CN104952256B - 一种基于视频信息的交叉口处车辆的检测方法 - Google Patents
一种基于视频信息的交叉口处车辆的检测方法 Download PDFInfo
- Publication number
- CN104952256B CN104952256B CN201510363803.8A CN201510363803A CN104952256B CN 104952256 B CN104952256 B CN 104952256B CN 201510363803 A CN201510363803 A CN 201510363803A CN 104952256 B CN104952256 B CN 104952256B
- Authority
- CN
- China
- Prior art keywords
- background
- point
- value
- image
- model
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 abstract description 11
- 238000002679 ablation Methods 0.000 abstract description 2
- 238000003709 image segmentation Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于视频信息的交叉口处车辆的检测方法,包括读取交通视频的初始帧图像、背景模型初始化,为图像中每个像素建立一个背景、选取下一帧图像数据、比较判断每个x的灰度值和样本集、对图像进行二值化处理、针对不同情况,应用不同的更新策略,更新背景模型样本集、直至视频帧结束。本发明针对Vibe算法鬼影区域和静止目标吸收为背景等问题,改进前景点的更新策略,如果像素点连续50次被检测为前景,则重新初始化此点的背景模型,并更新其8邻域点的背景模型,加速鬼影消融;对于静止目标吸收为背景问题,仅选用背景点更新策略,只用背景点更新背景模型同时更新背景点的8邻域的背景模型,采用本发明可提高交叉口处车辆检测的准确性。
Description
技术领域
本发明属于智能交通领域,具体涉及一种基于视频信息的交叉口处车辆的检测方法。
背景技术
车辆检测,是一种基于车辆几何和统计特征的图像分割,是将视频图像分割成前景和背景区域的智能分析技术,是智能交通领域中一个重要的研究方向。
通常可以将车辆检测的背景分为静态背景和动态背景,静态背景是指摄像头在整个监控过程中没有移动,动态背景则是指在监控的过程中视频摄像头发生了平移、旋转等变化。运动车辆检测算法可以归类为点检测法、图像分割法、背景建模法、帧间差分法、聚类分析法和运动矢量场法。其中,点检测法、背景建模法、帧间差分法只适用于静态场景,对于动态场景,目前还没有公认的方法能较好地解决该问题,基于运动矢量场的方法虽然能区分由摄像机引起的背景运动与运动目标的独立运动,但是因其计算量太大,而无法满足实时检测的需求,基于监督分类的方法也能够实现摄像机运动的车辆检测,但是只适用于特定目标例如行人检测,具有局限性。从当前国内外的研究现状来看,帧间差分法、光流法和背景差分法的百分比占有率最大,而Vibe检测是是一种基于样本随机聚类的背景建模算法,由于算法的实时性和鲁棒性较高,一经提出就很快被用于实际应用中。
发明内容
针对现有技术的不足之处,本发明的所要解决的技术问题在于提供一种基于视频信息的交叉口处车辆的检测方法,针对Vibe算法的鬼影区域问题和静止目标吸收为背景问题,提出改进方法,提高算法的准确性。
为了解决上述技术问题,本发明可以通过以下技术措施实现:一种基于视频信息的交叉口处车辆的检测方法,包括以下步骤:
一、读取交通视频的初始帧图像,对其进行高斯滤波去除噪声,将RGB三通道图像转化成单通道灰度图像,灰度值Gray=0.587*R+0.114*G+0.229*B,其中R、G、B分别为当前像素点的红、绿、蓝颜色值,其范围为0-255。
二、背景模型初始化,为图像中每个像素建立一个背景,样本大小为n:
设x为平面图像上的某个点,v(x)为x处的灰度值,x的背景模型M(x)定义为:
M(x)={v1,v2,...,vn}
其中,vi表示图像在某个点处的灰度值,i=1,2,…,n;
x的初始背景模型的构造方法:vi是x的8邻域NG(x)中随机选取的点的灰度值。
三、选取下一帧图像数据,先对其进行高斯滤波去除噪声,转成灰度值图像。
四、比较判断每个x的灰度值和样本集,计算x的灰度值与M(x)的欧式距离,若距离小于阈值R,则近似样本点数H加1;如果H大于阈值#min,则认为x是背景点,否则为前景点;其中,R取值为20,#min取值为2。
五、对图像进行二值化处理,将前景点置1,背景点置0,其中1表示白色,0表示黑色;计算对图像进行二值化处理中所有外轮廓的面积,当面积大于阈值Q时,则认为此轮廓所对应的目标为车辆,其中Q大小为交通图像中最小汽车的轮廓面积。
六、针对不同情况,应用不同的更新策略,更新背景模型样本集。
七、返回步骤三,直至视频帧结束。
作为本发明的基于视频信息的交叉口处车辆的检测方法的优选实施方式,所述的步骤六进一步包括:
当交叉口信号灯为绿色,且视频读取帧数大于500帧时,车辆正常行驶,此时Vibe算法效果良好,可采用的更新策略是当x是背景点时,那么它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域点的模型样本值,是时间采样因子;当x是前景点时,对x进行统计,如果x连续50次被检测为前景,则将其更新为背景点,同时更新x的8邻域点的背景模型样本值其他前景点不更新背景模型。
当交叉口信号灯为红灯,且视频读取帧数大于500帧时,此时缓慢行驶直至静止车辆会被吸收为背景,此时传统的Vibe算法不足以应对此时的交通场景,本专利提出的更新策略为当像素点是背景点时,那么它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域点的模型样本值,是时间采样因子;当像素点为前景点,不用前景点更新背景,数学表达式如下:
当视频读取帧数小于500帧时,当x是背景点时,那么它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域点的模型样本值;当x为前景点时,对x进行统计,如果x连续50次被检测为前景,此x实际为背景点,用此点8邻域点的灰度值重新初始化此点的背景模型样本值,同时更新x的8邻域点的背景模型样本值,其他前景点不更新背景模型。
实施本发明的基于视频信息的交叉口处车辆的检测方法的技术方案具有如下有益效果:本发明的基于视频信息的交叉口处车辆的检测方法针对Vibe算法鬼影区域和静止目标吸收为背景等问题,对于鬼影区域问题,改进前景点的更新策略,如果像素点连续50次被检测为前景,则重新初始化此点的背景模型,并更新其8邻域点的背景模型,加速鬼影消融;对于静止目标吸收为背景问题,仅选用背景点更新策略,只用背景点更新背景模型同时更新背景点的8邻域的背景模型,采用本发明可提高交叉口处车辆检测的准确性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下结合优选实施例,并配合附图,详细说明如下。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制。
图1是本发明的基于视频信息的交叉口处车辆的检测方法的流程图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式,其作为本说明书的一部分,通过实施例来说明本发明的原理,本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中,不同的图中相同或相似的部件使用相同的附图标号来表示。为使本发明更加容易理解,下面将进一步阐述本发明的具体实施例。
如图1所示,本发明的一种基于视频信息的交叉口处车辆的检测方法包括以下步骤:
步骤1、读取交通视频的初始帧图像,对其进行高斯滤波去除噪声,将RGB三通道图像转化成单通道灰度图像,灰度值Gray=0.587*R+0.114*G+0.229*B,其中R、G、B分别为当前像素点的红、绿、蓝颜色值,其范围为0-255。
步骤2、背景模型初始化,为图像中每个像素建立一个背景,样本大小为n(本发明的n取值为20)。
设x为平面图像上的某个点,v(x)为x处的灰度值,x的背景模型M(x)定义为:
M(x)={v1,v2,...,vn}
其中,vi表示图像在某个点处的灰度值,i=1,2,…,n;
x的初始背景模型的构造方法:vi是x的8邻域NG(x)中随机选取的点的灰度值。
步骤3、选取下一帧图像数据,先对其进行高斯滤波去除噪声,转成灰度值图像。
步骤4、比较判断每个x的灰度值和样本集,计算x的灰度值与M(x)的欧式距离,若距离小于阈值R(本发明的R取值为20),则近似样本点数H加1(初始值为0)。如果H大于阈值#min(本发明的#min取值为2),则认为x是背景点,否则为前景点。
步骤5、对图像进行二值化处理,将前景点置1(白色),背景点置0(黑色)。计算对图像进行二值化处理中所有外轮廓的面积,当面积大于阈值Q(Q大小为交通图像中最小汽车的轮廓面积)时,则认为此轮廓所对应的目标为车辆。
步骤6、针对不同情况,应用不同的更新策略,更新背景模型样本集。
进一步地,当交叉口信号灯为绿色,且视频读取帧数大于500帧时,车辆正常行驶,此时Vibe算法效果良好,可采用的更新策略是当x是背景点时,那么它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域点的模型样本值。是时间采样因子,一般取值为16。当x是前景点时,对x进行统计,如果x连续50次被检测为前景,则将其更新为背景点,同时更新x的8邻域点的背景模型样本值其他前景点不更新背景模型。
当交叉口信号灯为红灯,且视频读取帧数大于500帧时,此时缓慢行驶直至静止车辆会被吸收为背景,此时传统的Vibe算法不足以应对此时的交通场景,本专利提出的更新策略为当像素点是背景点时,那么它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域点的模型样本值。是时间采样因子,一般取值为16;当像素点为前景点,不用前景点更新背景,数学表达式如下:
当视频读取帧数小于500帧时,传统的Vibe算法会出现鬼影问题:且这种情况是因为用初始帧作为背景模型这种策略引起的。本发明的更新策略为当x是背景点时,那么它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域点的模型样本值;当x为前景点时,对x进行统计,如果x连续50次被检测为前景,此x实际为背景点,用此点8邻域点的灰度值重新初始化此点的背景模型样本值,同时更新x的8邻域点的背景模型样本值,其他前景点不更新背景模型。
步骤7、返回步骤3,直至视频帧结束。
本发明的基于视频信息的交叉口处车辆的检测方法针对Vibe算法鬼影区域和静止目标吸收为背景等问题,对于鬼影区域问题,改进前景点的更新策略,如果像素点连续50次被检测为前景,则重新初始化此点的背景模型,并更新其8邻域点的背景模型,加速鬼影消融;对于静止目标吸收为背景问题,仅选用背景点更新策略,只用背景点更新背景模型同时更新背景点的8邻域的背景模型,采用本发明可提高交叉口处车辆检测的准确性。
最后所应当说明的是,以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细说明,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实质和范围。
Claims (1)
1.一种基于视频信息的交叉口处车辆的检测方法,其特征在于,包括以下步骤:
一、读取交通视频的初始帧图像,对其进行高斯滤波去除噪声,将RGB三通道图像转化成单通道灰度图像,灰度值Gray = 0.587 * R + 0.114 *G + 0.229 * B ,其中R、G、B分别为当前像素点的红、绿、蓝颜色值,其范围为0-255;
二、背景模型初始化,为图像中每个像素建立一个背景,样本大小为n:
设x为平面图像上的某个点,v(x) 为x 处的灰度值,x 的背景模型M(x) 定义为:
其中,vi表示图像在某个点处的灰度值,i=1,2,…,n;
x 的初始背景模型的构造方法:vi是x的8 邻域N G(x)中随机选取的点的灰度值;
三、选取下一帧图像数据,先对其进行高斯滤波去除噪声,转成灰度值图像;
四、比较判断每个x 的灰度值和样本集,计算x的灰度值与M(x)的欧式距离,若距离小于阈值R,则近似样本点数H加1;如果H大于阈值#min,则认为x是背景点,否则为前景点;其中,R取值为20,#min 取值为2;
五、对图像进行二值化处理,将前景点置1,背景点置0,其中1表示白色,0表示黑色;计算对图像进行二值化处理中所有外轮廓的面积,当面积大于阈值Q 时,则认为此轮廓所对应的目标为车辆,其中Q 大小为交通图像中最小汽车的轮廓面积;
六、针对不同情况,应用不同的更新策略,更新背景模型样本集;
七、返回步骤三,直至视频帧结束;
步骤六进一步包括:
当交叉口信号灯为绿色,且视频读取帧数大于500 帧时,车辆正常行驶,当x 是背景点时,那么它有1 /φ的概率去更新自己的模型样本值,同时也有1 /φ的概率去更新它的邻域点的模型样本值,φ是时间采样因子;采用的更新策略是当x 是前景点时,对x 进行统计,如果x 连续50次被检测为前景,则将其更新为背景点,同时更新x 的8 邻域点的背景模型样本值其他前景点不更新背景模型;
当交叉口信号灯为红灯,且视频读取帧数大于500 帧时,此时缓慢行驶直至静止车辆会被吸收为背景,采用的更新策略为当像素点是背景点时,那么它有1 /φ的概率去更新自己的模型样本值,同时也有1 /φ的概率去更新它的邻域点的模型样本值,φ是时间采样因子;当像素点为前景点,不用前景点更新背景,数学表达式如下:
当视频读取帧数小于500 帧时,当x 是背景点时,那么它有1 /φ的概率去更新自己的模型样本值,同时也有1 /φ的概率去更新它的邻域点的模型样本值;当x 为前景点时,对x进行统计,如果x 连续50 次被检测为前景,此x 实际为背景点,用此点8 邻域点的灰度值重新初始化此点的背景模型样本值,同时更新x 的8 邻域点的背景模型样本值,其他前景点不更新背景模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510363803.8A CN104952256B (zh) | 2015-06-25 | 2015-06-25 | 一种基于视频信息的交叉口处车辆的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510363803.8A CN104952256B (zh) | 2015-06-25 | 2015-06-25 | 一种基于视频信息的交叉口处车辆的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104952256A CN104952256A (zh) | 2015-09-30 |
CN104952256B true CN104952256B (zh) | 2017-11-07 |
Family
ID=54166876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510363803.8A Expired - Fee Related CN104952256B (zh) | 2015-06-25 | 2015-06-25 | 一种基于视频信息的交叉口处车辆的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104952256B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894534B (zh) * | 2016-03-25 | 2018-07-17 | 中国传媒大学 | 一种基于ViBe的改进运动目标检测方法 |
CN106483129B (zh) * | 2016-09-23 | 2019-06-21 | 电子科技大学 | 一种基于运动目标识别的白带滴虫自动检测的方法 |
CN106780646B (zh) * | 2016-12-01 | 2020-06-16 | 中科唯实科技(北京)有限公司 | 一种适用多场景的无参数背景建模方法 |
CN108229385A (zh) * | 2017-12-29 | 2018-06-29 | 江苏省新通智能交通科技发展有限公司 | 一种基于视频的船舶检测方法及系统 |
CN109146914B (zh) * | 2018-06-20 | 2023-05-30 | 上海市政工程设计研究总院(集团)有限公司 | 一种高速公路基于视频分析的醉酒驾驶行为预警方法 |
CN109741350B (zh) * | 2018-12-04 | 2020-10-30 | 江苏航天大为科技股份有限公司 | 基于形态学变化与活动点填充的交通视频背景提取方法 |
CN110348374B (zh) * | 2019-07-09 | 2021-06-08 | 北京字节跳动网络技术有限公司 | 车辆检测方法、装置、电子设备及存储介质 |
CN110580709A (zh) * | 2019-07-29 | 2019-12-17 | 浙江工业大学 | 一种基于ViBe和三帧差分融合的目标检测方法 |
CN110752003A (zh) * | 2019-09-04 | 2020-02-04 | 山东鲁能软件技术有限公司 | 基于人工智能技术模式识别的应用于健康预防的识别技术 |
CN110599523A (zh) * | 2019-09-10 | 2019-12-20 | 江南大学 | 一种融合帧间差分法的ViBe鬼影抑制方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001297397A (ja) * | 2000-04-17 | 2001-10-26 | Nagoya Electric Works Co Ltd | 車両計測方法およびその装置 |
JP3914447B2 (ja) * | 2002-02-25 | 2007-05-16 | 日本信号株式会社 | 画像式車両感知システム及び画像式車両感知方法 |
CN103310638A (zh) * | 2013-05-24 | 2013-09-18 | 江苏引跑网络科技有限公司 | 基于虚拟线圈技术的视频车流量统计技术 |
CN103456028B (zh) * | 2013-08-30 | 2016-08-31 | 浙江立元通信技术有限公司 | 一种运动目标检测方法 |
CN103824070B (zh) * | 2014-03-24 | 2017-07-07 | 重庆邮电大学 | 一种基于计算机视觉的快速行人检测方法 |
CN103971386B (zh) * | 2014-05-30 | 2017-03-15 | 南京大学 | 一种动态背景场景下的前景检测方法 |
-
2015
- 2015-06-25 CN CN201510363803.8A patent/CN104952256B/zh not_active Expired - Fee Related
Non-Patent Citations (1)
Title |
---|
"基于实时视频的运动目标检测算法";邱祯艳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140215(第02期);论文正文第3章第3.1-3.3节、第3.6节以及图3.15 * |
Also Published As
Publication number | Publication date |
---|---|
CN104952256A (zh) | 2015-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104952256B (zh) | 一种基于视频信息的交叉口处车辆的检测方法 | |
CN110688987B (zh) | 一种行人位置检测与跟踪方法及系统 | |
WO2022027931A1 (zh) | 基于视频图像的运动车辆前景检测方法 | |
Gomez et al. | Traffic lights detection and state estimation using hidden markov models | |
CN105513105B (zh) | 基于显著图的图像背景虚化方法 | |
CN110210451A (zh) | 一种斑马线检测方法 | |
CN105809715B (zh) | 一种基于帧间累计变化矩阵的视觉运动目标检测方法 | |
CN103971128A (zh) | 一种面向无人驾驶车的交通标志识别方法 | |
CN105005778A (zh) | 一种基于视觉背景提取的高速公路车辆检测方法 | |
CN104537342B (zh) | 一种结合山脊边界检测及霍夫变换的快速车道线检测方法 | |
CN103034983B (zh) | 一种基于各向异性滤波的去雾方法 | |
CN105046677A (zh) | 一种用于交通视频图像的增强处理方法和装置 | |
CN102930719A (zh) | 用于交通路口场景并基于网络物理系统的视频图像前景检测方法 | |
CN108022249A (zh) | 一种遥感视频卫星运动车辆目标感兴趣区域自动提取方法 | |
CN110782409B (zh) | 一种去除多运动物体阴影的方法 | |
JP4156084B2 (ja) | 移動物体追跡装置 | |
CN103729828A (zh) | 视频去雨方法 | |
CN111145105A (zh) | 一种图像快速去雾方法、装置、终端及存储介质 | |
CN105825234A (zh) | 一种融合超像素和背景模型的前景检测方法 | |
CN109308709B (zh) | 基于图像分割的Vibe运动目标检测算法 | |
CN108875589B (zh) | 一种道路区域的视频检测方法 | |
Han et al. | An end-to-end dehazing Siamese region proposal network for high robustness object tracking | |
CN104091166B (zh) | 一种车道线边缘提取的动态阈值方法 | |
CN111241916A (zh) | 一种交通标志识别模型的建立方法 | |
CN106951831B (zh) | 一种基于深度摄像机的行人检测跟踪方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171107 |