CN104599511B - 一种基于背景建模的车流量检测方法 - Google Patents

Abstract

一种基于背景建模的车流量检测方法，它涉及一种车流量检测方法。本发明的目的是为了解决现有的车流量检测方法无法避免光线变化的影响，无法检测静止车辆的问题。本发明包括以下步骤：步骤一、利用帧间差分与背景差值之间的比值判断是否进行背景更新；步骤二、提取前景图像，并用HSV特征法消除阴影；步骤三、利用霍夫变换转换图像，利用最小外接矩形法对车辆进行跟踪和计数。本发明解决了光线变化对背景的影响的问题，又解决了帧间差分无法检测静止车辆的问题。

Description

一种基于背景建模的车流量检测方法

技术领域

本发明涉及一种车流量检测方法，具体涉及一种基于背景建模的车流量检测方法，属于车流量检测技术领域。

背景技术

背景建模是一种常见的车流量检测方法。但在实际车流量检测过程中，有很多因素影响背景建模效果，例如：车流量密集、车辆即停、车辆间距较小、光照影响大等，进而影响整体车流量检测效果，针对这一问题，需要一种更先进的车流量检测方法。

发明内容

本发明的目的是为了解决现有的车流量检测方法无法避免光线变化、车流量密集等情况的影响，无法检测静止车辆的问题。

本发明的技术方案是：一种基于背景建模的车流量检测方法，包括以下步骤：

步骤一、利用帧间差分与背景差值之间的比值判断是否进行背景更新；

步骤二、提取前景图像，并用HSV特征法消除阴影；

步骤三、利用霍夫变换转换图像，利用最小外接矩形法对车辆进行跟踪和计数。

步骤一具体为：首先使用混合高斯对背景建模，按照高斯分布的规则提取背景信息；

然后利用公式：

检测是否背景更新，∑f^(k)(i,j)为帧间差分后获得差分后图像各像素亮点之和，∑f^(b)(i,j)为背景差值后图像各像素点亮度值和，θ≤3时，交通状况良好，此时对背景进行更新，而当3＜θ≤30时，交通发生堵车，而当θ＞30，时车辆处于静止状态。

所述背景建模的方法具体为：像素信息i_x,y表示为：

i_x,y＝w_x,y·(r_x,y,s_x,y,v_x,y) (2)；

其中r_x,y为道路分量，s_x,y为阴影分量，v_x,y为车辆分量的权重，w_x,y为权重系数；

建立像素模型用Θ表示为：

Θ＝{w_l,μ_l,∑_l:l∈{r,s,v}} (3)；

其中μ和∑分别为亮度标量的均值和方差，w_l为像素l的权重系数；

采用当L＝l和I(x,y,t)＝i时的统计学公式完成背景像素点的选择与提取，所述统计学公式为：

$P(L=l,I(x,y,t)=i|\mathrm{\Θ})=w_l\·{\left(2\mathrm{\π}\right)}^{-\frac{2}{d}}\left|\mathrm{\Σ}{|}^{-\frac{1}{2}}\exp \right\{-\frac{1}{2}{(i-{\mathrm{\μ}}_l)}^T{{\mathrm{\Σ}}_l}^{-1}(i-{\mathrm{\μ}}_l)\}---\left(4\right).$

所述步骤二提取前景图像的方法为：计算差值图像中每个像素的灰度值，当灰度值大于某一确定的阈值就可判为前景部分。

所述步骤二利用HSV特征法消除阴影的具体过程为：通过下面的算法来捕捉阴影：

${\mathrm{SP}}_k(x,y)=\left\{\begin{array}{cc}& \mathrm{\α}\≤\frac{I_k^V(x,y)}{B_k^V(x,y)}\≤\mathrm{\β}\\ 1& ^\left(I_k^S\right(x,y)-B_k^S(x,y\left)\right)\≤{\mathrm{\τ}}_S\\ & ^\left(I_k^H\right(x,y)-B_k^H(x,y\left)\right)\≤{\mathrm{\τ}}_H\\ 0& otherwise\end{array}\right.---\left(5\right),$

式中SP_k(x,y)为第k帧所得像素结果，1表示阴影像素，0表示物体像素，I_k(x,y)和B_k(x,y)分别表示第k帧图像和背景在(x,y)点的像素值，H、S、V分别代表HSV空间中的色调、饱和度、亮度参数，α和β为V通道的控制参数，τ_H为H通道的阈值，τ_S为S通道的阈值。

所述步骤三的最小外接矩形法具体为：找到第一个像素值为0的点，以此点为头节点建立一个链表，并标为0以该点为起点，查看上、下、右三个方向的像素点，将为0的像素点加入到标号为0的链表中去，分别以上、下、右方的三个点中像素为0的点为起点，重复上一过程，一直遍历到选定区域内最右下角的像素点，若某值为0的像素点与之前任一链表的尾像素点不相邻，则令该点为头节点，生成新的链表，当搜索完所有像素点后，求取每个链表内像素点的最小外接矩形，矩形的左上角坐标中横坐标为链表中所有像素点的最小横坐标，而纵坐标则为该链表中像素点的最小纵坐标，矩阵最右下角的点的横坐标为链表中像素点的最大横坐标值，而纵坐标则为链表中像素点的最大纵坐标值，忽略大小明显与车辆不符合的矩形，则得到的矩形即为车辆外接矩形，并对车辆进行计数，所述最小外接矩形为能刚好框住目标的矩形框。

本发明与现有技术相比具有以下效果：利用帧间差分判断动态背景更新的条件，解决了光线变化对背景的影响问题，又解决了帧间差分无法检测静止车辆的问题，图3中(a)为夜间实际路况，(b)为夜间背景图，(c)为白天实际路况图，(d)为白天背景图，图4为截取的四个不同时刻的视频帧中的图像：(e)中有少量移动的车辆；(f)中开始发生拥塞现象，此时大多车辆移动缓慢，有些甚至停止；(g)上边的车道内大部分车辆停止；(h)上边的车道中的车辆几乎全部静止。由公式(1)计算的比值如下表；

截图编号	由公式(1)所求得比值	交通状况	是否更新背景
				(e)	1	畅通	是
(f)	6	较差	否
				(g)	28	拥塞	否
(h)	40	拥塞	否

从实验结果得知，本发明的方法能有效地解决车辆停止而错误更新背景问题。

附图说明

图1是本发明框架图；

图2是本发明实施例的流程图；

图3背景建模实验效果图；

图4交通拥塞判断实验结果分析图。

具体实施方式

结合附图说明本发明的具体实施方式：本实施方式的一种基于背景建模的车流量检测方法，具体为：

步骤1、查看当前帧序列，如果当前帧序列是第一帧，利用霍夫变换获取道路倾斜角度的信息；

步骤2、如果当前帧序列不是第一帧，利用HSV特征法对图像进行阴影消除，具体为：HSV颜色空间和人眼对颜色的感知很接近其中H、S和V分别表示色度(Hue)，饱和度(Saturation)和亮度值(Value)，通过下面的算法来捕捉阴影：

${\mathrm{SP}}_k(x,y)=\left\{\begin{array}{cc}& \mathrm{\α}\≤\frac{I_k^V(x,y)}{B_k^V(x,y)}\≤\mathrm{\β}\\ 1& ^\left(I_k^S\right(x,y)-B_k^S(x,y\left)\right)\≤{\mathrm{\τ}}_S\\ & ^\left(I_k^H\right(x,y)-B_k^H(x,y\left)\right)\≤{\mathrm{\τ}}_H\\ 0& otherwise\end{array}\right.$

式中SP_k(x,y)为第k帧所得像素结果：1表示阴影像素，0表示物体像素，I_k(x,y)和B_k(x,y)分别表示第k帧图像和背景在(x,y)点的像素值，H、S、V分别代表HSV空间中的色调参数、饱和度参数、亮度参数，α和β为V通道的控制参数，τ_H为H通道的阈值，τ_S为S通道的阈值，这四个参数根据实际视频中HSV直方图信息获取；

步骤3、使用帧间差分法检测相邻帧间发生变化的区域；

步骤4、使用混合高斯对背景建模，利用背景差值法获得图像像素值总和，具体为：其通过对视频帧中的像素点按一定规则提取，并按照高斯分布的规则提取背景信息，考虑到在同样位置像素点在不同时刻往往会有不同信息，所以在描述图像帧中的像素是采用多个分量，其中r_x,y为道路分量，s_x,y为阴影分量，v_x,y为车辆分量的权重，w_x,y为权重系数，则像素信息：

i_x,y＝w_x,y·(r_x,y,s_x,y,v_x,y)

式中各分量都代表该像素点对应的特征，由于图像中不同区域存在着差异，有些为地面白线，有些为较暗的路沿区，所以对每个像素点模型的建立应包含各种可能的信息，使用参数Θ来表示像素模型：

Θ＝{w_l,μ_l,∑_l:l∈{r,s,v}}

式中：μ和∑分别为亮度标量的均值和方差；

背景像素点的选择与提取采用基于统计学的方法来完成：设i为像素值：图像亮度或者RGB值，L为表示图像帧中像素点的一个随机变量，那么L＝l以及的I(x,y,t)＝i概率表示如下：

$P(L=l,I(x,y,t)=i|\mathrm{\Θ})=w_l\·{\left(2\mathrm{\π}\right)}^{-\frac{2}{d}}\left|\mathrm{\Σ}{|}^{-\frac{1}{2}}\exp \right\{-\frac{1}{2}{(i-{\mathrm{\μ}}_l)}^T{{\mathrm{\Σ}}_l}^{-1}(i-{\mathrm{\μ}}_l)\}$

式中w_l为像素l的权重系数，通过上式对像素点进行分类选择，选取具有最大后验概率P(L＝l,I(x,y,t)＝i|Θ)的l组成背景模型；

通过步骤3的帧间差分结果与步骤4的背景差值法结果比较获取交通拥塞信息来判断是否进行背景更新，具体为：设f^(t)和f^(t+1)为视频序列中两相邻帧，则帧间差分图像f^(k)＝|f^(t)-f^(t+1)|。由于帧间差分法获得的结果中像素值总和明显小于背景差值法所获得的图像像素值总和，所以本文利用这一特性判断交通状况，进而对背景更新，

通过帧间差分与背景差值法的比较获取交通拥塞信息来判断是否进行背景更新，设背景差值结果为f^(b)，帧间差分结果为f^(k)，则判断方式如下：

$\mathrm{\θ}=\frac{{\mathrm{\Σf}}^{\left(b\right)}(i,j)}{{\mathrm{\Σf}}^{\left(k\right)}(i,j)}$

式中∑f^(b)(i,j)表示背景差值后图像各像素点亮度之和，∑f^(k)(i,j)则代表帧间差分后图像各像素点亮度之和，当视频帧中未发生交通拥塞现象时，∑f^(b)(i,j)与∑f^(k)(i,j)之间结果相差不大，因此θ值较小，而当出现交通拥塞现象时，帧间差分将无法显示停止的车辆，所以∑f^(k)(i,j)值将比较小，导致θ比未发生交通拥塞时的值要大得多，通过大量的实际试验数据测试，发现当θ≤3时，交通状况良好，此时进行背景转换，而当3＜θ≤30时，交通状况较差，发生堵车现象，而当θ＞30时则说明大多车辆完全处于静止状态，所以可以通过以上公式来判断是否对背景进行更新；

步骤5、利用霍夫变换将道路转换成水平，旋转成水平图像后才能使用矩形框标定车辆实时位置；

步骤6、对图像进行自适应阈值分割，提取车辆的二值信息；

步骤7、通过计算车辆最小外界矩形法对车辆进行计数，具体为：从图像中选定处理区域的左上角开始遍历图像中选定区域的每一个像素点，找到第一个像素值为0的点，以此点为头节点建立一个链表，并标为0以该点为起点，查看上、下、右三个方向的像素点，将为0的像素点加入到标号为0的链表中去，分别以上、下、右方的三个点中像素为0的点为起点，重复操作，一直遍历到选定区域内最右下角的像素点，若某值为0的像素点与之前任一链表的尾像素点不相邻，则令该点为头节点，生成新的链表，当搜索完所有像素点后，求取每个链表内像素点的最小外接矩形，矩形的左上角坐标中横坐标为链表中所有像素点(x,y)最小的x，而纵坐标则为该链表中像素点的最小y值，同理，矩阵最右下角的点的横坐标为链表中像素点的最大x值，而纵坐标则为链表中像素点的最大y值，忽略大小明显与车辆不符合的矩形，则得到的矩形即为车辆外接矩形，并对车辆进行计数；

步骤8，重复步骤2.步骤3和步骤4，得出车流量具体数值。

Claims (5)

1.一种基于背景建模的车流量检测方法，其特征在于：包括以下步骤：

步骤一、利用帧间差分与背景差值之间的比值判断是否进行背景更新；

步骤二、提取前景图像，并用HSV特征法消除阴影；

步骤三、利用霍夫变换转换图像，利用最小外接矩形法对车辆进行跟踪和计数；

所述步骤一具体为：首先使用混合高斯对背景建模，按照高斯分布的规则提取背景信息；

然后利用公式：

检测是否背景更新，∑f^(k)(i,j)为帧间差分后获得差分后图像各像素亮点之和，∑f^(b)(i,j)为背景差值后图像各像素点亮度值和，θ≤3时，交通状况良好，此时对背景进行更新，而当3＜θ≤30时，交通发生堵车，而当θ＞30时，车辆处于静止状态。

2.根据权利要求1所述一种基于背景建模的车流量检测方法，其特征在于：所述背景建模的方法具体为：像素信息i_x,y表示为：

i_x,y＝w_x,y·(r_x,y,s_x,y,v_x,y) (2)；

其中r_x,y为道路分量，s_x,y为阴影分量，v_x,y为车辆分量的权重，w_x,y为权重系数；

建立像素模型用Θ表示为：

Θ＝{w_l,μ_l,∑_l:l∈{r,s,v}} (3)；

其中μ和∑分别为亮度标量的均值和方差，w_l为像素l的权重系数；

采用当L＝l和I(x,y,t)＝i时的统计学公式完成背景像素点的选择与提取，所述统计学公式为：

$P(L=l,I(x,y,t)=i|\mathrm{\Θ})=w_l\·{\left(2\mathrm{\π}\right)}^{-\frac{2}{d}}\left|\mathrm{\Σ}{|}^{-\frac{1}{2}}\exp \right\{-\frac{1}{2}{(i-{\mathrm{\μ}}_l)}^T{{\mathrm{\Σ}}_l}^{-1}(i-{\mathrm{\μ}}_l)\}---\left(4\right).$

3.根据权利要求2所述一种基于背景建模的车流量检测方法，其特征在于：所述步骤二提取前景图像的方法为：计算差值图像中每个像素的灰度值，当灰度值大于阈值就可判为前景部分。

4.根据权利要求3所述一种基于背景建模的车流量检测方法，其特征在于：所述步骤二利用HSV特征法消除阴影的具体过程为：通过下面的算法来捕捉阴影：

${\mathrm{SP}}_k(x,y)=\left\{\begin{array}{cc}& \mathrm{\α}\≤\frac{I_k^V(x,y)}{B_k^V(x,y)}\≤\mathrm{\β}\\ 1& ^\left(I_k^S\right(x,y)-B_k^S(x,y\left)\right)\≤{\mathrm{\τ}}_S\\ & ^\left(I_k^H\right(x,y)-B_k^H(x,y\left)\right)\≤{\mathrm{\τ}}_H\\ 0& otherwise\end{array}\right.---\left(5\right),$

式中SP_k(x,y)为第k帧所得像素结果，1表示阴影像素，0表示物体像素，I_k(x,y)和B_k(x,y)分别表示第k帧图像和背景在(x,y)点的像素值，H、S和V分别代表HSV空间中的色调参数、饱和度参数和亮度参数，α和β为V通道的控制参数，τ_H为H通道的阈值，τ_S为S通道的阈值。

5.根据权利要求4所述一种基于背景建模的车流量检测方法，其特征在于：所述步骤三的最小外接矩形法具体为：找到第一个像素值为0的点，以此点为头节点建立一个链表，并标为0以该点为起点，查看上、下、右三个方向的像素点，将为0的像素点加入到标号为0的链表中去，分别以上、下、右方的三个点中像素为0的点为起点，重复上一过程，一直遍历到选定区域内最右下角的像素点，若某值为0的像素点与之前任一链表的尾像素点不相邻，则令该点为头节点，生成新的链表，当搜索完所有像素点后，求取每个链表内像素点的最小外接矩形，矩形的左上角坐标中横坐标为链表中所有像素点的最小横坐标，而纵坐标则为该链表中像素点的最小纵坐标，矩阵最右下角的点的横坐标为链表中像素点的最大横坐标值，而纵坐标则为链表中像素点的最大纵坐标值，得到的矩形即为车辆外接矩形，并对车辆进行计数。