CN104835142A - 一种基于纹理特征的车辆排队长度检测方法 - Google Patents

Abstract

本发明公开了一种基于纹理特征的车辆排队长度检测方法。本发明针对交通路口拍摄的视频，首先提取不同光照条件、不同天气的该路口无车背景图建立一个背景库，根据该图像局部区域的灰度共生矩阵提取纹理特征形成特征向量对图像进行描述，将当前图像的特征向量与背景图中的特征向量进行相似度匹配，得到背景图像，然后将当前图像与背景图像在车道中间条状检测区域里进行差分，在图像的车道上对到停车线的实际距离进行标定，通过比对，得到车辆实际排队长度。本发明既能根据不同光照、天气选择相应的背景模板，提高检测准确率，又能避免对整幅图像进行计算处理，提高检测速度，满足实时性要求。

Description

一种基于纹理特征的车辆排队长度检测方法

技术领域

本发明属于智慧交通领域，涉及一种基于纹理特征的车辆排队长度检测方法。

背景技术

基于视频的车流量信息检测是图像处理技术在智慧交通领域的应用。它根据安装在交通道路网中的摄像头对道路状况实时采集视频。将采集到的视频传输到视频处理单元，对视频进行预处理，包括将视频分解成图像、滤波、消抖等。预处理后的图像进入检测单元。通过一些图像处理技术和人工智能算法挖掘图像中的车流信息。

对于直接从路口采集到的视频，图像中包含一些噪声干扰，摄像头晃动引起的视频扰动，不同时段、天气引起图像的对比度和亮度发生明显变化，这些干扰直接影响检测结果的准确率，因此不能直接对原始视频进行检测。通过数字图像处理的方法对原始图像进行平滑滤波、图像增强、消除抖动等操作，大大降低这些干扰因素对检测结果的影响，提高检测准确率。

发明内容

本发明针对现有技术的不足，提供了一种基于纹理特征的车辆排队长度检测方法。

本发明的具体步骤是：

步骤(1).建立图像背景库

对于在摄像头固定条件下拍摄的某一交通路口的视频，提取在不同光照、天气、时段情况下某车道无车的图像，存储这些图像，建立背景库。

步骤(2).提取纹理特征

2.1设定特征区域：将图像左上角的80×80区域作为特征区域，在该区域上完成提取纹理特征的操作。

2.2产生灰度共生矩阵：灰度共生矩阵表述为在灰度图像上，像素值为i的点与和它相距为d的位置上出现像素值为j的概率。用P_d(i,j)(i,j＝0,1,2,3,…,L-1)表示，其中，i、j为相应两像素的像素值，L为图像灰度级。P_d为灰度共生矩阵，d为两个像素的距离。两像素的相对位置，取0°、45°、90°和135°。

2.3计算纹理特征，在特征区域中根据灰度共生矩阵计算4种常用的标量来描述其纹理特征：

1)角二阶矩。它反映图像灰度分布的均匀程度和纹理粗细度。如果矩阵中所有值都相等，则该值较小，反之则值较大。即

${\mathrm{\φ}}_1=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{P}_d{(i,j)}^2---\left(1\right)$

2)熵。它反映图像像素值分布的复杂程度，该值越大，图像的纹理越复杂。即

${\mathrm{\φ}}_2=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{P}_d(i,j)\mathrm{lo}{g}_2{P}_d(i,j)---\left(2\right)$

3)逆差分矩，描述了图像纹理的同质性，如果图像纹理各区域较为均匀，局部不发生显著变化，则该值较大，即

${\mathrm{\φ}}_3=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}\frac{P_d(i,j)}{1+{(i-j)}^2}---\left(3\right)$

4)对比度，反映了图像纹理沟纹的深浅，该值越大，则沟纹越深，图像越清晰，即

${\mathrm{\φ}}_4=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{(i,j)}^2{P}_d(i,j)---\left(4\right)$

将每幅图像的4个纹理特征值保存至特征库，各背景图和特征向量一一对应。

步骤(3).特征相似度匹配及背景模板构建

对于当前的图像，需要从背景库找出一幅与它最相近的图像作为它的背景。首先按步骤(2)计算该图像的局部纹理特征，将该纹理特征与特征库中各特征向量进行相似度比较，由于每种纹理特征的取值范围都不同，这里将特征值归一化：

其中，φ_max，φ_min，φ分别表示某一特征的最大值、最小值和当前值。通过转换，向量中的4个特征值都为(0,1)的小数，对于转换后的特征向量，采用欧几里得距离来度量两者之间的相似度。

和分别为当前图像纹理模型和背景库图像纹理模型中第i个特征值。由于本发明采用4种不同纹理特征，因此n＝4。这样就得到了多种纹理的相似性比较方法，其中该值越小，则相似度越高。通过匹配得到与当前图像纹理相似度最高的图像，作为当前图像的背景图像。

步骤(4).车辆排队长度检测,具体更新步骤如下：

4.1设定检测区域：将车道中平行于车道方向宽为10个像素的条状区域设定为检测区域。

4.2将背景图像与当前图像在检测区域上进行差分，设定阈值将该区域二值化，得到局部分割图。

4.3在车道上标定与停车线的实际距离，通过将分割图的白色前景与车道上的距离进行比对，得到实际的车辆排队长度。

本发明既能根据不同光照、天气选择相应的背景模板，提高检测准确率，又能避免对整幅图像进行计算处理，提高检测速度，满足实时性要求。

附图说明

图1为本发明流程图。

图2为产生灰度共生矩阵的像素对模型。

具体实施方式

以下结合附图对本发明作进一步说明。

实验采用了杭州某路口的视频为原始输入数据，图像大小为640×480像素，位深度为8。

如图1所示，具体实施步骤如下：

步骤(1).建立图像背景库

对于在摄像头固定条件下拍摄的某一交通路口的视频，提取在不同光照、天气、时段情况下某车道无车的图像，存储这些图像，建立背景库。

步骤(2).提取纹理特征

2.1设定特征区域：将图像左上角的80×80区域作为特征区域，在该区域上完成提取纹理特征的操作。

2.2产生灰度共生矩阵：灰度共生矩阵表述为在灰度图像上，像素值为i的点与和它相距为d的位置上出现像素值为j的概率。用P_d(i,j)(i,j＝0,1,2,3,…,L-1)表示，其中，i、j为相应两像素的像素值，L为图像灰度级。P_d为灰度共生矩阵，d为两个像素的距离。两像素的相对位置，取0°、45°、90°和135°，参见图2。由此得到的灰度共生矩阵表达形式为：

$\left[\begin{array}{ccccc}{P}_d\left(\mathrm{0,0}\right)& P_d\left(\mathrm{0,1}\right)& ...& P_d(0,L-1)& P_d(0,L)\\ P_d\left(\mathrm{1,0}\right)& P_d\left(\mathrm{1,1}\right)& ...& P_d(1,L-1)& P_d(1,L)\\ .& .& & .& .\\ .& .& & .& .\\ .& .& & .& .\\ P_d(L-\mathrm{1,0})& P_d(L-\mathrm{1,1})& ...& P_d(L-1,L-1)& P_d(L-1,L)\\ P_d(L,0)& P_d(L,1)& ...& P_d(L,L-1)& P_d(L,L)\end{array}\right]$

2.3计算纹理特征，在特征区域中根据灰度共生矩阵计算4种常用的标量来描述其纹理特征：

1)角二阶矩。它反映图像灰度分布的均匀程度和纹理粗细度。如果矩阵中所有值都相等，则该值较小，反之则值较大。即

${\mathrm{\φ}}_1=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{P}_d{(i,j)}^2---\left(1\right)$

2)熵。它反映图像像素值分布的复杂程度，该值越大，图像的纹理越复杂。即

${\mathrm{\φ}}_2=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{P}_d(i,j)\mathrm{lo}{g}_2{P}_d(i,j)---\left(2\right)$

3)逆差分矩，描述了图像纹理的同质性，如果图像纹理各区域较为均匀，局部不发生显著变化，则该值较大，即

${\mathrm{\φ}}_3=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}\frac{P_d(i,j)}{1+{(i-j)}^2}---\left(3\right)$

4)对比度，反映了图像纹理沟纹的深浅，该值越大，则沟纹越深，图像越清晰，即

${\mathrm{\φ}}_4=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-j)}^2{P}_d(i,j)---\left(4\right)$

将每幅图像的4个纹理特征值保存至特征库，各背景图和特征向量一一对应。

步骤(3).特征相似度匹配及背景模板构建

对于当前的图像，需要从背景库找出一幅与它最相近的图像作为它的背景。首先按步骤(2)计算该图像的局部纹理特征，将该纹理特征与特征库中各特征向量进行相似度比较，由于每种纹理特征的取值范围都不同，这里将特征值归一化：

其中，φ_max，φ_min，φ分别表示某一特征的最大值、最小值和当前值。通过转换，向量中的4个特征值都为(0,1)的小数，对于转换后的特征向量，采用欧几里得距离来度量两者之间的相似度。

和分别为当前图像纹理模型和背景库图像纹理模型中第i个特征值。由于本发明采用4种不同纹理特征，因此n＝4。这样就得到了多种纹理的相似性比较方法，其中该值越小，则相似度越高。通过匹配得到与当前图像纹理相似度最高的图像，作为当前图像的背景图像。

步骤(4).车辆排队长度检测,具体更新步骤如下：

4.1设定检测区域：将车道中平行于车道方向宽为10个像素的条状区域设定为检测区域。

4.2将背景图像与当前图像在检测区域上进行差分，设定阈值将该区域二值化，得到局部分割图。

4.3在车道上标定与停车线的实际距离，通过将分割图的白色前景与车道上的距离进行比对，得到实际的车辆排队长度。

本发明既能根据不同光照、天气选择相应的背景模板，提高检测准确率，又能避免对整幅图像进行计算处理，提高检测速度，满足实时性要求。

本发明针对传统方法对实时车流量检测的不足，重点研究了根据不同光照、天气对实时车辆排队长度进行检测的策略。为车流信息的检测提供了一种基于纹理特征的车辆排队长度检测方法。在实际交通场景中，由于受光照变化等的影响，很难对车流信息进行长时间准确的检测。本发明针对交通路口拍摄的视频，首先提取不同光照条件、不同天气的该路口无车背景图建立一个背景库，设定视频中图像的某一特定区域作为特征区域。根据该图像区域的灰度共生矩阵提取常用的四种纹理特征形成特征描述向量对该区域的纹理特征进行描述，将当前图像的特征描述向量与背景库中的各幅图像的特征向量进行相似度匹配，找到与当前图像特征相似度最高的背景图像作为当前图像的背景图像，设定车道中间平行于车道的条状区域作为检测区域，将当前图像与背景图像在条状区域里进行差分，设定阈值进行二值化，得到车辆在条状区域中的分割图，在图像的车道上对到停车线的实际距离进行标定，通过比对，得到车辆实际排队长度。

本发明检测实验采用了杭州某交通路口的视频流，提取视频中的几帧图像进行试验，结果表明该方法能准确检测出车辆排队长度。同时对比了传统的2种检测方法：第1种基于混合高斯背景建模的背景差分法，该方法是通过图像中灰度值的分布情况来进行建模，然而当车辆在停车线前停止一段时候，该方法默认将该车辆设置为背景，从而会出现虚影，因此图像差分后不能很好的进行分割，实验结果不佳。第2种单背景图像差分法检测，由于不同时段光照的影响，图像灰度值发生明显变化，设定背景的亮度以及对比度和实际背景相差很大，导致分割后不能有效区分前景车辆和路面背景，检测结果不佳。本发明既能根据不同光照、天气选择相应的背景模板，提高检测准确率，又能避免对整幅图像进行计算处理，提高检测速度，满足实时性要求。

Claims (1)

1.一种基于纹理特征的车辆排队长度检测方法，其特征在于该方法包括以下步骤：

步骤(1).建立图像背景库

对于在摄像头固定条件下拍摄的某一交通路口的视频，提取在不同光照、天气、时段情况下某车道无车的图像，存储这些图像，建立背景库；

步骤(2).提取纹理特征

2.1设定特征区域：将图像左上角的80×80区域作为特征区域，在该区域上完成提取纹理特征的操作；

2.2产生灰度共生矩阵：灰度共生矩阵表述为在灰度图像上，像素值为i的点与和它相距为d的位置上出现像素值为j的概率；用P_d(i,j)(i,j＝0,1,2,3,…,L-1)表示，其中，i、j为相应两像素的像素值，L为图像灰度级；P_d为灰度共生矩阵，d为两个像素的距离；两像素的相对位置，取0°、45°、90°和135°；

2.3计算纹理特征，在特征区域中根据灰度共生矩阵计算四种常用的标量来描述其纹理特征：

1)角二阶矩；它反映图像灰度分布的均匀程度和纹理粗细度；如果矩阵中所有值都相等，则该值较小，反之则值较大；即

${\mathrm{\φ}}_1=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{P}_d{(i,j)}^2---\left(1\right)$

2)熵；它反映图像像素值分布的复杂程度，该值越大，图像的纹理越复杂；即

${\mathrm{\φ}}_2=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{P}_d(i,j){\log }_2{P}_d(i,j)---\left(2\right)$

3)逆差分矩，描述了图像纹理的同质性，如果图像纹理各区域较为均匀，局部不发生显著变化，则该值较大，即

${\mathrm{\φ}}_3=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}\frac{P_d(i,j)}{1+{(i-j)}^2}---\left(3\right)$

4)对比度，反映了图像纹理沟纹的深浅，该值越大，则沟纹越深，图像越清晰，即

${\mathrm{\φ}}_4=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-j)}^2{P}_d(i,j)---\left(4\right)$

将每幅图像的四个纹理特征值保存至特征库，各背景图和特征向量一一对应；

步骤(3).特征相似度匹配及背景模板构建

对于当前的图像，需要从背景库找出一幅与它最相近的图像作为它的背景；首先按步骤(2)计算该图像的局部纹理特征，将该纹理特征与特征库中各特征向量进行相似度比较，由于每种纹理特征的取值范围都不同，这里将特征值归一化：

其中，φ_max，φ_min，φ分别表示某一特征的最大值、最小值和当前值；通过转换，向量中的四个特征值都为(0,1)的小数，对于转换后的特征向量，采用欧几里得距离来度量两者之间的相似度；

和分别为当前图像纹理模型和背景库图像纹理模型中第i个特征值；由于采用四种不同纹理特征，因此n＝4；这样就得到了多种纹理的相似性比较方法，其中该值越小，则相似度越高；通过匹配得到与当前图像纹理相似度最高的图像，作为当前图像的背景图像；

步骤(4).车辆排队长度检测,具体更新步骤如下：

4.1设定检测区域：将车道中平行于车道方向宽为10个像素的条状区域设定为检测区域；

4.2将背景图像与当前图像在检测区域上进行差分，设定阈值将该区域二值化，得到局部分割图；

4.3在车道上标定与停车线的实际距离，通过将分割图的白色前景与车道上的距离进行比对，得到实际的车辆排队长度。