CN105809956A - 获取车辆排队长度的方法和装置 - Google Patents

Abstract

本申请公开了一种获取车辆排队长度的方法和装置。该方法包括：获取交通的视频图像信息；根据视频图像信息，检测目标虚拟线圈当前是否包括排队车辆信息，排队车辆信息不同于目标背景信息中的物体信息；若包括排队车辆信息，则确定排队车辆信息是否为有效的目标车辆信息；若是目标车辆信息，则根据目标车辆信息获取车辆排队长度信息。本发明增加了获取车辆排队长度信息的准确性。

Description

获取车辆排队长度的方法和装置

技术领域

本申请涉及信息处理领域，具体涉及交通信息处理领域，尤其涉及获取车辆排队长度的方法和装置。

背景技术

在智能交通系统中，通过车辆排队长度检测可以检测出某个车道是否存在车辆排队现象，当存在车辆排队时，可以计算出排队车辆形成的队列长度。

具体的，可以首先采用运动检测算法，检测车道中是否存在车辆运动；若不存在车辆运动，则采用车辆存在检测，确定车道中是否存在排队车辆；若存在排队车辆，则根据排队车辆计算车辆排队长度。

但是，上述确定的排队车辆中可能存在非车辆的其他干扰物体，如，行人、遗撒物、反光的道路等，导致计算出的车辆排队长度不准确。

发明内容

针对上述问题，本申请提供了一种获取车辆排队长度的方法和装置。

第一方面，提供了一种获取车辆排队长度的方法，包括：获取交通的视频图像信息；根据所述视频图像信息，检测目标虚拟线圈当前是否包括排队车辆信息，所述排队车辆信息不同于目标背景信息中的物体信息；若包括所述排队车辆信息，则确定所述排队车辆信息是否为有效的目标车辆信息；若是所述目标车辆信息，则根据所述目标车辆信息获取车辆排队长度信息。

在某些实施方式中，所述确定，包括以下至少一项：对所述排队车辆信息进行BLOB分析(BlobAnalysis，点团分析)，将外形参数满足预设外形条件的排队车辆信息确定为目标车辆信息；对所述排队车辆的运动方式进行跟踪，将运动参数满足预设运动条件的排队车辆信息确定为目标车辆信息。

在某些实施方式中，所述外形参数包括以下至少一项：周长参数、面积参数、形状参数；所述运动参数包括以下至少一项：运动轨迹参数、运动方向参数。

在某些实施方式中，所述跟踪包括以下至少一项：采用粒子滤波方式的跟踪、采用卡尔曼滤波方式的跟踪。

在某些实施方式中，所述确定包括：在所述目标虚拟线圈内，确定所述排队车辆信息是否为有效的目标车辆信息。

在某些实施方式中，方法还包括：对所述目标背景信息进行更新。

在某些实施方式中，所述更新，包括以下至少一项：根据第一参照背景信息和第二参照背景信息，对所述目标背景信息中与第一区域对应的第一目标背景信息的进行更新，所述第一区域为所述视频图像中包括所述排队车辆信息的区域，所述第一参照背景信息为所述第一区域在不包括所述排队车辆信息时的背景信息，所述第二参照背景信息为所述视频图像中不包括所述排队车辆信息的第二区域的背景信息；根据所述第二参照背景信息，对所述目标背景信息中与所述第二区域对应的第二目标背景信息的进行更新。

在某些实施方式中，所述对所述目标背景信息中与第一区域对应的第一目标背景信息的进行更新，包括：通过对所述第一参照背景信息和所述第二参照背景信息进行加权，对所述第一目标背景信息进行更新。

在某些实施方式中，所述第一参照背景信息的权重值小于所述第二参照背景信息的权重值。

第二方面，提供了一种获取车辆排队长度的装置，包括：获取单元，用于获取交通的视频图像信息；检测单元，用于根据所述获取单元获取的所述视频图像信息，检测目标虚拟线圈当前是否包括排队车辆信息，所述排队车辆信息不同于目标背景信息中的物体信息；确定单元，用于若所述检测单元检测包括所述排队车辆信息，则确定所述检测单元检测到的所述排队车辆信息是否为有效的目标车辆信息；所述获取单元，还用于若所述确定单元确定是所述目标车辆信息，则根据所述目标车辆信息获取车辆排队长度信息。

在某些实施方式中，所述确定单元，包括确定模块和以下至少一项：分析模块、跟踪模块；所述分析模块，用于对所述排队车辆信息进行BLOB分析；所述确定模块，用于将外形参数满足预设外形条件的排队车辆信息确定为目标车辆信息；所述跟踪模块，用于对所述排队车辆的运动方式进行跟踪；所述确定模块，用于将运动参数满足预设运动条件的排队车辆信息确定为目标车辆信息。

在某些实施方式中，所述外形参数包括以下至少一项：周长参数、面积参数、形状参数；所述运动参数包括以下至少一项：运动轨迹参数、运动方向参数。

在某些实施方式中，所述确定单元执行的所述跟踪包括以下至少一项：采用粒子滤波方式的跟踪、采用卡尔曼滤波方式的跟踪。

在某些实施方式中，所述确定单元，具体用于在所述目标虚拟线圈内，确定所述排队车辆信息是否为有效的目标车辆信息。

在某些实施方式中，装置还包括：更新单元，用于对所述目标背景信息进行更新。

在某些实施方式中，所述更新单元，具体用于执行以下至少一项：根据第一参照背景信息和第二参照背景信息，对所述目标背景信息中与第一区域对应的第一目标背景信息的进行更新，所述第一区域为所述视频图像中包括所述排队车辆信息的区域，所述第一参照背景信息为所述第一区域在不包括所述排队车辆信息时的背景信息，所述第二参照背景信息为所述视频图像中不包括所述排队车辆信息的第二区域的背景信息；根据所述第二参照背景信息，对所述目标背景信息中与所述第二区域对应的第二目标背景信息的进行更新。

在某些实施方式中，所述更新单元，具体用于通过对所述第一参照背景信息和所述第二参照背景信息进行加权，对所述第一目标背景信息进行更新。

在某些实施方式中，所述第一参照背景信息的权重值小于所述第二参照背景信息的权重值。

在本方案中，获取交通的视频图像信息；根据所述视频图像信息，检测目标虚拟线圈当前是否包括排队车辆信息，所述排队车辆信息不同于目标背景信息中的物体信息；若包括所述排队车辆信息，则确定所述排队车辆信息是否为有效的目标车辆信息；若是所述目标车辆信息，则根据所述目标车辆信息获取车辆排队长度信息。与现有技术中，直接根据检测到的排队车辆信息获取车辆排队长度信息相比，本方案在检测到排队车辆信息之后，还确定排队车辆信息是否为有效的目标车辆信息，即去除不是车辆的干扰物体，如，行人、反光的道路等，进而增加了获取的车辆排队长度信息的准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出了本申请提供的交通排队检测系统的一种实施例的结构示意图；

图2示出了本申请提供的获取车辆排队长度的方法的一种实施例的流程图；

图3示出了本申请提供的一种视频图像及设置的虚拟线圈的示意图；

图4示出了本申请提供的获取车辆排队长度的方法的另一种实施例的流程图；

图5示出了本申请提供的获取车辆排队长度的装置的一种实施例的结构示意图；

图6示出了本申请提供的电子设备的一种实施例的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

本申请提供了一种获取车辆排队长度的方法。该方法可以应用于交通排队检测系统的电子设备中。图1示出了本申请提供的交通排队检测系统的一种实施例的结构示意图。如图1所示，交通排队检测系统100可以包括：前端系统110和后端系统120，前端系统110获取的信息可以经由光端机111、光纤130以及光端机121传输至后端系统120中进行处理。执行上述获取车辆排队长度的方法的电子设备，具体可以为前端系统110中的摄像机112，或后端系统120中的监控终端122，摄像机112中可以包括嵌入式模块，用于实现上述方法，监控终端122可以为：台式电脑、笔记本电脑等。

当执行上述方法的电子设备为监控终端122，摄像机112在获取到交通的视频图像之后，一般的需要将高清的视频图像与标清的视频图像均传输到监控终端122中，以进行后续处理，进而获取车辆排队长度信息。但是，传输高清的视频图像与标清的视频图像会占用前端系统110与后端系统之间大量的带宽。

为了解决上述问题，可以在摄像机112的嵌入式模块中执行获取车辆排队长度的方法。这样，当摄像机112获取到交通的视频图像后，通过内置的嵌入式模块进行处理，以获取到车辆排队长度信息，然后，可以将获取到的车辆排队长度信息、标清的视频图像发送至监控终端122，或者，可以将车辆排队长度信息、标清的视频图像以及部分高清的视频图像信息发送至监控终端122，无需传输全部高清的图像信息，进而减小了带宽的占用。

其中，嵌入式模块可以为但不限于DSP(DigitalSignalProcess，数字信号处理)芯片。

本实施例对执行获取车辆排队长度的方法的电子设备不作限定，即可以由摄像机112中的DSP芯片执行，也可以由监控终端122执行，或者还可以由其他电子设备执行，具体可以根据实际需要进行设定，在此不作赘述。

图2示出了本申请提供的获取车辆排队长度的方法的一种实施例的流程图。

如图2所示，在步骤210中，获取交通的视频图像信息。

在本实施例中，可以通过图1中的摄像机112采集交通的视频图像信息。其中，该视频图像信息可以用于表征某道路当前的状态，具体可以包括但不限于：道路状态、车辆通行状态等。

在步骤220中，根据视频图像信息，检测目标虚拟线圈当前是否包括排队车辆信息，排队车辆信息不同于目标背景信息中的物体信息。

在本实施例中，在电子设备获取到交通的视频图像信息后，可以为视频图像设置虚拟线圈。虚拟线圈是在图像序列中仿照感应线圈探测器的功能定义的。在获得了视频图像后，一帧图像中的一定区域可以被定义为虚拟线圈。

例如，图3示出了本申请提供的一种交通的视频图像及设置的虚拟线圈的示意图。如图3所示，摄像机的拍摄方向与车辆的移动方向平行，拍摄的道路包括5条车道，电子设备可以为每条车道设置虚拟线圈，并沿车道向车队队尾排列。为了便于描述，本实施例仅以车道310、车道320、车道330为例进行说明。图3示出了车道310、车道320、车道330的虚拟线圈，线圈的宽度340小于车道宽度350，高度360近似为中型轿车在视频图像中的长度。由于图像近大远小的特征，因此，在同一车道中，若该车道的宽度越小，其设置的虚拟线圈的高度和宽度越小。

在本实施例中，电子设备在获取各车道的边界坐标信息之后，可以自动根据各车道的边界坐标，为各车道设置虚拟线圈。上述设置虚拟线圈的方法为本领域技术人员熟知的技术，在此不作赘述。

在视频图像的形成、传输或变换的过程中，该视频图像可能存在降质或退化等问题。为了解决上述降质或退化的问题，电子设备在接收到视频图像之后，首先可以对该视频图像进行图像预处理，然后，根据与处理后的视频图像信息，检测目标虚拟线圈当前是否包括排队车辆信息。图像预处理可以包括但不限于：颜色空间变换、图像分割、图像平滑滤波等。其中，图像平滑滤波具体可以包括但不限于：均值滤波、加权平均滤波、中值滤波等。上述的图像预处理为本领域技术人员熟知的技术，在此不作赘述。

在对视频图像进行预处理后，电子设备可以通过运动检测和车辆存在检测，检测目标虚拟线圈当前是否包括排队车辆信息。其中，目标虚拟线圈可以为电子设备当前进行检测的任意一个或多个虚拟线圈，如，可以为但不限于：图3所示的车道310中的某一个虚拟线圈。在进行运动检测和车辆存在检测之前，若当前不存在目标背景信息，则电子设备可以根据视频图像信息背景信息，获取目标背景信息，若当前存在目标背景信息，则电子设备可以根据视频图像更新目标背景信息。目标背景信息用于表征视频图像想中的背景，可以在运动检测和车辆存在检测中使用，具体可以用于与视频图像进行比对，实现车辆特征的提取等，具体实施方式为本领域技术人员熟知的技术，在此不作赘述。

具体的，电子设备首先可以对目标虚拟线圈进行运动检测，检测目标虚拟线圈中是否存在车辆运动；若不存在车辆运动，则对目标虚拟线圈进行车辆存在检测，确定目标虚拟线圈中是否存在排队车辆信息；若存在排队车辆信息，则根据排队车辆信息获取车辆排队长度信息。其中，运动检测可以包括但不限于：基于光流法的运动检测、基于邻帧差法的运动检测等。车辆存在检测可以包括但不限于：背景差法检测、边缘检测等。

基于光流法的运动检测，是给视频图像中的每个像素点赋予一个速度矢量，这样就形成了图像运动场，在运动的一个特定时刻，视频图像上的点与三维物体上的点一一对应，该对应关系可以由投影关系得到，根据各像素点的速度矢量，可以对视频图像进行动态分析。若视频图像中存在运动物体，则光流失量在整个图像区域是连续变化的。若视频图像中存在运动物体，则运动物体与背景存在相对运动，运动物体所形成的速度矢量和邻域背景的速度矢量不同，从而可以检测出运动物体及其所在位置。

基于邻帧差法的运动检测，是在摄像机固定的情况下，对连续的视频图像中相邻的至少两帧图像采用基于像素的时间差分来提取视频图像中的运动区域。

上述运动检测和车辆存在检测为本领域技术人员熟知的技术，在此不作赘述。

返回图2，在步骤230中，若包括排队车辆信息，则确定排队车辆信息是否为有效的目标车辆信息。

进一步地，由于检测到的排队车辆信息中，可能包括无效的目标车辆信息的车辆信息，如，行人信息、遗撒物信息等，因此，电子设备确定排队车辆信息是否为有效的目标车辆信息，包括以下至少一项：对排队车辆信息进行BLOB分析，将外形参数满足预设外形条件的排队车辆信息确定为目标车辆信息；对排队车辆的运动方式进行跟踪，将运动参数满足预设运动条件的排队车辆信息确定为目标车辆信息。其中，预设外形条件可以为外形参数与车辆的外形参数匹配；预设运动条件可以为运动参数与车辆的运动参数匹配。

进一步地，外形参数可以包括以下至少一项：周长参数、面积参数、形状参数；运动参数包括以下至少一项：运动轨迹参数、运动方向参数。

具体的，电子设备可以首先对目标虚拟线圈中的排队车辆信息进行BLOB分析，确定视频图像中排队车辆的周长、面积、形状等是否与有效车辆的周长、面积、形状等匹配，去除不匹配的排队车辆信息；然后，电子设备可以对目标虚拟线圈中未去除的排队车辆信息对应的排队车辆的运动方式进行跟踪，确定排队车辆的运动轨迹和/或运动方向是否与有效车辆的运动轨迹和/或运动方向匹配，去除不匹配的排队车辆信息，如，去除被误认为是车辆的光线、反光路面、遗撒物等，将匹配的排队车辆信息确定为有效的目标车辆信息。其中，有效车辆的运动轨迹可以为车辆实际在道路上行驶的合理轨迹。

进一步地，跟踪包括以下至少一项：采用粒子滤波方式的跟踪、采用卡尔曼Kalman滤波方式的跟踪。其中，Kalman滤波是一种对动态系统的状态序列进行先行最小方差估计的算法，通过状态方程和观测方程描述一个动态系统。粒子滤波是通过寻找一组在状态空间中传播的随机样本来近似的表示概率密度函数，用样本均值代替积分运算，进而获得系统状态的最小方差估计的过程。

目前传统的粒子滤波跟踪算法用先验转移概率难以有效进行粒子传播，可以采用随机游走的方式来完成粒子传播，相关计算公式如下：

x_t＝A₁x_t-1+Bω_t-1(1)

其中，t为时刻，x_t为t时刻粒子的目标状态，A₁，B为常数，A₁为确定性漂移的常量因子，B为粒子传播半径，x_t-1为t-1时刻粒子的目标状态，ω_t-1为t-1时刻的随机噪声量。由于一般的很难用一个固定的A₁来表示目标的确定性运动变化，因此，多数模型在处理时可以仅保留随机扩散部分，即采用随机游走的方式进行传播。

但是，这样会使粒子采样点过于分散,导致跟踪性能下降。为了解决上述问题，电子设备可以基于粒子滤波和Kalman滤波进行跟踪。

具体的，首先提取排队车辆的HOG(HistogramofOrientedGradient，方向梯度直方图)特征；然后，根据Kalman滤波器和HOG特征，对排队车辆进行初步跟踪定位，并根据初步跟踪结果确定粒子滤波动态模型中的确定性漂移部分；然后，通过加入一个较小的随机扩散噪声，确定粒子滤波动态模型中的不确定性漂移部分，进而实现粒子的高效传播；最后，基于HOG特征的粒子滤波跟踪算法框架中对观察模型进行目标位置分析，进而将实时计算的运动轨迹和运动方向与有效车辆的运动轨迹和/或运动方向匹配的排队车辆信息，确定为目标车辆信息，由此，增加了目标车辆识别的鲁棒性。

其中，对于确定粒子滤波动态模型中的确定性漂移部分，具体可以是通过Kalman滤波初步估计从t-1时刻到t时刻粒子的目标状态转移向量，即快速计算出σx_t＝x_t-x_t-1。从而将公式(1)中的确定性部分Ax_t-1显性的修改为基于Kalman的预测值，公式(1)修改为：

x_t＝A₂x_t-1+σx_t+Bω_t-1(2)

其中，σx_t为从t-1时刻到t时刻粒子的目标状态转移向量,A₂为确定性漂移的常量因子。

基于上述过程，使得粒子群基本分布在状态的真实区域附近，避免的仅依赖随机扩散带来的预测误差。在状态预测后即在计算出x_t后，基于粒子模型的更新及权重重采样即完成对当前帧目标的跟踪，反复读入下一帧的视频图像并反复执行上述步骤即可完成对运动目标的轨迹计算，结合轨迹线路可以完成运动方向的进一步分析。

上述基于Kalman滤波和/或粒子滤波跟踪的方法为本领域技术人员熟知的技术，在此不作赘述。

进一步地，在目标虚拟线圈内，确定排队车辆信息是否为有效的目标车辆信息。这样，由于电子设备仅在目标虚拟线圈内对排队车辆信息进行分析，进而确定有效的目标车辆信息，其运算量小于在所有虚拟线圈内进行分析的运算量，使得步骤230可以在实时系统中完成。

针对本步骤确定排队车辆信息是否为有效的目标车辆信息，可以包括但不限于以下两种实现方式：在步骤220中，电子设备通过对排队车辆信息进行BLOB分析和/或对排队车辆的运动方式进行跟踪，进行车辆存在检测，进而确定目标虚拟线圈当前是否包括排队车辆信息，若包括，在步骤230中，根据步骤220中得到的BLOB分析和跟踪的结果信息，确定排队车辆信息是否为有效的目标车辆信息；或者，在步骤220中，电子设备通过不同于BLOB分析和跟踪的方法进行车辆存在检测，进而确定目标虚拟线圈当前是否包括排队车辆信息，若包括，则在步骤230中，通过对排队车辆信息进行BLOB分析和/或对排队车辆的运动方式进行跟踪，确定排队车辆信息是否为有效的目标车辆信息。无论是上述哪种实现方式，电子设备均是根据BLOB分析和/或跟踪的结果确定排队车辆信息是否为有效的目标车辆信息的。

在步骤240中，若是目标车辆信息，则根据目标车辆信息获取车辆排队长度信息。

电子设备可以确定目标虚拟线圈为自车辆队列队头起的第几个线圈；若为第N个线圈，则可以根据N及各线圈的高度确定视频图像中的车辆排队长度信息；通过将视频图像中的车辆排队长度信息在视频图像中的平面坐标转换成世界坐标，获取实际的车辆排队长度信息。上述获取车辆排队长度信息的方法为本领域技术人员熟知的技术，在此不作赘述。

在本实施例中，由于交通状况可能会实时发生变化，由此，电子设备可以周期性执行步骤210至步骤240。

在本实施例中，获取交通的视频图像信息；根据视频图像信息，检测目标虚拟线圈当前是否包括排队车辆信息，排队车辆信息不同于目标背景信息中的物体信息；若包括排队车辆信息，则确定排队车辆信息是否为有效的目标车辆信息；若是目标车辆信息，则根据目标车辆信息获取车辆排队长度信息。与现有技术中，直接根据检测到的排队车辆信息获取车辆排队长度信息相比，本方案在检测到排队车辆信息之后，还确定排队车辆信息是否为有效的目标车辆信息，即去除不是车辆的干扰物体，如，行人、反光的道路等，进而增加了获取的车辆排队长度信息的准确性。

视频图像信息中的目标背景信息可能会发生变化，其主要包括由光照及阴影变化等因素引起的背景本身亮度的变化，如果目标背景信息不能及时更新，会降低步骤220检测的排队车辆信息准确性。为了解决上述问题，电子设备可以周期性对目标背景信息进行更新。

进一步参考图4，其示出了本申请提供的获取车辆排队长度的方法的另一种实施例的流程图。如图4所示，图1所示的获取车辆排队长度的方法，还可以进一步包括步骤410。

值得说明的是，步骤410不限于依照图4所示的执行在步骤240之后，还可以执行在步骤220至步骤240中任意步骤之前或之后，具体可以根据实际需要进行设定。本实施例以步骤410执行在步骤240之后为例进行说明。

在步骤410中，对目标背景信息进行更新。

现有技术中，电子设备可以根据当前视频图像中的背景信息对目标背景信息进行更新，这样，可能会将前端物体，如，车辆信息、行人信息等作为目标背景信息，进而降低了步骤220使用更新后的目标背景信息检测出的排队车辆信息准确性。

进一步地，为了解决上述问题，电子设备对目标背景信息进行更新，可以包括以下至少一项：

根据第一参照背景信息和第二参照背景信息，对目标背景信息中与第一区域对应的第一目标背景信息的进行更新，第一区域为视频图像中包括排队车辆信息的区域，第一参照背景信息为第一区域在不包括排队车辆信息时的背景信息，第二参照背景信息为视频图像中不包括排队车辆信息的第二区域的背景信息；

根据第二参照背景信息，对目标背景信息中与第二区域对应的第二目标背景信息的进行更新。

例如，如图3所示，其示出了视频图像m及设置的虚拟线圈，以对车道320的目标背景信息进行更新为例进行说明。若在车道320中设置了虚拟线圈321、322、323、324、325，虚拟线圈321、322、323中包括排队车辆信息，虚拟线圈324、325中不包括排队车辆信息，则第一区域可以包括虚拟线圈321、322、323所在区域，第二区域可以包括虚拟线圈324、325所在区域。由此，对第一目标背景信息进行更新，具体可以为：根据在距当前最近的时间上的其他视频图像n中，虚拟线圈321、322、323不包括排队车辆信息的第一参照背景信息，和视频图像m中虚拟线圈324、325的第二参照背景信息，对目标背景信息中与第一区域，即与虚拟线圈321、322、323所在区域对应的第一目标背景信息进行更新，如，视频图像m的时间戳为1分01秒，此时，虚拟线圈321、322、323包括排队车辆信息，距1分01秒最近的，且虚拟线圈321、322、323不包括排队车辆信息的视频图像的时间戳为30秒，由此，可以将时间戳为30秒的视频图像n中的第一区域的背景信息，作为第一参照背景信息；对第二目标背景信息进行更新，具体可以为：根据视频图像m中虚拟线圈324、325的第二参照背景信息，对目标背景信息中与第二区域，即与虚拟线圈324、325对应的第二目标背景信息进行更新。

进一步地，电子设备可以通过对第一参照背景信息和第二参照背景信息进行加权，作为对第一参照背景信息的当前估计值，并以此对第一目标背景信息进行更新。

进一步地，第一参照背景信息的权重值小于第二参照背景信息的权重值。

例如，由于当前的临近区域的背景信息，即视频图像信息中不与排队车辆信息对应的第二区域的第二参照背景信息，具备高度相关性，因此，可以以第二参照背景信息作为基础信息，并设置其权重因子占较大比重，即，权重值大于0.5；另外，可以将第一参照背景信息作为背景估计参考，并可以设置其权重因子占较小比重，即权重值小于0.5。将第一参照背景信息记为f(x)_p，第二参照背景信息记为f(x)_m，更新后的第一目标背景信息记为f(x)_n，由此，计算f(x)_n的公式如下：

f(x)_n＝αf(x)_m+βf(x)_p(3)

其中，α、β为权重值，α>0.5，β<0.5，α+β＝1。

电子设备在对第一目标背景信息进行更新时，即考虑了当前的临近区域的背景信息，也考虑了视频图像中与排队车辆信息对应的第一区域不存在排队车辆信息时的第一参照背景信息，由此，避免了将前端物体，如，车辆信息、行人信息等作为更新后的目标背景信息，进而增加了步骤220使用更新后的目标背景信息检测出的排队车辆信息准确性。

进一步参考图5，其示出了一种按照本申请的实施例实施获取车辆排队长度的装置的结构示意图。

如图5所示，获取车辆排队长度的装置500，可以包括：获取单元510，用于获取交通的视频图像信息；检测单元520，用于根据获取单元510获取的视频图像信息，检测目标虚拟线圈当前是否包括排队车辆信息，排队车辆信息不同于目标背景信息中的物体信息；确定单元530，用于若检测单元520检测包括排队车辆信息，则确定检测单元520检测到的排队车辆信息是否为有效的目标车辆信息；获取单元510，还用于若确定单元530确定是目标车辆信息，则根据目标车辆信息获取车辆排队长度信息。

进一步地，确定单元530，包括确定模块531和以下至少一项：分析模块532、跟踪模块533；

分析模块532，用于对排队车辆信息进行BLOB分析；

确定模块531，用于将外形参数满足预设外形条件的排队车辆信息确定为目标车辆信息；

跟踪模块533，用于对排队车辆的运动方式进行跟踪；

确定模块531，用于将运动参数满足预设运动条件的排队车辆信息确定为目标车辆信息。

进一步地，外形参数包括以下至少一项：周长参数、面积参数、形状参数；运动参数包括以下至少一项：运动轨迹参数、运动方向参数。

进一步地，确定单元530执行的跟踪包括以下至少一项：采用粒子滤波方式的跟踪、采用卡尔曼滤波方式的跟踪。

进一步地，确定单元530，具体用于在目标虚拟线圈内，确定排队车辆信息是否为有效的目标车辆信息。

进一步地，装置500还包括：

更新单元540，用于对目标背景信息进行更新。

进一步地，更新单元540，具体用于执行以下至少一项：

根据第一参照背景信息和第二参照背景信息，对目标背景信息中与第一区域对应的第一目标背景信息的进行更新，第一区域为视频图像中包括排队车辆信息的区域，第一参照背景信息为第一区域在不包括排队车辆信息时的背景信息，第二参照背景信息为视频图像中不包括排队车辆信息的第二区域的背景信息；

根据第二参照背景信息，对目标背景信息中与第二区域对应的第二目标背景信息的进行更新。

进一步地，更新单元540，具体用于通过对第一参照背景信息和第二参照背景信息进行加权，对第一目标背景信息进行更新。

进一步地，第一参照背景信息的权重值小于第二参照背景信息的权重值。

在本实施例中，获取单元，用于获取交通的视频图像信息；检测单元，用于根据获取单元获取的视频图像信息，检测目标虚拟线圈当前是否包括排队车辆信息，排队车辆信息不同于目标背景信息中的物体信息；确定单元，用于若检测单元检测包括排队车辆信息，则确定检测单元检测到的排队车辆信息是否为有效的目标车辆信息；获取单元，还用于若确定单元确定是目标车辆信息，则根据目标车辆信息获取车辆排队长度信息。与现有技术中，直接根据检测到的排队车辆信息获取车辆排队长度信息相比，本方案在检测到排队车辆信息之后，还确定排队车辆信息是否为有效的目标车辆信息，即去除不是车辆的干扰物体，如，行人、反光的道路等，进而增加了获取的车辆排队长度信息的准确性。

进一步参考图6，其示出了按照本申请的实施例实施获取车辆排队长度的电子设备的结构示意图。

如图6所示，电子设备600包括：至少一个处理器610，例如CPU(CentralProcessingUnit，中央处理器)，至少一个输出接口620或者其他用户接口630，存储器640，至少一个通信总线650。通信总线650用于实现上述组件之间的连接通信。电子设备600可选的包含其他用户接口630，包括显示器，键盘或者点击设备(例如，鼠标，轨迹球(trackball)，触感板或者触感显示屏)。存储器640可能包含高速RAM(RandomAccessMemory，随机存取存储器)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器640可选的可以包含至少一个位于远离前述处理器610的存储装置。

在一些实施方式中，存储器640存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集:

操作系统641，包含各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。

应用程序642，包含各种应用程序，用于实现各种应用业务。

具体的，应用程序642中可以但不限于包括：

获取单元，用于获取交通的视频图像信息；

检测单元，用于根据获取单元获取的视频图像信息，检测目标虚拟线圈当前是否包括排队车辆信息，排队车辆信息不同于目标背景信息中的物体信息；

确定单元，用于若检测单元检测包括排队车辆信息，则确定检测单元检测到的排队车辆信息是否为有效的目标车辆信息；

获取单元，还用于若确定单元确定是目标车辆信息，则根据目标车辆信息获取车辆排队长度信息。

进一步地，确定单元，包括确定模块和以下至少一项：分析模块、跟踪模块；

分析模块，用于对排队车辆信息进行BLOB分析；

确定模块，用于将外形参数满足预设外形条件的排队车辆信息确定为目标车辆信息；

跟踪模块，用于对排队车辆的运动方式进行跟踪；

确定模块，用于将运动参数满足预设运动条件的排队车辆信息确定为目标车辆信息。

进一步地，外形参数包括以下至少一项：周长参数、面积参数、形状参数；运动参数包括以下至少一项：运动轨迹参数、运动方向参数。

进一步地，确定单元执行的跟踪包括以下至少一项：采用粒子滤波方式的跟踪、采用卡尔曼滤波方式的跟踪。

进一步地，确定单元，具体用于在目标虚拟线圈内，确定排队车辆信息是否为有效的目标车辆信息。

进一步地，应用程序642还包括：

更新单元，用于对目标背景信息进行更新。

进一步地，更新单元，具体用于执行以下至少一项：

根据第一参照背景信息和第二参照背景信息，对目标背景信息中与第一区域对应的第一目标背景信息的进行更新，第一区域为视频图像中包括排队车辆信息的区域，第一参照背景信息为第一区域在不包括排队车辆信息时的背景信息，第二参照背景信息为视频图像中不包括排队车辆信息的第二区域的背景信息；

根据第二参照背景信息，对目标背景信息中与第二区域对应的第二目标背景信息的进行更新。

进一步地，更新单元，具体用于通过对第一参照背景信息和第二参照背景信息进行加权，对第一目标背景信息进行更新。

进一步地，第一参照背景信息的权重值小于第二参照背景信息的权重值。

在本实施例中，处理器610通过调用存储器640中存储的程序或指令执行相应步骤，处理器610，用于：

获取交通的视频图像信息；

根据视频图像信息，检测目标虚拟线圈当前是否包括排队车辆信息，排队车辆信息不同于目标背景信息中的物体信息；

若包括排队车辆信息，则确定排队车辆信息是否为有效的目标车辆信息；

若是目标车辆信息，则根据目标车辆信息获取车辆排队长度信息。

进一步地，处理器610，具体用于执行以下至少一项：

对排队车辆信息进行BLOB分析，将外形参数满足预设外形条件的排队车辆信息确定为目标车辆信息；

对排队车辆的运动方式进行跟踪，将运动参数满足预设运动条件的排队车辆信息确定为目标车辆信息。

进一步地，外形参数包括以下至少一项：周长参数、面积参数、形状参数；运动参数包括以下至少一项：运动轨迹参数、运动方向参数。

进一步地，处理器610执行的跟踪包括以下至少一项：采用粒子滤波方式的跟踪、采用卡尔曼滤波方式的跟踪。

进一步地，处理器610，具体用于在目标虚拟线圈内，确定排队车辆信息是否为有效的目标车辆信息。

进一步地，处理器610，还用于对目标背景信息进行更新。

进一步地，处理器610，具体用于执行以下至少一项：

根据第一参照背景信息和第二参照背景信息，对目标背景信息中与第一区域对应的第一目标背景信息的进行更新，第一区域为视频图像中包括排队车辆信息的区域，第一参照背景信息为第一区域在不包括排队车辆信息时的背景信息，第二参照背景信息为视频图像中不包括排队车辆信息的第二区域的背景信息；

根据第二参照背景信息，对目标背景信息中与第二区域对应的第二目标背景信息的进行更新。

进一步地，处理器610，还用于通过对第一参照背景信息和第二参照背景信息进行加权，对第一目标背景信息进行更新。

进一步地，第一参照背景信息的权重值小于第二参照背景信息的权重值。

在本实施例中，获取交通的视频图像信息；根据视频图像信息，检测目标虚拟线圈当前是否包括排队车辆信息，排队车辆信息不同于目标背景信息中的物体信息；若包括排队车辆信息，则确定排队车辆信息是否为有效的目标车辆信息；若是目标车辆信息，则根据目标车辆信息获取车辆排队长度信息。与现有技术中，直接根据检测到的排队车辆信息获取车辆排队长度信息相比，本方案在检测到排队车辆信息之后，还确定排队车辆信息是否为有效的目标车辆信息，即去除不是车辆的干扰物体，如，行人、反光的道路等，进而增加了获取的车辆排队长度信息的准确性。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种获取车辆排队长度的方法，其特征在于，包括：

获取交通的视频图像信息；

根据所述视频图像信息，检测目标虚拟线圈当前是否包括排队车辆信息，所述排队车辆信息不同于目标背景信息中的物体信息；

若包括所述排队车辆信息，则确定所述排队车辆信息是否为有效的目标车辆信息；

若是所述目标车辆信息，则根据所述目标车辆信息获取车辆排队长度信息。

2.根据权利要求1所述的方法，其特征在于，所述确定，包括以下至少一项：

对所述排队车辆信息进行点团BLOB分析，将外形参数满足预设外形条件的排队车辆信息确定为目标车辆信息；

对所述排队车辆的运动方式进行跟踪，将运动参数满足预设运动条件的排队车辆信息确定为目标车辆信息。

3.根据权利要求2所述的方法，其特征在于，所述外形参数包括以下至少一项：周长参数、面积参数、形状参数；所述运动参数包括以下至少一项：运动轨迹参数、运动方向参数。

4.根据权利要求2或3所述的方法，其特征在于，所述跟踪包括以下至少一项：采用粒子滤波方式的跟踪、采用卡尔曼滤波方式的跟踪。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述确定包括：

在所述目标虚拟线圈内，确定所述排队车辆信息是否为有效的目标车辆信息。

6.根据权利要求1所述的方法，其特征在于，还包括：

对所述目标背景信息进行更新。

7.根据权利要求6所述的方法，其特征在于，所述更新，包括以下至少一项：

根据第一参照背景信息和第二参照背景信息，对所述目标背景信息中与第一区域对应的第一目标背景信息的进行更新，所述第一区域为所述视频图像中包括所述排队车辆信息的区域，所述第一参照背景信息为所述第一区域在不包括所述排队车辆信息时的背景信息，所述第二参照背景信息为所述视频图像中不包括所述排队车辆信息的第二区域的背景信息；

根据所述第二参照背景信息，对所述目标背景信息中与所述第二区域对应的第二目标背景信息的进行更新。

8.根据权利要求7所述的方法，其特征在于，所述对所述目标背景信息中与第一区域对应的第一目标背景信息的进行更新，包括：

通过对所述第一参照背景信息和所述第二参照背景信息进行加权，对所述第一目标背景信息进行更新。

9.根据权利要求8所述的方法，其特征在于，所述第一参照背景信息的权重值小于所述第二参照背景信息的权重值。

10.一种获取车辆排队长度的装置，其特征在于，包括：

获取单元，用于获取交通的视频图像信息；

检测单元，用于根据所述获取单元获取的所述视频图像信息，检测目标虚拟线圈当前是否包括排队车辆信息，所述排队车辆信息不同于目标背景信息中的物体信息；

确定单元，用于若所述检测单元检测包括所述排队车辆信息，则确定所述检测单元检测到的所述排队车辆信息是否为有效的目标车辆信息；

所述获取单元，还用于若所述确定单元确定是所述目标车辆信息，则根据所述目标车辆信息获取车辆排队长度信息。