CN105184240A - 基于扫描线聚类的安防视频道路自动识别算法 - Google Patents

Abstract

本发明公开了基于扫描线聚类的安防视频道路自动识别算法，包括两个模块：获取汽车行驶区域和方向模块和道路区域自动识别模块；其中道路区域自动识别模块主要是对背景图做扫描线聚类处理。通过1)获取汽车行驶区域和行驶方向模块、2)道路区域自动识别模块和3)扫描线聚类算法SCL(Scan？Line？Cluster)的具体操作完成基于扫描线聚类的安防视频道路自动识别算法，获得安防视频中道路布防区域。本发明能够克服现有的基于像素阈值的道路分割算法需要手工采集种子点、不能有效去除道路裂纹、垃圾等噪声的不足，提高道路自动识别的效率、准确性和智能程度。

Description

基于扫描线聚类的安防视频道路自动识别算法

技术领域

本发明涉及安防监控视频处理、模式识别、人工智能和图像处理领域，具体是基于扫描线聚类的安防视频监控道路自动识别算法。

背景技术

视频道路识别是视频图像处理的一个重要研究领域。在校园或居民住宅小区中，由于人口居住密度大，需要对居民生活小区内或校园内的道路进行监控管理，如有乱停车，聚众闹事，交通意外事件应能够及时报警。要实现居民校区或校园内道路智能视频监控，必须首先能够识别监控视频中的道路区域，并在视频中道路区域设置防区，然后根据报警类型进行视频内容分析。

对校园或居民住宅小区的安防视频进行道路自动检测，有助于提高安防监控的智能化。目前关于道路识别的研究主要集中在以下两点：

(1)从车载摄像的视频图像中识别道路边缘，用于无人驾驶技术的道路识别。

道路感知是智能车辆中最基本的要求。这种应用背景下，摄像机安装在车辆前端。通过对视频图像进行处理，进行道路自动识别。传统的道路检测算法包括边缘检测、主动轮廓模型分割、阈值分割或颜色聚类方法等等，由于受到阴影遮挡、噪声和不连续道路边界或标志线的影响，通常基于边缘检测、图像阑值等的方法无法从本质上解决上述问题，因此无法获得满意的道路检测效果。为改进智能车辆道路感知效果，研究人员提出了一些改进算法：如基于变形模板和遗传算法的道路检测方法；用图像颜色信息进行道路场景聚类，将道路的先验知识对分类结果进行后续处理后，最后用参考区域法对道路进行识别。智能车辆道路识别问题一个最大的特点为：道路识别过程是在车辆行驶过程中实时进行的，道路的路面情况是实时变化的。

(2)从遥感图像中识别城市道路

道路在遥感影像呈现独特的特征，如光谱特征、形状特征以及拓扑特征，这些特征使得道路在遥感影像上表现出独特的色调、反差、形状、纹理等。传统的道路识别方法大多基于像素和道路特征，如在模板匹配法、主动轮廓模型、区域生长等方法，融入道路的拓扑、纹理、形状等特征，从遥感图像中识别城市道路，但这些识别方法需要人工采集算法的种子点，也容易受非道路因素的影响，这使得算法的效果受到影响，应用范围也有一定的局限性。

这两种道路识别算法的应用背景和特点，与小区或校园安防视频中识别道路区域，用于突发事件的预警是完全不同的。从摄像头安装的位置来看，所获取的视频图像也是完全不同的，因此，不能直接将上述技术直接用于本发明中。为此，本发明给出了基于扫描线聚类的安防视频道路自动检测算法。

发明内容

本发明的目的是克服现有的基于像素阈值、图像分割等道路识别算法需要手工采集种子点的不足，提供基于扫描线聚类的安防视频监控道路自动识别算法。

本发明解决上述技术问题的技术方案如下：

基于扫描线聚类的安防视频道路自动识别算法包括两个模块：获取汽车行驶区域和方向模块和道路区域自动识别模块；其中道路区域自动识别模块主要是对背景图做扫描线聚类处理，各模块具体说明如下：

1.获取汽车行驶区域和行驶方向模块具体操作如下：

步骤一.标识运动目标：由于校园或居民住宅生活小区里行人、车辆移动速度不快，因此选用传统的背景差算法来进行视频中移动目标的有效检测。

步骤二.提取运动目标边缘特征：校园或居民住宅生活小区内的移动目标包括行人、车辆等，由于行人的活动区域比较大，往往超过道路区域，因此以车辆的活动区域作为道路自动检测的依据，从视频中提取活动目标之后，用现有的小波分析方法对活动目标进行边缘检测。

步骤三.检查运动目标边缘特征是否与车辆边缘特征匹配：将目标的边缘特征与数据库中的车辆边缘特征进行相似度计算，若相似度超过预先给定的阈值，则执行步骤四计算运动目标的移动速度v。否则，跳转至步骤一标识运动目标，重新标识新的运动目标。

步骤四.计算运动目标的移动速度v：校园或居民住宅生活小区内在道路区域有可能出现人员搬运大型板报或大型家具的情况，大型板报或大型家具的边缘特征类似于车辆轮廓。为进一步精确提取车辆目标，需要计算移动目标的运动速度。

假设目标检测获得当前帧F_t中运动目标的坐标为p₁(x_t,y_t)，经过时间后第帧中运动物体的坐标为此刻的运动目标的移动速度v根据相应的坐标计算获得：

$v=\frac{dist\left(p_1\right(x_t,y_t),p_2(x_{t+\▿t},y_{t+\▿t}\left)\right)}{\▿t}$

式中，dist(p₁(x_t,y_t),)表示p₁,p₂两点间的欧式距离。

步骤五.判断运动目标的移动速度是否在车辆移动速度预设的范围内：行人和车辆的移动速度有明显的差异，若某运动物体的v值大于或等于预设的车辆速度值，继续执行步骤六。否则，移动目标不能确认为车辆，跳转至步骤一，重新标识新的运动目标。

步骤六.记录车辆在图像中的坐标：标识该运动目标为车辆，记录车辆在图像中的坐标(x_t,y_t)和并记(x₀,y₀)＝(x_t,y_t),

步骤七.计算车辆的行驶方向：仅考虑监控区域的道路是直线型，车辆在行驶过程中其方向不会发生突然变化。根据车辆目标在当前帧F_t中的坐标(x_t,y_t)，和经过时间后在第帧中运动的坐标近似计算车辆行驶方向与水平方向的夹角为：

$\mathrm{\θ}=\arctan \left(\frac{y_{t+\▿t}-y_t}{x_{t+\▿t}-x_t}\right)$

步骤八.输出(x₀,y₀)、(x₁,y₁)和θ。

2.道路区域自动识别模块具体操作步骤如下：

步骤一.输入干净的背景图G。

步骤二.将背景图G进行镜头矫正、去噪处理。

步骤三.以(x₀,y₀)为坐标原点，将背景图G按(x₁,y₁)到水平线的方向旋转θ度，得到水平道路的背景图G’。

步骤四.计算背景图G’的大小尺寸，记图背景图G’的总行数为M,G’的总列数为N，即size(G’)＝M*N。

步骤五.获取(x₀,y₀)的灰度值g₀，g₀＝gray((x₀,y₀))。

步骤六.设置扫描线初始值：i＝0。

步骤七.i<M：判断第i条扫描线还在背景图G’中，若是，则执行步骤八，否则，扫描完毕，转而执行步骤十。

步骤八.调用扫描线聚类算法SCL(s,t,σ,Δ₁,Δ₂)：其中参数s,t为扫描线起点和终点值，σ，Δ₁，Δ₂为阈值，σ为像素灰度聚类的最小距离，Δ₁为扫描线上前景线段聚类的最小长度，Δ₂为扫描线上背景线段聚类的最小长度。

步骤九i＝i+1：准备处理下一条扫描线。重复执行步骤七-步骤九，直到i≥3M。

步骤十输出道路识别结果。

3.扫描线聚类算法SCL(ScanLineCluster)：在上述道路区域自动检测算法模块的步骤八中，调用了扫描线聚类算法SCL，具体执行步骤如下：

步骤一j＝0：开始处理第i条扫描线上的第一个像素点。

步骤二获取第i条扫描线上第j个像素点的灰度值g_j，g_j＝gray(x_i,x_j)。

步骤三若|(g_j-g₀)|<＝σ，说明像素(x_i,x_j)的灰度值与(x₀,y₀)的灰度值非常接近，则执行步骤四，否则转而执行七。

步骤四初始化像素个数统计变量n₁＝1，记录当前像素点的位置p＝j。

步骤五统计灰度值|(g_j-g₀)|<＝σ的像素个数n₁。

步骤六若n₁>＝Δ₁，则标记该n₁个像素为前景，即置该n₁个像素点的灰度为1(流程图中的gray(i,p:p+n₁-1)＝1；表示将第i行，第p到p+n₁-1列的像素点的灰度值置为1)，否则，标记该n₁个像素为背景，即置该n₁个像素点为灰度为0。转而执行步骤十。

步骤七初始化像素个数统计变量n₂＝1，记录当前像素点的位置p＝j。

步骤八统计灰度值|(g_j-g₀)|>σ的像素个数n₂。

步骤九若n₂>＝Δ₂，则标记该n₂个像素为背景，即置该n₂个像素点为灰度为0，否则，标记该n₂个像素为前景，即置该n₂个像素点为灰度为1。

步骤十j＝j+1：准备处理下一个像素。

步骤十一若j<N，表示还有像素点需要处理，转而执行步骤二，否则，表示扫描线处理完毕，执行步骤十二。

步骤十二输出扫描线聚类结果。

本发明与现有技术比较的优点有：

1.在识别汽车行驶区域的时候，充分考虑了校园道路通行情况复杂的特点，增加了去除行人搬移大型板报等情况，更有效的检测出复杂地域的道路区域。

2.通过获取车辆行驶区域的坐标点，自动确定像素聚类的种子点，提高了道路自动识别的智能程度。

3.利用水平扫描线检测道路，能够对道路中的水痕，裂纹，对机动车道路与人行道路的分界线自动修补和识别，提高道路识别的准确性。

附图说明

图1是本发明基于扫描线聚类的安防视频道路自动识别算法组成示意图。

图2是本发明获取汽车行驶区域和行驶方向模块流程图。

图3是本发明道路区域自动识别模块流程图。

图4是本发明扫描线聚类算法SCL(ScanLineCluster)流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

本发明基于扫描线聚类的安防视频道路自动识别算法组成如图1所示，包括两个模块：获取汽车行驶区域和方向模块1；道路区域自动识别模块2。其中道路区域自动识别模块2主要是对背景图做扫描线聚类处理。各模块具体说明如下：

1.获取汽车行驶区域和行驶方向模块1，其流程图见图2。具体操作如下：

步骤一：标识运动目标。由于校园或居民住宅生活小区里行人、车辆移动速度不快，因此选用传统的背景差算法来进行视频中移动目标的有效检测。

步骤二：提取运动目标边缘特征。校园或居民住宅生活小区内的移动目标包括行人、车辆等，由于行人的活动区域比较大，往往超过道路区域，因此以车辆的活动区域作为道路自动检测的主要依据。从视频中提取活动目标之后，用现有的小波分析方法对活动目标进行边缘检测。

步骤三：检查运动目标边缘特征是否与车辆边缘特征匹配。将目标的边缘特征与数据库中的车辆边缘特征进行相似度计算，若相似度超过预先给定的阈值，则执行步骤四计算运动目标的移动速度v。否则，跳转至步骤一标识运动目标，重新标识新的运动目标。

步骤四：计算运动目标的移动速度v。校园或居民住宅生活小区内在道路区域有可能出现人员搬运大型板报或大型家具的情况，大型板报或大型家具的边缘特征类似于车辆轮廓。为进一步精确提取车辆目标，需要计算移动目标的运动速度。

假设目标检测获得当前帧F_t中运动目标的坐标为p₁(x_t,y_t)，经过时间后第帧中运动物体的坐标为此刻的运动目标的移动速度v可近似根据相应的坐标计算获得：

$v=\frac{dist\left(p_1\right(x_t,y_t),p_2(x_{t+\&dtri;t},y_{t+\&dtri;t}\left)\right)}{\&dtri;t}$

式中，dist(p₁(x_t,y_t),)表示p₁,p₂两点间的欧式距离。

步骤五：判断运动目标的移动速度是否在车辆移动速度预设的范围内。行人和车辆的移动速度有明显的差异。若某运动物体的v值大于或等于预设的车辆速度值，继续执行步骤六。否则，移动目标不能确认为车辆，跳转至步骤一，重新标识新的运动目标。

步骤六：记录车辆在图像中的坐标。标识该运动目标为车辆，记录车辆在图像中的坐标(x_t,y_t)和并记(x₀,y₀)＝(x_t,y_t),

步骤七：计算车辆的行驶方向。

仅考虑监控区域的道路是直线型，车辆在行驶过程中其方向不会发生突然变化。根据车辆目标在当前帧F_t中的坐标(x_t,y_t)，和经过时间后在第帧中运动的坐标可近似计算车辆行驶方向与水平方向的夹角为：

$\mathrm{\&theta;}=\arctan \left(\frac{y_{t+\&dtri;t}-y_t}{x_{t+\&dtri;t}-x_t}\right)$

步骤八：输出(x₀,y₀)、(x₁,y₁)和θ。

2.道路区域自动识别模块2，其流程图见图3，具体操作步骤如下：

步骤一输入干净的背景图G。

步骤二将背景图G进行镜头矫正、去噪处理。

步骤三以(x₀,y₀)为坐标原点，将背景图G按(x₁,y₁)到水平线的方向旋转θ度，得到水平道路的背景图G’。

步骤四计算背景图G’的大小尺寸。记图背景图G’的总行数为M,背景图G’的总列数为N，即size(G’)＝M*N。

步骤五获取(x₀,y₀)的灰度值g₀。g₀＝gray((x₀,y₀))。

步骤六设置扫描线初始值。i＝0。

步骤七i<M。

判断第i条扫描线还在G’中，若是，则执行步骤八。否则，扫描完毕，转而执行步骤十。

步骤八调用扫描线聚类算法SCL(s,t,σ,Δ₁，Δ₂)：

其中参数s,t为扫描线起点和终点值，σ，Δ₁，Δ₂为阈值。σ为像素灰度聚类的最小距离，Δ₁为扫描线上前景线段聚类的最小长度，Δ₂为扫描线上背景线段聚类的最小长度。

步骤九i＝i+1：准备处理下一条扫描线。重复执行步骤七-步骤九，直到i≥3M。

步骤十输出道路识别结果。

3.扫描线聚类算法SCL(ScanLineCluster)。在上述道路区域自动检测算法模块的步骤8中，调用了扫描线聚类算法SCL，其流程图见图4。具体执行步骤如下：

步骤一j＝0：开始处理第i条扫描线上的第一个像素点。

步骤二获取第i条扫描线上第j个像素点的灰度值g_j，g_j＝gray(x_i,x_j)。

步骤三若|(g_j-g₀)|<＝σ，说明像素(x_i,x_j)的灰度值与(x₀,y₀)的灰度值非常接近，则执行步骤四。否则转而执行七。

步骤四初始化像素个数统计变量n₁＝1，记录当前像素点的位置p＝j。

步骤五统计灰度值|(g_j-g₀)|<＝σ的像素个数n₁。

步骤六若n₁>＝Δ₁，则标记该n₁个像素为前景，即置该n₁个像素点的灰度为1(流程图中的gray(i,p:p+n₁-1)＝1；表示将第i行，第p到p+n₁-1列的像素点的灰度值置为1)，否则，标记该n₁个像素为背景，即置该n₁个像素点为灰度为0。转而执行步骤十。

步骤七初始化像素个数统计变量n₂＝1，记录当前像素点的位置p＝j。

步骤八统计灰度值|(g_j-g₀)|>σ的像素个数n₂。

步骤九若n₂>＝Δ₂，则标记该n₂个像素为背景，即置该n₂个像素点为灰度为0，否则，标记该n₂个像素为前景，即置该n₂个像素点为灰度为1。

步骤十j＝j+1：准备处理下一个像素。

步骤十一若j<N，表示还有像素点需要处理，转而执行步骤二。否则，表示扫描线处理完毕，执行步骤十二。

步骤十二输出扫描线聚类结果。

Claims (1)

1.基于扫描线聚类的安防视频道路自动识别算法，其特征在于，包括两个模块：获取汽车行驶区域和方向模块(1)和道路区域自动识别模块(2)；其中道路区域自动识别模块(2)主要是对背景图做扫描线聚类处理，各模块具体说明如下：

1)获取汽车行驶区域和行驶方向模块(1)具体操作如下：

步骤一.标识运动目标：由于校园或居民住宅生活小区里行人、车辆移动速度不快，因此选用传统的背景差算法来进行视频中移动目标的有效检测；

步骤二.提取运动目标边缘特征：校园或居民住宅生活小区内的移动目标包括行人、车辆等，由于行人的活动区域比较大，往往超过道路区域，因此以车辆的活动区域作为道路自动检测的依据，从视频中提取活动目标之后，用现有的小波分析方法对活动目标进行边缘检测；

步骤三.检查运动目标边缘特征是否与车辆边缘特征匹配：将目标的边缘特征与数据库中的车辆边缘特征进行相似度计算，若相似度超过预先给定的阈值，则执行步骤四计算运动目标的移动速度v，否则，跳转至步骤一标识运动目标，重新标识新的运动目标；

步骤四.计算运动目标的移动速度v：校园或居民住宅生活小区内在道路区域有可能出现人员搬运大型板报或大型家具的情况，大型板报或大型家具的边缘特征类似于车辆轮廓，为进一步精确提取车辆目标，需要计算移动目标的运动速度；

假设目标检测获得当前帧F_t中运动目标的坐标为p₁(x_t,y_t)，经过时间后第帧中运动物体的坐标为此刻的运动目标的移动速度v根据相应的坐标计算获得：

$v=\frac{dist\left(p_1\right(x_t,y_t),p_2(x_{t+\&dtri;t},y_{t+\&dtri;t}\left)\right)}{\&dtri;t}$

式中，表示p₁,p₂两点间的欧式距离；

步骤五.判断运动目标的移动速度是否在车辆移动速度预设的范围内：行人和车辆的移动速度有明显的差异，若某运动物体的v值大于或等于预设的车辆速度值，继续执行步骤六；否则，移动目标不能确认为车辆，跳转至步骤一，重新标识新的运动目标；

步骤六.记录车辆在图像中的坐标：标识该运动目标为车辆，记录车辆在图像中的坐标(x_t,y_t)和并记 $(x_0,y_0)=(x_t,y_t),(x_1,y_1)=(x_{t+\&dtri;t},y_{t+\&dtri;t});$

步骤七.计算车辆的行驶方向：仅考虑监控区域的道路是直线型，车辆在行驶过程中其方向不会发生突然变化，根据车辆目标在当前帧F_t中的坐标(x_t,y_t)，和经过时间后在第帧中运动的坐标计算车辆行驶方向与水平方向的夹角为：

$\mathrm{\&theta;}=\arctan \left(\frac{y_{t+\&dtri;t}-y_t}{x_{t+\&dtri;t}-x_t}\right)$

步骤八.输出(x₀,y₀)、(x₁,y₁)和θ；

2)道路区域自动识别模块(2)具体操作步骤如下：

步骤一.输入干净的背景图G；

步骤二.将背景图G进行镜头矫正、去噪处理；

步骤三.以(x₀,y₀)为坐标原点，将背景图G按(x₁,y₁)到水平线的方向旋转θ度，得到水平道路的背景图G’；

步骤四.计算背景图G’的大小尺寸，记图背景图G’的总行数为M,G’的总列数为N，即size(G’)＝M*N；

步骤五.获取(x₀,y₀)的灰度值g₀，g₀＝gray((x₀,y₀))；

步骤六.设置扫描线初始值：i＝0；

步骤七.i<M：判断第i条扫描线还在背景图G’中，若是，则执行步骤八，否则，扫描完毕，转而执行步骤十；

步骤八.调用扫描线聚类算法SCL(s,t,σ,Δ₁,Δ₂)：其中参数s,t为扫描线起点和终点值，σ，Δ₁，Δ₂为阈值，σ为像素灰度聚类的最小距离，Δ₁为扫描线上前景线段聚类的最小长度，Δ₂为扫描线上背景线段聚类的最小长度；

步骤九i＝i+1：准备处理下一条扫描线。重复执行步骤七-步骤九，直到i≥M；

步骤十输出道路识别结果；

3)扫描线聚类算法SCL(ScanLineCluster)：在上述道路区域自动检测算法模块的步骤八中，调用了扫描线聚类算法SCL，具体执行步骤如下：

步骤一j＝0：开始处理第i条扫描线上的第一个像素点；

步骤二获取第i条扫描线上第j个像素点的灰度值g_j，g_j＝gray(x_i,x_j)；

步骤三若|(g_j-g₀)|<＝σ，说明像素(x_i,x_j)的灰度值与(x₀,y₀)的灰度值非常接近，则执行步骤四，否则转而执行七；

步骤四初始化像素个数统计变量n₁＝1，记录当前像素点的位置p＝j；

步骤五统计灰度值|(g_j-g₀)|<＝σ的像素个数n₁；

步骤六若n₁>＝Δ₁，则标记该n₁个像素为前景，即置该n₁个像素点的灰度为1(流程图中的gray(i,p:p+n₁-1)＝1；表示将第i行，第p到p+n₁-1列的像素点的灰度值置为1)，否则，标记该n₁个像素为背景，即置该n₁个像素点为灰度为0。转而执行步骤十；

步骤七初始化像素个数统计变量n₂＝1，记录当前像素点的位置p＝j；

步骤八统计灰度值|(g_j-g₀)|>σ的像素个数n₂；

步骤九若n₂>＝Δ₂，则标记该n₂个像素为背景，即置该n₂个像素点为灰度为0，否则，标记该n₂个像素为前景，即置该n₂个像素点为灰度为1；

步骤十j＝j+1：准备处理下一个像素；

步骤十一若j<N，表示还有像素点需要处理，转而执行步骤二，否则，表示扫描线处理完毕，执行步骤十二；

步骤十二输出扫描线聚类结果。