CN104036288A - 一种基于视频的车型分类方法 - Google Patents

Abstract

本发明涉及一种基于视频的车型分类方法。本发明方法包括以下步骤：步骤1、于道路上预定位置设置检测区域并对所述检测区域采集视频；步骤2、于采集到的视频中分离出运动的车辆目标前景；步骤3、根据车辆几何特征对分离出的运动的车辆目标前景进行分类。通过对本发明技术方案的实施，可以获得以下技术效果：自动完成车型识别，节省人力；识别速度快，识别精度高，提高了车型识别的效率。

Description

一种基于视频的车型分类方法

技术领域

本发明涉及一种交通管理方法，尤其涉及一种基于视频的车型分类方法。

背景技术

随着人民生活水平的提高和经济的发展，机动车的数量逐年增多，道路交通成为人们日益关注的问题。为了解决道路交通问题，一种准确、高效的新型运输系统——智能交通系统(Intelligent Transportation System，简称ITS)应运而生。

智能交通系统ITS(Intelligent Transportation System)是集成先进传感器技术、数据传输技术、计算机图像处理等技术，建立的一种在大范围内、全方位、全时段发挥作用的综合交通运输管理系统。

交通信息中车型识别是交通实时信息中的基础信息，现有的技术中车型识别一般依靠人工实现，使整个智能交通系统出现信息处理的瓶颈。且人工识别车牌耗时长，消耗人力，效率低。

发明内容

针对现有的车型识别方法存在的问题，本发明提供的技术方案的主要目的是：提供一种基于图像处理技术的自动完成车型识别的基于视频的车型分类方法。

为了实现上述目的，本发明采用了如下的技术方案：

一种基于视频的车型分类方法，其中，包括以下步骤：

步骤1、于道路上预定位置设置检测区域并对所述检测区域采集视频；

步骤2、于采集到的视频中分离出运动的车辆目标前景；

步骤3、根据车辆几何特征对分离出的运动的车辆目标前景进行分类。

本发明的另一方面，对所述步骤1中采集到的视频进行预处理，包括以下步骤：

步骤11、将采集到的视频图像转换为灰度图像；

步骤12、以中值滤波方法去除所述灰度图像的噪声。

本发明的另一方面，所述步骤2中，通过背景差分提取运动的车辆目标前景。

本发明的另一方面，所述背景差分提取运动的车辆目标前景包括以下步骤：

步骤21、对所述检测区域的背景建立模型；

步骤22、比较所述灰度图像中像素点与所述模型中相应像素点的灰度值差异，并将灰度值差异大于一预定阈值的像素点提取至前景中。

本发明的另一方面，通过背景差分提取运动的车辆目标前景后通过形态学的腐蚀、膨胀操作连接所述车辆目标前景中部分断裂的团块，并通过填充所述团块内部的孔洞，以获得完整的白色团块。

本发明的另一方面，所述步骤21中对所述检测区域的背景采用混合高斯模型进行建模。

本发明的另一方面，基于HSV颜色空间对获得完整的白色团块后的所述运动的车辆目前景中的阴影进行检测和去除。

本发明的另一方面，根据车辆几何特征对分离出的运动的车辆目标前景进行分类包括：

当运动的车辆目标前景中的白色团块出现斜向粘连时，定义白色团块的占空比R如下式:

$R=\frac{S_b}{S_r}$

其中S_b为白色团块在图像坐标系中的像素面积，S_r为白色团块的最小外接矩形在图像坐标系中的像素面积；

通过占空比R与作为参照的车型占空比进行比较获取车辆目标的类型。

本发明的另一方面，根据车辆几何特征对分离出的运动的车辆目标前景进行分类包括：

当运动的车辆目标前景中的白色团块出现纵向粘连时，连续跟踪运动的车辆目标前景M帧图像，对每一帧图像判断车辆目标的类型，根据M个车辆目标的类型判断结果获得车辆目标的类型。

通过对本发明技术方案的实施，可以获得以下技术效果：

1、自动完成车型识别，节省人力；

2、识别速度快，识别精度高，提高了车型识别的效率。

附图说明

图1为本发明基于视频的车型分类方法的实施例的流程框图；

图2为本发明对采集到的视频进行预处理的实施例的流程框图；

图3为本发明通过背景差分提取运动的车辆目标前景的实施例的流程框图。

具体实施方式

以下通过具体的实施例对本发明的技术方案进行说明，在与本发明的发明目的无冲突的前提下，下文中提到的实施例以及实施例中的技术特征可以相互组合。

如图1所示，一种基于视频的车型分类方法，其中，包括以下步骤：

步骤1、于道路上预定位置设置检测区域并对检测区域采集视频；

步骤2、于采集到的视频中分离出运动的车辆目标前景；

步骤3、根据车辆几何特征对分离出的运动的车辆目标前景进行分类。

上述技术方案，利用图像处理技术对采集到的视频进行处理，分离出运动的车辆目标前景，并进一步的根据车辆几何特征对分离出的运动的车辆目标前景进行分类，实现自动的对车型进行分类。

本发明的一种实施例中，如图2所示，对步骤1中采集到的视频进行预处理，包括以下步骤：

步骤11、将采集到的视频图像转换为灰度图像；

步骤12、以中值滤波方法去除灰度图像的噪声。

在图像的获取、传输或处理过程中都可能产生噪声，实际上图像常受一些随机误差的影响而产生退化，通常称这个退化为噪声。图像去噪是为了去除噪声，得到高质量的图像，使目标特征信息的提取收到噪声的影响降到最低。先将视频中的彩色图像转化为灰度图像，可大幅度降低系统于图像处理过程中的运算量，然后可采用中值滤波处理去除图像的噪声。

本发明的一种实施例中，步骤2中，通过背景差分提取运动的车辆目标前景。

在进一步的实施例中，如图3所示，背景差分提取运动的车辆目标前景包括以下步骤：

步骤21、对检测区域的背景建立模型；

步骤22、比较灰度图像中像素点与模型中相应像素点的灰度值差异，并将灰度值差异大于一预定阈值的像素点提取至前景中。

背景差分是一种特殊的帧差法，利用当前帧图像与背景图像对应像素点的灰度差值来检测运动目标。当某一像素点在当前帧图像与背景图像中的灰度差值大于设定的阈值，则该像素点为前景，判断为运动目标，如果灰度差值小于设定的阈值，则判断该像素点为背景。

本发明的一种实施例中，步骤21中对检测区域的背景采用混合高斯模型进行建模。

本发明的一种实施例中，通过背景差分提取运动的车辆目标前景后通过形态学的腐蚀、膨胀操作连接车辆目标前景中部分断裂的团块，并通过填充团块内部的孔洞，以获得完整的白色团块。

本发明的一种实施例中，基于HSV颜色空间对获得完整的白色团块后的运动的车辆目前景中的阴影进行检测和去除。

在视频图像时间序列中，相邻帧图像的采样时间间隔很小，因此目标特征在运动形式上具有平滑性，这些目标特征可以被用来跟踪目标。本文利用目标面积特征和质心特征，结合卡尔曼滤波器跟踪运动的车辆目标。

在进一步的施例中，可采用基于车辆几何特征的车型识别算法，可利用车长，面积和占空比三个参数。

对于安置在车道正上方的摄像机拍摄迎面而来的车流时，会出现以下三种粘连现象的情况：横向粘连，斜向粘连和纵向粘连。横向粘连主要是车辆阴影造成的，车辆目标前提取时采用的去除阴影方法可去除很大一部分横向粘连造成的误差干扰。

本发明的一种实施例中，根据车辆几何特征对分离出的运动的车辆目标前景进行分类包括：

当运动的车辆目标前景中的白色团块出现斜向粘连时，定义白色团块的占空比R如下式:

$R=\frac{S_b}{S_r}$

其中S_b为白色团块在图像坐标系中的像素面积，S_r为白色团块的最小外接矩形在图像坐标系中的像素面积；

可通过占空比R与作为参照的车型占空比进行比较获取车辆目标的类型。

两辆小车斜向粘连时白色团块的面积和长度都较大，系统可能误测为中型车。两辆小车斜向粘连时白色团块的占空比R较小，但正常情况下中型车的占空比R较大。因此可以通过设定占空比R的阈值的方式减少斜向粘连照成的误差。

本发明的一种实施例中，根据车辆几何特征对分离出的运动的车辆目标前景进行分类包括：

当运动的车辆目标前景中的白色团块出现纵向粘连时，连续跟踪运动的车辆目标前景M帧图像，对每一帧图像判断车辆目标的类型，根据M个车辆目标的类型判断结果获得车辆目标的类型。

由于摄像机拍摄角度的限制，当前后两辆车相对距离较小时，会出现纵向粘连现象。然而，大部分情况下这两辆车并不会始终粘连在一起，它们的之间的相对距离会随着时间的推移而变化，即两辆车之间出现纵向粘连的情况也随着时间推移而变化。因此，可通过连续跟踪车辆目标的M帧视频图像，对每一帧视频图像进行车型判断，通过M个车型判断结果综合判断最终车型，减少纵向粘连带来的干扰。

本发明的一种实施例中，可把车型简单分为大型车LV(Large Vehicle)(如大型挂车)，中型车MV(Medium Vehicle)(如客车和普通货车)，小型车SV(Small Vehicle)(如小客车)等。在车辆目标的前景图像中，可首先提取白色团块的最小外接矩形，再提取白色团块的像素长度L和像素面积S，并计算团块目标的占空比R，设定阈值便可判断车型：

$\left\{\begin{array}{ccc}{\mathrm{LV}}_t& \mathrm{ifL}>l_1\mathrm{andS}>s_1\mathrm{andR}>r_1& \\ {\mathrm{SV}}_t& \mathrm{ifL}<l_2\mathrm{andS}<s_2\mathrm{andR}<r_2& t\&Element;[1,M]\\ {\mathrm{MV}}_t& \mathrm{otherwise}& \end{array}\right.$

本发明一种较优的实施例中，可提取100组大型车、中型车、小型车的车长、面积、和占空比参数，用k-均值(K-means)算法对这些数据聚类分析，得到每类的聚类中心。其中阈值l₁,s₁,r₁取大型车和中型车二者聚类中心的车长﹑面积和占空比的平均值。同理，阈值l₂,s₂,r₂取中型车和小型车二者聚类中心的车长、面积和占空比的平均值。

通过上述公式可以得到每一帧视频图像的车型判断，于是对车辆连续跟踪M帧视频图像，得到M个瞬时车型判断结果。在进一步的实施例中，可引入投票算法，根据多数原则，最后对车型再进行一次投票综合判断。

上述的实施例仅是本发明的部分体现，并不能涵盖本发明的全部，在上述实施例以及附图的基础上，本领域技术人员在不付出创造性劳动的前提下可获得更多的实施方式，因此这些不付出创造性劳动的前提下获得的实施方式均应包含在本发明的保护范围内。

Claims (9)

1.一种基于视频的车型分类方法，其特征在于该方法包括以下步骤：

步骤1、于道路上预定位置设置检测区域并对所述检测区域采集视频；

步骤2、于采集到的视频中分离出运动的车辆目标前景；

步骤3、根据车辆几何特征对分离出的运动的车辆目标前景进行分类。

2.如权利要求1所述方法，其特征在于，对所述步骤1中采集到的视频进行预处理，包括以下步骤：

步骤11、将采集到的视频图像转换为灰度图像；

步骤12、以中值滤波方法去除所述灰度图像的噪声。

3.如权利要求1所述方法，其特征在于：所述步骤2中，通过背景差分提取运动的车辆目标前景。

4.如权利要求3所述方法，其特征在于，所述背景差分提取运动的车辆目标前景包括以下步骤：

步骤21、对所述检测区域的背景建立模型；

步骤22、比较所述灰度图像中像素点与所述模型中相应像素点的灰度值差异，并将灰度值差异大于一预定阈值的像素点提取至前景中。

5.如权利要求4所述方法，其特征在于：通过背景差分提取运动的车辆目标前景后通过形态学的腐蚀、膨胀操作连接所述车辆目标前景中部分断裂的团块，并通过填充所述团块内部的孔洞，以获得完整的白色团块。

6.如权利要求4所述方法，其特征在于：所述步骤21中对所述检测区域的背景采用混合高斯模型进行建模。

7.如权利要求5所述方法，其特征在于，基于HSV颜色空间对获得完整的白色团块后的所述运动的车辆目前景中的阴影进行检测和去除。

8.如权利要求5所述方法，其特征在于，根据车辆几何特征对分离出的运动的车辆目标前景进行分类包括：

当运动的车辆目标前景中的白色团块出现斜向粘连时，定义白色团块的占空比R如下式:

$R=\frac{S_b}{S_r}$

其中S_b为白色团块在图像坐标系中的像素面积，S_r为白色团块的最小外接矩形在图像坐标系中的像素面积；

通过占空比R与作为参照的车型占空比进行比较获取车辆目标的类型。

9.如权利要求5所述方法，其特征在于，根据车辆几何特征对分离出的运动的车辆目标前景进行分类包括：

当运动的车辆目标前景中的白色团块出现纵向粘连时，连续跟踪运动的车辆目标前景M帧图像，对每一帧图像判断车辆目标的类型，根据M个车辆目标的类型判断结果获得车辆目标的类型。