一种区块背景建模的视频车流量检测方法
技术领域
本发明涉及一种视频车流量检测方法,具体涉及一种区块背景建模的视频车流量检测方法。
背景技术
针对城市交通路段和十字路口道路视频车流量检测的实际应用场景,普遍采用的方法有:车牌识别、车体识别、虚拟线圈等方法。各种方法都有各自优点和缺点,
基于车牌识别与车体识别方式的车流量检测,晚上必须有补光灯,对于仅仅是道路流量检测需求存在功耗高,强光照射对驾驶员有刺激。
目前基于虚拟线圈的车流量检测方法大部分采用以像素为单位的高斯背景建模,由于车流量检测系统应用场景为高速公路、城市道路和十字路口,外界的环境光变化,静态阴影、运动阴影、各色运动车流导致的视频流图像亮度的变化非常快,为了得到比较好的图像质量,摄像机的增益、曝光时间会随着图像亮度信息的变化而显著变化。虚拟线圈的背景会随着摄像机成像参数的变化而快速变化。同时城市十字路口车流量的间歇性停止和运动,存在较长时间的背景遮挡等问题,单纯的以像素为单位的高斯背景建模很容易引入噪声干扰。
发明内容
为解决现有技术的不足,本发明的目的在于提供一种一种区块背景建模的视频车流量检测方法,以解决现有技术功耗高、强光照射对驾驶员有刺激、容易引入噪声干扰的技术问题。
为了实现上述目标,本发明采用如下的技术方案:
一种区块背景建模的视频车流量检测方法,其特征在于,包括如下步骤:
步骤一:当确定好虚拟线圈在视频图像中的位置后,视频信号输入模块将虚拟线圈分割为3个块;
步骤二:运动帧差检测模块对图像数据进行运动帧差检测,检测出虚拟线圈3个块的运动状态;
步骤三:背景帧差检测模块对图像数据进行背景差检测,根据背景差检测结果,再结合先前时刻线圈的运动时序状态更新当前的背景模型。
前述的一种区块背景建模的视频车流量检测方法,其特征在于,所述步骤一包括:视频信号输入模块根据车辆运动方向将虚拟线圈内数据分为3个块。
前述的一种区块背景建模的视频车流量检测方法,其特征在于,所述步骤二包括:将3个块依次定义为1块,2块,3块;当1块运动且2块静止且3块静止时,判断当前虚拟线圈为车辆进入状态;当1块运动且2块运动且3块静止时,判断当前虚拟线圈为有车辆状态;当1块静止且2块静止且3块运动时,判断当前虚拟线圈为车辆离开状态。
前述的一种区块背景建模的视频车流量检测方法,其特征在于,先前时刻线圈的运动时序状态由状态时序模块获取。
前述的一种区块背景建模的视频车流量检测方法,其特征在于,步骤二包括:
步骤2a:进行帧差检测和阴影检测,判断差异尺寸是否大于最小目标尺,如果是,进行步骤2b,如果否,进行步骤2c;
步骤2b:判断是否只是阴影,如果是,转到步骤一,如果否,更新参考帧差;
步骤2c:查找状态时序模块中本块的状态,确定当前状态下的更新周期,如果达到更新周期的更新时刻后更新参考帧差。
前述的一种区块背景建模的视频车流量检测方法,其特征在于,所述步骤三包括:
步骤3a:背景帧差模块建立主背景模型和候选次背景模型;
步骤3b:当图像数据进入背景帧差模块后,与主背景模型进行比较,以确定在设定周期内主背景模型出现的次数,以此决定主背景模型的有效性权重;
步骤3c:图像数据与候选背景模型比较,以确定在设定周期内候选背景模型出现的次数,以此决定候选背景模型的有效性权重;
步骤3d:结合背景模型检测算法的有无车状态和运动时序逻辑状态来修正当前主背景模型。
前述的一种区块背景建模的视频车流量检测方法,其特征在于,所述步骤3a包括:
步骤3a1:判断主背景是否存在,如果存在,进行主背景差检测;
步骤3a2:如果不存在,判断候选背景是否存在,如果存在,进行候选背景差检测;
步骤3a3:如果不存在,创建候选背景,初始化权。
前述的一种区块背景建模的视频车流量检测方法,其特征在于,所述步骤3b包括:
步骤3b1:进行主背景差检测,判断差异尺寸是否大于最小目标尺寸,如果是,进行步骤3b2,如果否,进行步骤3b3;
步骤3b2:降低候选背景权重;如果运动帧差状态逻辑判断为无车,增加错误计数;如果错误计数大于最大错误计数,清除主背景;
步骤3b3:更新当前背景和出现权重,降低候选背景权重。
前述的一种区块背景建模的视频车流量检测方法,其特征在于,步骤3c包括:
步骤3c1:进行候选背景差检测,判断差异尺寸是否大于最小目标尺,如果是,进行步骤3c2,如果否,进行步骤3c3;
步骤3c2:降低候选背景权重,判断候选背景权重是否大于最小权重,如果是,重新输入视频信号,如果否,创建候选背景,初始化权;
步骤3c3:更新候选背景并增加权重,如果候选背景权重大于主背景权重,则更新替换主背景。
本发明的有益之处在于:本发明结合虚拟线圈的实际应用场景,根据连续区块的运动状态时序,能快速的自我学习背景,在背景变化的情况下,能快速的切换到新背景,能很好的适应虚拟线圈交通流量视频检测背景建模的要求。
附图说明
图1是本发明一种区块背景建模的视频车流量检测方法流程图;
图2是本发明视频车流量检测器的虚拟线圈示意图;
图3是本发明运动帧差与背景帧差时序逻辑流程;
图4是本发明视频车流量检测器的总体算法流程;
图5是本发明背景建模模块算法流程;
图6是本发明运动帧差模块算法流程。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
参照图1、图2所示,本发明一种区块背景建模的视频车流量检测方法,包括如下步骤:
步骤一:当确定好虚拟线圈在视频图像中的位置后,视频信号输入模块将虚拟线圈分割为3个块;
步骤二:运动帧差检测模块对图像数据进行运动帧差检测,检测出虚拟线圈3个块的运动状态;
步骤三:背景帧差检测模块对图像数据进行背景差检测,根据背景差检测结果,再先前时刻线圈的运动时序状态更新当前的背景模型。
视频车辆检测器单个线圈的组成图,当确定好虚拟线圈在视频图像中的位置后,我们的算法将自动将虚拟线圈分割为图中所示的三块处理,基于区块的整体背景模型更新是本发明的主要组成部分,通过合适区域的整体判断来决定背景的更新,可以减少大量的局部小噪声点的干扰而导致的背景无法更新;还能适应环境光的快速变化而加快背景更新。视频信号输入模块根据车辆运动方向将虚拟线圈内数据分为3个块。如图3,将3个块依次定义为1块,2块,3块;当1块运动且2块静止且3块静止时,判断当前虚拟线圈为车辆进入状态;当1块运动且2块运动且3块静止时,判断当前虚拟线圈为有车辆状态;当1块静止且2块静止且3块运动时,判断当前虚拟线圈为车辆离开状态。
将虚拟线圈分为三个区块,三个块的运动状态能很好的表现出一种运动的时序状态,有利于背景差算法中背景模型的建立;背景更新的时间和前景检测、帧差的结果相关;运动参考帧检测结果结合车辆运动的趋势,总结出当前虚拟线圈整体的状态,同时给出各个区块的大概率可能情况,是控制背景建模的关键;结合运动时序逻辑状态模块,背景建模采用主背景模型和候选背景模型的建模方案;如图3中所示,本文视频车辆检测器运动时序逻辑状态图,描述了车辆行驶方向从1块进入,经过2块,从3块离开的过程所对应的整个虚拟线圈的关键状态和各自子块的状态。本发明将帧差运动时序状态的结果反馈给背景建模模块,作为背景更新策略的一个决策因素,能更好的控制错误背景的重新学习,具有比较好的自适应功能;
如图4中所示,本发明视频车辆检测器整体算法流程图,描述了整个算法的图像数据流在算法各个模块之间的处理流程。先前时刻线圈的运动时序状态由状态时序模块获取。其中,分块检测方案是指:单虚拟线圈分3块分块检测,分块方案是状态时序模块的基础;背景模型算法是指:结合状态时序模块的具有自适应、自我纠错能力的背景建模方法;结合分块检测方案的基于区块的背景建模方法;运动时序逻辑是指:通过运动帧差模块得到的运动时序逻辑状态,该运动时序逻辑是背景模型算法的基础;
图像数据首先经过运动帧差检测,检测出虚拟线圈3个块的运动状态;经过背景检测模块进行背景差检测,结合先前时刻线圈的运动时序状态更新当前的背景模型;
如图4中所示,本发明视频车辆检测器背景帧差流程图。背景帧差流程图是本发明的最主要算法处理流程,背景帧差模块将建立主背景模型和候选次背景模型,当图像数据进入背景帧差模块后,先与主背景模型比较确定在一定周期内主背景模型出现的次数来决定主背景模型的有效性权重;然后与候选背景模型比较确定在一定周期内候选背景模型出现的次数来决定候选背景模型的有效性权重;结合背景模型检测算法的有无车状态和运动时序逻辑状态来修正当前主背景模型。具体包括如下步骤:
步骤3a:背景帧差模块建立主背景模型和候选次背景模型;
步骤3b:当图像数据进入背景帧差模块后,与主背景模型进行比较,以确定在设定周期内主背景模型出现的次数,以此决定主背景模型的有效性权重;
步骤3c:图像数据与候选背景模型比较,以确定在设定周期内候选背景模型出现的次数,以此决定候选背景模型的有效性权重;
步骤3d:结合背景模型检测算法的有无车状态和运动时序逻辑状态来修正当前主背景模型。
进一步,步骤3a包括:
步骤3a1:判断主背景是否存在,如果存在,进行主背景差检测;
步骤3a2:如果不存在,判断候选背景是否存在,如果存在,进行候选背景差检测;
步骤3a3:如果不存在,创建候选背景,初始化权。
进一步,步骤3b包括:
步骤3b1:进行主背景差检测,判断差异尺寸是否大于最小目标尺寸,如果是,进行步骤3b2,如果否,进行步骤3b3;
步骤3b2:降低候选背景权重;如果运动帧差状态逻辑判断为无车,增加错误计数;如果错误计数大于最大错误计数,清除主背景;
步骤3b3:更新当前背景和出现权重,降低候选背景权重。
进一步,步骤3c包括:
步骤3c1:进行候选背景差检测,判断差异尺寸是否大于最小目标尺,如果是,进行步骤3c2,如果否,进行步骤3c3;
步骤3c2:降低候选背景权重,判断候选背景权重是否大于最小权重,如果是,重新输入视频信号,如果否,创建候选背景,初始化权;
步骤3c3:更新候选背景并增加权重,如果候选背景权重大于主背景权重,则更新替换主背景。
如图5中所示,本文视频车辆检测器运动帧差流程图。运动帧差检测算法,我们采用了非等间隔帧差的方案:
当检测到有目标运动,我们将立即更新参考帧数据;
没有检测到运动目标,我们将按周期更新参考帧数据。
具体包括如下步骤:
步骤2a:进行帧差检测和阴影检测,判断差异尺寸是否大于最小目标尺,如果是进行步骤2b,如果否,进行步骤2c;
步骤2b:判断是否只是阴影,如果是,转到步骤一,如果否,更新参考帧差;
步骤2c:查找状态时序模块中本块的状态,确定当前状态下的更新周期,如果达到更新周期的更新时刻后更新参考帧差。
可见,与现有技术相比,本发明具有如下优点:
本发明针对于高速公路、城市道路和十字路口场景下视频交通流量检测应用,提出将虚拟线圈分割为3个连续的区块,通过运动帧差状态的时序,判断当前3个区块各自有车无车的概率,3个块各自以块为单元建立背景模型。本方法结合虚拟线圈的实际应用场景,根据连续区块的运动状态时序,能快速的自我学习背景,在背景变化的情况下,能快速的切换到新背景,能很好的适应虚拟线圈交通流量视频检测背景建模的要求。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。