CN105427626B - 一种基于视频分析的车流量统计方法 - Google Patents
一种基于视频分析的车流量统计方法 Download PDFInfo
- Publication number
- CN105427626B CN105427626B CN201510962491.2A CN201510962491A CN105427626B CN 105427626 B CN105427626 B CN 105427626B CN 201510962491 A CN201510962491 A CN 201510962491A CN 105427626 B CN105427626 B CN 105427626B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- detection line
- image
- pixel
- pixel value
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- 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虚拟检测线的车流量统计方法,并应用于实际的道路交通场景中。对实时交通视频流进行处理,采用帧差法进行运动目标的识别和提取。车流量检测部分,基于虚拟检测线的车辆计数方法不可避免地会出现漏检和误检问题。针对这一问题,本发明提取并结合了两种图像信息:位置信息和像素变化信息,提出了一种新的基于虚拟检测线的车流量分割计数方法。该方法结合了虚拟线圈和目标跟踪各自的优势,兼顾了车流量统计的实时性和准确性。实验结果表明,本方法在多种不同天气状况下在各车道对视频车辆计数的准确率均大于95%,具有容易推广实施的优势。
Description
【技术领域】
本发明属于交通工程领域,是一种基于视频分析的车流量统计方法。
【背景技术】
传统的视频分析的车辆统计方法主要分为虚拟检测线或虚拟线圈法、目标跟踪法等。根据同一辆车的粒子特性,有一种目标聚类跟踪方法,通过分析聚类多边形和背景信息来合并或分离聚类,在一定程度上改善了目标粘连或分断的问题。识别出车辆后,利用粒子中心所在位置的颜色直方图的相似性来跟踪运动车辆。但是,对于较小的运动车辆可能会遗漏,因为其粒子的数量太少,不足以生成一个聚类。
存在一种对不同运动目标假设不同的运动模型,并基于隐马尔科夫度量场的检测和跟踪方法,但该方法对于雨雪等恶劣天气情况下的处理效果较差。存在一种基于块稀疏表示模型的目标跟踪方法,这种块结构的稀疏表示方法将跟踪目标的外观和遮挡能通过块稀疏线性表示的方式在子空间中进行表示。该跟踪方法可以捕获目标外观和遮挡的位置关系,能更好地处理遮挡的变化。但是,当拍摄角度极端变化和照明剧烈变化、或者远距离目标遮挡时本方法也很容易跟丢目标。
在帧差法的基础上结合自适应阈值法,并采用基于像素值的K均值聚类方法分割单个运动车辆,从而实现车辆检测。
综合虚拟线圈和目标跟踪这两种方法,结合Canny算子边缘检测方法、均值背景建模法和背景差分法等技术,提出了一种基于质心的车流量统计综合方法。在车辆目标的检测阶段采用基于虚拟线圈的车流量统计方法,当检测到车辆目标后,改用目标跟踪方法,对车辆进行跟踪。该方法结合了虚拟线圈和目标跟踪各自的优势,兼顾了车流量统计的实时性和准确性。但 是,该方法在夜间和恶劣环境下的路面上的准确性较差。
将基于类Harr特征和Adaboost级联分类器的人脸检测思想运用于车辆检测,提出一种基于车辆分类器的视频车流量统计方法。首先搜集大量的车辆样本进行训练,得到车辆分类器;其次设置检测区域和检测线,在检测区域内进行车辆检测。并通过距离和位置判断前后帧是否为同一车辆,最后,对检测到的车辆进行计数。
针对传统车流量检测方法在复杂环境中检测精度较低的问题,有一种新的基于低秩矩阵的车流量检测方法。首先利用伊辛模型和鲁棒性主成份分析方法(RPCA)得到非凸的能量函数,然后利用奇异值分解(SVD)并且不断迭代的方法分步解决能量函数非凸性的问题,进而优化能量函数检测出最佳车辆前景,最后利用虚拟检测线圈来统计车流量。但该方法对阴影以及远景小簇目标粘连的情况存在漏检和误检。
存在一种基于虚拟线圈法和模板链相结合的车流量检测新方法,该方法通过虚拟线圈技术捕捉到路面上灰度的变化,同时采用模板链的方法检测出车辆信息。
存在一种改进的基于边缘信息的车流量检测方法。该方法通过预先对实时路况图像进行削顶处理,以确定一个恰当的阈值,从而可以更加准确有效地提取背景边缘信息;并且在车流量统计过程中,设计了一种新的浮动窗法进行车辆计数。
可以看出,视频检测技术不管是在国外还是国内都取得了一定的研究成果,但现有的方法仍然存在着一些缺陷。
【发明内容】
为解决上述现有技术中存在的问题,本发明通过提取并结合了两种图像信息:位置信息和像素变化信息,提出了一种新的基于虚拟检测线的车流量分割计数方法,该方法结合了虚拟线圈和目标跟踪各自的优势,兼顾了车流量统计的实时性和准确性,该方法能够在多种不同天气状况下在各车道对视频车辆计数的准确率均大于95%,具有容易推广实施的优势。
本发明是通过如下技术方案来实现的。
一种基于视频分析的车流量统计计算方法,包括如下步骤:
步骤一:对原始图像进行预处理来增强该图像的整体对比度,该预处理依次包括滤波去噪和图像增强,先通过滤波去噪去除原始图像上孤立的噪点,再通过图像增强增加像素灰度值的动态范围,使图像整体对比度增强;
步骤二:在步骤一处理过的图像通过帧差法检测运动车辆,再利用形态学处理和行扫描的方法处理运动车辆轮廓存在的孔洞,以达到对图像上车辆的分析和识别的目的。
步骤三:通过车辆分割计数方法在步骤二处理过的图像上进行车辆计数。
所述的步骤一中,所述的滤波去噪选用中值滤波的方法,通过中值滤波去除图像上孤立的噪点。
所述的步骤一中,所述的图像增强选用直方图均衡化处理,直方图均衡化处理把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。
所述的步骤二中,通过所述的帧差法先将视频序列中相邻两帧进行差分,得到差分图像;然后再对该差分图像进行阈值化分割得到二值化的前景图像。
所述的步骤二中,所述的形态学处理选用闭运算,通过闭运算来填充帧差法遗留的孔洞问题。
所述的步骤二中,通过逐行扫描的方法找到每一行发生像素信息突变的点,得到目标区域完整轮廓。
所述的步骤三中,所述的车辆分割计数方法基于虚拟检测线的检测方法,在二值化的前景图像上,通过车辆和检测线相对位置的基础上结合检测线上像素特征的变化规律来对车辆进行计数。
所述的步骤三中,当一辆车通过虚拟检测线时,检测线上的像素值会有0~255~0的变化 规律,在车辆刚刚碰到检测线的时刻,像素值从0跳变至255,在车辆刚驶离检测线的时刻,像素值从255跳变至0,在车身通过检测线的时间段内,像素值为255;当检测线上的像素值为按照上述规律变化,说明在所述的车辆刚刚碰到检测线的时刻至在车辆刚驶离检测线的时刻的时间段内只有一辆车经过检测线,在这一时间段只允许对计数器加1;若有多辆车在经过检测线时,通过分析判断检测线上的像素值的变化,实现对多个车辆进行分割,从而避免对车辆计数出现遗漏的问题。
所述的步骤三中,通过车辆和检测线相对位置的基础上结合检测线上像素特征的变化规律来对车辆进行计数的方法如下:
引入状态变量state1、state2和state3,均初始化为0;
在所述的二值化的前景图像中,在车辆经过检测线时,逐帧判断车辆与检测线的相对位置,若检测线位于车身前1/2区域,则设置状态变量state1=0,state2=0,将state1标记为1;继续判断下一帧,若检测线位于车身的前1/4到1/2区域,则设置state1=1,则state2标记为1,state1重新标记为0;汽车驶过车身前1/2区域后,再将state2标记为0;
分析检测线中点的像素值的变化规律,在连续序列帧中,若检测线中点像素值由前一帧中的0变化为当前帧中的255,则state3标记为1,表明有车辆刚刚碰到检测线;若前一帧与当前帧都为255,则state3标记为1,表明车辆正在通过检测线;若由255变为0,则state3标记为0,表明车辆刚刚驶离检测线;若前一帧与当前帧都为0,则state3标记为0,说明无车辆经过检测线;
综合分析,如果当前帧中state2=1且state3=1,则对应车道的计数器加1,state3置为0;如果当前帧中state2=1且state3=0,表明该车辆已经统计过,则不计数。
与现有技术相比,本发明的一种基于视频分析的车流量统计方法具有如下有益效果:
本发明在普通虚拟检测线的基础上,提出了将位置信息和检测线像素变化规律相结合的车 辆计数分割方法,并且实验证实了本方法在实时性和准确性方面的出色表现,本方法在阴、雨天气情况下表现最好,晴天效果稍次,这是因为阴、雨天气光线变化等外部影响较晴天小,总体上,在这三种天气情况下,每条车道的统计准确率均可以达到95%以上,效果十分理想。
【附图说明】
图1为本发明的基于视频分析的车流量统计方法的流程图;
图2为本发明中基于虚拟检测线的车流量统计的示意图;
图3为本发明中车辆经过检测线时像素值变化图;
图4为本发明的车流量统计方法检测并计数过程的示意图。
【具体实施方式】
以下结合附图和具体实施例具体阐述本发明车流量统计的内容。
本发明首先介绍了所采用的车辆检测方法用于对运动车辆的检测提取,然后针对车辆计数方法普遍存在的车辆误检和漏检问题,介绍了一种基于视频分析的车流量统计计算方法,该方法通过位置信息和像素变化信息相结合来进行车辆统计,本发明在普通虚拟检测线的基础上,提出了将位置信息和检测线像素变化规律相结合的车辆计数分割方法,并且实验证实了本方法在实时性和准确性方面的出色表现。
为解决上述问题采用的技术方案是一种基于视频分析的车流量统计计算方法:
如图1至4所示,一种基于视频分析的车流量统计计算方法,包括以下步骤:
步骤一:图像预处理:
一般情况下,原始图像由于各种条件限制和随机干扰,往往不能在视觉系统中直接使用,必须在视觉信息处理的早期阶段对原始图像进行灰度校正、噪声过滤等图像预处理。图像预处理是整个图像处理系统的基础,其效果的好坏直接影响到后续处理阶段,甚至起到决定性影响。所以选择合适的图像预处理方案是至关重要的。
本发明选择采用中值滤波对图像去噪,直方图均衡化增强图像整体对比度。
滤波去噪:中值滤波是一种非线性空间滤波,能抑制图像中的噪声。它是基于图像的这样一种特性:噪声往往以孤立的点的形式出现,这些点对应的像素很少,而图像则是由像素数较多,面积较大的小块构成。在处理灰度图像时,窗口的形式可以是L×L的正方形。在处理之后,位于窗口正中的像素灰度值,用窗口内各像素灰度值的中值代替,从而去除孤立的噪点。
图像增强:直方图均衡化处理的基本思想是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。直方图均衡化就是对图像进行非线性拉伸,重新分配图像像素值,使一定灰度范围内的像素数量大致相同,这样就增加了像素灰度值的动态范围,从而达到增强图像整体对比度的效果。
一幅图像中灰度级rk出现的概率近似为:
其中,k=1,2,…,L (1)
式中,n是图像中像素的总和,nk是灰度级为rk的像素个数,L为图像中可能的灰度级总数。直方图均衡化变换为:
其中,j=1,2,…,L (2)
式中,sk是输出(处理后的)图像中的亮度值,它是由输入图像中的亮度值rj得到的。
步骤二:运动车辆检测:
本发明采用帧差法进行目标检测,并利用形态学处理和行扫描的方法处理运动车辆轮廓可能存在孔洞问题,以达到对图像分析和识别的目的。
帧差法:由于本发明处理的是实时采集的视频图像,所以选择实时性和适应性较好的帧差法检测运动车辆。帧差法是最为常用的运动目标检测方法之一,其运算量小,易于实现,且对于动态环境具有较强的适应性。由于相邻两帧间的时间间隔非常短,用前一帧图像作为当前帧的背景模型具有很好的实时性。帧差法的基本原理就是将图像序列的相邻两帧采用基于像素的 时间差分通过阈值化来提取出图像中的运动区域。首先,将视频序列中相邻两帧进行差分,得到差分图像,用公式描述如下:
Dk(x,y)=|Ik+1(x,y)-Ik(x,y)| k=1,2,3,4,… (3)
式中,Dk(x,y)、Ik+1(x,y)和Ik(x,y)分别是差分图像、第k+1帧和第k帧原始图像。
然后,利用公式(4)对差分图像进行阈值化分割,得到二值化的前景图像:
式中,Tk(x,y)和T分别为前景二值图像和分割阈值。可以这样理解:在环境亮度变化不大的情况下,如果对应像素值变化小于阈值,可以认为此处为背景像素;如果像素值变化很大,则认为这是由于图像中运动物体引起的,将这些区域标记为前景像素。
但是,由于实际的视频图像相邻两帧图像中的背景帧差法存在一个普遍性的问题:运动目标边缘的像素能较好地检测出来,但运动目标内部的点由于具有较大的相似性,并不能很好地检测出来,从而出现细小的孔洞,也就是所谓的“孔洞”问题。本发明使用形态学处理和行扫描的方法来解决这一问题。
形态学处理:使用帧差法进行目标检测,对差分图像进行二值化后,可以显示出运动车辆的大致轮廓,但是轮廓可能有孔洞。同时,由于利用形态学处理解决这一问题,形态学的基本思想是用具有一定形态的结构元素去度量和提取图像中对应的形状,以达到对图像分析和识别的目的。形态学处理包含多种操作,如膨胀、腐蚀、开运算、闭运算等等。
本发明选用闭运算来填充帧差法遗留的“孔洞”问题。A对B的闭运算定义为
式中,X是原图像,B是结构元素。X先被B膨胀,然后其结果再被B腐蚀,即先膨胀后腐蚀。首先,膨胀操作会使物体的边界向·外扩张,经过膨胀操作物体内部存在孔洞将被填补上,因而不再是边界了。然后,进行腐蚀操作,去掉物体的边缘点,细小物体所有的点都会被认为是边缘点,因此会整个被删去。
逐行扫描法:通过闭运算对目标区域孔洞进行填充之后,目标区域的像素信息同图像其他区域像素存在很大的差别,图像的像素信息在目标区域边界点发生突变。根据这一原理.使用逐行扫描的方法找到每一行发生像素信息突变的点,就能准确得到各个车辆的完整轮廓;
判断一个点是否是像素信息发生突变的点需满足以下两个条件:1)这个点属于目标区域(像素信息为某一固定值);2)这个点的四邻域中至少存在一个不属于目标区域的像素点(像素信息不同于该点)。那么这个像素点就是目标区域的边界点。
这样,外部边界将变回原来的样子,而这些内部孔洞则会得到有效解决。
步骤三:车辆计数:
智能交通系统中的车流量统计最终目的是将其应用于实际的道路交通场景中去,所以有很高的实时性要求。如果对提取的整个视频图像进行检测和分析,势必会增加计算量,浪费时间。因此通常都是进行基于感兴趣区域的局部检测,即基于虚拟检测线的检测。
基于虚拟检测线的车流量统计计算简单、运算量小、实时性好。虚拟检测线是指图像中设置的一条虚拟线段。本发明中的虚拟检测线可以由用户在视频图像上自由设置,可以适用于各种路况。通常,检测线应该设置在道路中央,以便达到更好的检测效果,如图2。每条车道选择合适的检测线,通过确定车辆和检测线相对位置,对车辆计数。
但是,如果只借助于车辆与检测线的位置信息,这就会存在两个问题:1)由于一个车辆经过虚拟检测线的过程对应一段连续的图像序列,在车速较慢的时候,可能就会对这一车辆重复计数。2)当遇到车流量高峰期,车辆拥堵时,车与车间距比较小,可能会将多个车辆误认为一辆车,导致车辆遗漏。针对这两个问题,考虑到检测线上像素特征具有一定的变化规律,对这一规律进行分析判断,本文在车辆和检测线相对位置的基础上结合检测线上像素特征的变化规律,提出了一种车辆分割计数方法。
得到二值化的前景图像后,当一辆车通过虚拟检测线时,检测线上的像素值会有0—255—0的变化规律,如图3所示。
图中tin为车辆刚刚碰到检测线的时刻,像素值从0跳变至255;tout为车辆刚驶离检测线的时刻,像素值从255跳变至0;tin至tout为车身通过检测线的时间段,像素值为255。检测线上的像素值如有这样的变化,说明tin至tout时间段只有一辆车经过检测线,在这一时间段只允许对计数器加1,这样就可以避免重复计数问题。若有多辆车在经过检测线时被识别为一辆车,此时,分析判断检测线上的像素变化,就可以对多个车辆进行分割,避免车辆遗漏问题。
通过确定车辆和检测线的位置信息,并结合检测线上图像像素特征的变化规律对运动车辆进行计数,提出车流量统计方法,具体方法如下:
引入状态变量state1、state2和state3,均初始化为0;
在所述的二值化的前景图像中,在车辆经过检测线时,逐帧判断车辆与检测线的相对位置,若检测线位于车身前1/2区域,则设置状态变量state1=0,state2=0,将state1标记为1;继续判断下一帧,若检测线位于车身的前1/4到1/2区域,则设置state1=1,则state2标记为1,state1重新标记为0;汽车驶过车身前1/2区域后,再将state2标记为0;
分析检测线中点的像素值的变化规律,在连续序列帧中,若检测线中点像素值由前一帧中的0变化为当前帧中的255,则state3标记为1,表明有车辆刚刚碰到检测线;若前一帧与当前帧都为255,则state3标记为1,表明车辆正在通过检测线;若由255变为0,则state3标记为0,表明车辆刚刚驶离检测线;若前一帧与当前帧都为0,则state3标记为0,说明无车辆经过检测线;
综合分析,如果当前帧中state2=1且state3=1,则对应车道的计数器加1,state3置为0;如果当前帧中state2=1且state3=0,表明该车辆已经统计过,则不计数。具体状态值随像素变化情况如图3所示。
本发明在晴、阴、雨三种不同天气情况下,使用本发明的方法对采集的交通视频进行处理,具体检测计数状况如图4所示。三种天气下,分别处理10分钟,得到测试结果,见表1、2、3。
表1 晴天测试结果
表2 阴天测试结果
表3 雨天测试结果
由以上三个表中数据可以看出,本方法在阴、雨天气情况下表现最好,晴天效果稍次,这是因为阴、雨天气光线变化等外部影响较晴天小。总体上,在这三种天气情况下,每条车道的统计准确率均可以达到95%以上,效果还是十分理想的。
本发明的一种基于虚拟检测线的车流量统计方法,应用于实际的道路交通场景中,对实时 交通视频流进行处理,采用帧差法进行运动目标的识别和提取,车流量检测部分,基于虚拟检测线的车辆计数方法不可避免地会出现漏检和误检问题。针对这一问题,本发明提取并结合了两种图像信息:位置信息和像素变化信息,提出的一种新的基于虚拟检测线的车流量分割计数方法结合了虚拟线圈和目标跟踪各自的优势,兼顾了车流量统计的实时性和准确性。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (6)
1.一种基于视频分析的车流量统计计算方法,其特征在于,包括如下步骤:
步骤一:对原始图像进行预处理来增强该图像的整体对比度,该预处理依次包括滤波去噪和图像增强,先通过滤波去噪去除原始图像上孤立的噪点,再通过图像增强增加像素灰度值的动态范围,使图像整体对比度增强;
步骤二:对步骤一处理过的图像通过帧差法检测运动车辆,再利用形态学处理和行扫描的方法处理运动车辆轮廓存在的孔洞,以达到对图像上车辆的分析和识别的目的;
步骤三:通过车辆分割计数方法在步骤二处理过的图像上进行车辆计数;车辆分割计数方法基于虚拟检测线的检测方法,在二值化的前景图像上,通过车辆和检测线相对位置的基础上结合检测线上像素特征的变化规律来对车辆进行计数,当一辆车通过虚拟检测线时,检测线上的像素值会有0~255~0的变化规律,在车辆刚刚碰到检测线的时刻,像素值从0跳变至255,在车辆刚驶离检测线的时刻,像素值从255跳变至0,在车身通过检测线的时间段内,像素值为255;当检测线上的像素值为按照上述规律变化,说明在车辆刚刚碰到检测线的时刻至在车辆刚驶离检测线的时刻的时间段内只有一辆车经过检测线,在这一时间段只允许对计数器加1;若有多辆车在经过检测线时,通过分析判断检测线上的像素值的变化,实现对多个车辆进行分割并进行计数。
2.根据权利要求1所述的一种基于视频分析的车流量统计计算方法,其特征在于,所述的步骤一中,所述的滤波去噪选用中值滤波的方法,通过中值滤波去除图像上孤立的噪点。
3.根据权利要求1所述的一种基于视频分析的车流量统计计算方法,其特征在于,所述的步骤一中,所述的图像增强选用直方图均衡化处理,直方图均衡化处理把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。
4.根据权利要求1所述的一种基于视频分析的车流量统计计算方法,其特征在于,所述的步骤二中,通过所述的帧差法先将视频序列中相邻两帧进行差分,得到差分图像;然后再对该差分图像进行阈值化分割得到二值化的前景图像。
5.根据权利要求1所述的一种基于视频分析的车流量统计计算方法,其特征在于,所述的步骤二中,通过逐行扫描的方法找到每一行发生像素信息突变的点,得到目标区域完整轮廓。
6.根据权利要求1所述的一种基于视频分析的车流量统计计算方法,其特征在于,所述的步骤二中,所述的形态学处理选用闭运算,通过闭运算来填充帧差法遗留的孔洞问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510962491.2A CN105427626B (zh) | 2015-12-19 | 2015-12-19 | 一种基于视频分析的车流量统计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510962491.2A CN105427626B (zh) | 2015-12-19 | 2015-12-19 | 一种基于视频分析的车流量统计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105427626A CN105427626A (zh) | 2016-03-23 |
CN105427626B true CN105427626B (zh) | 2018-03-02 |
Family
ID=55505800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510962491.2A Expired - Fee Related CN105427626B (zh) | 2015-12-19 | 2015-12-19 | 一种基于视频分析的车流量统计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105427626B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975910A (zh) * | 2016-04-27 | 2016-09-28 | 梧州市自动化技术研究开发院 | 一种用于对运动物体进行视频识别的技术处理方法及其系统 |
CN106355903B (zh) * | 2016-09-13 | 2019-03-15 | 枣庄学院 | 基于视频分析的多车道车流量检测方法 |
CN106940784A (zh) * | 2016-12-26 | 2017-07-11 | 无锡高新兴智能交通技术有限公司 | 一种基于视频的公交车检测与识别方法及系统 |
CN106875707A (zh) * | 2017-04-12 | 2017-06-20 | 武汉理工大学 | 一种针对应急交通场景的空中交警系统 |
CN107133610B (zh) * | 2017-06-01 | 2020-09-01 | 电子科技大学 | 一种复杂路况下行车流量视觉检测与计数方法 |
CN109919883B (zh) * | 2018-12-03 | 2021-06-22 | 南京三宝科技股份有限公司 | 一种基于灰度转换的交通视频数据获取方法 |
CN111275960A (zh) * | 2018-12-05 | 2020-06-12 | 杭州海康威视系统技术有限公司 | 一种交通路况分析方法、系统及摄像机 |
CN110021174A (zh) * | 2019-04-02 | 2019-07-16 | 北京同方软件有限公司 | 一种基于视频图像的适用多场景的车流量计算方法 |
CN110164153A (zh) * | 2019-05-30 | 2019-08-23 | 哈尔滨理工大学 | 一种交通信号自适应配时方法 |
CN110956824A (zh) * | 2019-12-12 | 2020-04-03 | 天地伟业技术有限公司 | 一种基于视频的事件监测方法 |
CN112329631A (zh) * | 2020-11-05 | 2021-02-05 | 浙江点辰航空科技有限公司 | 一种使用无人机对高速公路进行车流量统计的方法 |
CN112562358A (zh) * | 2020-11-27 | 2021-03-26 | 石家庄铁道大学 | 基于视频数据的交通量检测方法、装置及终端设备 |
CN114143940B (zh) * | 2022-01-30 | 2022-09-16 | 深圳市奥新科技有限公司 | 隧道照明控制方法、装置、设备及存储介质 |
CN114937358B (zh) * | 2022-05-20 | 2023-04-21 | 内蒙古工业大学 | 一种高速公路多车道车流量统计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005215909A (ja) * | 2004-01-29 | 2005-08-11 | Hitachi Ltd | 動画像処理技術を使用した市街の交通状況調査システム |
JP2008052517A (ja) * | 2006-08-24 | 2008-03-06 | Koito Ind Ltd | 交通量計測方法および交通量計測装置 |
CN101510358A (zh) * | 2009-03-20 | 2009-08-19 | 吉林大学 | 采用视频图像处理实时统计车流量的方法及装置 |
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 |
-
2015
- 2015-12-19 CN CN201510962491.2A patent/CN105427626B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005215909A (ja) * | 2004-01-29 | 2005-08-11 | Hitachi Ltd | 動画像処理技術を使用した市街の交通状況調査システム |
JP2008052517A (ja) * | 2006-08-24 | 2008-03-06 | Koito Ind Ltd | 交通量計測方法および交通量計測装置 |
CN101510358A (zh) * | 2009-03-20 | 2009-08-19 | 吉林大学 | 采用视频图像处理实时统计车流量的方法及装置 |
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 |
Non-Patent Citations (4)
Title |
---|
利用时空图方法进行车流量实时检测;张栋冰 等;《重庆大学学报》;20150831;第38卷(第4期);第165-171页 * |
基于视频的车流量检测算法;宋丹妮 等;《电脑编程技巧与维护》;20150630(第11期);第91-92页 * |
基于视频的车流量检测统计技术研究;宋俊芳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20110315(第03期);正文第49-50页 * |
基于视频的车辆流量自动检测方法设计;吴志伟 等;《佛山科学技术学院学报(自然科学版)》;20120131;第30卷(第1期);第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105427626A (zh) | 2016-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105427626B (zh) | 一种基于视频分析的车流量统计方法 | |
CN104392468B (zh) | 基于改进视觉背景提取的运动目标检测方法 | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN104050471B (zh) | 一种自然场景文字检测方法及系统 | |
CN104239865B (zh) | 一种基于多级检测的行人检测与跟踪方法 | |
CN100544446C (zh) | 用于视频监控的实时运动检测方法 | |
WO2022027931A1 (zh) | 基于视频图像的运动车辆前景检测方法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN107169985A (zh) | 一种基于对称帧间差分和背景更新的运动目标检测方法 | |
CN105957356B (zh) | 一种基于行人数量的交通控制系统及方法 | |
CN103903018A (zh) | 一种复杂场景中对车牌进行定位的方法和系统 | |
CN103955949A (zh) | 基于Mean-shift算法的运动目标检测方法 | |
CN106204594A (zh) | 一种基于视频图像的弥散性运动物体的方向检测方法 | |
CN104599291B (zh) | 基于结构相似度和显著性分析的红外运动目标检测方法 | |
CN104952256A (zh) | 一种基于视频信息的交叉口处车辆的检测方法 | |
CN101996307A (zh) | 智能视频人体识别方法 | |
CN105205791A (zh) | 一种基于高斯混合模型的视频雨滴去除方法及其系统 | |
CN105046218A (zh) | 一种基于串并行处理的多特征交通视频烟雾检测方法 | |
Chen et al. | Traffic congestion classification for nighttime surveillance videos | |
CN107092878A (zh) | 一种基于混合分类器的可自主学习多目标检测方法 | |
Su et al. | A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification | |
CN109035296A (zh) | 一种改进的视频中运动物体检测方法 | |
CN105139358A (zh) | 一种结合形态学和模糊c聚类的视频雨滴去除方法及其系统 | |
CN108508425A (zh) | 一种雷达近地背景噪声下基于邻域特征的前景目标检测方法 | |
CN108009480A (zh) | 一种基于特征识别的图像人体行为检测方法 |
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: 20180302 Termination date: 20181219 |