CN105448086A - 一种基于虚拟检测带的交通流量检测方法 - Google Patents
一种基于虚拟检测带的交通流量检测方法 Download PDFInfo
- Publication number
- CN105448086A CN105448086A CN201510432603.3A CN201510432603A CN105448086A CN 105448086 A CN105448086 A CN 105448086A CN 201510432603 A CN201510432603 A CN 201510432603A CN 105448086 A CN105448086 A CN 105448086A
- Authority
- CN
- China
- Prior art keywords
- detection
- detection zone
- vehicle
- rgb
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于虚拟检测带的交通流量检测方法,全国很多城市都在进行智能交通建设,交通数据的正确掌握对于后续的交通控制、交通诱导及信息发布起着至关重要的作用。本发明采用基于虚拟检测带的交通流量检测方法,对检测带范围内像素点的RGB三原色强度值进行统计,将无车辆时的统计值作为标准特征模板并执行模板更新策略,通过计算每一帧实时视频图像的特征值与标准模板特征值的距离进行车辆检测。为了提高检测精度,本发明提出了一种基于阴影特征的阴影检测算法。在早晨和中午的不同光照条件下进行试验,在阴影明显的情况下,该方法的检测准确率在91%以上,在阴影不明显的情况下,检测准确率达到95%,可满足智能交通的需要。
Description
技术领域
本发明涉及一种交通流量检测方法,具体涉及一种基于虚拟检测带的交通流量检测方法。
背景技术
随着社会经济的快速发展,人均汽车拥有量急剧增加,给道路交通出行带来了巨大的压力。为了解决这个问题,人们做了大量的努力,应对方法之一就是建立智能交通系统。然而,无论多么先进的交通检测系统,都必须建立在对交通目标的正确检测的基础上。目前,车辆检测技术有很多种,按方法可分为感应线圈检测、微波检测、视频检测、红外检测等。其中,基于视频的检测技术得到了人们的广泛关注,其基本原理就是利用车辆的某种特征把车辆目标从动态的图像序列中提取出来。与其他检测方法比,具有以下优点:安装时无须破坏路面;可以同步进行视频监控;检测设置灵活;支持多条车道同时检测等优点。基于视频的智能交通系统发展迅速,理论研究也取得了突破性的进展,得到了越来越多的人的关注。
视频车辆检测技术通常分为两大类:基于虚拟传感器(虚拟点、虚拟线、虚拟线圈)的非模型交通信息检测技术、基于目标提取和模型跟踪的交通信息检测技术。虚拟检测带法属于第一种检测技术,是虚拟线法的一种,算法能够完成车流量、车速和车型分类等交通参数的提取,实时性较高,可以满足智能交通的需要。
现在基于视频的车流量统计方法有很多,可这些方法大都存在要么方法复杂,要么准确性差的问题。如经搜索发现了一个基于虚拟线圈技术的视频车流量统计技术如:专利申请号:201310197031.6的专利,该方法使用了虚拟线圈的方式进行车流量统计。首先需要使用预处理机制,对图像分割处理以分离出运动前景,并对产生的运动前景分割图进行滤波,膨胀、连通域检测、连通域去除、连通域填充及腐蚀等一系列的操作。然后对虚拟线圈进行设置,虚拟线圈尽量占满一个车道的宽度,长度约大于轿车长度的1.5倍。最后,需要在整幅图像范围内对背景更新。在这种方法中,虚拟线圈的覆盖范围要大于轿车的面积,虽然这样可以获得更多的车辆信息,却增大了需要处理的数据量。同时,需要进行一系列的预处理及在整幅图像范围内进行背景更新也使得计算过程十分复杂,进一步降低了系统的实时性。而且,该方法仅利用一个检测线圈进行车流量的检测,容易对行驶在机动车道上的三轮车等非机动车也进行计数,易产生误计数;此外,该方法并未对阴影进行处理,而阴影对车辆检测的准确性有着很大的影响,降低了车辆计数精度。
发明内容
本发明主要提供了一种基于虚拟检测带的交通流量检测方法,具体提供了一种采用阴影特征进行阴影检测,具有较高检测准确率可满足智能交通需要的基于虚拟检测带的交通流量检测方法。
为了解决以上技术问题,本发明的一种基于虚拟检测带的交通流量检测方法,主要在RGB环境下进行检测,其特征在于,步骤如下:
A、在所述车道上方设置摄像头;视频输入;
B、设置虚拟检测带位置:分别对n≥1个车道设定检测带,在每个车道上设定两条检测带,两条检测带之间的距离小于一辆小轿车的长度;检测信号初始化设置为低电平状态;
C、对输入的视频进行模板初始化,该初始化的步骤依次为:读取A)步骤中的视频图像、检测带阴影区检测(检测带内除去阴影区域的剩余部分称之为无阴影检测带,参与后续的特征匹配)、计算无阴影检测带的特征值分布,设定为标准模板;
D、进行图像帧计数器+1的处理,指向下一帧图像;
E、帧计数器达到设定值后,进行模板更新;重新计算模板特征,用新模板替换C)步骤中的模板;
F、计算无阴影检测带实时特征值,并再次进行无阴影检测带内阴影检测,若为阴影,说明是相邻车道的大车投下的阴影,不参与车辆计数;
G、将实时特征值与标准模板进行匹配,若匹配值在0.8~100之间则检测信号设置为低电平状态,表示无车流,返回步骤D);匹配值在0~0.8之间或匹配值大于100时,检测信号置为高电平;
H、滤波:由于车的玻璃等会在检测带形成干扰,会干扰检测信号,因此,设计滤波步骤,过滤高电平中瞬间的低电平或低电平中瞬间的高电平,类似尖峰或凹陷,滤波的作用就是将这些尖峰或凹陷还原成其出现之前的状态;
I、高电平帧数大于设定值且符合电平跳变规则,进入下一步;
J、车量计数+1,返回步骤D)。
进一步地,所述摄像头的布局为:离检测带高6米,与水平呈45度夹角。
进一步地,所述B)步骤中标准特征模板在RGB模式下进行,设置为坐标式,所述坐标的横坐标依次表示将RGB的强度值进行约束后的区间范围,纵坐标表示检测带范围中经统计后RGB强度值在相应区间内的数目。
进一步地,所述滤波的检测方法如下:所述车辆通过虚拟检测带,车窗玻璃的低反光特性,出现短暂的高电平或低电平的状态,类似尖峰或凹陷,将这些尖峰或凹陷过滤掉,还原成其出现之前的状态。
进一步地,所述阴影检测的步骤如下:
(1)计算并化简检测带区域每一个像素点RGB三原色的强度值,为便于后续处理,将RGB的强度值约束为0~25之间的正整数,如式(1)所示:
(1)
式中:xi:检测带中像素点RGB的实际强度值;
xi’:表示将xi约束后的值。
(2)计算每一个像素点RGB彼此间强度值的差值绝对值,如式(2)所示;
(2)
式中:tk:RGB彼此间强度值的差值绝对值。
(3)根据阴影区域所具有的如色彩值较低、RGB之间的强度值差异较小的特点,可以据此选取适当的阈值Q1,Q2,若,其中Q1表示判断该像素点是否属于阴影时RGB彼此间强度值的最大差异值,,其中Q2表示判断该像素点是否属于阴影时RGB的最大强度值),便认为此处属于阴影区域;
进一步地,所述检测带特征值包括实时特征值和标准模板特征值,其计算方法如下:
(1)利用公式(1)计算并化简检测带区域每一个像素点RGB三原色的强度值,将RGB的强度值约束为0~25之间的正整数;
(2)对检测带区域内xi的值分别进行统计,得到RGB的条形统计图作为这帧图像的实时特征分布;
进一步地,实时特征值与标准模板特征值之间距离的比较方法如公式(3)和公式(4)所示。当0<tmpi(k)<0.8或tmpi(k)>100时,认为二者差异比较大,差异值Diff进行累加,当Diff大于设定值时,检测带置为高电平状态。
(3)
(4)
式中:Charactersi(k):当i=R,G,B中的一个时,第k个区间的特征值;
StdCharactersi(k):当i=R,G,B中的一个时,第k个区间的标准模板特征值;
tmpi(k):当i=R,G,B中的一个时,第k个区间的特征值与标准模板特征值之间的差异;
tmpi’(k):实时特征值和标准模板特征值之间差异较大的值;
Diff:实时特征值与标准模板特征值之间的距离。
进一步地,车辆计数规则描述如下:
(1)若车辆的两条检测带存在有连续k帧同时为高电平的情况便认为有车辆通过;
(2)为了防止出现误计数,可以通过电平的跃变和所处的状态的双重判定来去除掉可能产生的误计数。具体判定如下:只有当两条检测带连续k帧同时存在有高电平状态,并且在下一帧检测带1(车辆先通过的检测带为检测带1)由高电平状态跃变为低电平,这时车辆计数才会加1。
进一步地,所述交通流参数的提取包括车流量统计、车速和时间占有率。
进一步地,所述车速的计算方法如下:车辆到达检测带时会产生检测信号,因为检测带之间的距离是已知的,只要知道车辆经过两条检测带的时间即可计算车车速V,如公式(5)所示:
(5)
式中:V:车速;
D:两条检测带之间的距离;
R:帧率;
Frame1:检测带1检测到车辆时的初始帧;
Frame2:检测带2检测到车辆时的初始帧。
进一步地,所述时间占有率提取方法如下:检测带上有车通过的帧数除以该帧数和无车辆通过的帧数之和就是车道时间占有率,如公式(6):
(6)
式中,s:车道时间占有率;
Frameh:出现高电平的帧;
Framen:当前的视频帧号。
本发明的优点在于:
全国很多城市都在进行智能交通建设,交通数据的正确掌握对于后续的交通控制、交通诱导及信息发布起着至关重要的作用。
本发明采用基于虚拟检测带的交通流量检测方法,对检测带范围内像素点的RGB三原色强度值进行统计,将无车辆时的统计值作为标准特征模板并执行模板更新策略,通过计算每一帧实时视频图像的特征值与标准模板特征的距离进行车辆检测。
为了提高检测精度,本发明提出了一种基于阴影特征的阴影检测算法。在早晨和中午的不同光照条件下进行试验,在阴影明显的情况下,该方法的检测准确率在91%以上,在阴影不明显的情况下,检测准确率达到95%,可满足智能交通的需要。
附图说明
图1设置虚拟检测带。
图2标准特征模板。
图3阴影部分的处理。
图4特征分布:其中,图4a实时特征分布;图4b标准特征模板。
图5车辆正常计数;其中,图5a为车辆正常计数演示图;图5b为车辆正常状态下检测带电平高低的示意图。
图6车辆非正常计数;其中,图6a为车辆非正常计数演示图;图5b为车辆非正常状态下检测带电平高低的示意图。
图7为本发明的流程示意图。
具体实施方式
本发明的一种基于虚拟检测带的交通流量检测方法,主要在RGB环境下进行检测,步骤如图7所示:
A、在所述车道上方设置摄像头;视频输入;
B、设置虚拟检测带位置:分别对n≥1个车道设定检测带,在每个车道上设定两条检测带,两条检测带之间的距离小于一辆小轿车的长度;检测信号初始化设置为低电平状态;
C、对输入的视频进行模板初始化,该初始化的步骤依次为:读取A)步骤中的视频图像、检测带阴影区检测(检测带内除去阴影区域的剩余部分称之为无阴影检测带,参与后续的特征匹配)、计算无阴影检测带的特征值分布,设定为标准模板;
D、进行图像帧计数器+1的处理,指向下一帧图像;
E、帧计数器达到设定值后,进行模板更新;重新计算模板特征,用新模板替换C)步骤中的模板;
F、计算无阴影检测带实时特征值,并再次进行无阴影检测带内阴影检测,若为阴影,说明是相邻车道的大车投下的阴影,不参与车辆计数;
F、将实时特征值与标准模板进行匹配,若匹配值在0.8~100范围内,则检测信号设置为低电平状态,表示无车流,返回步骤D);匹配值在0~0.8之间或匹配值大于100时,检测信号置为高电平;
G、滤波:由于车的玻璃等会在检测带形成干扰,会干扰检测信号,因此,设计滤波步骤,过滤高电平中瞬间的低电平或低电平中瞬间的高电平,类似尖峰或凹陷,滤波的作用就是将这些尖峰或凹陷还原成其出现之前的状态;
H、高电平帧数大于设定值且符合电平跳变规则,进入下一步;
I、车量计数+1,返回步骤D)。
基本原理:本发明的交通视频是由连续的随着时间变化的一组图像或称帧组成。视频车辆检测通过对视频的每一帧图像进行分析,进而把车辆目标从视频中提取出来,因此,对数字图像的处理是进行车辆检测的基础。像素是图像的最小单位信息,通常是一个整数,其大小称为像素值。在RGB彩色空间中,一幅彩色数字图像的各个像素的信息由R(红)、G(绿)、B(蓝)三原色构成,为每个像素RGB的各个分量分配一个0~255的强度值,通过三个分量的不同比例,共同决定像素的亮度和色彩。
计算机中的数字图像,用的最多的是RGB彩色空间。摄像机获得的视频图像以24位的RGB结构的数据格式保存,故对车流量统计的处理也同样在RGB空间里进行。视频车辆检测步骤如下:分别对三个车道设定检测带,在每个车道上设定两条检测带(如图1),两条检测带之间的距离小于一辆小轿车的长度。对检测带内的像素点RGB三原色的强度值的数目进行统计,并将该值的条形统计图作为车辆的标准特征模板,如图2,图中横坐标依次表示将RGB的强度值进行约束后的区间范围,纵坐标表示检测带范围中经统计后RGB强度值在相应区间内的数目(详见下面阴影检测法的具体描述)。当车辆通过该区域时,将该实时特征值与标准模板特征值进行比对,通过对生成的波形图进行分析来获取各个交通参数。
在本发明中,主要的是交通流量参数的计算。而在交通流量参数计算中,主要影响的因素有滤波、车辆阴影检测、RGB特征值计算、实时特征值与标准模板特征值距离的计算、车辆技术规则、模板更新策略。
首先,滤波处理:
为使系统设备得到充分的利用,一台摄像机即可完成对三条车道的检测,以下的处理均是在右侧车道两条检测带上进行的。
因为在摄像机实际应用时,可能会遇到各种各样的情况,摄像机的抖动,车窗玻璃的低反光特性都会给交通流量的检测带来一定的影响。为保证检测的准确性,对摄像机进行滤波去噪处理。方法如下:由于车窗玻璃的低反光特性,其在通过虚拟检测带时,会使检测带出现短暂的高电平(或低电平)的状态,类似尖峰或凹陷,滤波的作用就是将这些尖峰或凹陷还原成其出现之前的状态。具体做法为:直接将这些尖峰或凹陷筛选出来,并忽略,保持电平出现这些短暂异样电平之前的状态。
其次,车辆阴影检测:
视频检测对光线的要求很高,不同时刻同一场景下的光照度不同,检测精度也有可能会出现差异。阴影问题,是视频车辆检测技术中的难点问题,阴影往往会导致系统检测精度降低,增大检测误差。尤其是在夏天和中午的时候,这种影响更为显著。
本文使用的是利用阴影的特征检测阴影的算法,这种算法属于统计无参算法。
与非阴影区域相比,阴影区域也有其固有的特点:亮度值较背景小、色彩值较低、RGB之间的强度值差异较小。对阴影区域的处理,本文是在RGB空间进行的。具体步骤如下:
(1)计算并化简检测带区域每一个像素点RGB三原色的强度值,为便于后续处理,将RGB的强度值约束为0~25之间的正整数,如式(1)所示:
(1)
式中:xi表示检测带中像素点RGB的实际强度值;
xi’表示将xi约束后的值。(2)计算每一个像素点RGB彼此间强度值的差值绝对值,如式(2)所示;
(2)
式中:tk表示RGB彼此间强度值的差值绝对值。(3)根据阴影区域所具有的如色彩值较低、RGB之间的强度值差异较小的特点,可以据此选取适当的阈值Q1,Q2,其中Q1表示判断该像素点是否属于阴影时RGB彼此间强度值的最大差异值,Q2表示判断该像素点是否属于阴影时RGB的最大强度值。若,,便认为此处属于阴影区域;
(4)将检测带内检测到的的阴影部分置成白色,不参与匹配(图3)。检测带内除去阴影区域的剩余部分称之为无阴影检测带,参与后续的特征匹配。
第三步,RGB特征值计算
(1)利用公式(1)计算并化简检测带区域每一个像素点RGB三原色的强度值,将RGB的强度值约束为0~25之间的正整数;
(2)对检测带区域内xi的值分别进行统计,得到RGB的条形统计图作为这帧图像的实时特征值(图4a);
(3)取连续多帧无车辆通过无阴影检测带的视频图像的特征分布,将其训练成标准特征模板(图4b)
第四步,实时特征值与标准模板特征值距离的计算
实时特征值与标准模板特征值之间距离的比较方法如公式(3)和公式(4)所示。当0<tmpi(k)<0.8或tmpi(k)>100时,认为二者差异比较大,差异值Diff进行累加,当Diff大于设定值时,检测带置为高电平状态。
(3)
(4)
式中:Charactersi(k)表示当i=R,G,B中的一个时,第k个区间的特征值;
StdCharactersi(k)表示当i=R,G,B中的一个时,第k个区间的标准模板特征值;
tmpi(k)表示当i=R,G,B中的一个时,第k个区间的特征值与标准模板特征值之间的差异;
tmpi’(k)表示实时特征值和标准模板特征值之间差异较大的值;
Diff表示实时特征值与标准模板特征值之间的距离。
第五步,车辆计数规则
(1)若车辆的两条检测带存在有连续k帧同时为高电平的情况,便认为有车辆通过检测带;
(2)为了防止出现误计数,可以通过电平的跃变和所处的状态的双重判定来去除掉可能产生的误计数。具体判定如下:只有当两条检测带连续k帧同时存在有高电平状态,并且在下一帧检测带1(车辆先通过的检测带为检测带1)由高电平状态跃变为低电平,这时车辆计数才会加1。
第六步,车速
车速检测是交通流量检测系统的重要组成部分。车速的测量是在对车辆检测的基础上进行的。车辆到达检测带时会产生检测信号,因为检测带之间的距离是已知的,只要知道车辆经过两条检测带的时间即可计算车车速V,如公式(5)所示:
(5)
式中:V表示车速;
D表示两条检测带之间的距离;
R表示帧率;
Frame1表示检测带1检测到车辆时的初始帧;
Frame2表示检测带2检测到车辆时的初始帧。
在实际检测过程时,也可能会出现一条检测带漏检或误检而另一检测带正常的情况,这时不进行车速的测量。
第七步,时间占有率
车道的时间占有率也是很重要的交通控制参数之一。检测带上有车通过的帧数除以该帧数和无车辆通过的帧数之和就是车道时间占有率,如公式(6):
(6)
式中,s表示车道时间占有率;
Frameh表示出现高电平的帧;
Framen表示当前的视频帧号。
第八步,模板更新策略
基于RGB像素的虚拟检测带的方法是将车辆的实时特征信号同标准特征信号进行比对,进而得到车流量数据的方法。因此,标准特征信号模板对检测的结果有着举足轻重的影响。可是由于实际情况极为复杂,一天之内,一年之中,情况时时刻刻都可能不同,这种情况下,只使用一种或几种标准模板来进行车辆统计是不合适的。为了适应视频图像中的环境变化,得到更准确地检测结果,需要对产生的标准模板进行更新。本文采用了动态模板更新的方法,以此来适应不同情况的需要。模板更新规则如下:
1)产生初始模板:按上述C)步骤所提出的策略产生初始模板;
2)可以自行设置帧数的大小进行模板更新(如每隔500帧更新模板一次),更新时需要的帧数可以根据需要自行设定,值越大,训练模板所需要的时间也越长;
3)若模板更新过程中有车辆通过,则与旧模板进行比较后计数,同时等待车辆通过后继续更新。
实施例1
用本文提出的技术对试验采集到的视频进行车流量分析,试验分别在光线不强烈、阴影不明显的早晨和阳光强烈、阴影较明显的中午两种条件下进行,摄像机高度6米,与水平呈35度夹角,试验结果如表1和2所示。
表1阴影不明显时的试验结果
位置 | 漏检/辆 | 误检/辆 | 设备检测/辆 | 人工计数/辆 | 准确率/% |
左边车道 | 2 | 0 | 47 | 49 | 95.92 |
中间车道 | 2 | 1 | 64 | 65 | 95.38 |
右边车道 | 4 | 1 | 94 | 97 | 94.85 |
合计 | 8 | 2 | 205 | 211 | 95.26 |
表2阴影较明显时的试验结果
位置 | 漏检/辆 | 误检/辆 | 设备检测/辆 | 人工计数/辆 | 准确率/% |
左边车道 | 4 | 2 | 87 | 89 | 93.26 |
中间车道 | 6 | 2 | 108 | 112 | 92.86 |
右边车道 | 9 | 5 | 160 | 164 | 91.46 |
合计 | 19 | 9 | 355 | 365 | 92.33 |
漏检指视频图像中检测带上实际有车通过而系统未能将其检测出来;误检是指将一辆车检测为两辆车或把摩托车等非机动车辆也检测为有车的情况[10]。
经过分析后发现,试验中发生漏检主要有两个原因,一是有的车辆车身的颜色与阴影颜色或背景颜色较为接近而导致漏检;二是前后两辆车的车距过近(尤其是小车紧跟随在大车之后),在摄像机上形成遮挡被当成一辆车计数而造成漏检。误检的原因主要是车辆没有遵守交通规则,反而跨道行驶,被当做两辆车同时经过两条车道而产生误计数。
从两个表的对比中可以看出,当光照条件较好,阴影相对明显时,检测精度会有一定程度的下降。这主要是因为阴影检测算法并不能保证百分之百的检测出所有阴影区域,所以当阴影较明显时会使检测精度在一定程度上下降。
Claims (9)
1.一种基于虚拟检测带的交通流量检测方法,主要在RGB环境下进行检测,其特征在于,步骤如下:
A.在所述车道上方设置摄像头;视频输入;
B.设置虚拟检测带位置:分别对n≥1个车道设定检测带,在每个车道上设定两条检测带,两条检测带之间的距离小于一辆小轿车的长度;检测带初始化设置为低电平状态;
C.对输入的视频进行模板初始化,该初始化的步骤依次为:读取A)步骤中的视频图像提取、计算检测带特征值分布,设定为标准模板;
D.C)步骤处理完毕后,进行图像帧计数器+1的处理,指向下一帧图像;
E.计算检测带实时特征值,并进行检测带移动阴影检测,若为阴影,则不参与计数;若是实时车况,进入下一步骤;
F.帧计数器达到设定值后,进行模板更新;重新计算模板特征,用新模板替换C)步骤中的模板,重复D\E)步骤的检测;
G.E)步骤或重新模板更新后的F)步骤,进一步匹配模板特征,匹配值在0.8——100范围内,设置为为低电平状态,表示无车流,返回步骤D);匹配值在0——0.8之间或匹配值大于100时,检测信号置为高电平;
H.滤波:由于车的玻璃等会在检测带形成干扰,会干扰检测信号,因此,设计滤波步骤,过滤高电平中瞬间的低电平或低电平中瞬间的高电平,类似尖峰或凹陷,滤波的作用就是将这些尖峰或凹陷还原成其出现之前的状态;
I.高电平帧数大于设定值且符合电平跳变规则,进入下一步;
J.车量计数+1,计数器指向下一辆车辆,重复上述步骤。
2.根据权利要求1所述的一种基于虚拟检测带的交通流量检测方法,其特征在于:所述摄像头的布局为:离检测带高6米,与水平呈45度夹角。
3.根据权利要求1所述的一种基于虚拟检测带的交通流量检测方法,其特征在于:所述B)步骤中标准特征模板在RGB模式下进行,设置为坐标式,所述坐标的横坐标依次表示将RGB的强度值进行约束后的区间范围,纵坐标表示检测带范围中经统计后RGB强度值在相应区间内的数目。
4.根据权利要求1所述的一种基于虚拟检测带的交通流量检测方法,其特征在于:所述滤波的检测方法如下:所述车辆通过虚拟检测带,车窗玻璃的低反光特性,出现短暂的高电平或低电平的状态,类似尖峰或凹陷,将这些尖峰或凹陷过滤掉,还原成其出现之前的状态。
5.根据权利要求1所述的一种基于虚拟检测带的交通流量检测方法,其特征在于:所述移动阴影检测的步骤如下:
(1)计算并化简检测带区域每一个像素点RGB三原色的强度值,为便于后续处理,将RGB的强度值约束为0~25之间的正整数,如式(1)所示:
(1)
式中:xi表示检测带中像素点RGB的实际强度值;
xi’表示将xi约束后的值;
(2)计算每一个像素点RGB彼此间强度值的差值绝对值,如式(2)所示;
(2)
式中:tk表示RGB彼此间强度值的差值绝对值;
(3)根据阴影区域所具有的如色彩值较低、RGB之间的强度值差异较小的特点,可以据此选取适当的阈值Q1,Q2,其中Q1表示判断该像素点是否属于阴影时RGB彼此间强度值的最大差异值,Q2表示判断该像素点是否属于阴影时RGB的最大强度值;
选取适当的阈值Q1,Q2,若,,便认为此处属于阴影区域;
(4)将检测带内检测到的的阴影部分置成白色,不参与匹配。
6.根据权利要求1所述的一种基于虚拟检测带的交通流量检测方法,其特征在于:所述交通流参数的提取包括车流量统计、车速和时间占有率。
7.根据权利要求7所述的一种基于虚拟检测带的交通流量检测方法,其特征在于:所述车流量统计步骤为:
首先,在每一条车道上设置了前后两条检测带,记为检测带1和检测带2;
其次,利用公式(1)计算并化简检测带区域每一个像素点RGB三原色的强度值,将RGB的强度值约束为0~25之间的正整数;
(1)
式中xi表示检测带中像素点RGB的实际强度值;xi’表示将xi约束后的值;
第三、对检测带区域内xi的值分别进行统计,得到RGB的条形统计图作为这帧图像的实时特征分布;
第四、取连续多帧无车辆通过无阴影检测带的视频图像的特征分布,将其训练成标准特征模板;
第五、计算实时特征值与标准模板特征值的距离,如公式(3)和公式(4)所示;
当0<tmpi(k)<0.8或tmpi(k)>100时,认为二者差异比较大,差异值Diff进行累加,当Diff大于设定值时,检测带置为高电平状态;
(3)
(4)
式中:Charactersi(k)表示表示当i=R,G,B中的一个时,第k个区间的特征值;
StdCharactersi(k)表示表示当i=R,G,B中的一个时,第k个区间的标准模板特征值;
tmpi(k)表示当i=R,G,B中的一个时,第k个区间的特征值与标准模板特征值之间的差异;
tmpi’(k)表示实时特征值和标准模板特征值之间差异较大的值;
Diff表示实时特征值与标准模板特征值之间的距离;
第六、若车辆的两条检测带存在有连续k帧同时为高电平的情况便认为有车辆通过,电平信号为高电平;
第七、为了防止出现误计数,可以通过电平的跃变和所处的状态的双重判定来去除掉可能产生的误计数;具体判定如下:只有当两条检测带连续k帧同时存在有高电平状态,并且在下一帧检测带1(车辆先通过的检测带为检测带1)由高电平状态跃变为低电平,这时车辆计数才会加1,检测下一辆。
8.根据权利要求7所述的一种基于虚拟检测带的交通流量检测方法,其特征在于:所述车速的提取方法如下:车辆到达检测带时会产生检测信号,因为检测带之间的距离是已知的,只要知道车辆经过两条检测带的时间即可计算车车速V,公式如下,如公式(5)所示:
(5)
式中:V表示车速;
D表示两条检测带之间的距离;
R表示帧率;
Frame1表示检测带1检测到车辆时的初始帧;
Frame2表示检测带2检测到车辆时的初始帧。
9.根据权利要求7所述的一种基于虚拟检测带的交通流量检测方法,其特征在于:所述时间占有率提取方法如下:检测带上有车通过的帧数除以该帧数和无车辆通过的帧数之和就是车道时间占有率,如公式(6):
(6)
式中,s表示车道时间占有率;
Frameh表示出现高电平的帧;
Framen表示当前的视频帧号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510432603.3A CN105448086A (zh) | 2015-07-22 | 2015-07-22 | 一种基于虚拟检测带的交通流量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510432603.3A CN105448086A (zh) | 2015-07-22 | 2015-07-22 | 一种基于虚拟检测带的交通流量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105448086A true CN105448086A (zh) | 2016-03-30 |
Family
ID=55558211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510432603.3A Pending CN105448086A (zh) | 2015-07-22 | 2015-07-22 | 一种基于虚拟检测带的交通流量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105448086A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909813A (zh) * | 2017-10-09 | 2018-04-13 | 宁波工程学院 | 一种道路车辆车速及车间时距检测系统及方法 |
CN108320532A (zh) * | 2017-01-16 | 2018-07-24 | 北海和思科技有限公司 | 一种交通流量的检测方法 |
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 |
CN114724378A (zh) * | 2022-06-02 | 2022-07-08 | 瞳见科技有限公司 | 一种基于深度学习的车辆追踪统计系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN101615342A (zh) * | 2008-06-27 | 2009-12-30 | 青岛海信电子产业控股股份有限公司 | 一种车辆检测方法 |
CN104267209A (zh) * | 2014-10-24 | 2015-01-07 | 浙江力石科技股份有限公司 | 一种基于虚拟线圈的高速公路视频测速方法及系统 |
-
2015
- 2015-07-22 CN CN201510432603.3A patent/CN105448086A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615342A (zh) * | 2008-06-27 | 2009-12-30 | 青岛海信电子产业控股股份有限公司 | 一种车辆检测方法 |
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 |
CN104267209A (zh) * | 2014-10-24 | 2015-01-07 | 浙江力石科技股份有限公司 | 一种基于虚拟线圈的高速公路视频测速方法及系统 |
Non-Patent Citations (3)
Title |
---|
朱矿军等: "一种基于视频虚拟检测线的交通流参数检测方法", 《城市交通》 * |
袁河洋: "基于视频的车辆速度检测方法研究", 《万方学位论文》 * |
高岚等: "自适应背景下运动目标阴影检测算法研究", 《计算机应用技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320532A (zh) * | 2017-01-16 | 2018-07-24 | 北海和思科技有限公司 | 一种交通流量的检测方法 |
CN107909813A (zh) * | 2017-10-09 | 2018-04-13 | 宁波工程学院 | 一种道路车辆车速及车间时距检测系统及方法 |
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 |
CN114724378A (zh) * | 2022-06-02 | 2022-07-08 | 瞳见科技有限公司 | 一种基于深度学习的车辆追踪统计系统及方法 |
CN114724378B (zh) * | 2022-06-02 | 2022-10-18 | 瞳见科技有限公司 | 一种基于深度学习的车辆追踪统计系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102810250B (zh) | 基于视频的多车型交通信息检测方法 | |
CN103077617B (zh) | 基于计算机视觉的人行横道智能交通灯监管系统及方法 | |
CN103150559B (zh) | 基于Kinect三维深度图像的头部识别与跟踪方法 | |
CN106355903B (zh) | 基于视频分析的多车道车流量检测方法 | |
CN105448086A (zh) | 一种基于虚拟检测带的交通流量检测方法 | |
CN102289940B (zh) | 一种基于混合差分的车流量检测方法 | |
CN105336169B (zh) | 一种基于视频判断交通拥堵的方法和系统 | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN109859468A (zh) | 基于YOLOv3的多车道车流量计数及车辆跟踪方法 | |
CN103366572B (zh) | 一种交叉口的视频交通参数检测方法 | |
CN103208193A (zh) | 一种利用视频检测数据的城市相邻交叉口信号协调控制方法 | |
CN101727748A (zh) | 一种基于车辆尾灯检测的车辆监控方法、系统和设备 | |
CN109523790A (zh) | 一种基于车牌相似度的车牌纠错方法 | |
CN106952474A (zh) | 基于运动车辆检测的车流量统计方法 | |
CN107170247A (zh) | 一种确定交叉口排队长度方法及装置 | |
CN103810854B (zh) | 一种基于人工标定的智能交通参数检测方法 | |
CN104183142A (zh) | 一种基于图像视觉处理技术的车流量统计方法 | |
CN105718923A (zh) | 一种基于逆投影图的夜间车辆检测与计数方法 | |
CN105761507B (zh) | 一种基于三维轨迹聚类的车辆计数方法 | |
CN106997662A (zh) | 一种城市公交车工况构建方法 | |
CN114329074B (zh) | 一种匝道路段通行能效检测方法和系统 | |
CN105139670A (zh) | 一种基于视频的区域自优化信号控制方法及装置 | |
CN105551265B (zh) | 一种基于虚拟检测带的交通流量检测方法 | |
CN103279748B (zh) | 一种基于sift–cof特征光流的道路检测方法 | |
CN104281851A (zh) | 车标信息的提取方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20180608 |