CN104200213B - 一种基于多部件的车辆检测方法 - Google Patents
一种基于多部件的车辆检测方法 Download PDFInfo
- Publication number
- CN104200213B CN104200213B CN201410395827.7A CN201410395827A CN104200213B CN 104200213 B CN104200213 B CN 104200213B CN 201410395827 A CN201410395827 A CN 201410395827A CN 104200213 B CN104200213 B CN 104200213B
- Authority
- CN
- China
- Prior art keywords
- component
- vehicle
- detection
- frame
- moving region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多部件的车辆检测方法,首先根据车辆部件的显著程度和不同遮挡情况从车辆对象上提取6个部件,用于组成车辆部件模型;接着采用SVM训练各部件的部件模板和部件检测阈值;最后利用基于帧差法的背景建模得到运动区域;分别检测6个车辆部件,分析不同部件检测标记组合情况,验证车辆遮挡类型,实现车辆检测。本发明具有易实现、鲁棒性强、适应适度形变等优点,不仅能够检测正面遮挡车辆,也能检测一定角度范围内的侧面遮挡车辆,可应用于检测道路交通场景中的遮挡车辆。
Description
技术领域
本发明涉及车辆检测方法领域,具体是一种基于多部件的车辆检测方法。
背景技术
随着国家新型城镇化建设的加速,涉及机动车的治安案件、交通事故激增,车辆检测成为城市监控系统重要的研究内容。然而,由于真实场景中复杂的成像条件,车辆检测面临诸多困难,其中遮挡问题尤为突出。复杂道路环境中存在多目标是造成车辆间相互遮挡的主要原因,遮挡使得目标信息缺失,容易造成目标漏检。
选择出车辆具有代表性的局部区域特征,通过对可见部件的检测,能够避免引入遮挡区域的外观差异,更好地完成目标检测任务。例如,Zhu等人于2010年发表在《Conference on Computer Vision and Pattern Recognition(计算机视觉和模式识别会议)》上的论文“Part and appearance sharing:Recursive compositional models formulti-view”(部分和外观共享:多视角的递归成分模型)针对车顶特征的不变性,使用边缘基元片段图论合成方法判定车顶标记,检测严重遮挡车辆。另外,多个车辆局部区域间通常包含结构信息,通过分析车辆部件之间的几何约束,合理评价部件结构布局,能够检测不同形变程度下的目标。例如,鹿文浩等人于2012年发表在《自动化学报》上的论文“基于部件的三维目标检测算法新进展”利用部件表象描述和部件几何关系能够解决部分遮挡、类内变化、复杂背景以及视角变化的问题。
基于上述原理,申请号为201310379473.2的中国专利申请中提出的一种基于部分模型的车辆检测方法,就根据易遮挡的程度从车辆对象上提取车窗附近区域和车牌附近区域这两个部分组成车辆模型,能够应用于处理正面视角下车辆的遮挡情况。但在实际监控视频中,车辆不一定是以正面视角恰好面对监控摄像机,以垂直监控摄像平面的直线为0度标准线,车辆可能以一定角度出现在监控摄像区域内,一般来说,角度范围在正负20度内。因此,对于可能出现的侧面遮挡情况,该方法不能很好地处理,容易造成遮挡车辆漏检。
发明内容
本发明的目的是提供一种基于多部件的车辆检测方法,以克服现有技术的不足,降低漏检率。
为了达到上述目的,本发明所采用的技术方案为:
一种基于多部件的车辆检测方法,其特征在于:包括以下步骤:
(1)、车辆部件选择:根据车辆部件的显著程度和不同遮挡情况从车辆对象上提取6个部件,分别为车顶设为部件1,车前盖设为部件2,左车头设为部件3,右车头设为部件4,左侧倒后镜设为部件5,右侧倒后镜设为部件6,用于组成车辆部件模型;
(2)、部件模板学习:通过选取合适的训练图像,确定车辆部件的尺寸和位置,基于分块梯度直方图特征表征车辆部件图像块,采用SVM训练各部件的部件模板和部件检测阈值;
(3)、车辆检测:采用基于帧差法的背景建模得到运动区域,在缩放后的运动区域中分别检测6个车辆部件,分析不同部件检测标记组合情况,验证车辆遮挡类型,最终实现车辆检测并输出检测到的车辆总数。
所述的一种基于多部件的车辆检测方法,其特征在于:所述步骤(2)中部件模板学习包括以下步骤:
(2.1)、从实际卡口视频中截取车辆图像块作为训练图像,训练图像数越多得到的部件模板越准确,这里将车辆图像块归一化为统一尺寸;
(2.2)、按照车辆图像块的尺寸,分别确定对应6个部件的尺寸和位置;
(2.3)、采用分块梯度直方图特征描述车辆图像块,并根据部件位置,获取对应部件的特征描述子,采用SVM训练各部件模板Fi(i=1,...,6)和部件检测阈值thparti(i=1,...,6)。
所述的一种基于多部件的车辆检测方法,其特征在于:所述步骤(3)中车辆检测从视频帧图像中检测出一个或多个车辆,同时判断车辆遮挡类型,包括以下步骤:
(3.1)、针对视频帧提取运动区域,进行车辆候选区域初筛选;
(3.2)、假定可检测的车辆其部件2是可见的,因此首先在运动区域内进行部件2外观检测;
(3.3)、在运动区域内,以部件检测阈值thpart2筛选部件2的候选位置;
(3.4)、采用非极大值抑制筛选部件2的候选位置;
(3.5)、在部件2的候选位置上记录部件检测标记detpart2,j=1;
(3.6)、根据可见部件2的候选位置确定车辆候选区域;
(3.7)、在车辆候选区域中,分别进行部件1、3、4、5、6的部件检测过程,得到各部件的外观检测得分scoreparti(zx,y)(i=1,3,4,5,6);
(3.8)、在各车辆候选区域中,确定部件1、3、4、5、6外观检测得分scoreparti最高的部件候选位置;
(3.9)、筛选部件1、3、4、5、6的候选位置,满足条件的部件,记录检测标记detparti,j=1(i=1,3,4,5,6),否则标记为0;
(3.10)、根据部件检测标记Detj=<detparti,j>(i=1,...,6)验证车辆遮挡类型,迭代该过程,直至确定出所有车辆候选区域的车辆遮挡类型;
(3.11)、根据各车辆候选区域中存在部件的位置和尺寸确定车辆检测边界框;
(3.12)、显示这一帧图像中车辆检测边界框的位置,同时输出这一帧图像中车辆检测边界框的总数,完成车辆检测。
所述的一种基于多部件的车辆检测方法,其特征在于:采用基于帧差法的背景建模得到运动区域,进行车辆候选区域的初筛选,包括以下步骤:
(a)、取出卡口视频中的前2帧做初始背景建模;
(b)、取出卡口视频中的下一帧做检测,采用帧差法确定运动二值掩膜maskmotion;
(c)、采用形态学方式优化运动二值掩膜,得到去噪后的运动掩膜maskdenoise;
(d)、采用matlab中bwlabel函数对去噪后的运动掩膜进行连通性检测;
(e)、按照运动区域标记取出各运动区域regioni;
(f)、根据运动目标的大小适当缩放运动区域,以便于模板匹配,用最小外接矩形框记录缩放后的运动区域mboxi;
(g)、每处理完一帧图像,利用该帧图像做背景更新。
所述的一种基于多部件的车辆检测方法,其特征在于:部件1-6的检测过程即为部件模板和部件图像特征块的卷积相乘得到部件模板匹配得分:
scoreparti(zx,y)=Fi·φ(zx,y,partscalei),zx,y∈Mbox,Mbox={mboxi},
其中,zx,y为运动区域Mbox内任意一点;partscalei为部件尺寸;φ(zx,y,partscalei)表示中心在zx,y,大小为partscalei的部件特征块;Fi表示部件外观模板;scoreparti(zx,y)表示在位置zx,y处的部件模板匹配得分。
所述的一种基于多部件的车辆检测方法,其特征在于:根据可见部件2的候选位置确定整个车辆候选区域。由于部件2是所有部件布局的中心位置,且部件2一般不会被遮挡,本发明根据部件2可以在运动区域Mbox内框出可能的车辆候选区域,从而提高车辆检测的效率。
所述的一种基于多部件的车辆检测方法,其特征在于:所述筛选部件1、3、4、5、6的候选位置,应满足两个条件:一是部件外观得分scoreparti应高于该部件检测阈值thparti,二是部件候选位置满足大致部件布局,即部件1在部件2上方,部件3在部件2左下侧且在部件5下方,部件4在部件2右下侧且在部件6下方,部件5在部件2左侧,部件6在部件2右侧。
所述的一种基于多部件的车辆检测方法,其特征在于:根据车辆候选区域中的部件检测标记,验证车辆遮挡类型。验证方法可分为6种情况考虑,若6个部件检测标记全为1,则说明车辆无遮挡;若部件1的检测标记为0且其余部件检测标记为1,则说明车辆上部被遮挡;若部件3、4的检测标记为0且其余部件检测标记为1,则说明车辆下部被遮挡;若部件3、5的检测标记为0且其余部件检测标记为1,则说明车辆左侧被遮挡;若部件4、6的检测标记为0且其余部件检测标记为1,则说明车辆右侧被遮挡;其余情况,则认为车辆不存在。
所述的一种基于多部件的车辆检测方法,其特征在于:所述基于帧差法的背景建模包括初始背景建模和背景更新:
framebk=α·frame1+(1-α)·frame2,
其中α为背景建模控制参数,数值自拟;frame1、frame2分别为卡口视频第一帧、第二帧RGB图像;framebk为背景帧RGB图像;ti≥t3为帧数,为视频第ti帧。
所述的一种基于多部件的车辆检测方法,其特征在于:所述帧差法根据阈值判定是否为运动区域:
其中:
为运动区域判断函数,当某一点的帧间差值cx,y高于运动阈值thmotion时,认为该点属于运动区域regioni,最终得到运动二值掩膜maskmotion。运动阈值thmotion同样数值自拟;
所述形态学方式优化运动二值掩膜,即采用开运算去除运动区域外的孤立点:
maskdenoise=(maskmotion□Bdisk)⊕Bdisk,
其中Bdisk为圆盘结构算子,可自拟;□表示腐蚀运算;⊕表示膨胀运算;maskdenoise为去噪后的运动掩膜。
本发明的车辆检测方法具有以下优点:
(1)在车辆部件选择中,根据车辆部件的显著程度和不同遮挡情况从车辆对象上提取6个部件,分别为车顶(部件1)、车前盖(部件2)、左车头(部件3)、右车头(部件4)、左侧倒后镜(部件5)、右侧倒后镜(部件6),用于组成车辆部件模型。此部件选择不仅有利于检测正面遮挡车辆,同时也有利于检测一定角度范围内的侧面遮挡车辆,可应用于检测道路交通场景中的遮挡车辆。
(2)在运动区域检测中,采用基于帧差法的背景建模方法获取每帧图像的运动区域,并对运动区域进行去噪优化,缩小了模板搜索范围,以满足本发明的实时性要求。
(3)在车辆检测中,根据可见部件2的候选位置确定整个车辆边界框。由于部件2是所有部件布局的中心位置,且部件2一般不会被遮挡,我们根据部件2可以在运动区域内框出可能的车辆候选区域。采用此方法同样提高了目标搜索效率。
(4)在车辆检测中,所述筛选部件1、3、4、5、6的候选位置应满足大致部件布局。这里车辆检测允许车辆有适度形变,同时也提高了车辆部件模型对不同遮挡情况的处理能力。
附图说明
图1为本发明提出的车辆检测方法流程图。
图2为本发明提出的车辆部件定义,其中图2(a)车辆图像示意图,图2(b)为车辆部件定义及尺寸示意图。
图3为本发明实施例中采集的部分车辆图像块。
图4为本发明实施例中车辆部件模板的训练过程示意图。
图5为本发明实施例中车辆检测过程示意图,其中图5(a)为卡口视频帧,图5(b)为运动区域框图,图5(c)为运动区域内检测到的车辆部件示意图,图5(d)为车辆检测结果示意图。
图6为本发明实施例中测试交通视频部分帧上的车辆检测结果。其中图6(a)为左侧遮挡车辆部件检测结果,图6(b)为左侧遮挡车辆检测结果,图6(c)为上部和下部遮挡车辆部件检测结果,图6(d)为上部和下部遮挡车辆检测结果。
具体实施方式
下面结合附图及具体实施方式详细介绍本发明。本发明为一种基于多部件的车辆检测方法,具体流程如图1所示。本发明的实现方案分为三个主要步骤:车辆部件选择,部件模板学习和车辆检测。以下详细介绍这三个步骤:
步骤S1:在车辆部件选择中,考虑到复杂交通场景中的不同遮挡情况,如左/右侧遮挡和上/下侧遮挡,根据部件的重要性从车辆对象上选择6个部件组成车辆模型。如图2所示,这6个部件分别为车顶(部件1)、车前盖(部件2)、左车头(部件3)、右车头(部件4)、左侧倒后镜(部件5)、右侧倒后镜(部件6)。
步骤S2:在部件模板学习中,学习过程包括以下三个步骤:
步骤S2-1,从实际卡口视频中截取车辆图像块作为训练图像Img={imgj},本发明使用5000幅正例和5000幅负例作为训练图像,此处训练图像数应不少于1幅,且训练图像数越多得到的部件模板越准确。为学习统一尺寸的部件模板,这里将车辆图像块归一化为统一尺寸48×64像素。图3为尺寸统一的部分车辆图像块示意图。
步骤S2-2,按照车辆图像块的尺寸,针对权利要求1中所述的6个部件,确定对应部件的尺寸和位置(具体如图2(b)所示):其中部件1为车顶,尺寸为32×16像素,位于DJLF位置;部件2为前车盖,尺寸为32×16像素,位于FLMG位置;部件3为左车头,尺寸为32×16像素,位于BHIC位置;部件4为右车头,尺寸为32×16像素,位于HOPI位置;部件5为左侧倒后镜,尺寸为16×24像素,位于AEGB位置;部件6为右侧倒后镜,尺寸为16×24像素,位于KNOM位置。
步骤S2-3,将车辆图像块表征为分块梯度直方图特征。所述分块梯度直方图,首先针对图像的每个像素点进行梯度计算,得到图像的梯度矩阵,然后以8×8像素块大小为单元划分梯度矩阵,计算每个8×8的像素块单元内的梯度直方图,最终得到分块梯度直方图;
得到车辆图像块的分块梯度直方图特征后分别取出车辆图像特征块中对应各部件的图像特征块,即部件外观观测变量φ(zx,y,partscalei),其中partscalei为部件i的尺寸,zx,y为部件i的中心点位置,采用SVM训练各部件模板Fi(i=1,...,6),即部件外观控制参数,实际模板为梯度方向的权重矩阵。图4为车辆部件模板的训练过程,及最终得到的部件模板示意图。同时,SVM训练得到各部件的部件检测阈值thparti(i=1,...,6),当图像特征块与部件模板进行匹配时,若匹配得分高于部件检测阈值thparti,则认为该部件存在的可能性较大。
步骤S3,车辆检测大致包括以下步骤:
步骤S3-1,针对视频帧提取运动区域,进行车辆候选区域初筛选;
其中所述提取运动区域,进一步包括以下步骤:
步骤S3-1-1,取出卡口视频中的前2帧做初始背景建模:
framebk=α·frame1+(1-α)·frame2
其中α为背景建模控制参数,数值自拟,本发明中取值为1.0×10-6;frame1、frame2分别为卡口视频第一帧、第二帧RGB图像;framebk为背景帧RGB图像。
步骤S3-1-2,取出卡口视频中的下一帧(如图5(a))做检测,采用帧差法确定运动区域:
其中:
为运动区域判断函数,当某一点的帧间差值cx,y高于运动阈值thmotion时,认为该点属于运动区域,最终得到运动二值掩膜maskmotion;ti为帧数,为视频第ti帧。运动阈值thmotion同样数值自拟,本发明中取值为30。
步骤S3-1-3,采用膨胀、腐蚀等形态学方式优化运动二值掩膜maskmotion,即采用开运算去除运动区域外的孤立点:
maskdenoise=(maskmotion□Bdisk)⊕Bdisk
其中Bdisk为圆盘结构算子,可自拟,本发明中采用默认的3x3矩形结构算子;□表示腐蚀运算;⊕表示膨胀运算;maskdenoise为去噪后的运动掩膜。
步骤S3-1-4,采用matlab中bwlabel函数对去噪后的运动掩膜maskdenoise进行连通性检测,不连通的运动区域赋予不同标记值labelmotion,最大标记值与运动区域个数相同。
步骤S3-1-5,按照运动区域标记labelmotion取出各运动区域(如图5(b)中白色区域):
regioni={zx,y||labelmotion(zx,y)=i},i=1,...,|labelmotion|
其中,|labelmotion|既是最大标记值,也是运动区域总数。取出标记值为i的点zx,y,组成运动区域regioni。
步骤S3-1-6,根据运动目标的大小适当缩放运动区域regioni,以便于模板匹配,记录缩放后的运动区域mboxi={positioni,scalei},这里positioni是运动区域mboxi的左上角位置,scalei是运动区域mboxi的长和宽,即
positioni={xleft,i,ytop,i},scalei={wi,hi}={xright,i-xleft,i,ybottom,i-ytop,i}
其中:
xleft,i={min(x),zx,y∈regioni},ytop,i={min(y),zx,y∈regioni}
xright,i={max(x),zx,y∈regioni},ybottom,i={max(y),zx,y∈regioni}
用最小外接矩形框记录缩放后的运动区域mboxi(如图5(b)中红色矩形框)。
步骤S3-1-7,每处理完一帧图像,利用该帧图像做背景更新,为下一帧图像的运动区域检测做准备:
此后,检测下一帧图像时,在运动区域检测中跳过步骤S3-1-1,直接从步骤S3-1-2开始。
步骤S3-2,假定可检测的车辆其部件2是可见的,首先在运动区域Mbox内进行部件2外观检测:
scorepart2(zx,y)=F2·φ(zx,y,partscale2),zx,y∈Mbox,Mbox={mboxi}
其中,zx,y为运动区域Mbox内任意一点;partscalei为部件尺寸;φ(zx,y,partscalei)表示中心在zx,y,大小为partscalei的部件特征块;Fi表示部件外观模板;scoreparti(zx,y)表示在位置zx,y处的部件模板匹配得分。
步骤S3-3,在运动区域Mbox内,以部件检测阈值thpart2筛选部件2的候选位置:
candidatepart2=δ(scorepart2,thpart2)
其中:
若部件2的匹配得分scorepart2高于部件检测阈值thpart2,则认为该位置存在部件2,反之则认为该部件不存在。
步骤S3-4,采用非极大值抑制筛选部件2的候选位置。非极大值抑制会抑制有共享区域的候选位置,只选出拥有共享区域中得分最高的候选位置,而不同连通位置之间不会抑制,从而进一步选出了运动区域Mbox内部件2的可能位置Zpart2={zpart2,j}。
步骤S3-5,在部件2的候选位置Zpart2上记录部件检测标记:detpart2,j=1
步骤S3-6,根据可见部件2的候选位置确定车辆候选区域。由于部件2是所有部件布局的中心位置,且部件2一般不会被遮挡,我们根据部件2可以在运动区域Mbox内框出可能的车辆候选区域。按照步骤S2-2中确定的部件布局,根据部件2候选位置,以部件2候选区域的中心为中心点,框出宽为2·partw2、高为3·parth2的车辆候选区域,这里partw2为部件2的宽度,parth2为部件2的高度。注意,超出图像帧范围的车辆候选区域补0。
步骤S3-7,在车辆候选区域中,分别进行部件1、3、4、5、6的部件检测过程,同步骤S3-2相似,得到各部件的外观检测得分scoreparti(zx,y)(i=1,3,4,5,6)。
步骤S3-8,在各车辆候选区域中,确定部件1、3、4、5、6外观检测得分scoreparti最高的部件候选位置:
步骤S3-9,筛选部件1、3、4、5、6的候选位置,应满足两个条件:一是部件外观得分scoreparti应高于该部件检测阈值thparti,二是部件候选位置满足大致部件布局,即部件1在部件2上方,部件3在部件2左下侧且在部件5下方,部件4在部件2右下侧且在部件6下方,部件5在部件2左侧,部件6在部件2右侧。对满足以上要求的部件,记录其检测标记detparti,j=1(i=1,3,4,5,6),否则标记为0。图5(c)为运动区域内检测到的车辆部件示意图。
步骤S3-10,根据部件检测标记Detj=<detparti,j>(i=1,...,6)验证车辆遮挡类型。验证方法可分为6种情况考虑,取出某一车辆候选区域中的部件检测标记,若6个部件检测标记全为1,则说明车辆无遮挡;若部件1的检测标记为0且其余部件检测标记为1,则说明车辆上部被遮挡;若部件3、4的检测标记为0且其余部件检测标记为1,则说明车辆下部被遮挡;若部件3、5的检测标记为0且其余部件检测标记为1,则说明车辆左侧被遮挡;若部件4、6的检测标记为0且其余部件检测标记为1,则说明车辆右侧被遮挡;其余情况,则认为车辆不存在。迭代该过程,直至确定出所有车辆候选区域的车辆遮挡类型。图5(c)中包含右侧被遮挡的车辆,图6中包含左侧被遮挡、上部及下部被遮挡的车辆。
步骤S3-11,根据各车辆候选区域中存在部件的位置和尺寸确定车辆检测边界框,同步骤S3-6相似,以最小外接矩形框作为车辆检测边界框Vbox。图5(d)为最终的车辆检测结果。
步骤S3-12,显示这一帧图像中车辆检测边界框的位置,同时输出这一帧图像中车辆检测边界框的总数,完成车辆检测。图6为测试交通视频部分帧的部件检测结果(图6(a、c))和车辆检测结果(图6(b、d))。
Claims (6)
1.一种基于多部件的车辆检测方法,其特征在于:包括以下步骤:
(1)、车辆部件选择:根据车辆部件的显著程度和不同遮挡情况从车辆对象上提取6个车辆部件,分别为车顶设为部件1,车前盖设为部件2,左车头设为部件3,右车头设为部件4,左侧倒后镜设为部件5,右侧倒后镜设为部件6,用于组成车辆部件模型;
(2)、部件模板学习:通过选取合适的训练图像,确定车辆部件的尺寸和位置,基于分块梯度直方图特征表征车辆部件图像块,采用SVM训练各部件的部件模板和部件检测阈值;
(3)、车辆检测:采用基于帧差法的背景建模得到运动区域,在缩放后的运动区域中分别检测6个车辆部件,分析不同部件检测标记组合情况,验证车辆遮挡类型,最终实现车辆检测并输出检测到的车辆总数;
所述步骤(2)中部件模板学习包括以下步骤:
(2.1)、从实际卡口视频中截取车辆图像块作为训练图像,这里将车辆图像块归一化为统一尺寸;
(2.2)、按照车辆图像块的尺寸,分别确定对应6个部件的尺寸和位置;
(2.3)、采用分块梯度直方图特征描述车辆图像块,并根据部件位置,获取对应部件的特征描述子,采用SVM训练各部件模板Fi,i=1,...,6和部件检测阈值thparti,i=1,...,6;
所述步骤(3)中车辆检测从视频帧图像中检测出一个或多个车辆,同时判断车辆遮挡类型,包括以下步骤:
(3.1)、针对视频帧提取运动区域,进行车辆候选区域初筛选;
(3.2)、当可检测的车辆其部件2是可见的,因此首先在运动区域内进行部件2外观检测;
(3.3)、在运动区域内,以部件检测阈值thpart2筛选部件2的候选位置;
(3.4)、采用非极大值抑制筛选部件2的候选位置;
(3.5)、在部件2的候选位置上记录部件检测标记detpart2,j=1;
(3.6)、根据部件2的候选位置确定车辆候选区域;
(3.7)、在车辆候选区域中,分别进行部件1、3、4、5、6的部件检测过程,得到各部件的外观检测得分scoreparti(zx,y),i=1,3,4,5,6;
(3.8)、在各车辆候选区域中,在部件1、3、4、5、6外观检测得分scoreparti中,确定各部件最高得分的候选位置;
(3.9)、筛选部件1、3、4、5、6的候选位置,满足条件的部件,记录检测标记detparti,j=1,i=1,3,4,5,6,否则标记为0;
(3.10)、根据部件检测标记Detj=<detparti,j>,i=1,...,6,验证车辆遮挡类型,迭代该过程,直至确定出所有车辆候选区域的车辆遮挡类型;
(3.11)、根据各车辆候选区域中存在部件的位置和尺寸确定车辆检测边界框;
(3.12)、显示这一帧图像中车辆检测边界框的位置,同时输出这一帧图像中车辆检测边界框的总数,完成车辆检测;
根据车辆候选区域中的部件检测标记,验证车辆遮挡类型,验证方法分为6种情况考虑,若6个部件检测标记全为1,则说明车辆无遮挡;若部件1的检测标记为0且其余部件检测标记为1,则说明车辆上部被遮挡;若部件3、4的检测标记为0且其余部件检测标记为1,则说明车辆下部被遮挡;若部件3、5的检测标记为0且其余部件检测标记为1,则说明车辆左侧被遮挡;若部件4、6的检测标记为0且其余部件检测标记为1,则说明车辆右侧被遮挡;其余情况,则认为车辆不存在。
2.根据权利要求1所述的一种基于多部件的车辆检测方法,其特征在于:采用基于帧差法的背景建模得到运动区域,进行车辆候选区域的初筛选,包括以下步骤:
(a)、取出卡口视频中的前2帧做初始背景建模;
(b)、取出卡口视频中的下一帧做检测,采用帧差法确定运动二值掩膜maskmotion;
(c)、采用形态学方式优化运动二值掩膜,得到去噪后的运动掩膜maskdenoise;
(d)、采用matlab中bwlabel函数对去噪后的运动掩膜进行连通性检测;
(e)、按照运动区域标记取出各运动区域regionr;
(f)、根据运动目标的大小适当缩放运动区域,以便于模板匹配,用最小外接矩形框记录缩放后的运动区域mboxr;
(g)、每处理完一帧图像,利用该帧图像做背景更新。
3.根据权利要求2所述的一种基于多部件的车辆检测方法,其特征在于:部件1-6的检测过程即为部件模板和部件图像特征块的卷积相乘得到部件的外观检测得分:
scoreparti(zx,y)=Fi·φ(zx,y,partscalei),zx,y∈Mbox,Mbox={mboxr},
其中,zx,y为运动区域Mbox内任意一点;partscalei为部件尺寸;φ(zx,y,partscalei)表示中心在zx,y,大小为partscalei的部件特征块;Fi表示部件模板;scoreparti(zx,y)表示在位置zx,y处的部件的外观检测得分。
4.根据权利要求1所述的一种基于多部件的车辆检测方法,其特征在于:所述筛选部件1、3、4、5、6的候选位置,应满足两个条件:一是部件外观检测得分scoreparti应高于该部件检测阈值thparti,二是部件候选位置满足大致部件布局,即部件1在部件2上方,部件3在部件2左下侧且在部件5下方,部件4在部件2右下侧且在部件6下方,部件5在部件2左侧,部件6在部件2右侧。
5.根据权利要求2所述的一种基于多部件的车辆检测方法,其特征在于:所述基于帧差法的背景建模包括初始背景建模和背景更新:
framebk=α·frame1+(1-α)·frame2,
其中α为背景建模控制参数;frame1、frame2分别为卡口视频第一帧、第二帧RGB图像;framebk为背景帧RGB图像;ti≥t3为帧数,为视频第ti帧。
6.根据权利要求2所述的一种基于多部件的车辆检测方法,其特征在于:所述帧差法根据阈值判定是否为运动区域:
其中:
为运动区域判断函数,当某一点的帧间差值cx,y高于运动阈值thmotion时,认为该点属于运动区域regionr,最终得到运动二值掩膜maskmotion,运动阈值thmotion;
使用形态学方式优化运动二值掩膜,即采用开运算去除运动区域外的孤立点:
其中Bdisk为圆盘结构算子;e表示腐蚀运算;表示膨胀运算;maskdenoise为去噪后的运动掩膜。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410395827.7A CN104200213B (zh) | 2014-08-12 | 2014-08-12 | 一种基于多部件的车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410395827.7A CN104200213B (zh) | 2014-08-12 | 2014-08-12 | 一种基于多部件的车辆检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104200213A CN104200213A (zh) | 2014-12-10 |
CN104200213B true CN104200213B (zh) | 2018-07-17 |
Family
ID=52085503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410395827.7A Active CN104200213B (zh) | 2014-08-12 | 2014-08-12 | 一种基于多部件的车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104200213B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092855A (zh) * | 2016-02-18 | 2017-08-25 | 日本电气株式会社 | 车辆部件识别方法和设备、车辆识别方法和设备 |
CN108932453B (zh) * | 2017-05-23 | 2021-04-09 | 杭州海康威视数字技术股份有限公司 | 一种车辆备胎检测方法及装置 |
CN110956093A (zh) * | 2019-11-08 | 2020-04-03 | 武汉东湖大数据交易中心股份有限公司 | 基于大数据的模型识别方法、装置、设备及介质 |
CN110909781A (zh) * | 2019-11-14 | 2020-03-24 | 长安大学 | 一种基于车辆倒车镜的车辆检测方法 |
CN112183556B (zh) * | 2020-09-27 | 2022-08-30 | 长光卫星技术股份有限公司 | 一种基于空间聚类与分水岭变换的港口矿堆轮廓提取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1373720A (zh) * | 1999-09-20 | 2002-10-09 | 松下电器产业株式会社 | 驾驶提醒装置 |
CN101344988A (zh) * | 2008-06-16 | 2009-01-14 | 上海高德威智能交通系统有限公司 | 图像获取和处理装置及方法、车辆监测和记录系统 |
CN101504717A (zh) * | 2008-07-28 | 2009-08-12 | 上海高德威智能交通系统有限公司 | 特征区域的定位方法、车身深浅色与车身颜色的识别方法 |
CN102156989A (zh) * | 2011-02-25 | 2011-08-17 | 崔志明 | 视频帧中车辆遮挡检测与分割方法 |
CN103794050A (zh) * | 2014-01-21 | 2014-05-14 | 华东交通大学 | 一种实时的交通车辆检测与跟踪方法 |
-
2014
- 2014-08-12 CN CN201410395827.7A patent/CN104200213B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1373720A (zh) * | 1999-09-20 | 2002-10-09 | 松下电器产业株式会社 | 驾驶提醒装置 |
CN101344988A (zh) * | 2008-06-16 | 2009-01-14 | 上海高德威智能交通系统有限公司 | 图像获取和处理装置及方法、车辆监测和记录系统 |
CN101504717A (zh) * | 2008-07-28 | 2009-08-12 | 上海高德威智能交通系统有限公司 | 特征区域的定位方法、车身深浅色与车身颜色的识别方法 |
CN102156989A (zh) * | 2011-02-25 | 2011-08-17 | 崔志明 | 视频帧中车辆遮挡检测与分割方法 |
CN103794050A (zh) * | 2014-01-21 | 2014-05-14 | 华东交通大学 | 一种实时的交通车辆检测与跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104200213A (zh) | 2014-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105788142B (zh) | 一种基于视频图像处理的火灾检测系统及检测方法 | |
CN104200213B (zh) | 一种基于多部件的车辆检测方法 | |
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
CN105512720B (zh) | 一种公交车辆客流统计方法和系统 | |
CN110032949A (zh) | 一种基于轻量化卷积神经网络的目标检测与定位方法 | |
CN102402680B (zh) | 人机交互系统中手部、指示点定位方法和手势确定方法 | |
CN103761529B (zh) | 一种基于多色彩模型和矩形特征的明火检测方法和系统 | |
CN104156731B (zh) | 基于人工神经网络的车牌识别系统与方法 | |
CN109255350B (zh) | 一种基于视频监控的新能源车牌检测方法 | |
CN109753949B (zh) | 一种基于深度学习的多视窗交通标志检测方法 | |
CN105243381B (zh) | 基于3d信息的故障自动识别检测系统及方法 | |
Chong et al. | Integrated real-time vision-based preceding vehicle detection in urban roads | |
CN107292297A (zh) | 一种基于深度学习和重叠率跟踪的视频车流量检测方法 | |
CN103077526A (zh) | 具有深度检测功能的列车异常检测方法及系统 | |
CN111899515B (zh) | 一种基于智慧道路边缘计算网关的车辆检测系统 | |
CN106778540B (zh) | 停车检测准确的基于双层背景的停车事件检测方法 | |
CN104766344B (zh) | 基于运动边缘提取器的车辆检测方法 | |
CN105005766A (zh) | 一种车身颜色识别方法 | |
CN111832388B (zh) | 一种车辆行驶中交通标志检测与识别方法及系统 | |
CN110197494A (zh) | 一种基于单目红外图像的受电弓接触点实时检测算法 | |
CN103679196A (zh) | 视频监控中的人车自动分类方法 | |
Xia et al. | Vehicles overtaking detection using RGB-D data | |
Liang et al. | Methods of moving target detection and behavior recognition in intelligent vision monitoring. | |
CN110147748A (zh) | 一种基于道路边缘检测的移动机器人障碍物识别方法 | |
CN116573017A (zh) | 城市轨道列车行驶限界异物感知方法、系统、装置和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |