CN104123840B - 基于视频检测技术的车流密度定性判别方法 - Google Patents

Abstract

本发明属于交通监测技术领域，提供一种基于视频检测技术的车流密度定性判别方法；本发明不需要进行车辆目标提取,而是根据当前摄像头采集的视频图像，即可实时、准确地判断监控视频中道路车流密度的大小。本发明所提出的基于视频检测技术的车流密度定性判别方法，包括如下步骤：1)划定监控图像中的感兴趣区域，以下步骤对感兴趣区域进行处理；2)计算图像的分形维数；3)对分形维数计算结果进行统计分析，判断道路的车流密度大小。

Description

基于视频检测技术的车流密度定性判别方法

技术领域

本发明属于交通监测技术领域，具体涉及一种车流密度定性判别方法。

背景技术

高速公路是国家公路交通网络的主干，由于车流量大、车速高，高速公路的交通安全问题也十分突出。高速公路一旦发生异常交通状态，对行车安全的影响极大，极易因为一些小的抛锚或故障，导致发生重大二次事故或严重的车辆连环相撞事故。为了最大程度上确保高速公路行车安全，视频监控系统是目前国内外高速公路运行管理系统中主要依赖的技术手段，而基于视频的交通事件检测是高速公路监控系统中的重要组成部分。目前，国内外对基于视频的交通事件检测已经有了很多的研究并取得了一定的成果，而且已开发出一些基于视频的交通事件检测系统，像美国的Autoscope、法国的Citilog都是应用比较广泛的事件检测系统。在基于视频的交通事件检测中，车辆目标提取是最基本也是最关键的步骤。常用的车辆目标提取方法有光流法、帧间差分法和背景差分法，其中光流法实现复杂、计算量巨大，不能满足实时性的要求，而帧差分法不能完整的提取车辆目标、相邻帧时间间隔无法统一、对于过快或过慢的车辆目标检测困难，背景差分法运算简单，能够完整的提取车辆目标，因此背景差分法使用最多的车辆目标提取方法。

背景差法的关键就是需要得到较好的背景图像，但是当道路上的车辆比较多时，无论采用哪种方法都不能得到很好的背景图像，这是因为无论是基于概率的背景建模还是基于统计的背景建模，都有一个共同的要求，那就是背景像素点出现的频率要比较高。如果车辆非常多，那么车辆就会长时间的遮挡住路面，所以根本无法建立好的背景模型。目前通用的做法就是通过人工的方式选择时间段，当车流密度较小的时候进行背景建模，避免车流密度大的情况，但是这不能从根本上解决问题，一种可行的办法是通过图像自动的识别出车流密度大的情况，而不是用肉眼观察，直到车流密度变小的时候再进行背景建模，这样就提高了背景建模的效率，增强了算法的适用性。

现有文献中提到的车流密度检测方法都是以车辆目标检测为基础的，如何在不需要车辆目标提取的情况下判断出车流密度的大小鲜有研究。因此，如何根据高速公路场景中视频图像的特点，寻找一种不需要进行车辆目标提取的车流密度判别方法具有重要的理论和现实意义。

发明内容

有鉴于此，本发明提供一种基于视频检测技术的车流密度定性判别方法，不需要车辆目标提取,即可实时、准确的根据当前摄像头采集的视频图像，判断监控视频中道路车流密度的大小。

本发明通过以下技术手段解决上述技术问题：

基于视频检测技术的车流密度定性判别方法，包括如下步骤：

1)划定监控图像中的感兴趣区域；以下步骤对感兴趣区域进行处理；

2)计算图像的分形维数；

3)对分形维数计算结果进行统计分析，判断道路的车流密度大小。

进一步，所述步骤2)具体包括如下步骤：

21)将待判断图像分割成n×n个图像块，n>2；

22)计算每个图像块的分形维数。

进一步，所述步骤22)中，分形维数D_B通过下式进行计算：

$D_B={\lim }_{\mathrm{\ϵ}\→0}\left[\frac{\log N_{\mathrm{\ϵ}}\left(F_i\right)}{\log (R/\mathrm{\ϵ})}\right];$

式中，R为感兴趣区域的边长；ε为图像块的边长；

$N_{\mathrm{\ϵ}}\left(F_i\right)=\mathrm{floor}\left\{\frac{\max f\left(\mathrm{\ϵ}\right)-\min f\left(\mathrm{\ϵ}\right)}{\mathrm{\ϵ}}\right\}+1.$

进一步，所述步骤3)中，待判断图像的分形维数大于给定阈值的图像块数目总数是否大于给定的比例系数，如果大于给定的比例系数则判定当前场景车流密度大，否则判定当前场景车流密度小。

本发明的有益效果：本发明的方法可在不进行车辆目标提取的情况下判定当前场景车流密度大小，计算量相比现有技术极大减少，实现简单，是交通参数定性描述的一种新思路，也可以用于改善背景建模的效果。

附图说明

下面结合附图和实施例对本发明作进一步描述。

图1示出了本发明的流程示意图。

具体实施方式

以下将结合附图对本发明进行详细说明。

参见图1，本实施例的基于视频检测技术的车流密度定性判别方法，包括如下步骤：

基于视频检测技术的车流密度定性判别方法，包括如下步骤：

1)根据高速公路监控场景的特点，划取图像的感兴趣区域，以正方形为佳，主要是除去隔离带、高山、天空等非道路区域，只留下有车辆行驶的道路区域；后续步骤中仅对感兴趣区域进行处理，可减小算法消耗，且提高判断的准确性；

2)计算图像的分形维数；具体包括如下步骤：

21)将待处理图像(即感兴趣区域)分割成n×n个图像块，n>2，n的具体取值可根据实际需要，如图像像素大小等因素确定；

22)计算每个图像块的分形维数。

图像块F_i的分形维数D_B通过下式进行计算：

$D_B={\lim }_{\mathrm{\ϵ}\→0}\left[\frac{\log N_{\mathrm{\ϵ}}\left(F_i\right)}{\log (R/\mathrm{\ϵ})}\right];$

式中，R为待处理图像(即感兴趣区域)的边长；ε为子图像块的边长。

$N_{\mathrm{\ϵ}}\left(F_i\right)=\mathrm{floor}\left\{\frac{\max f\left(\mathrm{\ϵ}\right)-\min f\left(\mathrm{\ϵ}\right)}{\mathrm{\ϵ}}\right\}+1.$

上式中：f(ε)代表图像块F_i的像素值，floor代表向下取整，max和min分别代表所计算的图像块F_i的最大值和最小值，在实际的应用中ε的值通常取为2。

3)对分形维数计算结果进行统计分析，判断道路的车流密度大小。

具体的判别条件为：待判断图像中的分形维数大于给定阈值fra_num的图像块数目总数是否大于给定的比例系数proportion，如果大于给定的比例系数proportion则判定当前场景车流密度大，否则判定当前场景车流密度小。fra_num和proportion的具体取值根据实际情况确定。如果将车流密度分为较大和较小两种，那么fra_num的参考值取1.35，proportion的参考值取55％，也就是分形维数大于1.35的图像块数目占总数目大于55％就认为当前车流密度较大，否则认为车流密度较小。如果需要将车流密度划分为更多的等级，那么具体的取值就需要根据实际情况通过实验来确定。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.基于视频检测技术的车流密度定性判别方法，其特征在于：包括如下步骤：

1)划定监控图像中的感兴趣区域；以下步骤对感兴趣区域进行处理；

2)计算图像的分形维数；具体包括如下步骤：

21)将待判断图像分割成n×n个图像块，n>2；

22)通过下式计算每个图像块的分形维数D_B：

式中，R为感兴趣区域的边长；ε为图像块的边长；

上式中：f(ε)代表图像块F_i的像素值，floor代表向下取整，max和min分别代表所计算的图像块F_i的最大值和最小值；

3)对分形维数计算结果进行统计分析，判断道路的车流密度大小。

2.如权利要求1所述的基于视频检测技术的车流密度定性判别方法，其特征在于：所述步骤3)中，待判断图像的分形维数大于给定阈值的图像块数目统计结果是否大于给定的比例系数，如果大于给定的比例系数则判定当前场景车流密度大，否则判定当前场景车流密度小。