背景建模公式对筛选得到的无车存在的图片进行背景建模，建立初始的背景图片B^RGB；

$B^{\mathrm{RGB}}(x,y)=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{I}_k^{\mathrm{RGB}}(x,y)$

公式中：N为筛选得到图片总数；为通过筛选得到图片，(x,y)为在点(x,y)处的像素值，该值是一个三维向量，分别代表RGB颜色空间中各颜色分量的值；

后续的背景图片在更新环节中使用的如下所示的自适应背景更新算法获得背景图片：

$B_t^{\mathrm{RGB}}(x,y)=\mathrm{\α}{B}_{t-1}^{\mathrm{RGB}}(x,y)+(1-\mathrm{\α})I_t^{\mathrm{RGB}}(x,y)$

公式中：为上一状态的背景图片，为通过筛选得到的图片，α为更新因子，α取值为0.95；

C.精确车辆检测：

采用颜色空间计算模型的分析方法来计算颜色距离量，以获取完整的运动目标，计算步骤如下：

Ⅰ.将(x,y)与(x,y)的差分定义为两个分量，一个是亮度分量BD(x,y)，另一个是色度分量CD(x,y)；亮度分量BD(x,y)定义为(x,y)在向量(x,y)上的投影与(x,y)的比值；色度分量CD(x,y)定义为向量(x,y)与向量(x,y)的正交距离；亮度分量BD(x,y)、色度分量CD(x,y)和颜色距离图D_t的计算方法如下：

$\mathrm{BD}(x,y)=\frac{I_t^{\mathrm{RGB}}(x,y)\·B_t^{\mathrm{RGB}}(x,y)}{|B_t^{\mathrm{RGB}}(x,y){|}^2}$

$\mathrm{CD}(x,y)=\left|\right|I_t^{\mathrm{RGB}}(x,y)-\mathrm{BD}(x,y)\·B_t^{\mathrm{RGB}}(x,y)\left|\right|$

$D_t(x,y)=\left\{\begin{array}{ccc}1& \mathrm{if}& |1-\mathrm{BD}(x,y)|>T_{\mathrm{bd}}\\ & \mathrm{or}& \mathrm{CD}(x,y)>T_{\mathrm{cd}}\\ 0& & \mathrm{otherwise}\end{array}\right.$

在上式中，(x,y)代表t时刻在位置(x,y)处的背景像素值，该数值是一个三维向量代表该点在RGB空间中的位置；(x,y)表示当前帧在位置(x,y)处的像素值，T_bd与T_cd均为阈值，T_bd取值为0.25，T_cd取值为60；

Ⅱ.将所述颜色距离图D_t、边缘信息图B_edge和纹理特征图B_LBP通过下述公式运算，得到运动目标图像M；

M(x,y)＝B_edge(x,y)∪B_LBP(x,y)∪D_t(x,y)

Ⅲ.再并通过如下公式来判断车辆通过虚拟检测线圈的压线状态；

$f\left(M\right)=\left\{\begin{array}{cc}1& \mathrm{Sum}\left(M\right)\≥T_m\\ 0& \mathrm{otherwise}\end{array}\right.$

其中Sum(M)为统计M图像中非零像素点的总数，T_m为阈值，T_m取值为图像M的像素点总数的15%，f(M)为1代表车辆压线，f(M)为0代表车辆没有压线；

D.优化车流量统计：

对步骤C中车辆通过虚拟检测线圈的压线结果使用动态阈值法来统计标准车流量；

E.错误检测：

依据现行的交通通行规则作为约束条件来判断每次检测的准确度以及系统中误差累计程度；当累计误差变大后，出现冲突车道同时存在通行车辆时，系统自动复位，重新开始步骤B选择性背景建模，以消除系统累积误差。

进一步的，所述步骤B中LBP算子的计算步骤如下：

1.将彩色图片转换为灰度图片，通过下式计算每个像素点的LBP值得到I_LBP纹理特征图；

${\mathrm{LBP}}_{P,R}=\underset{i=0}{\overset{P-1}{\mathrm{\Σ}}}s(v_i-v_c)2^i$

$s\left(x\right)=\left\{\begin{array}{cc}1& x\&GreaterEqual;0\\ 0& x<0\end{array}\right.$

其中，P、R为LBP算子的参数，设定为P=8，R=1，v_c为中心点的像素值，v_i为中心点八邻域点的像素值；

2.通过如下公式来获取纹理特征图B_LBP；

$B_{\mathrm{LBP}}(x,y)=\left\{\begin{array}{cc}1& I_{\mathrm{LBP}}(x,y)\&GreaterEqual;T_{\mathrm{LBP}}\\ 0& \mathrm{otherwise}\end{array}\right.$

其中，I_LBP(x,y)为图像在点(x,y)处的LBP纹理特征值，T_LBP为阈值，取值100；

所述步骤B中Canny算子的计算步骤如下：

1.先使用高斯滤波器平滑图像；

2.再使用一阶偏导的有限差分来计算梯度的幅值和方向；

3.接着对梯度幅值进行非极大值抑制；

4.最后使用双阈值算法来检测和连接边缘，最终得到边缘信息图B_edge；

所述步骤B中结合边缘信息图和纹理特征图，计算机是通过如下公式来判别车辆的存在状态，

I_ET(x,y)＝B_edge(x,y)∪B_LBP(x,y)

$f\left(I_{\mathrm{ET}}\right)=\left\{\begin{array}{cc}1& \mathrm{Sum}\left(I_{\mathrm{ET}}\right)\&GreaterEqual;T_{\mathrm{ET}}\\ 0& \mathrm{otherwise}\end{array}\right.$

其中，Sum(I_ET)为统计I_ET图像中非零像素点的总数，T_ET为阈值，T_ET取图像I_ET的像素点总数的10%；所述f(I_ET)为1表示有车存在，为0表示无车存在。

作为优选，所述步骤D中使用动态阈值法来统计标准车流量的步骤如下：

（1）设定一个固定阈值，固定阈值取值为3，来修正压线检测数据，以解决车辆断层问题；

（2）再针对交叉口车辆在绿灯放行后，速度由静止到加速驶离的特性，设置动态阈值来修正车流量，动态阈值T_dyn由下式得到；

$T_{\mathrm{dyn}}=\mathrm{\&gamma;}+\mathrm{\&omega;}\frac{t_{\mathrm{down}}}{t_{\mathrm{up}}}$

$t_{\mathrm{down}}=\left\{\begin{array}{ccc}{t}_{\mathrm{down}}& \mathrm{if}& t_{\mathrm{down}}\&GreaterEqual;2\&CenterDot;t_{\mathrm{up}}\\ 0.5\&CenterDot;t_{\mathrm{up}}& & \mathrm{otherwise}\end{array}\right.$

其中，γ为标准车辆通过虚拟线圈的平均时间，取值为10，ω为调节系数，取值为15，t_up为车辆通过虚拟线圈的时间，t_down的取值为上一辆车离开虚拟线圈到下辆车进入虚拟线圈的间隔时间，并按照上述公式进行修正。

采用上述技术方案提供的交叉口的视频交通参数检测方法，与现有的视频交通参数检测方法相比，该视频交通参数检测方法具有以下优点：

一、该视频交通参数检测方法通过选择性背景建模，剔除有车存在的图片，保留无车存在的图片，在交叉口复杂的环境中准确建立起路面背景，为后续的背景差法做好准备。其所采用的Canny算子和LBP算子进行边缘信息和纹理特征检测，不仅稳定性好，而且准确率高，以利于在车辆实时通过时，能准确计算车流量参数。

二、该视频交通参数检测方法通过RGB颜色分析，采用颜色空间计算模型获得的分析方法来计算颜色距离量，获得颜色距离图，可充分利用颜色信息来获取最完整的运动目标，再结合边缘信息图和纹理特征图，这样获得的车辆是否压线的检测信息，适用在交叉口复杂的环境稳定性好，出错率低，精确度高。

三、本发明的视频交通参数检测方法还具有纠错步骤，当累计误差过大，系统自动复位，重新开始选择性背景建模步骤，以消除系统累积误差，防止获得的交通参数信息过于偏离实际。

附图说明

图1为本发明实施例的总体流程图。

图2为本发明实施例中侧视交叉口处视频检测器和虚拟线圈的布置示意图。

图3为本发明实施例中其中进车口处视频检测器和虚拟线圈的布置示意图。

图4为本发明选择性背景建模方法框架图。

图5为本发明颜色空间计算模型示意图。

图6为本发明优化车流量统计方法的流程框架图。

具体实施方式

为了使本领域的技术人员对本发明实现的技术手段、创造特征、达到目的与功效易于明白了解，下面结合图1-6所示，进一步详细阐述本发明。

实施例：如图1、图2和图3所示，以十字交叉口的一个路口为例说明本发明所述的交叉口视频交通参数检测的实施过程。

该过程分为ROI感兴趣区域设置、选择性背景建模、精确车辆检测和优化车流量统计与错误检测四个步骤。通过视频检测器1和虚拟线圈2检测器检测交通流参数，按照本发明的方法检测步骤如下：

第一步：设置ROI感兴趣区域，即设置虚拟线圈2，图2和图3所示为交叉口的视频检测器1的部署方式以及虚拟线圈2的设置位置。视频检测器1安装在交叉口进车口后方的龙门或Γ型架上，虚拟线圈2设置于每个车道前端，虚拟线圈2长度略小于车道的宽度。

第二步：选择性背景建模，算法见图4。由于交叉口车辆持续通行，路面背景出现的概率较小，传统的背景建模方法无法得到理想的效果，因此需要进行必要的选择，使筛选后的图片中背景出现的概率变大，从而再进行背景建模。本发明使用Canny算子和LBP算子来分别检测边缘信息和纹理特征，由此完成车辆的存在性检测，剔除明显存在车辆的图片。

（1）将彩色图片转换为灰度图片，通过下式计算灰度图中每个像素点的LBP值得到I_LBP。本发明分别使用Canny算子和LBP算子进行边缘信息和纹理特征检测，相比与传统的混合高斯背景建模算法，其中Canny算子可以检测出最优边缘，局部二元模式(Local Binary Pattern,LBP)算子是一种灰度不变纹理估计子，对环境光强变化有很强的鲁棒性。

${\mathrm{LBP}}_{P,R}=\underset{i=0}{\overset{P-1}{\mathrm{\&Sigma;}}}s(v_i-v_c)2^i---\left(1\right)$

$s\left(x\right)=\left\{\begin{array}{cc}1& x\&GreaterEqual;0\\ 0& x<0\end{array}\right.---\left(2\right)$

其中，P、R为LBP算子的参数，设定为P=8，R=1，v_c为中心点的像素值，v_i为中心点八邻域点的像素值。

（2）通过如下公式来获取纹理特征图B_LBP。

$B_{\mathrm{LBP}}(x,y)=\left\{\begin{array}{cc}1& I_{\mathrm{LBP}}(x,y)\&GreaterEqual;T_{\mathrm{LBP}}\\ 0& \mathrm{otherwise}\end{array}\right.---\left(3\right)$

其中，I_LBP(x,y)为图像在点(x,y)处的LBP纹理特征值，T_LBP为阈值，取值100。

（3）使用Canny算子检测最优边缘方法如下：先使用高斯滤波器平滑图像；再使用一阶偏导的有限差分来计算梯度的幅值和方向；接着对梯度幅值进行非极大值抑制；最后使用双阈值算法来检测和连接边缘，最终得到边缘信息图B_edge。

（4）结合边缘信息图B_edge和纹理特征图B_LBP，通过如下公式来判别车辆的存在状态，1为有车存在，0为无车存在。

I_ET(x,y)＝B_edge(x,y)∪B_LBP(x,y)   （4）

$f\left(I_{\mathrm{ET}}\right)=\left\{\begin{array}{cc}1& \mathrm{Sum}\left(I_{\mathrm{ET}}\right)\&GreaterEqual;T_{\mathrm{ET}}\\ 0& \mathrm{otherwise}\end{array}\right.---\left(5\right)$

其中，B_edge为Canny算子计算得到的边缘二值化图，即上述的边缘信息图，Sum(I_ET)为统计I_ET图像中非零像素点的总数，T_ET为阈值，经验值取图像I_ET的像素点总数的10%。

（5）通过如下的均值背景建模公式对筛选得到的无车存在的图片进行背景建模，快速建立初始背景图片B^RGB。

$B^{\mathrm{RGB}}(x,y)=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_k^{\mathrm{RGB}}(x,y)---\left(6\right)$

其中，N为筛选得到图片总数；为通过筛选得到图片，(x,y)为在点(x,y)处的像素值，该值是一个三维向量，分别代表RGB颜色空间中各颜色分量的值。

算法在后续更新环节中使用的自适应背景更新算法如下所示：

$B_t^{\mathrm{RGB}}(x,y)=\mathrm{\&alpha;}{B}_{t-1}^{\mathrm{RGB}}(x,y)+(1-\mathrm{\&alpha;})I_t^{\mathrm{RGB}}(x,y)---\left(7\right)$

其中，为上一状态的背景图片，为通过筛选得到的图片，α为更新因子，本发明中取值为0.95。

第三步：精确车辆检测，本发明采用颜色空间计算模型的分析方法来计算颜色距离量，模型见图5，再通过结合边缘信息和纹理特征来获取完整的运动目标。该方法将(x,y)与(x,y)的差分定义为两个分量，一个是亮度分量BD(x,y)，另一个是色度分量CD(x,y)。亮度分量BD(x,y)定义为(x,y)在向量(x,y)上的投影与(x,y)的比值。色度分量CD(x,y)定义为向量(x,y)与向量(x,y)的正交距离。D_t(x,y)为颜色空间计算模型计算得到的颜色距离图。亮度分量BD(x,y)、色度分量CD(x,y)和颜色距离图D_t的计算方法如下：

$\mathrm{BD}(x,y)=\frac{I_t^{\mathrm{RGB}}(x,y)\&CenterDot;B_t^{\mathrm{RGB}}(x,y)}{|B_t^{\mathrm{RGB}}(x,y){|}^2}---\left(8\right)$

$\mathrm{CD}(x,y)=\left|\right|I_t^{\mathrm{RGB}}(x,y)-\mathrm{BD}(x,y)\&CenterDot;B_t^{\mathrm{RGB}}(x,y)\left|\right|---\left(9\right)$

$D_t(x,y)=\left\{\begin{array}{ccc}1& \mathrm{if}& |1-\mathrm{BD}(x,y)|>T_{\mathrm{bd}}\\ & \mathrm{or}& \mathrm{CD}(x,y)>T_{\mathrm{cd}}\\ 0& & \mathrm{otherwise}\end{array}\right.---\left(10\right)$

在上式中，(x,y)代表t时刻在位置(x,y)处的背景像素值，该数值是一个三维向量代表该点在RGB空间中的位置；(x,y)表示当前帧在位置(x,y)处的像素值，T_bd与T_cd为阈值，T_bd取经验值0.25，T_cd取经验值60。在式（10）中1代表坐标(x,y)的像素点为前景像素点，0代表背景像素点。

最后将颜色距离图D_t、边缘信息图B_edge和纹理特征图B_LBP通过式（11）运算，得到最完整的运动目标图像M。并通过式（12）来判断车辆的压线状态。

M(x,y)＝B_edge(x,y)∪B_LBP(x,y)∪D_t(x,y)   （11）

$f\left(M\right)=\left\{\begin{array}{cc}1& \mathrm{Sum}\left(M\right)\&GreaterEqual;T_m\\ 0& \mathrm{otherwise}\end{array}\right.---\left(12\right)$

其中Sum(M)为统计M图像中非零像素点的总数，T_m为阈值，经验值取图像M的像素点总数的15%，1代表车辆压线，0代表车辆没有压线。

第四步：优化车流量统计与错误检测，本发明针对交叉口车辆行驶的特点，对车辆通过虚拟检测线圈的压线结果使用动态阈值法来统计标准车流量，流程见图6。同时利用交叉口各车道的通行约束条件即现行的交通规则，来对每次检测的准确度进行判别，排除错误的检测。

车流量统计的具体流程如下所示：

（1）设定一个固定阈值，来修正压线检测数据，以解决车辆断层问题；本发明中该固定阈值取值为3。

（2）再针对交叉口车辆在绿灯放行后，速度由静止到加速驶离的特性，设置动态阈值来修正车流量，动态阈值T_dyn由下式得到。

$T_{\mathrm{dyn}}=\mathrm{\&gamma;}+\mathrm{\&omega;}\frac{t_{\mathrm{down}}}{t_{\mathrm{up}}}---\left(13\right)$

$t_{\mathrm{down}}=\left\{\begin{array}{ccc}{t}_{\mathrm{down}}& \mathrm{if}& t_{\mathrm{down}}\&GreaterEqual;2\&CenterDot;t_{\mathrm{up}}\\ 0.5\&CenterDot;t_{\mathrm{up}}& & \mathrm{otherwise}\end{array}\right.---\left(14\right)$

其中，γ为标准车辆通过虚拟线圈2的平均时间，本发明取值为10，ω为调节系数，本发明取15，t_up为车辆通过虚拟线圈2的时间，t_down为上一辆车离开虚拟线圈2到下辆车进入虚拟线圈2的间隔时间，并按照式（14）进行修正。

在错误检测环节中，依据通行约束条件来判断每次检测的准确度以及系统中误差累计程度。当累计误差变大后，出现冲突车道同时存在通行车辆时，系统将自动复位，重新开始背景建模，以消除系统累积误差。

以上描述了本发明的基本原理和主要特征以及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (3)

1.一种交叉口的视频交通参数检测方法，其特征在于：

该检测方法包括如下步骤：

A.ROI区域设置：

将用于采集视频数据的视频检测器安装在交叉口的进车口后方，将用于车流量检测的虚拟线圈放置在交叉口处的每个车道前端；

B.选择性背景建模：

a.将步骤A中视频检测器采集的视频数据发送至图像处理计算机，图像处理计算机将视频数据处理成图片序列；

b.将获得的图片采用Canny算子检测边缘信息，获得边缘信息图B_edge，采用LBP算子检测纹理特征获得纹理特征图B_LBP；通过计算机结合边缘信息图B_edge和纹理特征图B_LBP数据，完成图片中车辆的存在性检测，将存在车辆的图片剔除，筛选出无车存在的图片；

c.通过如下的均值背景建模公式对筛选得到的无车存在的图片进行背景建模，建立初始背景图片B^RGB；

$B^{\mathrm{RGB}}(x,y)=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_k^{\mathrm{RGB}}(x,y)$

公式中：N为筛选得到图片总数；为通过筛选得到图片，为筛选图片在点(x,y)处的像素值，B^RGB(x,y)为背景图片在点(x,y)的像素值，上述两个像素值均是一个三维向量，其分别代表RGB颜色空间中各颜色分量的值；

后续的背景图片在更新环节中使用的如下所示的自适应背景更新算法获得背景图片：

$B_t^{\mathrm{RGB}}(x,y)=\mathrm{\&alpha;}{B}_{t-1}^{\mathrm{RGB}}(x,y)+{(1-\mathrm{\&alpha;})I}_i^{\mathrm{RGB}}(x,y)$

公式中：为上一状态的背景图片，为通过筛选得到的图片，α为更新因子，α取值为0.95；

C.精确车辆检测：

采用颜色空间计算模型的分析方法来计算颜色距离量，以获取完整的运动目标，计算步骤如下

Ⅰ.将与的差分定义为两个分量，一个是亮度分量BD(x,y)，另一个是色度分量CD(x,y)；亮度分量BD(x,y)定义为在向量上的投影与的比值；色度分量CD(x,y)定义为向量与向量的正交距离；亮度分量BD(x,y)、色度分量CD(x,y)和颜色距离图D_t的计算方法如下：

$\mathrm{BD}(x,y)=\frac{I_t^{\mathrm{RGB}}(x,y)\&CenterDot;B_t^{\mathrm{RGB}}(x,y)}{{\left|B_t^{\mathrm{RGB}}(x,y)\right|}^2}$

$\mathrm{CD}(x,y)=\left|\right|I_t^{\mathrm{RGB}}(x,y)-\mathrm{BD}(x,y)\&CenterDot;B_t^{\mathrm{RGB}}(x,y)\left|\right|$

$D_t(x,y)=\left\{\begin{array}{c}1\begin{array}{cc}\mathrm{if}& |1-\mathrm{BD}(x,y)|>T_{\mathrm{bd}}\\ \mathrm{or}& \mathrm{Cd}(x,y)>T_{\mathrm{cd}}\end{array}\\ \begin{array}{cc}0& \mathrm{otherwise}\end{array}\end{array}\right.$

在上式中，代表t时刻在位置(x,y)处的背景像素值，该数值是一个三维向量代表该点在RGB空间中的位置；表示当前帧在位置(x,y)处的像素值，T_bd与T_cd均为阈值，T_bd取值为0.25，T_cd取值为60；

Ⅱ.将所述颜色距离图D_t、边缘信息图B_edge和纹理特征图B_LBP通过下述公式运算，得到运动目标图像M；

M(x,y)＝B_edge(x,y)∪B_LBP(x,y)∪D_t(x,y)

Ⅲ.再通过如下公式来判断车辆通过虚拟检测线圈的压线状态；

$f\left(M\right)=\left\{\begin{array}{cc}1& \mathrm{Sum}\left(M\right)\&GreaterEqual;T_m\\ 0& \mathrm{otherwise}\end{array}\right.$

其中Sum(M)为统计M图像中非零像素点的总数，T_m为阈值，T_m取值为图像M的像素点总数的15％，f(M)为1代表车辆压线，f(M)为0代表车辆没有压线；

D.优化车流量统计：

对步骤C中车辆通过虚拟检测线圈的压线结果使用动态阈值法来统计标准车流量；

E.错误检测：

依据现行的交通通行规则作为约束条件来判断各车道每次检测的准确度以及系统中误差累计程度；当累计误差变大后，出现冲突车道同时存在通行车辆时，系统自动复位，重新开始步骤B选择性背景建模，以消除系统累积误差。

2.根据权利要求1所述的一种交叉口的视频交通参数检测方法，其特征在于：

所述步骤B中LBP算子的计算步骤如下：

1.将彩色图片转换为灰度图片，通过下式计算每个像素点的LBP值得到纹理特征图I_LBP；

${\mathrm{LBP}}_{P,R}=\underset{i=0}{\overset{P-1}{\mathrm{\&Sigma;}}}s(v_i-v_c)2^i$

$s\left(x\right)=\left\{\begin{array}{cc}1& x\&GreaterEqual;0\\ 0& x<0\end{array}\right.$

其中，P、R为LBP算子的参数，设定为P＝8，R＝1，v_c为中心点的像素值，v_i为中心点八邻域点的像素值；

2.通过如下公式来获取纹理特征图B_LBP；

$B_{\mathrm{LBP}}(x,y)=\left\{\begin{array}{cc}1& I_{\mathrm{LBP}}(x,y)\&GreaterEqual;T_{\mathrm{LBP}}\\ 0& \mathrm{otherwise}\end{array}\right.$

其中，I_LBP(x,y)为图像在点(x,y)处的LBP纹理特征值，T_LBP为阈值，取值100；

所述步骤B中Canny算子的计算步骤如下：

1.先使用高斯滤波器平滑图像；

2.再使用一阶偏导的有限差分来计算梯度的幅值和方向；

3.接着对梯度幅值进行非极大值抑制；

4.最后使用双阈值算法来检测和连接边缘，最终得到边缘信息图B_edge；

所述步骤B中结合边缘信息图和纹理特征图，计算机是通过如下公式来判别车辆的存在状态，

I_ET(x,y)＝B_edge(x,y)∪B_LBP(x,y)

$f=\left(I_{\mathrm{ET}}\right)\left\{\begin{array}{cc}1& \mathrm{Sum}\left(I_{\mathrm{ET}}\right)\&GreaterEqual;T_{\mathrm{ET}}\\ 0& \mathrm{otherwise}\end{array}\right.$

其中，Sum(I_ET)为统计I_ET图像中非零像素点的总数，T_ET为阈值，T_ET取图像I_ET的像素点总数的10％；所述f(I_ET)为1表示有车存在，为0表示无车存在。

3.根据权利要求1或2所述的一种交叉口的视频交通参数检测方法，其特征在于：

所述步骤D中使用动态阈值法来统计标准车流量的步骤如下：

(1)设定一个固定阈值，固定阈值取值为3，来修正压线检测数据，以解决车辆断层问题；

(2)再针对交叉口车辆在绿灯放行后，速度由静止到加速驶离的特性，设置动态阈值来修正车流量，动态阈值T_dyn由下式得到；

$T_{\mathrm{dyn}}=\mathrm{\&gamma;}+\mathrm{\&omega;}\frac{t_{\mathrm{down}}}{t_{\mathrm{up}}}$

$t_{\mathrm{down}}=\left\{\begin{array}{c}\begin{array}{ccc}{t}_{\mathrm{down}}& \mathrm{if}& t_{\mathrm{down}}\&GreaterEqual;2\&CenterDot;t_{\mathrm{up}}\end{array}\\ \begin{array}{cc}0.5\&CenterDot;t_{\mathrm{up}}& \mathrm{otherwise}\end{array}\end{array}\right.$

其中，γ为标准车辆通过虚拟线圈的平均时间，取值为10，ω为调节系数，取值为15，t_up为车辆通过虚拟线圈的时间，t_down的取值为上一辆车离开虚拟线圈到下辆车进入虚拟线圈的间隔时间，并按照上述公式进行修正。