CN104599502B - 一种基于视频监控的车流量统计方法 - Google Patents

Abstract

本发明请求保护一种基于视频监控的车流量统计方法，涉及智能交通监控领域，包括以下步骤：初始化第1帧图像建立背景模型；从第2帧开始，利用背景模型提取所述视频帧图像的前景图像；更新背景模型；确定前景图像的面积大于设定值的图像为运动目标，计算运动目标的外接矩形，若所述外接矩形的长宽在设定范围内，则其为车辆；否则查找其他可以合并的所述外接矩形，若合并后的外接矩形的长宽在设定范围内，则为车辆；对车辆进行跟踪，若车辆连续三帧出现，则其为运动稳定车辆。当车辆到达所述第2种虚拟线圈时，统计车流量数目。本发明安装方便、精确度高。

Description

一种基于视频监控的车流量统计方法

技术领域

本发明属于智能交通监控领域，尤其涉及一种基于视频监控的车流量统计方法。

背景技术

随着全球经济和科学技术飞速发展，交通作为社会发展和人民生活水平提高的基本条件，得到了巨大的发展。现在家庭私人汽车逐步普及，公路条件得到很大的改善，交通量也在不断增长，但与此同时，交通道路拥堵、交通事故频发以及交通环境恶化等也成为了全球性的的问题，有效的交通管理是各大城市面临的难题，在这样的背景下，智能交通系统(ITS,Intelligent Transport System)应运而生。

车辆检测是智能交通中最基础、最重要的部分，它能准确及时的检测出车辆，是后面的车辆跟踪、车牌识别、车辆信息提取等处理的保证。传统的车辆检测的方法有红外检测、地感应线圈检测、超声波检测、声学检测等。红外线检测的方法可提供大量的交通管理信息，但它抗噪能力不强，有时可能需要降低可靠性来提高灵敏度；地感应线圈检测的技术已比较成熟，性能稳定且计数非常精确，它可检测车流量、道路占有率等，但是这种方法要在公路线铺设线圈，影响路面寿命，并且易被重型车辆等损坏；超声波检测方法根据接收和返回的超声波的时间差来确定车辆通过情况，具有体积小，易于安装等优点，但是它受天气和温度影响较大；声学检测方法通过检测车辆内部声音以及车辆与地面接触的声音来进行车辆检测，但是这种方法较难检测停止车辆，有时会漏检车辆。因此以上现有技术中均存在城市道路车流量统计不准确的问题。近年来随着计算机技术、图像处理、计算机视觉和人工智能的发展，基于视频的车辆检测技术，越来越受到青睐。视频检测技术优点有：可从视频图像序列中提取丰富的信息，采集到更多的交通参数，如车流量、车速、车辆牌照、车辆类型等，实现高效准确的交通监控功能；视频检测成本低，只需要少量摄像头即可，且易于安装和设置，对道路几乎没有什么破环性；而且视频检测易于联网，形成交通网，能实现对交通的全局控制。

发明内容

针对现有技术中的不足，本发明的目的在于提供一种安装方便、精确度高的基于视频监控的车流量统计方法，本发明的技术方案如下：一种基于视频监控的车流量统计方法，其包括以下步骤：

101、获取车监控视频，并预览车监控视频的前20帧，根据道路信息，确定车流方向和车道个数，设置第1虚拟线圈和第2虚拟线圈在车监控视频中；

102、逐帧输入视频图像序列，将每帧视频图像转化为灰度图像，初始化背景模型，取出第一帧视频，并将第一帧视频中第1虚拟线圈内的视频图像进行初始化成背景模型，初始化成背景模型方法为：对于第1帧视频中的每个像素点，随机抽取与其相邻的8个像素点组成此像素点的背景模型样本集，如果t＝0代表视频的第1帧，N_G(x)为像素点x的空间邻居像素点，则点x的背景模型初始化为

M⁰(x)＝{v⁰(y|y∈N_G(x))} (1)

(1)式中，y是从N_G(x)中随机读取的，v⁰(y)表示随机选择若干次后直到满足M⁰(x)中背景像素点个数；

103、步骤102建立完初始化背景模型后，从第二帧视频开始，利用背景模型提取出当前视频帧图像的前景图像，即车辆图像；

104、对提取出的前景图像采用形态学滤波法进行处理，滤波处理后，提取所有前景图像的轮廓，面积小于阈值M1的前景图像时则丢弃，前景图像的面积大于阈值M1时则视为运动目标；更新背景模型；若检测到所述第1虚拟线圈中存在运动车辆，则对其标记并跟踪；对于所述第1虚拟线圈标记的运动车辆，若检测到所述第2虚拟线圈中跟踪到此运动车辆，则将车流量统计数目加1；对于所述第1种虚拟线圈检测到的运动块，找寻可以和此运动块合并的块，组成新的运动块，标记并跟踪，若检测到所述第2虚拟线圈中跟踪到此运动块，则将车流量统计数目加1。

进一步的，步骤102中建立背景模型样本集后，将每个新的像素值和样本集比较判断是否属于背景点，记V(x)：x点处的像素值；M(x)＝{V1,V2,…,VN}为x处的背景样本集，样本集大小为N)；SR(v(x)：以x为中心R为半径的区域，如果M(x)[{SR(v(x))∩{V1,V2,…,VN}}]大于一个给定的阈值min,那么就认为x点属于背景点。

进一步的，步骤104中所述的形态学滤波法包括中值滤波和形态学腐蚀。

进一步的，步骤101中所述的第1种虚拟线圈数量为1个，所述第2虚拟线圈数量等于需要处理的车道数，且每个第2虚拟线圈均放置在车道上，所述第1虚拟线圈中设置有第2虚拟线圈。

进一步的，步骤104中车辆跟踪过程包括：

若当前帧车辆外接矩形的质心的位置与前一帧某一车辆外接矩形的质心位置的距离小于等于M2，则视为同一车辆，继续跟踪；若前一帧有与当前帧车辆外接矩形的位置的距离大于M2的车辆，则视为新出现的车辆，加入跟踪。

本发明的优点及有益效果如下：

1)提高车流量统计准确率。

本发明利用“背景建模-前景提取-更新背景模型”的步骤提取车辆，充分考虑了不同监控拍摄的视频路况的不同及同一监控拍摄的视频路况的改变，并通过对提取的车辆图像的跟踪及整合，使车流量统计更具稳定性，从而提高了车流量的统计准确率。

2)适用于不同路段

根据监控路段的不同，用户可通过修改车道数、车辆检测区域等参数自行调整监控视频中车流行驶道路、重点检测区域等，给用户提供一种个性化的解决方案，满足用户的实际需求。

附图说明

图1是本发明的总体流程图；

图2为本发明第1虚拟线圈和第2虚拟线圈放置示意图；

图3为本发明的车流量统计方法流程图；

图4为本发明的运动目标跟踪过程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本发明的一个实施例，而不是全部的实施例。

本发明实施例提供一种基于视频监控的车流量统计方法，如图1所示，该方法包括：

预览视频前20帧，根据道路信息，确定车流方向和车道个数。

需要说明的是，本发明提供双向车流计数和单向车流计数两种计数方式，对于双向车流，第2种虚拟线圈的数量必须是2到8之间的偶数；对于单向车流，第2种虚拟线圈的数量必须在1到4之间。第2种虚拟线圈的数量与需要统计车流量的车道数相等。

首先，在步骤301中利用第1帧第1种虚拟线圈内的视频图像初始化背景模型，初始化背景模型方法如下：对于视频第1帧中的每个像素点，随机抽取与其相邻的8个像素点作为此像素点的背景模型。如果t＝0代表视频的第1帧，N_G(x)为像素点x的空间邻居像素点，则点x的背景模型初始化为

M⁰(x)＝{v⁰(y|y∈N_G(x))} (1)

(1)式中，y是从N_G(x)中随机读取的。v⁰(y)需要随机选择多次直到能够满足M⁰(x)中背景像素点个数的要求。

然后，在步骤304中从第2帧开始更新背景模型，更新背景模型策略如下：

(1)前景点永远不会被用来填充背景模型，对像素点进行统计，如果某个像素点连续20次被检测为前景，则将其更新为背景点；

(2)在每一个新的视频帧中都去更新背景模型中的每一个像素点的样本值是没有必要的，当一个像素点被分类为背景点时，它有的概率去更新背景模型；

(3)具体的更新方法：每一个背景点有的概率去更新自己的模型样本值，同时也有的概率去更新它的邻居点的模型样本值。更新邻居的样本值利用了像素值的空间传播特性，背景模型逐渐向外扩散，这也有利于ghost区域的更快的识别。同时当前景点计数达到临界值时将其变为背景，并有的概率去更新自己的模型样本值。在选择要替换的样本集中的样本值时候，随机选取一个样本值进行更新，这样可以保证样本值的平滑的生命周期。由于是随机的更新，这样一个样本值在时刻t不被更新的概率是(N-1)/N，假设时间是连续的，那么在dt的时间过去后，样本值仍然保留的概率是

$P(t,t+\mathrm{dt})={\left(\frac{N-1}{N}\right)}^{(t+\mathrm{dt})-t}---\left(2\right)$

检测完前景点后，在步骤303中对从步骤302中提取到的前景图像进行形态学滤波处理，包括中值滤波、形态学闭操作。

滤波处理后，提取所有前景图像的轮廓，丢弃面积小于特定阈值(举例数值)的前景图像，面积大于特定阈值的前景图像视为运动目标。

选定运动目标后，依次将每个运动目标存入跟踪队列中。输入每个跟踪队列的运动目标Oc,若存在运动目标与其相交，则合并两个运动目标为新的运动目标On；否则存入新的跟踪队列，继续跟踪。对于运动目标On，判定其为车辆的条件如下：若Oc已连续3帧出现，且Oc的长和宽小于阈值T1,则On为车辆；否则，若On的长和宽小于阈值T2，则On为车辆。

车流量统计过程如下：对于上述检测到的车辆，如果其运动到第2种虚拟线圈内，则将车流量数目加1。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种基于视频监控的车流量统计方法，其特征在于，包括以下步骤：

101、获取车监控视频，并预览车监控视频的前20帧，根据道路信息，确定车流方向和车道个数，设置第1虚拟线圈和第2虚拟线圈在车监控视频中；

102、逐帧输入视频图像序列，将每帧视频图像转化为灰度图像，初始化背景模型，取出第一帧视频，并将第1帧视频图像中第1虚拟线圈内的视频图像进行初始化成背景模型，初始化成背景模型方法为：对于第1帧视频图像中的每个像素点，随机抽取与其相邻的8个像素点组成此像素点的背景模型样本集，如果t＝0代表视频的第1帧，N_G(x)为像素点x的空间邻居像素点，则点x的背景模型初始化为

M⁰(x)＝{v⁰(y|y∈N_G(x))} (1)

(1)式中，y是从N_G(x)中随机读取的，v⁰(y)表示随机选择若干次后直到满足M⁰(x)中背景像素点个数；

103、步骤102建立完初始化背景模型后，从第2帧视频图像开始，利用背景模型提取出当前视频帧图像的前景图像，即车辆图像；

104、对步骤103提取出的车辆图像采用形态学滤波法进行处理，滤波处理后，提取所有车辆图像的轮廓，丢弃轮廓面积小于阈值M1的车辆图像，将轮廓面积大于阈值M1的车辆图像视为运动车辆；更新背景模型；若检测到所述第1虚拟线圈中存在运动车辆，则对其标记并跟踪；对于所述第1虚拟线圈标记的运动车辆，在其运动轨迹上搜索可以和其合并的运动车辆，若两个运动车辆合并后的面积在设定的阈值内，则将两个运动车辆合并成一个运动车辆，标记并跟踪，否则不合并；若检测到所述第2虚拟线圈中跟踪到运动车辆，则将车流量统计数目加1。

2.根据权利要求1所述的基于视频监控的车流量统计方法，其特征在于，步骤102中建立背景模型样本集后，将每个新的像素值和样本集比较判断是否属于背景点，记V(x)：x点处的像素值；M(x)＝{V1,V2,…,VN}为x点处的背景样本集，样本集大小为N；SR(v(x))：以x为中心R为半径的区域，将M(x)和SR(v(x))做交集运算，若得出的交集元素的个数大于给定的阈值min，那么就认为x点属于背景点，否则x点属于前景点。

3.根据权利要求1所述的基于视频监控的车流量统计方法，其特征在于，步骤104中所述的形态学滤波法包括中值滤波和形态学腐蚀。

4.根据权利要求1所述的基于视频监控的车流量统计方法，其特征在于，步骤101中所述的第1虚拟线圈数量为1个，所述第2虚拟线圈数量等于需要处理的车道数，且每个第2虚拟线圈均放置在车道上，所述第1虚拟线圈中设置有第2虚拟线圈。

5.根据权利要求1所述的基于视频监控的车流量统计方法，其特征在于，步骤104中车辆跟踪过程包括：

若当前帧车辆外接矩形的质心的位置与前一帧某一车辆外接矩形的质心位置的距离小于等于M2，则视为同一车辆，继续跟踪；若前一帧有与当前帧车辆外接矩形的位置的距离大于M2的车辆，则视为新出现的车辆，加入跟踪。