CN103971524B - 一种基于机器视觉的交通流量检测方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的交通流量检测方法。以摄像机在道路上获取的图像为基础，首先根据连续的多帧图像序列重建出道路真实背景图像，然后使用当前帧图像与背景帧图像做差分运算得到差分后的图像，对差分后的图像使用二值化的方法分割出前景和背景，再对分割出的前景目标进行目标分类，识别出其中的车辆目标，最后对车辆进行计数。本发明实现了道路交通流量的统计，使用背景差法来分割目标，提高了目标提取的准确度以及交通流量检测的准确度。

Description

一种基于机器视觉的交通流量检测方法

技术领域

本发明涉及智能交通、机器视觉、图像处理等领域，具体涉及基于图像处理的真实道路背景的重建方法。

背景技术

智能交通系统（ITS）是一种先进的一体化交通综合管理系统，是全世界现在以及未来的发展方向。智能交通就是对目前的交通进行智能管理。在传统模式的交通中，许多工作都是人工完成的或者人的劳力占了很大比重，比如监控系统，摄像头可以获取某个位置的信息，但并不能自动感知有何事件发生，虽然有监控系统，但大部分工作还需要人来完成，不够智能化。智能交通系统涵盖了许多方面，比如交通流量、车辆行为、车辆占道率、智能疏导等。智能交通是现代化的产物，它可以极大的减少人力物力，而且更方便管理，更适应社会的发展要求。

20世纪60年代，美国及欧洲一些国家对智能交通开始了先驱性的研究，不管是在视频检测技术，还是在线圈研究技术、红外线技术、微波检测技术等方面，都有十分迅猛的进展。近些年的研究发现，视频检测技术以其独特的优势逐渐发展成为了主流。目前的机器视觉的检测方法中，主要有帧间差分法、光流法、背景差法等。

帧间差分法的主要思想是对图像序列中的两帧做差分运算以滤除图像中的静止背景来获得运动目标的信息。两帧相减，得到两帧图像的亮度差，取这个差的绝对值，以这个绝对值是否大于某一阈值来分析运动物体的运动特性。

光流法的基本原理是：给图像中的每一个像素点赋予一个速度矢量，这就形成了一个图像运动场，在运动的一个特定时刻，图像上的点与三维物体上的点一一对应，这种对应关系可由投影关系得到，根据各个像素点的速度矢量特征，可以对图像进行动态分析。如果图像中没有运动物体，则光流矢量在整个图像区域是连续变化的。当图像中有运动物体时，目标和背景存在相对运动，运动物体所形成的速度矢量与邻域背景速度矢量不同，从而检测出运动物体及位置。

背景差法的主要思想是：首先使用一定的建模技术重建出道路背景，重建的背景的真实程度与检测效果息息相关，然后将当前图像与背景图像差分得到差分后的图像，再运用一定的图像处理技术对差分后的图像进行分析处理提取出前景目标。背景差法的优点是原理简单、计算量小、准确度高。

发明内容

本发明要解决的技术问题就是提供一种高效的交通流量检测方法，使其能更准确的检测交通流量。为了解决以上技术问题，本发明采用如下技术方案：一种基于机器视觉的交通流量检测方法，包括如下步骤：

步骤1、获取连续的视频帧序列，重建真实的道路背景；

步骤2、把当前帧图像与所重建的背景帧图像进行差分运算得到差分后的图像，使用二值化方法对差分后的图像进行处理，分割出当前帧中的前景目标；

步骤3、对分割出的前景目标分类，计算前景目标所占区域的长宽比，根据长宽比的值是否小于某一阈值判定这个目标是否为车辆，对通过检测区域的车辆进行计数，转步骤2。

上述技术方案中，步骤1中重建真实的道路背景，包括以下步骤：

21）、首先将真实道路背景B置为空集，然后获取连续的N帧图像序列，使用平均背景建模法重建出预背景，对这N帧图像，对其在某一坐标位置的所有像素值求和，然后取其平均值，这个平均值就是预背景在此坐标处的像素值（由于在交通流量较大即车辆较多时，平均背景建模法重建的背景与真实背景有一定的差异，所以这里只把平均背景建模法重建的背景作为预背景，供参考使用）；

22）、在这连续的N帧中等间隔的抽取L帧，并把这L帧当作一个连续序列。依顺取这L帧，把当前帧与预背景帧划分为多个大小的子块，比较当前帧与预背景帧对应的子块的相似度，如果在子块i处，当前帧与预背景帧的差的绝对值小于给定阈值，则当前帧的子块i为背景块，把子块i并入B中，重复上述过程，直到所有L帧取完为止；

23）、经过步骤22），理论上能重建出绝大部分背景，但对极少未重建出的部分，使用预背景在此部分的值替代，如上三个步骤便重建出了真实的道路背景。

上述技术方案中，步骤2中前景目标的获取，包括如下步骤：

31）、获取当前帧图像，把当前帧图像与所重建的真实背景帧图像B差分得到差分图像D；

32）、把差分图像D进行二值化处理，对D中某一坐标位置的像素值，如果其值大于某一阈值，则把其值置为255（白），否则置为0（黑），得到二值化的图像；

33）、使用膨胀腐蚀的方法消除二值化图像中的孤立点噪声，然后对中值为255的像素点，用当前帧在此位置的像素值替换，得到图像F，F即为只包含前景目标的图像。

上述技术方案中，步骤3完成交通流量的统计，包括如下步骤：

41）、对提取出的前景目标所占区域，计算各区域所占的长宽比，对某一前景区域，如果其长宽比值小于某一阈值，则此前景区域可判定为车辆所占区域，否则为非车辆所占区域；

42）、在图像中车道中设置检测区域，对通过检测区域并被判定为是车辆的前景目标进行计数。

上述技术方案中，所述的预背景的重建过程用下述公式表示：

上式中，表示重建出的预背景在坐标（x,y）处的像素值，表示第t帧图像在坐标（x,y）处的像素值，Mean表示取平均值。

上述技术方案中，差分图像D的导出公式为，为当前图像，为背景图像；

图像二值化公式：。

与现有技术相比，本发明具有以下有益效果：背景建模过程中使用平均背景建模法建立参考背景，根据当前帧与参考背景帧的相似度重建背景，从而实现了真实背景的重建。

A．背景重建是背景差分的关键环节，交通流量较大时，传统的背景建模方法耗时较长并且所重建出的背景与真实背景有一定的差异，本发明使用当前帧与平均背景在某一子块处的相似度来判定此子块是否属于背景，在交通流量较大的情况下也能很快的重建出真实背景；

B．考虑了随着环境的变化的情况，定期替换背景，能够适应环境的变化；

C．使用二值化的方法分割前景目标，并对噪声进行了处理，在重建出真实背景的基础上，能准确的分割出前景目标；

D．真实的交通道路中，有行人、自行车、摩托车、汽车等，对前景目标进行了分类，只统计其中的汽车的流量。

附图说明

图1为车辆流量检测算法整体流程图；

图2为背景建模算法流程图；

图3为前景目标提取流程图；

图4为目标分类流程图；

图5为流量统计流程图。

具体实施方式

下面将结合附图及具体实施方式对本发明作进一步的描述。

参见图1，一种基于机器视觉的交通流量检测方法，首先，获取摄像机拍摄的图像序列，以此为基础重建出真实的道路背景，在随后获取的当前帧中，用当前帧与背景帧进行差分运算得到差分图像，然后使用二值化的方法对差分图像进行处理，提取出前景目标，通过对前景目标进行分类识别出哪些目标属于车辆，然后对通过检测区域的车辆进行统计，实现流量统计的目标。

其中图2为真实道路背景重建方法，此方法是以摄像机拍摄的图像序列为基础，在平均背景建模方法重建出的预背景的基础上，用当前帧与预背景的相似度来重建背景，具体包括如下步骤：

（1）初始化真实背景B为空集；

（2）取连续N帧图像序列，使用平均背景建模法重建预背景，即对预背景中任一坐标位置像素点的值，都是这N帧图像对应位置像素值的平均值；

（3）从这N帧中等间帧的抽取L帧，并把这L帧当作一个连续序列，依序取这L帧，把当前帧与预背景帧分成大小的多个子块，计算当前帧与预背景帧在每个子块的相似度，如果当前帧在子块i处的像素平均值与预背景帧在子块i处的像素平均值的差值的绝对值小于某一阈值，则当前帧在子块i处属于背景，使用并运算把子块i拼接到真实背景B中，重复此步骤，直到这L帧都取完为止；

（4）理论上步骤3能重建出绝大部分基至完整的背景，但在某些情况下真实背景B存在极少未重建出的部分，使用预背景在此部分的值来代替。

其中，预背景的重建过程可用下述公式表示。

上式中，表示重建出的预背景在坐标（x,y）处像素值，表示第t帧图像在坐标（x,y）处的像素值，表示第t帧图像在坐标（x,y）处的像素值，Mean表示取平均值。

背景差分的前提是重建背景为基础的，在背景重建之后，需要提取当前图像中的前景目标，图3为前景目标的提取方法，它将当前图像与背景图像进行差分，然后对差分图像使用二值化方法处理提取出前景目标，具体步骤包括如下：

（1）获取当前帧图像，把当前帧图像与所重建的真实背景帧图像B差分得到差分图像D；

（2）对差分图像D进行二值化处理，遍历图像D中的所有像素点，如果在某一位置的像素值大于某一阈值，则把其值置为255（白），否则置为0（黑），遍历完成之后得到二值化图像；

（3）使用膨胀腐蚀的方法消除二值化图像中的孤立点噪声，然后对中值为255的像素点，用当前帧在此位置的像素值替换，得到图像F，F即为只包含前景目标的图像。

其中差分图像D的导出公式为，为当前图像，为背景图像。

图像二值化可用公式描述，表示所使用的阈值。

膨胀操作可用公式描述，表示图像在坐标（x,y）处的像素值，kernel表示膨胀操作所使用的核，max表示取最大值。

腐蚀操作可用公式描述，表示图像在坐标（x,y）处的像素值，kernel表示腐蚀操作所使用的核，min表示取最小值。

图4为前景目标的分类方法，采用目标所占区域长宽比的特点来区分目标，交通道路中，前景目标主要有行人、自行车、摩托车、汽车四大类，流量统计主要是统计汽车流量，在摄像机拍摄的图像中，行人、自行车、摩托车所占的长宽比大致为7.3、6.4、5.8，而汽车所占的长宽比一般小于2，比较长的车辆长宽比一般也小于3，将阈值取为3.5，当前景目标所占区域长宽比值小于此阈值时，可判定此前景目标为车辆。

车辆所占区域长宽比可用公式描述，Height表示车辆在图像中所占区域的长度，Width表示车辆在图像中所占区域的宽度。

图5为汽车流量的统计方法，在图像中设置检测区域，当此区域内有车辆通过时，对车辆进行计数。

Claims (4)

1.一种基于机器视觉的交通流量检测方法，其特征在于，包括如下步骤：

步骤1、获取连续的视频帧序列，重建真实的道路背景；

步骤2、把当前帧图像与步骤1所述的道路背景帧图像进行差分运算得到差分后的图像，使用二值化方法对差分后的图像进行处理，分割出当前帧中的前景目标；

步骤3、对分割出的前景目标分类，计算前景目标所占区域的长宽比，根据长宽比的值是否小于某一阈值判定这个目标是否为车辆，对通过检测区域的车辆进行计数，转步骤2;

步骤1中重建真实的道路背景，包括如下步骤：

21）、把真实背景B置为空集，选取连续的N帧图像，把这些图像在对应坐标位置的像素值求和，取平均值作为预背景在此坐标位置的像素值；

22）、在这连续的N帧图像中，等间隔的抽取出L帧，并把这些帧当作一个连续的序列，按序抽取这些帧，并把当前帧与预背景帧都划分为多个大小的子块，计算当前帧与预背景帧在各个子块处的相似度，如果当前帧在某一子块i处的平均像素值与预背景在子块i处的平均像素值差分后的绝对值小于某一阈值，则当前帧的子块i看作是背景块，把它加入到真实背景B中，重复此过程，直到所有的L帧都取完为止；

23）、对真实背景B中未重建出的部分，使用预背景在此部分的值替代，这样便重建出了真实的道路背景。

2.根据权利要求1所述的一种基于机器视觉的交通流量检测方法，其特征在于：步骤2中的前景目标的获取，包括如下步骤：

31）、获取当前帧图像，把当前帧图像与步骤1所述的道路背景帧图像B差分得到差分图像D；

32）、把差分图像D进行二值化处理，差分图像D中某一坐标位置的像素值，如果其值大于某一阈值，则把其值置为255，否则置为0，这样得到二值化的图像；

33）、使用膨胀腐蚀的方法消除二值化图像中的孤立点噪声，然后对中值为255的像素点，用当前帧在此位置的像素值替换，得到图像F，F即为只包含前景目标的图像。

3.根据权利要求1所述的一种基于机器视觉的交通流量检测方法，其特征在于：步骤3具体包括如下步骤：

41）、对提取出的前景目标所占区域，计算区域所占的长宽比，如果其比值小于某一阈值，则此区域判定为车辆所占区域；

42）、在图像中设置检测区域，对通过检测区域并被判定为是车辆的前景目标进行计数。

4.根据权利要求1所述的一种基于机器视觉的交通流量检测方法，其特征在于：预背景的重建过程用下述公式表示：

上式中，表示重建出的预背景在坐标（x,y）处的像素值，表示第t帧图像在坐标（x,y）处的像素值，Mean表示取平均值。