CN105469604A - 一种基于监控图像的隧道内车辆检测方法 - Google Patents

Abstract

本发明提供一种基于监控图像的隧道内车辆检测方法，本发明方法，包括：处理器接收监控摄像机实时采集的当前隧道照明灯亮度等级下的隧道内路面区域图像；所述处理器针对所述路面区域图像的特征区域与所述路面区域图像相同照明灯亮度的背景图像的特征区域进行处理，所述背景图像为所述隧道内无车辆图像；所述处理器根据处理后的结果判断隧道内是否有车辆。本发明实现了隧道内的车辆检测，提高了检测结果的准确率。

Description

一种基于监控图像的隧道内车辆检测方法

技术领域

本发明实施例涉及图像数据分析技术领域，尤其涉及一种基于监控图像的隧道内车辆检测方法。

背景技术

目前隧道内车辆检测技术常用的方法是利用地感线圈车辆检测器、红外探测器或雷达测速仪等设备检测车辆有无信息。在实际应用时，地感线圈的安装施工费用大、对路面破坏严重、走线复杂不利于防雷且检修的代价太大，具有很大局限性；红外探测器安装时受高速公路路边护栏的影响以及对于车速太快的车辆会产生漏检现象；雷达测速仪对于车速过高的车辆也可能会产生漏检现象。因此根据隧道内的监控摄像机采集的图像进行车辆检测成为一个趋势。

目前较常用的视频车辆检测方法主要有：帧间差分法、光流法和背景差分法。帧间差分法对于场景的变化具有较强的自适应性，但是对于静止的车辆和速度较慢的车辆容易产生漏检现象；光流法能够检测独立运动的目标，而不需要预先知道场景的任何信息，而且在摄像机移动的情况下也能检测不会受到影响，但是其运算公式复杂，计算量大且抗噪性差。背景差分法是固定背景情况下常用的一种方法，一般能够提供最完全的特征数据，其原理和算法简单，计算速度快，但是受光照、天气等外界条件的影响较大，导致检测结果准确率低。

发明内容

本发明实施例提供一种基于监控图像的隧道内车辆检测方法，以克服现有技术中对于隧道内车辆检测技术实现复杂，检测结果准确率低的问题。

本发明的基于监控图像的隧道内车辆检测方法，包括：

处理器接收监控摄像机实时采集的当前隧道照明灯亮度等级下的隧道内路面区域图像；

所述处理器根据所述路面区域图像的特征区域与所述路面区域图像相同照明灯亮度的背景图像的特征区域进行处理，所述背景图像为所述隧道内无车辆图像；

所述处理器根据处理后的结果判断隧道内是否有车辆；

采用实时采集的当前隧道照明灯亮度等级下的无车辆图像替换所述相同照明灯亮度等级下的背景图像。

进一步地，所述处理器接收监控摄像机实时采集的隧道内路面区域图像之前，还包括：

处理器存储所述监控摄像机采集的隧道照明灯不同亮度等级下的隧道内无车辆图像。

进一步地，所述处理器接收监控摄像机实时采集的当前隧道照明灯亮度等级下的隧道内路面区域图像之后，还包括：

所述处理器判断是否接收到隧道内照明灯的亮度变化信号，若是，则求所述隧道内照明灯亮度变化后对应的多帧图像的平均图像，并采用所述平均图像替换对应照明灯亮度变化后的背景图像。

进一步地，所述处理器根据所述图像的特征区域与所述隧道内无车辆图像进行处理，包括：

截取所述路面区域图像的特征区域；

根据所述特征区域与所述无车辆图像的特征区域进行差分处理；

对所述差分处理后的图像进行边缘检测；

对所述边缘检测后的图像进行分块处理；

统计特定块图像内的非零点个数；

根据所述非零点个数判断是否有车辆。

进一步地，所述根据所述非零点个数判断是否有车辆，包括：

若所述非零点个数在阈值范围内，则确定所述隧道内有车辆出现；

若所述非零点个数超出所述阈值范围，则确定所述隧道内无车辆出现。

本发明基于监控图像的隧道内车辆检测方法，通过对路面图像的特征区域进行边缘检测和分块处理，以及在隧道不同照明亮度下重新获取背景图像。该方法实现简单，应用方便，可靠性高，不会出现隧道内部有车辆漏检的情况，提高了隧道内车辆检测的准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于监控图像的隧道内车辆检测方法流程图；

图2为本发明基于监控图像的隧道内车辆检测方法另一流程图；

图3为本发明采集图像处理示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明基于监控图像的隧道内车辆检测方法流程图，如图1所示，本实施例方法，包括：

步骤101、处理器接收监控摄像机实时采集的当前隧道照明灯亮度等级下的隧道内路面区域图像；

步骤102、所述处理器针对所述路面区域图像的特征区域与所述路面区域图像相同照明灯亮度的背景图像的特征区域进行处理，所述背景图像为所述隧道内无车辆图像；

步骤103、所述处理器根据处理后的结果判断隧道内是否有车辆；

步骤104、采用实时采集的当前隧道照明灯亮度等级下的无车辆图像替换所述相同照明灯亮度等级下的背景图像。

进一步地，所述处理器接收监控摄像机实时采集的隧道内路面区域图像之前，还包括：

处理器存储所述监控摄像机采集的隧道照明灯不同亮度等级下的隧道内无车辆图像。

具体来说，调节隧道照明灯的亮度，采用步长为10％，从10％～100％亮度等级进行调节，每调节一次监控摄像机便采集当前照明亮度下的无车辆路面区域图像，将其作为相应亮度下的背景图像保存至背景库中。使用监控摄像机实时采集隧道内路面区域图像，采集图像时监控摄像机的光圈类型、曝光时间、增益等参数应设置为手动控制模式；监控摄像机是隧道内用于监控作用的摄像机。处理器提取该监控摄像机实时采集的路面区域图像的特征区域，并将该特征区域与背景图像中与当前照明灯亮度相同等级的背景图像的特征区域比对，根据比对结果判断隧道内是否有车辆。举例说明，当前照明灯亮度等级为30％，监控摄像机实时采集的路面区域图像与多个照明灯亮度等级的背景图像中照明灯亮度等级为30％的背景图像进行处理，并根据处理后的结果判断隧道内是否有车辆。

进一步地，所述处理器根据所述图像的特征区域与所述隧道内无车辆图像进行处理，包括：

截取所述路面区域图像的特征区域；

根据所述特征区域与所述无车辆图像的特征区域进行差分处理；

对所述差分处理后的图像进行边缘检测；

对所述边缘检测后的图像进行分块处理；

统计特定块图像内的非零点个数；

根据所述非零点个数判断是否有车辆。

进一步地，所述根据所述非零点个数判断是否有车辆，包括：

若所述非零点个数在阈值范围内，则确定所述隧道内有车辆出现；

若所述非零点个数超出所述阈值范围，则确定所述隧道内无车辆出现。

进一步地，所述确定所述隧道内无车辆出现之后，还包括：

采用实时采集的当前隧道照明灯亮度等级下的无车辆图像替换所述相同照明灯亮度等级下的背景图像。

具体来说，本实施例中根据实时采集的图像，如图3a所示，与背景图像，如图3b所示，进行处理的方法为将实时路面区域图像的特征区域截取为图3a中301，将该特征区域301与背景图像的特征区域302进行差分处理，再将差分处理后的图像进行边缘检测为图3c所示，将检测后的图像进行分块处理为如图3d所示。本实例中采用C++结合OpenCV的方法来实现图像处理，也可使用其它编程语言或其他编程方法实现该功能，对此不限定。

截取特征区域使用的方法为：

cvSetImageROI(image,cvRect(x,y,width,height))；

其中，image代表实时采集的图像3a或无车背景图像3b；(x,y)是特征区域图像301左上角的点在实时采集图像3a中的坐标点位置或是特征区域图像302左上角的点在无车背景图像3b中的坐标点位置；width是特征区域图像301或特征区域图像302的图像宽度；height是特征区域图像301或特征区域图像302的的图像高度。

实时采集图像3a的特征区域图像301与无车背景图像3b的特征区域图像302进行相减操作，得到差分图像3c。本实例中采用C++结合OpenCV的方法来实现图像处理，也可使用其它编程语言或其他编程方法实现该功能。

其中，图像相减使用的方法为：

cvAbsDiff(constCvArr*image,constCvArr*B_image,CvArr*S_image)；

其中，image为在实时采集隧道内部路面图像3a下截取的特征区域301的图像；B_image为截取的背景库中的相应照明亮度下的无车背景图像3b的特征区域302的图像；S_image为输出的两个特征区域图像的差分图像3c。

S5.获得差分图像3c后，对差分图像3c进行边缘检测得到边缘检测图像3d。本实例中采用C++结合OpenCV的方法来实现图像处理，也可使用其它编程语言或其他编程方法实现该功能。

边缘检测使用的方法为：

cvCanny(S_image,BY_image,50,200,3)；

其中，BY_image为边缘检测图像3d。

S6.对边缘检测图像3d进行分块处理。本实施例中将边缘检测图像3d分为3行5列，即总共分成15块图像。统计整幅边缘检测图像3d的非零点个数，以及最右上角块图像303的非零点个数，由车辆出现在隧道路面的规律统计可得，隧道内有车出现的判定条件为：

sum_all≥a(1.1)

或

sum_all<a&sum_right>b(1.2)

其中，sum_all指的是边缘检测图像3d中的非零点数目；sum_right表示最右上角块图像303中的非零点个数；其中a的数值确定过程为：由车辆在图像中出现的位置的统计特性可知，在边缘检测图像3d中的非零点数目小于a时，车辆只可能出现在最右上角块图像303中；如果车辆出现在其他块图像中，则边缘检测图像3d中的非零点数目一定大于a。其中b的数值确定过程为：由于隧道内实时采集图像3a即使无车时，与无车背景图像3b的差分之后的边缘检测图像3d中也存在一些非零点，不过这些非零点是由噪声引起的，分散于整幅图像中，不会都集中于边缘检测图像3d中的右上角块图像303中，所以只有右上角块图像303中的非零点个数大于b时，才认为隧道内有车辆出现。其中，a,b为常数，这个主要是由相机分辨率和分块大小决定。

如果根据S6中的判定条件，判定隧道内无车出现时，则将实时采集的隧道内部图像3a替换背景库中相应照明亮度下的原背景图像3b。

进一步地，所述处理器接收监控摄像机实时采集的当前隧道照明灯亮度等级下的隧道内路面区域图像之后，还包括：

所述处理器判断是否接收到隧道内照明灯发送的亮度变化信号，若是，则求所述隧道内照明灯亮度变化后对应的多帧图像的平均图像，并采用所述平均图像替换对应照明灯亮度变化后的背景图像。

具体来说，由于外界环境亮度时刻变化，所以对于隧道入口处和出口处的相机，事先能够采集的背景图像是有限的，即使在隧道照明灯照明亮度一致的情况下，不同时间段采集图像的亮度是不一样的，会导致车辆误检率大幅度增加；当出现下雨天气时，隧道内路面会有大面积积水，这种情况下采集的实际无车图像与有车图像很难区分，会导致车辆误检率增加。隧道内照明灯亮度根据环境亮度而变化，并且该变化将影响到监控摄像机实时采集的当前隧道内路面的图像亮度，因此，当处理器接收到隧道内照明灯发送的亮度变化信号后，则求隧道内照明灯亮度变化后对应的多帧图像的平均图像，举例说明，当照明灯亮度从30％等级变化为20％等级时，处理器将亮度为20％等级时对应的多帧图像的平均图像替换已存储数据库内的20％等级背景图像。实现了数据库内的背景图像与隧道内当前亮度实时更新，提高了检测结果的准确率。

综上所述，本实施例对应的程序流程图如图2所示。

本发明与现有技术相比的优点在于：

1、本发明采用隧道内部已有的监控摄像机实时采集的图像进行车辆的检测，无需埋设地感线圈，也不需安装红外探测器、雷达测速仪，减少了设备安装复杂性和设备购买费用，在不影响隧道正常监控的情况下，由视频分路器提供一路视频信号用于基于监控图像的车辆的检测即可，为隧道内车辆检测提供了极大便利；

2、本发明根据隧道内图像特征将只有灯具信息的部分图像截去，处理只含有路面信息的部分图像区域。将实时采集的含有路面的部分图像区域与事先保存的相应区域的无车背景图像进行相减得到差分图像，对差分图像进行边缘检测并对边缘检测的图像进行分块处理，统计特定块图像内非零点的个数，结合车辆出现在各小块图像内可能占有的像素数，确定判断车辆是否存在的阈值范围。该算法利用车辆在路面上出现位置的统计规律，检测速度快；

3、本发明采取每当隧道内照明亮度变化时，重新采集当前照明亮度下的100～300帧图像，求其平均图像作为当前照明亮度下的新的背景图像，保存到背景库中。该算法去除了光照、天气对检测结果的影响，降低了室外环境对检测的影响，且降低了漏检率、误检率。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种基于监控图像的隧道内车辆检测方法，其特征在于，包括：

处理器接收监控摄像机实时采集的当前隧道照明灯亮度等级下的隧道内路面区域图像；

所述处理器针对所述路面区域图像的特征区域与所述路面区域图像相同照明灯亮度的背景图像的特征区域进行处理，所述背景图像为所述隧道内无车辆图像；

所述处理器根据处理后的结果判断隧道内是否有车辆；

采用实时采集的当前隧道照明灯亮度等级下的无车辆图像替换所述相同照明灯亮度等级下的背景图像。

2.根据权利要求1所述的方法，其特征在于，所述处理器接收监控摄像机实时采集的隧道内路面区域图像之前，还包括：

处理器存储所述监控摄像机采集的隧道照明灯不同亮度等级下的隧道内无车辆图像。

3.根据权利要求2所述的方法，其特征在于，所述处理器接收监控摄像机实时采集的当前隧道照明灯亮度等级下的隧道内路面区域图像之后，还包括：

所述处理器判断是否接收到隧道内照明灯的亮度变化信号，若是，则求所述隧道内照明灯亮度变化后对应的多帧图像的平均图像，并采用所述平均图像替换对应照明灯亮度变化后的背景图像。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述处理器根据所述图像的特征区域与所述隧道内无车辆图像进行处理，包括：

截取所述路面区域图像的特征区域；

根据所述特征区域与所述无车辆图像的特征区域进行差分处理；

对所述差分处理后的图像进行边缘检测；

对所述边缘检测后的图像进行分块处理；

统计特定块图像内的非零点个数；

根据所述非零点个数判断是否有车辆。

5.根据权利要求4所述的方法，其特征在于，所述根据所述非零点个数判断是否有车辆，包括：

若所述非零点个数在阈值范围内，则确定所述隧道内有车辆出现；

若所述非零点个数超出所述阈值范围，则确定所述隧道内无车辆出现。