CN104077757A - 一种融合实时交通状态信息的道路背景提取与更新方法 - Google Patents

Abstract

本发明公开了一种融合实时交通状态信息的道路背景提取与更新方法，包括：A、根据道路交通运行的实时状态和光照变化估测的结果构建选择性背景帧提取模型；B、根据构建的选择性背景帧提取模型依次进行初始背景选取、背景更新区域检测和背景更新处理，以实现对道路背景的自适应更新。本发明根据道路的实时交通运行状态和光照变化估测的结果构建选择性背景帧提取模型，在传统方法的基础上建立融合实时交通状态信息和光照变化信息的选择性背景帧提取模型，交通场景的适应性较好，且避免了因交通流骤变、运动车辆过多或光照变化而对背景图像造成的干扰，抗干扰能力强且鲁棒性较好。本发明可广泛应用于视频交通监控和图像处理领域。

Description

一种融合实时交通状态信息的道路背景提取与更新方法

技术领域

本发明涉及视频交通监控和图像处理领域，尤其是一种融合实时交通状态信息的道路背景提取与更新方法。

背景技术

道路背景的提取与更新是交通运动物体检测、车辆目标提取与跟踪等视频交通流检测技术的重要技术保障，也是图像处理中的常用基础方法。

目前，道路背景提取与更新算法的核心算法包括三方面，第一个是基本算法的研究，第二个背景更新区域的检测和第三个是所采用的样本源质量。在基本算法的研究同内容上，主要包括非模型法和模型法两大类。非模型法的主要思路是通过更多的样本帧逐步减少或消除噪声为目的，常见的包括多帧均值法、中值滤波法和直方图法等；非模型法一般适用于道路交通流量较小的时候，在道路车辆较多且持续时间较长时，非模型法难以消除车辆的背景噪声，效果并不理想；模型法则主要以计算量较大的高斯分布的背景模型方法为主，包括众多现有的混合高斯背景模型的改进方法。在背景更新区域的检测上，选择性背景更新模型是一种常用的背景更新模型。选择性背景更新方法的主要思路是筛选图像背景更新的区域，在道路图像中主要是道路运动目标的检测：一种方法是首先提取车辆检测的初始背景，将当前图像和背景图像进行背景帧差运算，如果某点在当前图像和背景图像的差值小于阈值时,则认为该点为背景，进行图像更新，反之，则认为该点是运动车辆，该方法一般在背景缓慢变化时可以取得很好的效果。此外，还可以通过图像尺度空间、多分辨率提取算法和运动目标精确定位等方法对更新区域进行优化。

目前已有不少的道路背景提取与更新算法，但是，现有的道路背景提取与更新算法，一般只考虑到车辆较少的情况或者区域定位更新的空间层面等背景更新的共性层面，并没有考虑实时的交通流状况，交通场景的适应性较差，无法避免因交通流骤变、运动车辆过多或光照变化而对背景图像提取与更新造成的干扰，抗干扰能力弱，鲁棒性较差。

发明内容

为了解决上述技术问题，本发明的目的是：提供一种交通场景的适应性较好、抗干扰能力强和鲁棒性较好的，融合实时交通状态信息的道路背景提取与更新方法。

本发明解决其技术问题所采用的技术方案是：一种融合实时交通状态信息的道路背景提取与更新方法，包括：

A、根据道路交通运行的实时状态和光照变化估测的结果构建选择性背景帧提取模型；

B、根据构建的选择性背景帧提取模型依次进行初始背景选取、背景更新区域检测和背景更新处理，以实现对道路背景的自适应更新。

进一步，所述步骤A，其包括：

A1、对交通监控视频图像进行采集；

A2、对交通监控视频图像进行光照变化估测，得到道路背景更新时刻；

A3、从交通监控视频图像中提取出宏观交通状态运行参数，并根据宏观交通状态运行参数评估道路的实时交通运行状态；

A4、根据道路的实时交通运行状态参数计算选择性图像帧的模型置信度；

A5、根据道路背景更新的光照变化估测结果、道路的实时交通运行状态和选择性图像帧的模型置信度构建选择性背景帧提取模型。

进一步，所述步骤A2，其包括：

A21、构建时间序列分析自回归估计模型，所述时间序列分析自回归估计模型为：

其中，I_t为交通监控视频图像t时刻的亮度，为交通监控视频图像t时刻的亮度预测值，a_p为I_t-p对I_t的阶系数，ε_p为随机干扰项，p为大于等于1的整数；

A22、根据交通监控视频图像t时刻的亮度I_t、t时刻的亮度预测值和动态更新的光照亮度扰动阈值TI，构建道路背景更新的亮度置信区间R，其中，

A23、判断实时测量的光照亮度是否在亮度置信区间R内，若是，则流程结束，反之，则转至步骤B对背景进行更新。

进一步，所述步骤A3，其包括：

A31、对交通视频图像进行边缘特征提取与计算，从而得到交通视频图像车辆区域的图像边缘特征点并计算交通监控视频图像车辆区域的边缘占有率，所述交通监控视频图像车辆区域的边缘占有率Occ的计算公式为：

$\mathrm{Occ}=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{a}_i{S}_i/S_r,$

其中，n为划分的尺度空间数量，S_i为在第i尺度空间提取的边缘面积，ai为第i尺度空间的边缘权重系数，S_r为道路区域的图像面积,i＝0，1，2，…，n；

A32、采用帧差法和边缘提取方法对交通视频图像进行车辆运动特征点提取，从而得到运动车辆边缘特征点集U，然后对特征点集U进行光流速度计算，从而得到整个交通流的光流速度，所述交通监控视频图像车辆区域的边缘占有率的计算公式为：

其中，U∈S_r,m为提取的运动车辆边缘特征点总数，b_i为第i尺度空间的光流权重系数,V_j为第j个运动车辆边缘特征点的光流速度值；

A33、根据交通视频图像车辆区域的边缘占有率Occ和整个交通流的光流速度采用线性分类器方法对道路的实时交通运行状态进行估测。

进一步，所述步骤A4，其具体为：

根据交通视频图像当前帧车辆区域的边缘占有率Occ_k和运动车辆边缘特征点的光流速度值Vel_k计算选择性图像帧的模型置信度参数值W_k，所述选择性图像帧的模型置信度参数值W_k的计算公式为：

w_k＝Vel_k/Vel_max+(1-Occ_k/Occ_max)，

其中，{Vel_k，Occ_k}为当前帧宏观交通运行状态的参数特征集，Vel_max和Occ_max分别为参数特征集采样序列中光流速度的最大值和边缘占有率的最大值。

进一步，所述步骤B，其包括：

B1、根据构建的选择性背景帧提取模型进行初始背景选取，从而得到初始背景帧；

B2、从交通监控视频图像中提取出车辆目标的运动轨迹，然后对多辆车的运动轨迹进行累积运算，从而得到背景更新区域；

B3、根据构建的选择性背景帧提取模型求取更新样本的数量，然后对背景更新区域进行更新；

B4、对更新后的道路区域进行中值滤波、连通区域提取与剔除和校验后处理。

进一步，所述步骤B1，其包括：

B11、检测交通视频图像中任一视频帧的交通状态级别并计算每个采样视频帧的置信度参数值，然后通过插入排序法对所有视频帧按置信度参数值从高至低进行排序，从而形成背景选择帧序列；

B12、根据预设的背景收敛准则采用梯度下降法截断求取背景候选帧的帧数N，然后从背景选择帧序列中选取前N帧作为背景候选帧；

B13、判断背景候选帧的交通状态是否为顺畅级别以上，若是，则采用中值法求取初始背景帧；反之，则选取置信度参数值最高的视频帧作为初始背景帧。

进一步，所述步骤B2，其具体为：

采用帧差法从交通监控视频图像中提取车辆目标的运动轨迹，得到连续的帧差二值图像序列，然后对帧差二值图像序列进行累积运算，从而得到交通监控视频图像道路区域的二值化掩模图像，所述二值化掩模图像I_RR(x,y)为：

其中，ΔI_t′(x,y)为t时刻的帧差二值图像，TA为道路区域的迭代累积时间。

进一步，所述步骤B3，其包括：

B31、记录交通监控视频图像任一帧的单帧背景更新区域，然后通过插入排序法对所有帧背景更新区域按置信度参数值从高至低进行排序，从而得到更新选择帧序列；

B32、对排序后的帧背景更新区域进行并运算，从而得到背景更新区域的迭代掩模图像；

B33、判断得到的迭代掩模图像是否与道路区域相同，若是，则收敛结束，并以收敛时已参与并运算的背景更新区域个数作为更新样本的数量；反之，则返回步骤B32；

B34、根据步骤B12得到的背景候选帧对背景更新区域进行更新。

进一步，所述步骤B4，其包括：

B41、对更新后的道路区域进行中值滤波去噪；

B42、从中值滤波后的道路区域中提取形态学处理后的连通域，然后去掉连通域面积小于设定面积阈值的区域；

B43、对道路区域的纹理特征进行统计与分析，并根据分析的结果进行覆盖填充。

本发明的有益效果是：根据道路的实时交通运行状态和光照变化估测的结果构建选择性背景帧提取模型，在传统方法的基础上建立融合实时交通状态信息和光照变化信息的选择性背景帧提取模型，交通场景的适应性较好，且避免了因交通流骤变、运动车辆过多或光照变化而对背景图像造成的干扰，抗干扰能力强且鲁棒性较好。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1为本发明一种融合实时交通状态信息的道路背景提取与更新方法的步骤流程图；

图2为本发明步骤A的流程图；

图3为本发明步骤A2的流程图；

图4为本发明步骤A3的流程图；

图5为本发明步骤B的流程图；

图6为本发明步骤B1的流程图；

图7为本发明步骤B3的流程图；

图8为本发明步骤B4的流程图。

具体实施方式

参照图1，一种融合实时交通状态信息的道路背景提取与更新方法，包括：

A、根据道路交通运行的实时状态和光照变化估测的结果构建选择性背景帧提取模型；

B、根据构建的选择性背景帧提取模型依次进行初始背景选取、背景更新区域检测和背景更新处理，以实现对道路背景的自适应更新。

其中，道路的实时交通运行状态，用于改进背景更新帧的选取条件。

道路光照变化估测的结果，用于估测背景更新的时刻。

参照图2，进一步作为优选的实施方式，所述步骤A，其包括：

A1、对交通监控视频图像进行采集；

A2、对交通监控视频图像进行光照变化估测，得到道路背景更新时刻；

A3、从交通监控视频图像中提取出宏观交通状态运行参数，并根据宏观交通状态运行参数评估道路的实时交通运行状态；

A4、根据道路的实时交通运行状态参数计算选择性图像帧的模型置信度；

A5、根据道路背景更新的光照变化估测结果、道路的实时交通运行状态和选择性图像帧的模型置信度构建选择性背景帧提取模型。

其中，宏观交通状态运行参数是指边缘特征占有率和宏观光流速度。

参照图3，进一步作为优选的实施方式，所述步骤A2，其包括：

A21、构建时间序列分析自回归估计模型，所述时间序列分析自回归估计模型为：

其中，I_t为交通监控视频图像t时刻的亮度，为交通监控视频图像t时刻的亮度预测值，a_p为I_t-p对I_t的阶系数，ε_p为随机干扰项，p为大于等于1的整数；

A22、根据交通监控视频图像t时刻的亮度I_t、t时刻的亮度预测值和动态更新的光照亮度扰动阈值TI，构建道路背景更新的亮度置信区间R，其中，

A23、判断实时测量的光照亮度是否在亮度置信区间R内，若是，则流程结束，反之，则转至步骤B对背景进行更新。

其中，实时测量的光照亮度不在亮度置信区间R内，表明道路交通监控场景的光照亮度发生了较大的变化，需要对背景进行更新。

参照图4，进一步作为优选的实施方式，所述步骤A3，其包括：

A31、对交通视频图像进行边缘特征提取与计算，从而得到交通视频图像车辆区域的图像边缘特征点并计算交通监控视频图像车辆区域的边缘占有率，所述交通监控视频图像车辆区域的边缘占有率Occ的计算公式为：

$\mathrm{Occ}=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{a}_i{S}_i/S_r,$

其中，n为划分的尺度空间数量，S_i为在第i尺度空间提取的边缘面积，ai为第i尺度空间的边缘权重系数，S_r为道路区域的图像面积,i＝0，1，2，…，n；

A32、采用帧差法和边缘提取方法对交通视频图像进行车辆运动特征点提取，从而得到运动车辆边缘特征点集U，然后对特征点集U进行光流速度计算，从而得到整个交通流的光流速度，所述交通监控视频图像车辆区域的边缘占有率的计算公式为：

其中，U∈S_r,m为提取的运动车辆边缘特征点总数，b_i为第i尺度空间的光流权重系数,V_j为第j个运动车辆边缘特征点的光流速度值；

A33、根据交通视频图像车辆区域的边缘占有率Occ和整个交通流的光流速度采用线性分类器方法对道路的实时交通运行状态进行估测。

进一步作为优选的实施方式，所述步骤A4，其具体为：

根据交通监控视频图像当前帧车辆区域的边缘占有率Occ_k和运动车辆边缘特征点的光流速度值Vel_k计算选择性置信度模型的置信度参数值，所述选择性置信度模型的置信度参数值W_k的计算公式为：

w_k＝Vel_k/Vel_max+(1-Occ_k/Occ_max)，

其中，{Vel_k，Occ_k}为当前帧宏观交通运行状态的参数特征集，Vel_max和Occ_max分别为参数特征集序列中光流速度的最大值和边缘占有率的最大值。

参照图5，进一步作为优选的实施方式，所述步骤B，其包括：

B1、根据构建的选择性背景帧提取模型进行初始背景选取，从而得到初始背景帧；

B2、从交通监控视频图像中提取出车辆目标的运动轨迹，然后对多辆车的运动轨迹进行累积运算，从而得到背景更新区域；

B3、根据构建的选择性背景帧提取模型求取更新样本的数量，然后对背景更新区域进行更新；

B4、对更新后的道路区域进行中值滤波、连通区域提取与剔除和校验后处理。

参照图6，进一步作为优选的实施方式，所述步骤B1，其包括：

B11、检测交通视频图像中任一视频帧的交通状态级别并计算每个采样视频帧的置信度参数值，然后通过插入排序法对所有视频帧按置信度参数值从高至低进行排序，从而形成背景选择帧序列；

B12、根据预设的背景收敛准则采用梯度下降法截断求取背景候选帧的帧数N，然后从背景选择帧序列中选取前N帧作为背景候选帧；

B13、判断背景候选帧的交通状态是否为顺畅级别以上，若是，则采用中值法求取初始背景帧；反之，则选取置信度参数值最高的视频帧作为初始背景帧。

其中，交通状态级别分为无车、顺畅、缓慢和拥堵这四个级别。

进一步作为优选的实施方式，所述步骤B2，其具体为：

采用帧差法从交通监控视频图像中提取车辆目标的运动轨迹，得到连续的帧差二值图像序列，然后对帧差二值图像序列进行累积运算，从而得到交通监控视频图像道路区域的二值化掩模图像，所述二值化掩模图像I_RR(x,y)为：

其中，ΔI_t′(x,y)为t时刻的帧差二值图像，T_A为道路区域的迭代累积时间。

当迭代收敛时，累积区域即为背景的更新区域，此时得到的二值化掩模图像为背景更新区域的二值图像。

参照图7，进一步作为优选的实施方式，所述步骤B3，其包括：

B31、记录交通监控视频图像任一帧的单帧背景更新区域，然后通过插入排序法对所有帧背景更新区域按置信度参数值从高至低进行排序，从而得到更新选择帧序列；

B32、对排序后的帧背景更新区域进行并运算，从而得到背景更新区域的迭代掩模图像；

B33、判断得到的迭代掩模图像是否与道路区域相同，若是，则收敛结束，并以收敛时已参与并运算的背景更新区域个数作为更新样本的数量；反之，则返回步骤B32；

B34、根据步骤B12得到的背景候选帧对背景更新区域进行更新。

参照图8，进一步作为优选的实施方式，所述步骤B4，其包括：

B41、对更新后的道路区域进行中值滤波去噪；

B42、从中值滤波后的道路区域中提取形态学处理后的连通域，然后去掉连通域面积小于设定面积阈值的区域；

B43、对道路区域的纹理特征进行统计与分析，并根据分析的结果进行覆盖填充。

下面结合具体实施例对本发明作进一步详细说明。

实施例一

本实施例对本发明构建道路背景提取模型过程进行介绍。

构建道路背景提取模型过程包括：

(一)光照变化预测估计

在背景更新中，光照条件是不可忽视的因素。光照条件主要影响背景更新的时机和频率问题。理论上，在光照条件没有出现明显变化时，道路背景并不需要连续更新。而在全天候视频监控中，光照变化情况主要包括两种:(1)随时间流逝而产生的缓慢日常光照变化；(2)由天气的阴晴和雾等(包括云层遮挡等)引起的快速光照变化。本发明采用了时间序列分析自回归估计模型对光照变化进行估计。

光照参数采用图像HSI颜色空间的I值，采样图像像素点I_t(k,l)的亮度观测值会随时间变化而变化，从而构成一个时间序列。其中，I_t(k,l)表示帧t在图像位置(k,l)处像素亮度的观测值，简记为I_t。本发明建立的p阶自回归估计模型为：

考虑到光照变化检测的准确性要求，还需要根据时间段对亮度扰动阈值(即光照变化阈值TI)进行动态更新。因此,当光照估计的阶系数p稳定时,得到当前帧的I值并根据公式(1)计算出下一帧的预报值后，再结合亮度扰动阈值TI共同构建的亮度置信区间R,可以对当前观测帧I是否存在剧烈光照变化进行判定，从而估测背景更新的频率。

(二)宏观交通运行状态参数与状态估计

视频监控断面的车辆道路占有率和车流平均速度是道路宏观交通状态估计的两个客观评价参数指标。在视频图像处理中，本发明采用了边缘特征占有率和宏观光流速度来分别表征上述两个交通状态估计特征参数。边缘特征占有率和宏观光流速度分别反映交通流整体在视频图像道路区域中的的密集程度和速度强度，且其在提取时均不需要图像背景就能提取出来。当道路区域车辆稀少，提取出的车辆图像特征数量会较少但车辆运动特征点的光流速度会较大；反之，车辆密集，则车辆图像特征点数量较多但光流速度值会较小，因此通过上述两个参数构造特征集可直接评估宏观交通的实时运行状态。

边缘特征提取时，本发明根据实际情况，采用不同的边缘提取算法对不同尺度空间图像进行提取。一般图像底部靠近摄像头的车辆，车辆体积较大，个体车辆的边缘特征会较多，此时采用约束较弱的边缘提取方法减少冗余特征点；对于图像顶部远离摄像头的车辆，车辆体积较小，此时采用区分能力强的边缘提取方法保证边缘特征的提取效果。因此，基于视角因素的考虑，本发明把视频图像自上而下分成多个尺度空间，并对在各尺度空间上的边缘特征和光流特征赋予不同的权重。最后，在边缘特征计算中，根据式(2)对边缘占有率Occ的计算公式为：

$\mathrm{Occ}=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{a}_i{S}_i/S_r---\left(2\right)$

在光流速度特征计算中，需综合考虑时间复杂度和速度计算精度，对经帧差法后的运动车辆边缘特征点集U进行光流速度值的计算，其中U∈S_r，即边缘特征点位于图像道路区域内。本发明采用了计算精度较高的Lucas-Kanade金字塔算法来对光流速度特征进行计算。整个交通流的光流速度的计算公式为： $\stackrel{\‾}{\mathrm{Vel}}=\frac{1}{n}\frac{1}{m}\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{b}_i\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{V}_j---\left(3\right)$

一般在道路交通无车、顺畅、缓慢和拥堵等交通状态时，计算的交通运行状态参数有明显差别。因此，根据Occ和通过模式识别中的线性分类器分类方法可以对交通状态进行估计。

(三)选择性帧模型置信度

在道路中出现交通拥堵时，车辆较为密集且车速缓慢，对背景提取干扰较大，一般不适宜作为背景提取与更新的选择性帧；而在道路中顺畅时，车辆数量较少有利于选择性采样帧的提取。有鉴于此，本发明建立置信度参数来衡量当前采样帧的选用置信度。在交通道路背景选取中，首先在原则上，本发明按无车－畅行－慢行－拥堵的方式排列选取采样帧，则帧置信度参数值W_k按无车－畅行－慢行－拥堵的方式降序排列。一般在道路无车和顺畅时可选择更多图像帧为学习样本帧。本发明的帧置信度参数值计算如式(4)所示：

w_k＝Vel_k/Vel_max+(1-Occ_k/Occ_max)            (4)

根据式(4)计算的置信度参数W_k值越高，说明该帧的质量越好，越适合用于背景更新。该置信度参数W_k也可以评估所有处于同一交通状态的视频帧的置信度，适用于交通状态不常更变的道路场景。

本发明在不同交通状态时，会优先选择交通状态畅顺时的图像帧用于背景更新；交通状态相同时，则会择优选择车辆数较少的图像帧用于背景更新；道路场景中的车辆数相近时，由于靠图像近处的计算光流速度值会较大，因此会根据置信度计算方法，择优选择靠近摄像机的区域车辆数较少的图像帧用于背景更新。本发明通过上述选择性背景模型的筛选，保证用于道路背景更新的图像帧更加干净。

实施例二

本实施例对本发明的道路背景自适应更新过程模型进行介绍。

道路背景自适应更新过程包括：

(一)初始背景的选取

初始背景的选取质量会影响最终背景提取的质量和算法收敛速度。不同于现有的图像初始视频帧选取方法，在选择性帧模型的基础上，本发明改进的初始背景选取方法为：

(1)检测当前视频帧的交通状态级别并计算视频帧的置信度参数值，通过插入排序法对视频帧置信度的从高至低排序，形成选择帧序列。

(2)从选择帧序列中，选取前N帧作为所需要的初始背景候选帧，N值通过帧置信度值序列的采用梯度下降法截断求取。

(3)当背景候选帧的交通状态为顺畅级别以上时，采用中值法求取初始背景帧；当视频当前帧检测的交通状态为顺畅级别以下时，选取置信度值最高的视频帧作为初始背景帧。

由于在初始背景的提取中融合交通状态和帧的帧置信度值参数，本发明选取的初始帧能大大减少车辆和噪声的干扰，从而减少背景提取与更新的收敛时间。

(二)背景更新区域的选取

在交通场景中，车辆运动目标所在或经过的区域是道路区域，也是背景需要提取和更新的区域。当帧差二值图像经一定累积时间后迭代收敛时，累积区域即为车辆的运动区域。另外，背景的更新区域道路区域一般会受车辆的影响，因此在背景更新时需要排除车辆的区域。设道路区域为RR，当前帧车辆区域为VR，则单帧背景更新区域定义为：

本发明通过提取车辆目标的运动轨迹，累积计算多辆车辆的运动轨迹并从运动轨迹中提取该道路的道路区域范围。

具体做法为：首先采用帧差法提取车辆目标的运动轨迹，然后对连续的帧差二值图像序列中进行累积运算，经过一段时间后，累积得到的道路区域的二值化掩模图像I_RR，I_RR可由式(5)表示：

在已知道路背景的基础上，通过背景相减的方法获取到当前帧车辆的连通域信息，通过轮廓提取的方法即可获取到车辆区域VR。

(三)背景更新

在传统的背景更新方法中，用于背景更新的样本数量n一般是难以固定的，本发明提出一种基于选择性帧模型置信度的排序图像序列来确定方法样本数量n方法，具体做法为：

首先，记录每一帧的单帧背景更新区域，并获取M帧作为所需的背景更新候选帧，通过插入排序法进行置信度参数值排序并截断。

接着，对各排序序列的帧背景更新区域进行并运算，得到背景更新区域的迭代掩模图像，当迭代掩模图像与道路区域RR相同时，收敛结束，此时以已参与并运算的背景更新区域个数作为所需样本数量n(n≤M)。

最后，根据更新样本的数量对背景更新区域进行更新。本发明的选择性帧模型通过光照变化预测估计进行背景更新，根据背景更新频率间隔，本发明采用两种不同形式的更新策略：1)当背景更新频率间隔较小时，采用常用的Surendra算法对已提取的道路区域进行背景更新；2)当背景更新频率间隔较大时，当基于统计模型的方法对已提取的道路区域进行背景更新，即对更新样本数量进行直方图统计，找出出现次数最多的那个区间，然后计算该区间内所有值的平均值，并以该平均值作为背景模型在该像素点的亮度值。

(四)后处理

在实际的应用中，车辆在道路区域的停滞、背景的扰动(如树枝、树叶的轻微摇动)等噪声会使背景提取受到影响。为了消除这些影响，本发明首先通过中值滤波去除斑点噪声；接着通过提取形态学处理后的连通域，抛弃连通域面积小于设定阈值的区域，去除区域噪声；最后进行校验，分析与统计道路区域的纹理特征，并对与道路区域纹理冲突的其它道路区域进行覆盖填充，以减少驻留目标的影响。

实际的测试结果表明，在道路拥堵的情况下，本发明与现有的道路背景选取与更新方法相比，在收敛速度和收敛稳定性上改进效果十分明显，收敛速度能提高30％左右，且提取背景整体更平滑。

本发明为了减少交通实时运行状态对道路背景提取与更新带来的影响，通过检测道路交通状态参数并评估实时交通状态，在传统方法的基础上建立融合实时交通状态信息的选择性背景帧提取模型，并改进了背景更新候选帧的选取条件，通过光照变化估测背景更新频率，最终能自适应地提取道路背景及更新道路背景。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种融合实时交通状态信息的道路背景提取与更新方法，其特征在于：包括：

A、根据道路交通运行的实时状态和光照变化估测的结果构建选择性背景帧提取模型；

B、根据构建的选择性背景帧提取模型依次进行初始背景选取、背景更新区域检测和背景更新处理，以实现对道路背景的自适应更新。

2.根据权利要求1所述的一种融合实时交通状态信息的道路背景提取与更新方法，其特征在于：所述步骤A，其包括：

A1、对交通监控视频图像进行采集；

A2、对交通监控视频图像进行光照变化估测，得到道路背景更新时刻；

A3、从交通监控视频图像中提取出宏观交通状态运行参数，并根据宏观交通状态运行参数评估道路的实时交通运行状态；

A4、根据道路的实时交通运行状态参数计算选择性图像帧的模型置信度；

A5、根据道路背景更新的光照变化估测结果、道路的实时交通运行状态和选择性图像帧的模型置信度构建选择性背景帧提取模型。

3.根据权利要求2所述的一种融合实时交通状态信息的道路背景提取与更新方法，其特征在于：所述步骤A2，其包括：

A21、构建时间序列分析自回归估计模型，所述时间序列分析自回归估计模型为：

其中，I_t为交通监控视频图像t时刻的亮度，为交通监控视频图像t时刻的亮度预测值，a_p为I_t-p对I_t的阶系数，ε_p为随机干扰项，p为大于等于1的整数；

A22、根据交通监控视频图像t时刻的亮度I_t、t时刻的亮度预测值和动态更新的光照亮度扰动阈值TI，构建道路背景更新的亮度置信区间R，其中，

A23、判断实时测量的光照亮度是否在亮度置信区间R内，若是，则流程结束，反之，则转至步骤B对背景进行更新。

4.根据权利要求2所述的一种融合实时交通状态信息的道路背景提取与更新方法，其特征在于：所述步骤A3，其包括：

A31、对交通视频图像进行边缘特征提取与计算，从而得到交通视频图像车辆区域的图像边缘特征点并计算交通监控视频图像车辆区域的边缘占有率，所述交通监控视频图像车辆区域的边缘占有率Occ的计算公式为：

$\mathrm{Occ}=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{a}_i{S}_i/S_r,$

其中，n为划分的尺度空间数量，S_i为在第i尺度空间提取的边缘面积，a_i为第i尺度空间的边缘权重系数，S_r为道路区域的图像面积,i＝0，1，2，…，n；

A32、采用帧差法和边缘提取方法对交通视频图像进行车辆运动特征点提取，从而得到运动车辆边缘特征点集U，然后对特征点集U进行光流速度计算，从而得到整个交通流的光流速度，所述交通监控视频图像车辆区域的边缘占有率的计算公式为：

其中，U∈S_r,m为提取的运动车辆边缘特征点总数，b_i为第i尺度空间的光流权重系数,V_j为第j个运动车辆边缘特征点的光流速度值；

A33、根据交通视频图像车辆区域的边缘占有率Occ和整个交通流的光流速度采用线性分类器方法对道路的实时交通运行状态进行估测。

5.根据权利要求2所述的一种融合实时交通状态信息的道路背景提取与更新方法，其特征在于：所述步骤A4，其具体为：

根据交通视频图像当前帧车辆区域的边缘占有率Occ_k和运动车辆边缘特征点的光流速度值Vel_k计算选择性图像帧的模型置信度参数值W_k，所述选择性图像帧的模型置信度参数值W_k的计算公式为：

w_k＝Vel_k/Vel_max+(1-Occ_k/Occ_max)，

其中，{Vel_k，Occ_k}为当前帧宏观交通运行状态的参数特征集，Vel_max和Occ_max分别为参数特征集采样序列中光流速度的最大值和边缘占有率的最大值。

6.根据权利要求1所述的一种融合实时交通状态信息的道路背景提取与更新方法，其特征在于：所述步骤B，其包括：

B1、根据构建的选择性背景帧提取模型进行初始背景选取，从而得到初始背景帧；

B2、从交通监控视频图像中提取出车辆目标的运动轨迹，然后对多辆车的运动轨迹进行累积运算，从而得到背景更新区域；

B3、根据构建的选择性背景帧提取模型求取更新样本的数量，然后对背景更新区域进行更新；

B4、对更新后的道路区域进行中值滤波、连通区域提取与剔除和校验后处理。

7.根据权利要求6所述的一种融合实时交通状态信息的道路背景提取与更新方法，其特征在于：所述步骤B1，其包括：

B11、检测交通视频图像中任一视频帧的交通状态级别并计算每个采样视频帧的置信度参数值，然后通过插入排序法对所有视频帧按置信度参数值从高至低进行排序，从而形成背景选择帧序列；

B12、根据预设的背景收敛准则采用梯度下降法截断求取背景候选帧的帧数N，然后从背景选择帧序列中选取前N帧作为背景候选帧；

B13、判断背景候选帧的交通状态是否为顺畅级别以上，若是，则采用中值法求取初始背景帧；反之，则选取置信度参数值最高的视频帧作为初始背景帧。

8.根据权利要求6所述的一种融合实时交通状态信息的道路背景提取与更新方法，其特征在于：所述步骤B2，其具体为：

采用帧差法从交通监控视频图像中提取车辆目标的运动轨迹，得到连续的帧差二值图像序列，然后对帧差二值图像序列进行累积运算，从而得到交通监控视频图像道路区域的二值化掩模图像，所述二值化掩模图像I_RR(x,y)为：

其中，ΔI_t′(x,y)为t时刻的帧差二值图像，T_A为道路区域的迭代累积时间。

9.根据权利要求6所述的一种融合实时交通状态信息的道路背景提取与更新方法，其特征在于：所述步骤B3，其包括：

B31、记录交通监控视频图像任一帧的单帧背景更新区域，然后通过插入排序法对所有帧背景更新区域按置信度参数值从高至低进行排序，从而得到更新选择帧序列；

B32、对排序后的帧背景更新区域进行并运算，从而得到背景更新区域的迭代掩模图像；

B33、判断得到的迭代掩模图像是否与道路区域相同，若是，则收敛结束，并以收敛时已参与并运算的背景更新区域个数作为更新样本的数量；反之，则返回步骤B32；

B34、根据步骤B12得到的背景候选帧对背景更新区域进行更新。

10.根据权利要求6所述的一种融合实时交通状态信息的道路背景提取与更新方法，其特征在于：所述步骤B4，其包括：

B41、对更新后的道路区域进行中值滤波去噪；

B42、从中值滤波后的道路区域中提取形态学处理后的连通域，然后去掉连通域面积小于设定面积阈值的区域；

B43、对道路区域的纹理特征进行统计与分析，并根据分析的结果进行覆盖填充。