CN105321342B - 一种基于航拍视频的交叉口车辆排队长度检测方法 - Google Patents
一种基于航拍视频的交叉口车辆排队长度检测方法 Download PDFInfo
- Publication number
- CN105321342B CN105321342B CN201510889268.XA CN201510889268A CN105321342B CN 105321342 B CN105321342 B CN 105321342B CN 201510889268 A CN201510889268 A CN 201510889268A CN 105321342 B CN105321342 B CN 105321342B
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- vehicle
- msub
- mtr
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于航拍视频的交叉口车辆排队长度检测方法，包括步骤一：对航拍视频进行配准；步骤二：在交叉口进口道设定车辆排队长度检测区域；步骤三：检测红灯状态；步骤四：当车道处于红灯状态时，在预先设定的车辆排队长度检测区域内利用三帧差法检测运动车辆；步骤五：确定车辆排队区域；步骤六：检测车辆排队区域的静止车辆数，利用标定好的图片单位像素代表的实际距离Scale，计算实际的车辆排队距离；步骤七：重复上述步骤，实现持续的车辆排队长度检测。本发明提出利用航拍视频来进行车辆排队长度检测，克服了监控视频中车辆间的相互遮挡及尺度变化，直观地呈现交叉口车辆排队情况，极大地提高了检测精度。
Description
技术领域
本发明涉及一种基于航拍视频的交叉口车辆排队长度检测方法，属于计算机视觉与数字图像处理技术领域。
背景技术
随着国民经济的快速发展、城市人口的急剧增加以及城市化进程的推进，机动车保有量逐年增加，道路交通需求急剧增长，城市交通拥堵问题日益严重。平面交叉口是整个城市道路网络中通行能力的瓶颈，日常的交通拥堵绝大部分是由于交叉口通行不畅所导致。交叉口拥堵的典型现象是进口道车辆排队长度过长。在严重的情况下，队列可能蔓延至上游交叉口，进而导致上游交叉口拥堵，从而影响到局部路网甚至整片区域路网的拥堵。所以搜集交叉口车辆排队数据，对于研究交叉口进口道排队长度规律，评估交叉口延误，进而提高交叉口通行能力，缓解交通拥堵具有重要意义。
近年来，利用计算机图像处理技术来检测车辆排队长度引起研究者们的注意。现有车辆排队长度的检测是基于交叉口监控视频，然而监控视频拍摄角度倾斜，车辆由近及远逐渐变小，且车辆间的相互遮挡对车辆的检测造成干扰。这一系列的问题使得通过监控视频提取的进口道排队长度难以保证足够的精度，所以如何准确获取车辆排队长度数据仍然是一个亟待解决的问题。
发明内容
针对交叉口进口道车辆排队长度数据搜集的问题，本发明提出一种基于航拍视频的交叉口车辆排队长度检测方法，旨在通过航拍视频，实现高准确率的车辆排队长度检测。
本发明的一种基于航拍视频的交叉口车辆排队长度检测方法，具体包括以下步骤：
(1)对航拍视频进行配准，消除由于无人机抖动带来了的航拍画面晃动；
(2)在交叉口进口道设定车辆排队长度检测区域；
(3)检测红灯状态。在停车线后设定红灯状态检测区域，通过三帧差法检测该区域内是否有运动车辆，再通过Canny边缘检测法检测是否有静止车辆，若存在静止车辆则表明此时该方向处于红灯状态；
(4)当车道处于红灯状态时，在预先设定的车辆排队长度检测区域内利用三帧差法检测运动车辆；
(5)确定车辆排队区域。当在红灯状态检测区域再次检测到运动车辆时，则表明该相位已进入绿灯状态，同时确定车辆排队长度检测区域内最靠近停车线的运动车辆坐标，此运动车辆位置到停车线之间区域为最终的车辆排队区域，该区域内的车辆数即为进口道排队车辆数；
(6)利用背景差法和Canny边缘检测法检测步骤(5)中提到的车辆排队区域的静止车辆数，同时利用标定好的图片单位像素代表的实际距离Scale(米/像素)来计算实际的车辆排队距离；
(7)重复步骤(3)～(6)即可实现持续的车辆排队长度检测。
步骤(1)中所述的航拍视频配准方法如下：
1a)在视频的第一帧图像I1中，检测KLT(Kanade-Lucas-Tomasi)特征点，人工选取三个固定KLT特征点作为配准点；
1b)利用KLT跟踪算法对选取的配准点进行跟踪，获取第i帧图像Ii中相对应的点坐标
1c)利用图像I1选择的配准点坐标与图像Ii中通过跟踪获得的点坐标计算仿射变换矩阵Ti，如下式所示：
其中，(x1,y1)、(xi,yi)分别表示第一帧图像与第i帧图像中对应的KLT特征点坐标。a11、a12、a21、a22、b1、b2表示表示矩阵Ti的值；
1d)对图像Ii利用矩阵Ti进行仿射变换得到配准后的图像针对每帧图像进行配准，直到视频的最后一帧，最终完成对原视频的配准。
步骤(2)中所述的设定单车道车辆排队长度检测区域具体如下：
在交叉口进口道中，人工框选单条车道区域作为车辆排队长度检测区域，每条车道作为独立的检测区域进行检测。
步骤(3)中所述的检测红灯状态的具体方法如下：
当进口道处于红灯状态时，车辆会静止停在停车线后。所以在停车线后设定红灯状态检测区域，通过三帧差法检测该区域内是否有运动车辆，若没有运动车辆则通过Canny边缘检测法检测是否有静止车辆，若存在静止车辆则表明此时该方向处于红灯状态，即表明开始进行车辆排队长度检测。
步骤(4)中所述的利用三帧差法检测运动车辆的步骤如下：
4a)首先用第i帧图像与第i-1帧图像作差，利用设定好的阈值T得到二值图像D1，如下式所示：
其中：Ii(x,y)、Ii-1(x,y)表示第i帧图像与第i-1帧图像坐标为(x,y)的灰度值；
4b)接着用第i帧图像与第i+1帧图像作差，利用设定好的阈值T得到二值图像D2，如下式所示：
4c)将D1与D2进行与运算得到运动目标边缘图像，并进行形态学处理得到最终的检测前景图像，前景图像指包含运动目标的图像；
4d)检测步骤4c)得到的前景图像中运动目标的外围轮廓，并计算所有外围轮廓的最小外接矩形。设定车辆的矩形几何阈值为TR＝{Rx,Ry|Rxmin≤Rx≤Rxmax,Rymin≤Ry≤Rymax}，其中Rx、Ry分别为矩形的长和宽，Rxmin、Rxmax分别表示矩形长度的最小值和最大值，Rymin、Rymax分别表示矩形宽度的最小值和最大值；。若检测到的最小外接矩形的几何特征TD满足车辆的矩形几何阈值，即TD∈TR，则该矩形包含的区域就是运动车辆目标。
步骤(5)中所述的确定车辆排队区域的方法如下：
当在红灯状态检测区域再次检测到运动车辆时，则表明该相位已进入绿灯状态，此时通过步骤(4)中的三帧差法确定车辆排队长度检测区域内最靠近停车线的运动车辆坐标，此运动车辆位置到停车线之间区域为最终的车辆排队区域，该区域内的车辆数即为进口道排队车辆数。
步骤(6)中所述的利用背景差法和Canny边缘检测法检测静止车辆数的方法如下：
6a)利用中值滤波法提取交叉口背景图片，具体方法如下：
6a1)选取n张大小为M×N背景图片，并转为灰度图像，f(x,y)i表示第i张图片坐标为(x,y)的像素灰度值，其中x∈[0,M-1],y∈[0,N-1]；
6a2)将n张图片坐标为(x,y)的像素灰度值f(x,y)i由小到大排序，构成序列S＝{f(x,y)(1),f(x,y)(2),…,f(x,y)(j),…,f(x,y)(n)}，其中f(x,y)(j)表示在排列后的序列中排在第j位的像素灰度值；
6a3)将序列S中处于中间的像素灰度值作为背景图片坐标为(x,y)的像素灰度值，遍历所有像素，生成背景图片，即
其中f(x,y)b为背景图片坐标为(x,y)的像素灰度值。
6b)将当前视频图像与背景图片作差，利用预先设定好的阈值Tb得到前景目标二值图像，并进行形态学腐蚀与膨胀处理，之后检测前景目标二值图像的外围轮廓，并计算所有外围轮廓的最小外接矩形。设定车辆的矩形几何阈值为TR＝{Rx,Ry|Rxmin≤Rx≤Rxmax,Rymin≤Ry≤Rymax}，其中Rx、Ry分别为矩形的长和宽，Rxmin、Rxmax分别表示矩形长度的最小值和最大值，Rymin、Rymax分别表示矩形宽度的最小值和最大值；。若检测到的最小外接矩形的几何特征TD满足车辆的矩形几何阈值，即TD∈TR，则该矩形包含的区域就是静止车辆目标。
6c)利用Canny边缘检测算法检测当前视频帧图像的边缘，并生成边缘灰度图像，之后检测边缘灰度图像的外围轮廓，并计算所有外围轮廓的最小外接矩形。设定车辆的矩形几何阈值为TR＝{Rx,Ry|Rxmin≤Rx≤Rxmax,Rymin≤Ry≤Rymax}，其中Rx、Ry分别为矩形的长和宽，Rxmin、Rxmax分别表示矩形长度的最小值和最大值，Rymin、Rymax分别表示矩形宽度的最小值和最大值；。若检测到的最小外接矩形的几何特征TD满足车辆的矩形几何阈值，即TD∈TR，则该矩形包含的区域就是静止车辆目标。
6d)融合背景差法和Canny边缘检测法的车辆检测结果，精确地确定静止车辆的数目与位置，并利用标定好的图片单位像素代表的实际距离Scale(米/像素)来计算实际的车辆排队距离，具体计算方法如下：
6d1)将背景差法和Canny边缘检测法中的最长排队车辆检测结果作为最终的车辆排队长度；
6d2)通过检测到的矩形框计算排队队列末尾车辆的尾部与排头车辆的头部之间的像素距离pl；
6d3)利用l＝pl×Scale计算最终的车辆排队长度l。
本发明的优点在于：
(1)本发明提出利用航拍视频来进行车辆排队长度检测，克服了监控视频中车辆间的相互遮挡及尺度变化，直观地呈现交叉口车辆排队情况，极大地提高了检测精度；在垂直航拍视角采集的视频图像中，单位像素代表的实际距离(米/像素)一致，避免了监控视频在倾斜视角拍摄下出现的尺度变化，使得计算的车辆排队长度更精确；
(2)本发明通过检测车辆排队区域内的车辆数确定车辆排队长度，避免了传统的滑动窗口法出现的漏检情况，提高了排队长度检测的准确率和效率。因为排队车辆间可能存在较大空隙，若利用滑动窗口法检测，则窗口可能处于车辆间的空隙中，造成车辆的漏检。本发明方法所确定的车辆排队区域包含了所有排队的静止车辆，在此区域内检测排队车辆准确率更高；
(3)本发明通过结合背景差法和Canny边缘检测法检测静止车辆数，克服了背景差法对颜色的敏感性，提高了静止排队车辆的检测率；
(4)本发明通过设定红灯状态检测区域，结合三帧差法与边缘检测法实现了红灯状态的检测。在红灯状态时开始检测车辆排队长度，大大缩短了检测时间，提高了算法整体执行效率；
(5)本发明通过视频配准方法解决了航拍视频的晃动，从而可以提取静态背景图片，提高了车辆检测的查全率。
附图说明
图1是本发明实施例提供的基于航拍视频的交叉口车辆排队长度检测方法流程图；
图2是本发明实施例中设定的单车道车辆排队长度检测区域和红灯状态检测区域示例图片；
图3是本发明实施例中三帧差法检测运动车辆示例图片；
图4是本发明实施例中车辆排队长度检测示例图片。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明是一种
图1为本发明提供的一种基于航拍视频的交叉口车辆排队长度检测方法流程图，目的是确定在红灯状态下进口车道的最大静止排队长度。在本发明实施例中，选取一段拍摄高度为150m的交叉口航拍视频。具体方法包括以下内容：
步骤1：对交叉口航拍视频进行配准
1a)在视频的第一帧图像I1中，检测KLT(Kanade-Lucas-Tomasi)特征点，人工选取三个固定KLT特征点作为配准点；
1b)利用KLT跟踪算法对选取的配准点进行跟踪，获取第i帧图像Ii中相对应的点坐标
1c)利用图像I1选择的配准点坐标与图像Ii中通过跟踪获得的点坐标计算仿射变换矩阵Ti，如下式所示：
其中，(x1,y1)、(xi,yi)分别表示第一帧图像与第i帧图像中对应的KLT特征点坐标。
1d)对图像Ii利用矩阵Ti进行仿射变换得到配准后的图像直到视频的最后一帧，最终完成对原视频的配准。
步骤2：在交叉口进口道设定车辆排队长度检测区域
在交叉口进口道中，人工框选单条车道区域作为车辆排队长度检测区域，每条车道作为独立的检测区域进行检测。图2展示了本实施例中选定的车辆排队长度检测区域，也就是一条进口车道的区域。
步骤3：检测红灯状态
当进口道处于红灯状态时，车辆会静止停在停车线后。所以在停车线后设定红灯状态检测区域，通过三帧差法检测该区域内是否有运动车辆，若没有运动车辆则通过Canny边缘检测法检测是否有静止车辆，若存在静止车辆则表明此时该方向处于红灯状态，即表明开始进行车辆排队长度检测。图2展示了本实施例中在停车线后设定的红灯状态检测区域。
步骤4：检测运动车辆
当车道处于红灯状态时，在预先设定的车辆排队长度检测区域内利用三帧差法检测运动车辆，具体步骤如下：
4a)首先用第i帧图像与第i-1帧图像作差，利用设定好的阈值T得到二值图像D1，如下式所示：
4b)接着用第i帧图像与第i+1帧图像作差，利用设定好的阈值T得到二值图像D2，如下式所示：
4c)将D1与D2进行与运算得到运动目标边缘图像，并进行形态学处理得到最终的检测前景图像；
4d)检测步骤4c)得到的前景图像中运动目标的外围轮廓，并计算所有外围轮廓的最小外接矩形。设定车辆的矩形几何阈值为TR＝{Rx,Ry|Rxmin≤Rx≤Rxmax,Rymin≤Ry≤Rymax}，其中Rx、Ry分别为矩形的长和宽。若检测到的最小外接矩形的几何特征TD满足车辆的矩形几何阈值，即TD∈TR，则该矩形包含的区域就是运动车辆目标。
本实施例中，预先设定好的帧差阈值T为10，图3展示了本实施例中利用三帧差法检测的示例图片。由于前景二值图像存在噪点，所以通过车辆的几何特征对提取到的连通区域最小外接矩形进行筛选，本实施例中所选取的矩形框的宽度范围为[40,60]像素，高度范围为[20,30]。
步骤5：确定车辆排队区域
当排队队列的第一辆车开始运动时，表明排队结束，此时的静止车辆的排队长度即为最终要检测的数据。本实施例在具体实施中，当红灯状态检测区域再次连续5帧检测到运动车辆时，表明该相位已进入绿灯状态。此时通过步骤(4)中的三帧差法确定车辆排队长度检测区域内最靠近停车线的运动车辆坐标，此运动车辆位置到停车线之间区域为最终的车辆排队区域，该区域内的车辆数即为进口道排队车辆数。
步骤6：利用背景差法和Canny边缘检测法检测步骤(5)中提到的车辆排队区域的静止车辆数
6a)利用中值滤波法提取交叉口背景图片，具体方法如下：
6a1)选取n张大小为M×N背景图片，并转为灰度图像，f(x,y)i表示第i张图片坐标为(x,y)的像素灰度值，其中x∈[0,M-1],y∈[0,N-1]；
6a2)将n张图片坐标为(x,y)的像素灰度值f(x,y)i由小到大排序，构成序列S＝{f(x,y)(1),f(x,y)(2),…,f(x,y)(j),…,f(x,y)(n)}，其中f(x,y)(j)表示在排列后的序列中排在第j位的像素灰度值；
6a3)将序列S中处于中间的像素灰度值作为背景图片坐标为(x,y)的像素灰度值，遍历所有像素，生成背景图片，即
其中f(x,y)b为背景图片坐标为(x,y)的像素灰度值。
本实施例中，在配准后的视频帧中选取车辆较少的30帧，利用中值滤波法提取背景图片，图4(a)展示了车辆排队长度检测区域的背景图片；
6b)将当前视频图像与背景图片作差，利用预先设定好的阈值Tb得到前景目标二值图像，并进行形态学腐蚀与膨胀处理，之后利用步骤4d)所述的方法检测前景目标二值图像中的静止车辆。图4(b)展示了背景差分后的前景目标二值图像。
6c)利用Canny边缘检测算法检测当前视频图像的边缘，之后利用步骤4d)所述的方法检测边缘图像中的静止车辆。图4(c)展示了Canny边缘检测的结果。
6d)融合背景差法和Canny边缘检测法的车辆检测结果，精确地确定静止车辆的数目与位置，并利用标定好的图片单位像素代表的实际距离Scale(米/像素)来计算实际的车辆排队距离，具体计算方法如下：
6d1)将背景差法和Canny边缘检测法中的最长排队车辆检测结果作为最终的车辆排队长度；
6d2)通过检测到的矩形框计算排队队列末尾车辆的尾部与排头车辆的头部之间的像素距离pl；
6d3)利用l＝pl×Scale计算最终的车辆排队长度l。
步骤7：重复步骤(3)～(6)即可实现持续的车辆排队长度检测。
在本实施例中，拍摄高度为150m，单位像素代表的实际距离大约为0.13米/像素。图4展示了本发明实施例中的车辆排队长度检测结果，即排队车辆数为4，排队总长为37.18米。
Claims (1)
1.一种基于航拍视频的交叉口车辆排队长度检测方法，具体包括以下步骤：
(1)对航拍视频进行配准；
(2)在交叉口进口道设定车辆排队长度检测区域；
(3)检测红灯状态，在停车线后设定红灯状态检测区域，通过三帧差法检测该区域内是否有运动车辆，再通过Canny边缘检测法检测是否有静止车辆，若存在静止车辆则表明此时该方向处于红灯状态；
(4)当车道处于红灯状态时，在预先设定的车辆排队长度检测区域内利用三帧差法检测运动车辆；
(5)确定车辆排队区域，当在红灯状态检测区域再次检测到运动车辆时，则表明该相位已进入绿灯状态，同时确定车辆排队长度检测区域内最靠近停车线的运动车辆坐标，此运动车辆位置到停车线之间区域为最终的车辆排队区域，该区域内的车辆数即为进口道排队车辆数；
(6)利用背景差法和Canny边缘检测法检测步骤(5)中提到的车辆排队区域的静止车辆数，同时利用标定好的图片单位像素代表的实际距离Scale来计算实际的车辆排队距离；
(7)重复步骤(3)～(6)，实现持续的车辆排队长度检测；
所述的步骤(1)具体包括：
1a)在视频的第一帧图像I1中，检测KLT特征点，选取三个固定KLT特征点 作为配准点；
1b)利用KLT跟踪算法对选取的配准点进行跟踪，获取第i帧图像Ii中相对应的点坐标
1c)利用图像I1选择的配准点坐标与图像Ii中通过跟踪获得的点坐标计算仿射变换矩阵Ti：
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msup>
<mi>x</mi>
<mi>i</mi>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<mi>y</mi>
<mi>i</mi>
</msup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msup>
<mi>x</mi>
<mn>1</mn>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<mi>y</mi>
<mn>1</mn>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msup>
<mi>x</mi>
<mn>1</mn>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<mi>y</mi>
<mn>1</mn>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，(x1,y1)、(xi,yi)分别表示第一帧图像与第i帧图像中对应的KLT特征点坐标，a11、a12、a21、a22、b1、b2表示表示矩阵Ti的值；
1d)对图像Ii利用矩阵Ti进行仿射变换得到配准后的图像针对每帧图像进行配准，直到视频的最后一帧，最终完成对原视频的配准；
所述的步骤(2)中在交叉口进口道中，人工框选单条车道区域作为车辆排队长度检测区域，每条车道作为独立的检测区域进行检测；
所述的步骤(4)具体包括：
4a)将第i帧图像与第i-1帧图像作差，利用设定好的阈值T得到二值图像D1：
<mrow>
<msub>
<mi>D</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>&GreaterEqual;</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo><</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中：Ii(x,y)、Ii-1(x,y)表示表示第i帧图像与第i-1帧图像坐标为(x,y)的灰度值；
4b)将第i帧图像与第i+1帧图像作差，利用设定好的阈值T得到二值图像D2：
<mrow>
<msub>
<mi>D</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>&GreaterEqual;</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo><</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
4c)将D1与D2进行与运算得到运动目标边缘图像，并进行形态学处理得到最终的检测前景图像；
4d)检测步骤4c)得到的前景图像中运动目标的外围轮廓，并计算所有外围轮廓的最小外接矩形；设定车辆的矩形几何阈值为TR＝{Rx,Ry|Rxmin≤Rx≤Rxmax,Rymin≤Ry≤Rymax}，其中Rx、Ry分别为矩形的长和宽，Rxmin、Rxmax分别表示矩形长度的最小值和最大值，Rymin、Rymax分别表示矩形宽度的最小值和最大值；若检测到的最小外接矩形的几何特征TD满足车辆的矩形几何阈值，即TD∈TR，则该矩形包含的区域就是运动车辆目标；
所述的步骤(6)具体包括：
6a)利用中值滤波法提取交叉口背景图片，具体方法如下：
6a1)选取n张大小为M×N背景图片，并转为灰度图像，f(x,y)i表示第i张图片坐标为(x,y)的像素灰度值，其中x∈[0,M-1],y∈[0,N-1]；
6a2)将n张图片坐标为(x,y)的像素灰度值f(x,y)i由小到大排序，构成序列S＝{f(x,y)(1),f(x,y)(2),…,f(x,y)(j),…,f(x,y)(n)}，其中f(x,y)(j)表示在排列后的序列中排在第j位的像素灰度值；
6a3)将序列S中处于中间的像素灰度值作为背景图片坐标为(x,y)的像素灰度值，遍历所有像素，生成背景图片，即
其中f(x,y)b为背景图片坐标为(x,y)的像素灰度值；
6b)将当前视频图像与背景图片作差，利用预先设定好的阈值Tb得到前景目标二值图像，并进行形态学腐蚀与膨胀处理，检测前景目标二值图像中的静止车辆；
6c)利用Canny边缘检测算法检测当前视频帧图像的边缘，检测边缘图像中的静止车辆；
6d)融合背景差法和Canny边缘检测法的车辆检测结果，确定静止车辆的数目与位置，并利用标定好的图片单位像素代表的实际距离Scale计算实际的车辆排队距离，具体计算方法如下：
6d1)将背景差法和Canny边缘检测法中的最长排队车辆检测结果作为最终的车辆排队长度；
6d2)通过检测到的矩形框计算排队队列末尾车辆的尾部与排头车辆的头部之间的像素距离pl；
6d3)计算最终的车辆排队长度l，l＝pl×Scale。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510889268.XA CN105321342B (zh) | 2015-12-07 | 2015-12-07 | 一种基于航拍视频的交叉口车辆排队长度检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510889268.XA CN105321342B (zh) | 2015-12-07 | 2015-12-07 | 一种基于航拍视频的交叉口车辆排队长度检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105321342A CN105321342A (zh) | 2016-02-10 |
| CN105321342B true CN105321342B (zh) | 2017-11-21 |
Family
ID=55248642
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510889268.XA Active CN105321342B (zh) | 2015-12-07 | 2015-12-07 | 一种基于航拍视频的交叉口车辆排队长度检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105321342B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105679024B (zh) * | 2016-02-19 | 2018-06-22 | 上海果路交通科技有限公司 | 一种道路交叉口排队长度计算方法 |
| CN106446796B (zh) * | 2016-08-30 | 2020-08-28 | 安徽清新互联信息科技有限公司 | 一种车辆间距检测方法 |
| CN109215375B (zh) * | 2017-07-04 | 2020-11-13 | 昊翔电能运动科技(昆山)有限公司 | 无人机寻车位方法及装置 |
| CN107644529A (zh) * | 2017-08-03 | 2018-01-30 | 浙江浩腾电子科技股份有限公司 | 一种基于运动检测的车辆排队长度检测方法 |
| CN107274673B (zh) * | 2017-08-15 | 2021-01-19 | 苏州科技大学 | 基于修正局部方差的车辆排队长度测量方法及测量系统 |
| CN107808524B (zh) * | 2017-11-30 | 2021-09-24 | 中山大学 | 一种基于无人机的道路交叉口车辆检测方法 |
| CN108492605A (zh) * | 2018-05-21 | 2018-09-04 | 苏州纽克斯电源技术股份有限公司 | 一种路口车道导航方法及装置 |
| CN109377756A (zh) * | 2018-10-31 | 2019-02-22 | 武汉三力通信有限责任公司 | 一种交通路况的实时监测及发布平台 |
| CN109948436B (zh) * | 2019-02-01 | 2020-12-08 | 深兰科技（上海）有限公司 | 一种监控道路上车辆的方法及装置 |
| CN110164152B (zh) * | 2019-07-03 | 2021-08-24 | 西安工业大学 | 一种用于单交叉路口交通信号灯控制系统 |
| CN111627241B (zh) * | 2020-05-27 | 2024-04-09 | 阿波罗智联(北京)科技有限公司 | 用于生成路口车辆排队信息的方法和装置 |
| CN112800929B (zh) * | 2021-01-25 | 2022-05-31 | 安徽农业大学 | 一种基于深度学习的竹笋数量与高生长率在线监测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103413444A (zh) * | 2013-08-26 | 2013-11-27 | 深圳市川大智胜科技发展有限公司 | 一种基于无人机高清视频的交通流调查处理方法 |
| EP3043291A2 (en) * | 2014-12-18 | 2016-07-13 | Sensormatic Electronics, LLC | Method and system for queue length analysis |
-
2015
- 2015-12-07 CN CN201510889268.XA patent/CN105321342B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103413444A (zh) * | 2013-08-26 | 2013-11-27 | 深圳市川大智胜科技发展有限公司 | 一种基于无人机高清视频的交通流调查处理方法 |
| EP3043291A2 (en) * | 2014-12-18 | 2016-07-13 | Sensormatic Electronics, LLC | Method and system for queue length analysis |
Non-Patent Citations (1)
| Title |
|---|
| 贺晓锋;杨玉珍;陈阳舟.基于视频图像处理的车辆排队长度检测.《交通与计算机》.2006,第43-46页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105321342A (zh) | 2016-02-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105321342B (zh) | 一种基于航拍视频的交叉口车辆排队长度检测方法 | |
| Xiao et al. | Pandaset: Advanced sensor suite dataset for autonomous driving | |
| Changzhen et al. | A traffic sign detection algorithm based on deep convolutional neural network | |
| TWI448977B (zh) | 基於視訊分析的物件計數方法與裝置 | |
| CN104574393B (zh) | 一种三维路面裂缝图像生成系统和方法 | |
| US9070023B2 (en) | System and method of alerting a driver that visual perception of pedestrian may be difficult | |
| CN110285793A (zh) | 一种基于双目立体视觉系统的车辆智能测轨迹方法 | |
| CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
| CN108399403B (zh) | 一种基于车牌尺寸计算的车距检测方法 | |
| CN110675415B (zh) | 一种基于深度学习增强实例分割的道路积水区域检测方法 | |
| CN103955583B (zh) | 一种确定夜晚灯光数据提取城市建成区阈值的方法 | |
| CN108416798B (zh) | 一种基于光流的车辆距离估计方法 | |
| CN113255589B (zh) | 一种基于多卷积融合网络的目标检测方法及系统 | |
| CN107506729A (zh) | 一种基于深度学习的能见度检测方法 | |
| CN106934374A (zh) | 一种雾霾场景中交通标识牌的识别方法及系统 | |
| CN114724094A (zh) | 一种基于三维图像与雷达技术的闸道口车内人数计量系统 | |
| Bu et al. | A UAV photography–based detection method for defective road marking | |
| Chen et al. | Real-time garbage object detection with data augmentation and feature fusion using SUAV low-altitude remote sensing images | |
| CN110210324B (zh) | 一种道路目标快速检测预警方法和系统 | |
| CN111726535A (zh) | 基于车辆感知的智慧城市cim视频大数据画质控制方法 | |
| KR102416714B1 (ko) | 3차원 이미지 및 딥러닝을 활용한 도시 규모 나무 지도 작성 시스템 및 방법 | |
| CN113901961B (zh) | 车位检测方法、装置、设备及存储介质 | |
| Laureshyn et al. | Automated video analysis as a tool for analysing road user behaviour | |
| CN115482483A (zh) | 一种交通视频目标跟踪装置、方法及存储介质 | |
| CN110969875B (zh) | 一种用于道路交叉口交通管理的方法及系统 |
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 |