CN105551265A - 一种基于虚拟检测带的交通流量检测方法 - Google Patents

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，本方法采用在车道上布置虚拟检测带的方法，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。为了排除树木阴影和邻道大车阴影对检测精度的影响，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

一种基于虚拟检测带的交通流量检测方法

技术领域

本发明具体涉及一种基于虚拟检测带的交通流量检测方法，属于交通信息采集技术领域。

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。如专利申请号201310197031.6、名称为“基于虚拟线圈技术的视频车流量统计技术”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。

如专利申请号201210415069.1、名称为“一种车辆定位及交通流量检测系统与方法”的专利，虽然也是用于交通流量检测，但与本专利相比，需要增加多个路侧设备、车载定位单元和远程监控中心，硬件成本大大提高。

如专利申请号201410232479.1、名称为“一种基于蓝牙的交通流量检测装置及实现方法”的专利，虽然也是用于交通流量检测，但与本专利相比，需要建设调度中心和n个基站，增加车载蓝牙装置，硬件成本大大提高。

如专利申请号201410146310.4、名称为“一种多车道车辆轨迹时空图的自动生成方法”的专利，并非用于交通流量检测，主要是进行车辆特征点的提取，从而生成驶过车辆的时空轨迹图，用于车辆轨迹跟踪。

发明内容

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，步骤如下：

步骤1)、在所述车道上方设置网络摄像机，摄像机与工控机相连，通过摄像机进行视频输入；

步骤2)、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，检测带面积为S₀，两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；

步骤3)、对输入的视频进行模板初始化，该初始化的步骤依次为：读取步骤1)步骤中的视频图像→计算整个检测带的特征值，设定为完全标准模板A₀→检测带阴影区检测，包括计算无阴影检测带的特征值及阴影区面积，设定为无阴影标准模板N₀及标准阴影面积T₀；

步骤4)、进行图像帧计数器加1的处理，指向下一帧图像；

步骤5)、帧计数器达到设定值后，进行模板更新；重新计算模板特征，用新模板替换步骤3)步骤中的模板；

步骤6)、计算整个检测带的实时特征值，设定为A₁；计算无阴影检测带的实时特征值，设定为N₁；计算阴影区实时面积，设定为T1；

步骤7)、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，表示两者相等；若匹配值在0-0.8之间或匹配值大于100时，检测信号置为高电平，表示两者不相等；

步骤8)、比较T₀与S₀的大小，若T₀≠S₀，则当出现A₁≠A₀且N₁≠N₀且T₁≥T₀时，进行下一步，否则表示无车流，返回步骤4)；若T₀＝S₀，则当出现A₁≠A₀且N₁≠N₀且T₁≤T₀时，进行下一步，否则表示无车流，返回步骤4)；

步骤9)、滤波：由于车的玻璃等会在检测带形成干扰，从而干扰检测信号，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；

步骤10)、高电平帧数大于设定值且符合电平跳变规则，车辆计数加1；

步骤11)、计算其他交通流参数，包括车速和时间占有率；

步骤12)、返回步骤4)。

进一步地，所述步骤1)中摄像头的布局为：离检测带高8米，与水平夹角在30—45度之间。

进一步地，所述步骤2)中标准特征模板的计算设置为坐标式，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，所述步骤9)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，所述步骤3)阴影检测的步骤如下：

(3a-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：

${x^{\′}}_i=\[\frac{x_i}{10.2}\],(i=B,G,R)---\left(1\right)$

式中：x_i—检测带中像素点RGB的实际强度值；

x_i’—表示将x_i约束后的值。

(3a-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；

t_k＝|x_i-x_j|(k＝1,2,3；i,j∈(R,G,B),i≠j)(2)

式中：t_k—RGB彼此间强度值的差值绝对值。

(3a-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t_k＜Q₁(k＝1,2,3)，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，x_i＜Q₂(i＝B,G,R)，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，所述步骤3)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：

(3b-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；

(3b-2)对检测带区域内x_i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，所述步骤7)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<tmp_i(k)<0.8或tmp_i(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。

${\mathrm{tmp}}_i\left(k\right)=\frac{{\mathrm{Characters}}_i\left(k\right)}{{\mathrm{StdCharacters}}_i\left(k\right)},\left(i=R,G,B;k=1,2,3,\mathrm{...},25\right)---\left(3\right)$

$Diff=\underset{i=R,G,B}{\&Sigma;}\underset{k=1}{\overset{25}{\&Sigma;}}{{\mathrm{tmp}}_i}^{\&prime;}\left(k\right),(i=R,G,B;k=1,2,3,...,25)---\left(4\right)$

式中：Characters_i(k)—当i＝R,G,B中的一个时，第k个区间的特征值；

StdCharacters_i(k)—当i＝R,G,B中的一个时，第k个区间的标准模板特征值；

tmp_i(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；

tmp_i’(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，所述步骤10)车辆计数,规则描述如下：

(10-1)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；

(10-2)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，所述步骤12)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：

$V=\frac{D\&divide;1000}{(Frame1-Frame2)\&divide;R\&divide;3600}=\frac{D\&times;R\&times;3.6}{Frame1-Frame2}---\left(5\right)$

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，所述步骤12)时间占有率的计算方法如下：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)：

$s=\frac{\mathrm{\&Sigma;}Frameh}{Framen}---\left(6\right)$

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。

有益效果

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。本发明的方法优点如下：

1)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。

2)为了提高检测精度，方法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为本发明的流程示意图.

图2设置虚拟检测带,图中标记的1、2分别表示检测带1和检测带2)。

图3标准特征模板。

图4阴影部分的处理。

图5实时特征分布。

图6车辆正常计数；其中，图6a为车辆正常计数演示图；图6b为车辆正常状态下检测带电平高低的示意图。

图7车辆非正常计数；其中，图7a为车辆非正常计数演示图；图7b为车辆非正常状态下检测带电平高低的示意图；图中标记的1、2分别表示检测带1和检测带2。

具体实施方式

以下结合附图对本发明的方法具体说明，流程图如图1所示：

步骤1)、在所述车道上方设置网络摄像机，摄像机与工控机相连，通过摄像机进行视频输入；

步骤2)、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，检测带面积为S₀，两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；

步骤3)、对输入的视频进行模板初始化，该初始化的步骤依次为：读取步骤1)步骤中的视频图像→计算整个检测带的特征值，设定为完全标准模板A₀→检测带阴影区检测，包括计算无阴影检测带的特征值及阴影区面积，设定为无阴影标准模板N₀及标准阴影面积T₀；

步骤4)、进行图像帧计数器加1的处理，指向下一帧图像；

步骤5)、帧计数器达到设定值后，进行模板更新；重新计算模板特征，用新模板替换步骤3)步骤中的模板；

步骤6)、计算整个检测带的实时特征值，设定为A₁；计算无阴影检测带的实时特征值，设定为N₁；计算阴影区实时面积，设定为T1；

步骤7)、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，表示两者相等；若匹配值在0-0.8之间或匹配值大于100时，检测信号置为高电平，表示两者不相等；

步骤8)、比较T₀与S₀的大小，若T₀≠S₀，则当出现A₁≠A₀且N₁≠N₀且T₁≥T₀时，进行下一步，否则表示无车流，返回步骤4)；若T₀＝S₀，则当出现A₁≠A₀且N₁≠N₀且T₁≤T₀时，进行下一步，否则表示无车流，返回步骤4)；

步骤9)、滤波：由于车的玻璃等会在检测带形成干扰，从而干扰检测信号，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；

步骤10)、高电平帧数大于设定值且符合电平跳变规则，车辆计数加1；

步骤11)、计算其他交通流参数，包括车速和时间占有率；

步骤12)、返回步骤4)。

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。检测带一般布置在图像的中下方，两条检测带之间的距离小于一辆小轿车的长度，检测带的长度略小于该车道的宽度，检测带的宽度一般在10个像素左右，如图2所示。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3，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(详见下面阴影检测部分的具体描述)。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处理、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、车辆计数规则、模板更新策略。

第一步，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，以下的处理是以中间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。

第二步，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，本实施方式是在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：

${x^{\&prime;}}_i=\&lsqb;\frac{x_i}{10.2}\&rsqb;,(i=B,G,R)---\left(1\right)$

式中：x_i表示检测带中像素点RGB的实际强度值；

x_i’表示将x_i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；

t_k＝|x_i-x_j|(k＝1,2,3；i,j∈(R,G,B),i≠j)(2)

式中：t_k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t_k＜Q₁(k＝1,2,3)，x_i＜Q₂(i＝B,G,R)，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4)。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x_i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5)；

(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3)；

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<tmp_i(k)<0.8或tmp_i(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。

${\mathrm{tmp}}_i\left(k\right)=\frac{{\mathrm{Characters}}_i\left(k\right)}{{\mathrm{StdCharacters}}_i\left(k\right)},\left(i=R,G,B;k=1,2,3,\mathrm{...},25\right)---\left(3\right)$

$Diff=\underset{i=R,G,B}{\&Sigma;}\underset{k=1}{\overset{25}{\&Sigma;}}{{\mathrm{tmp}}_i}^{\&prime;}\left(k\right),(i=R,G,B;k=1,2,3,...,25)---\left(4\right)$

式中：Characters_i(k)表示表示当i＝R,G,B中的一个时，第k个区间的特征值；

StdCharacters_i(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；

tmp_i(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；

tmp_i’(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，车辆后通过的检测带为检测带2)由高电平状态跃变为低电平，这时车辆计数才会加1。正常的车辆计数情况如图6所示，其中图6a是车辆同时投影在两条检测带时的视频图像，图6b是与之对应的电平跃变情况；而可能产生的误计数情况如图7所示，其中图7a是前一辆车尚未脱离检测带2，而下一辆车已经投影在检测带1时的视频图像，图7b是与之对应的电平跃变情况。

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：

$V=\frac{D\&divide;1000}{(Frame1-Frame2)\&divide;R\&divide;3600}=\frac{D\&times;R\&times;3.6}{Frame1-Frame2}---\left(5\right)$

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)：

$s=\frac{\mathrm{\&Sigma;}Frameh}{Framen}---\left(6\right)$

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。本技术方案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：按上述步骤3)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。

用本方案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

表2阴影较明显时的试验结果

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。

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 (10)

1.一种基于虚拟检测带的交通流量检测方法，其特征在于，步骤如下：

步骤1)、在所述车道上方设置网络摄像机，摄像机与工控机相连，通过摄像机进行视频输入；

步骤2)、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，检测带面积为S₀，两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；

步骤3)、对输入的视频进行模板初始化，该初始化的步骤依次为：读取步骤1)步骤中的视频图像→计算整个检测带的特征值，设定为完全标准模板A₀→检测带阴影区检测，包括计算无阴影检测带的特征值及阴影区面积，设定为无阴影标准模板N₀及标准阴影面积T₀；

步骤4)、进行图像帧计数器加1的处理，指向下一帧图像；

步骤5)、帧计数器达到设定值后，进行模板更新；重新计算模板特征，用新模板替换步骤3)步骤中的模板；

步骤6)、计算整个检测带的实时特征值，设定为A₁；计算无阴影检测带的实时特征值，设定为N₁；计算阴影区实时面积，设定为T1；

步骤7)、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，表示两者相等；若匹配值在0-0.8之间或匹配值大于100时，检测信号置为高电平，表示两者不相等；

步骤8)、比较T₀与S₀的大小，若T₀≠S₀，则当出现A₁≠A₀且N₁≠N₀且T₁≥T₀时，进行下一步，否则表示无车流，返回步骤4)；若T₀＝S₀，则当出现A₁≠A₀且N₁≠N₀且T₁≤T₀时，进行下一步，否则表示无车流，返回步骤4)；

步骤9)、滤波：由于车的玻璃等会在检测带形成干扰，从而干扰检测信号，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；

步骤10)、高电平帧数大于设定值且符合电平跳变规则，车辆计数加1；

步骤11)、计算其他交通流参数，包括车速和时间占有率；

步骤12)、返回步骤4)。

2.如权利要求1所述的检测方法，其特征在于，所述步骤1)中摄像头的布局为：离检测带高6米，与水平夹角在30—45度之间。

3.如权利要求1所述的检测方法，其特征在于，所述步骤2)中标准特征模板计算在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.如权利要求1所述的检测方法，其特征在于，所述步骤9)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.如权利要求1所述的检测方法，其特征在于，所述步骤3)阴影检测的步骤如下：

(3a-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：

${x^{\&prime;}}_i=\&lsqb;\frac{x_i}{10.2}\&rsqb;,(i=B,G,R)---\left(1\right)$

式中：x_i—检测带中像素点RGB的实际强度值；

x'_i—表示将x_i约束后的值；

(3a-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；

t_k＝|x_i-x_j|(k＝1,2,3；i,j∈(R,G,B),i≠j)(2)

式中：t_k—RGB彼此间强度值的差值绝对值；

(3a-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t_k＜Q₁(k＝1,2,3)，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，x_i＜Q₂(i＝B,G,R)，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。

6.如权利要求1所述的检测方法，其特征在于，所述步骤3)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：

(3b-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；

(3b-2)对检测带区域内x_i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。

7.如权利要求1所述的检测方法，其特征在于，所述步骤7)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<tmp_i(k)<0.8或tmp_i(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；

${\mathrm{tmp}}_i\left(k\right)=\frac{{\mathrm{Characters}}_i\left(k\right)}{{\mathrm{StdCharacters}}_i\left(k\right)},(i=R,G,B;k=1,2,3,...,25)---\left(3\right)$

$Diff=\underset{i=R,G,B}{\mathrm{\&Sigma;}}\underset{k=1}{\overset{25}{\mathrm{\&Sigma;}}}{{\mathrm{tmp}}_i}^{\&prime;}\left(k\right),(i=R,G,B;k=1,2,3,...,25)---\left(4\right)$

式中：Characters_i(k)—当i＝R,G,B中的一个时，第k个区间的特征值；

StdCharacters_i(k)—当i＝R,G,B中的一个时，第k个区间的标准模板特征值；

tmp_i(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；

tmp_i’(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。

8.如权利要求1所述的检测方法，其特征在于，所述步骤10)车辆计数，规则描述如下：

(10-1)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；

(10-2)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，由高电平状态跃变为低电平，这时车辆计数才会加1。

9.如权利要求1所述的检测方法，其特征在于，所述步骤11)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速V，如公式(5)所示：

$V=\frac{D\&divide;1000}{(Frame1-Frame2)\&divide;R\&divide;3600}=\frac{D\&times;R\&times;3.6}{Frame1-Frame2}---\left(5\right)$

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。

10.如权利要求1所述的检测方法，其特征在于，所述步骤11)时间占有率的计算方法如下：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)：

$s=\frac{\mathrm{\&Sigma;}Frameh}{Framen}---\left(6\right)$

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。