CN106781498A - 一种高速公路的车流量统计方法 - Google Patents

Abstract

本发明涉及计算机视觉技术，其公开了一种高速公路的车流量统计方法，解决传统技术车流量统计方案对运动车辆提取不完整，影响车辆检测准确率的问题。该方法包括以下步骤：a.在公路监控区域车道两旁固定位置设置矩形检测带；b.采集公路监控区域的视频数据并进行预处理；c.利用高斯混合模型进行背景建模，从原始图像分离出背景像素；d.从图像中提取运动目标；e.从提取的运动目标中识别出车辆，并进行标记；f.对标记的车辆进行跟踪和统计，从而计算车流量。

Description

一种高速公路的车流量统计方法

技术领域

本发明涉及计算机视觉技术，具体涉及一种高速公路的车流量统计方法。

背景技术

随着现代经济的高速发展，高速公路运输成为运输业的重要交通方式。为了保障交通顺畅以及行车安全，从而改善环境质量，高速公路的车流量检测就尤为重要。当前交通现有的车流量检测方法主要分为3个部分:从图像序列上提取运动目标，对所提取的目标进行识别以及车辆计数。

传统提取运动目标的方法是背景差分法，其利用加权平均法进行背景更新，更新效果不理想，导致运动车辆提取不完整，影响了车辆检测的准确率。

发明内容

本发明所要解决的技术问题是：提出一种高速公路的车流量统计方法，解决传统技术车流量统计方案对运动车辆提取不完整，影响车辆检测准确率的问题。

本发明解决上述技术问题所采用的方案是：

一种高速公路的车流量统计方法，包括以下步骤：

a.在公路监控区域车道两旁固定位置设置矩形检测带；

b.采集公路监控区域的视频数据并进行预处理；

c.利用高斯混合模型进行背景建模，从原始图像分离出背景像素；

d.从图像中提取运动目标；

e.从提取的运动目标中识别出车辆，并进行标记；

f.对标记的车辆进行跟踪和统计，从而计算车流量。

作为进一步优化，步骤a中，所述矩形检测带的位置相对于摄像机的采集角度来说，使得采集的图像中的检测带靠近图像的底部位置。

作为进一步优化，所述矩形检测带的长度覆盖所有要进行车流量检测的车道，宽度对应其在图像中占30个像素。

作为进一步优化，步骤b中，所述预处理包括：将采集的彩色图像转换为灰度图。

作为进一步优化，步骤c中，所述利用高斯混合模型进行背景建模，从原始图像分离出背景像素，具体包括：

c1.将每个像素值X_t同前K个模型按照下式进行比较，直到找到匹配新像素值的分布模型，即同该模型的均值偏差在2.5σ：

|X_t-μ_i,t-1|≤2.5σ_i,t-1

c2.如果所匹配的模式符合背景要求，则该像素属于背景，否则属于前景；

c3.各模式权值按如下公式更新，其中α是学习速率，对于匹配的模式M_k,t＝1，否则M_k,t＝0，然后对各模式的权重进行归一化：

w_t＝(1-α)*w_k,t-1+α*M_k,t

c4.未匹配模式的均值μ与标准差σ不变，匹配模式的参数按照下式更新：

ρ＝α*η(X_t|μ_k,σ_k)

μ_t＝(1-ρ)*μ_t-1+ρ*X_t

c5.如果步骤c1中没有任何模式匹配，则权重最小的模式被替换，即该模式的均值为当前像素值，标准差为初始较大值，权重为较小值；

c6.各模式根据w/α²按降序排列，权重大、标准差小的模式排列靠前；

c7.选前B个模式作为背景，B满足下式，参数T表示背景所占比例：

作为进一步优化，步骤d中，所述从图像中提取运动目标的方法包括：

利用背景差分法，首先获取一个参考背景图像，将当前帧图像和参考背景图像做差分，然后利用阈值分割方法将前景运动目标提取出来。

作为进一步优化，步骤e中，采用基于CKPCA—HOG和支持向量机的运动目标分类算法从提取的运动目标中识别出车辆。

作为进一步优化，步骤e具体包括：利用基于聚类的核主成分分析的梯度直方图描述子提取候选运动目标的特征，以较低维数的数据有效地描述运动目标的有效特征，将提取的运动目标特征输入二叉决策树支持向量机中，实现多类目标的准确分类，进而提取出车辆。

作为进一步优化，步骤e中，在识别出车辆之后，对识别出的车辆做矩形框标记。

作为进一步优化，步骤f中，对标记的车辆进行统计时，统计监控区域内的所有标记的矩形框的个数，包括所有未全部处于监控区域内，即部分位于监控区域内，另外部分位于监控区域外的矩形框。

本发明的有益效果是：

本发明通过对道路交通流的实时监控,它能够全方位、实时准确和高效的对路面上的车辆进行检测、跟踪和计数，能够实时监测高速公路上的车流量情况，有利于缓解交通拥堵和对路面车辆进行实时控制，能够适用于复杂场景，检测准确度高，实时性好，具有实用价值。

附图说明

图1为本发明实施例的高速公路的车流量统计方法流程图。

具体实施方式

本发明旨在提出一种高速公路的车流量统计方法，解决传统技术车流量统计方案对运动车辆提取不完整，影响车辆检测准确率的问题。本发明中首先采用摄像机对驶入视野的车辆进行拍摄，利用高斯混合模型进行背景建模，将原始图像分离出背景像素；然后，利用背景差法进行运动目标的检测，采用基于CKPCA—HOG和支持向量机的运动目标分类算法来提取出车辆，并做上标记；最后利用实时统计虚拟检测区域中矩形框的个数来统计车流量。

相对于传统技术，本发明提出使用高斯混合模型进行背景更新，弥补了传统背景差分算法采用加权平均法进行背景更新的不足，为运动车辆的准确提取奠定了基础。

在车辆识别和计数的方法上，本发明采用了更精确的基于CKPCA—HOG和支持向量机的运动目标分类算法来区分出车辆，实现多类目标的准确分类，进而提取出车辆，从而提高了车流量检测的准确率。

下面结合附图及实施例对本发明的方案作更进一步的描述：

如图1所示，本实施例中的高速公路的车流量统计方法包括以下实施步骤：

1)设置检测带：

为了去除大量与检测车流量无关的信息(如远处的建筑、路旁的树木等)，首先在车道两旁固定位置画一条矩形的检测带，当车辆经过该检测带的位置时，将引起该检测带的像素变化，以此判定车辆经过。

由于摄像机得到的图像中，越靠近图像底部的地方车辆越大，车辆之间的间隔也越大。根据这些特点，检测带的位置设置在其被摄像机拍摄成像时，尽量靠近图像底部，可以减少由于前后车辆间距太小引起的漏检现象。并且检测带的长度应以覆盖所有要进行车流量检测的车道为宜，宽度对应其在图像中占30个像素(即使得采集的图像中的矩形检测带的宽度为30个像素)

2)采集图像并预处理：

利用安装在高速公路路灯顶部的摄像机，从道路正中央或路旁以俯视的角度拍摄获取视频数据。然后对摄像机采集的视频进行图像灰度变换：从摄像机所获取的视频是连续的RGB颜色空间的彩色图像序列，其运算量是灰度图像的3倍，为满足车辆检测的实时性要求，先将彩色图像转换成灰度图像。

3)高斯混合模型背景建模：

由于高速公路环境比较复杂，光照缓慢变化，并且背景存在小幅度重复运动，采用高斯混合模型进行背景建模，可以较快从原始图像中分离出背景像素。在具体实现上，建模方案如下：

1.将每个像素值X_t同前K个模型按照下式进行比较，直到找到匹配新像素值的分布模型，即同该模型的均值偏差在2.5σ：

|X_t-μ_i,t-1|≤2.5σ_i,t-1

2.如果所匹配的模式符合背景要求，则该像素属于背景，否则属于前景；

3.各模式权值按如下公式更新，其中α是学习速率，对于匹配的模式M_k,t＝1，否则M_k,t＝0，然后对各模式的权重进行归一化：

w_t＝(1-α)*w_k,t-1+α*M_k,t

4.未匹配模式的均值μ与标准差σ不变，匹配模式的参数按照下式更新：

ρ＝α*η(X_t|μ_k,σ_k)

μ_t＝(1-ρ)*μ_t-1+ρ*X_t

5.如果步骤1中没有任何模式匹配，则权重最小的模式被替换，即该模式的均值为当前像素值，标准差为初始较大值，权重为较小值；

6.各模式根据w/α²按降序排列，权重大、标准差小的模式排列靠前；

7.选前B个模式作为背景，B满足下式，参数T表示背景所占比例：

4)提取运动目标：

利用背景差分法，首先获取一个参考背景图像，将当前帧图像和参考背景图像做差分，然后利用阈值分割方法将前景运动目标提取出来。这样即可获得视频中的运动目标，此时不能判断运动目标是否是车辆，运动目标还有可能是行人、自行车等。用背景模型对需要检测的视频序列进行处理，提取出当前图像中与背景模型中性质不同的像素点，这些像素点组成的图像就是运动前景。

5)从运动目标中提取车辆：

采用基于CKPCA—HOG和支持向量机的运动目标分类算法来区分出车辆。利用基于聚类的核主成分分析的梯度直方图描述子提取候选运动目标的特征，以较低维数的数据有效地描述运动目标的有效特征，将提取的运动目标特征输入二叉决策树支持向量机，实现多类目标的准确分类，进而提取出车辆。

6)车辆跟踪与车流量计数：

检测车辆通过检测带，关键在于检测车辆驶入和离开。提取出车辆以后，给车辆做一个标记矩形框，跟踪该矩形框。在每一个时刻，实时统计当前选定的检测带区域内矩形框的个数，即为当前测试区域内的车流量。这里，我们设定矩形未全部进入检测区域内的也参与计数，即有一部分位于检测区域内而另一部分位于检测区域外的矩形框也被认为是该检测区域内的车辆。

Claims (10)

1.一种高速公路的车流量统计方法，其特征在于，包括以下步骤：

a.在公路监控区域车道两旁固定位置设置矩形检测带；

b.采集公路监控区域的视频数据并进行预处理；

c.利用高斯混合模型进行背景建模，从原始图像分离出背景像素；

d.从图像中提取运动目标；

e.从提取的运动目标中识别出车辆，并进行标记；

f.对标记的车辆进行跟踪和统计，从而计算车流量。

2.如权利要求1所述的一种高速公路的车流量统计方法，其特征在于，步骤a中，所述矩形检测带的位置相对于摄像机的采集角度来说，使得采集的图像中的检测带靠近图像的底部位置。

3.如权利要求2所述的一种高速公路的车流量统计方法，其特征在于，所述矩形检测带的长度覆盖所有要进行车流量检测的车道，宽度对应其在图像中占30个像素。

4.如权利要求1所述的一种高速公路的车流量统计方法，其特征在于，步骤b中，所述预处理包括：将采集的彩色图像转换为灰度图。

5.如权利要求1所述的一种高速公路的车流量统计方法，其特征在于，步骤c中，所述利用高斯混合模型进行背景建模，从原始图像分离出背景像素，具体包括：

c1.将每个像素值X_t同前K个模型按照下式进行比较，直到找到匹配新像素值的分布模型，即同该模型的均值偏差在2.5σ：

|X_t-μ_i,t-1|≤2.5σ_i,t-1

c2.如果所匹配的模式符合背景要求，则该像素属于背景，否则属于前景；

c3.各模式权值按如下公式更新，其中α是学习速率，对于匹配的模式M_k,t＝1，否则M_k,t＝0，然后对各模式的权重进行归一化：

w_t＝(1-α)*w_k,t-1+α*M_k,t

c4.未匹配模式的均值μ与标准差σ不变，匹配模式的参数按照下式更新：

ρ＝α*η(X_t|μ_k,σ_k)

μ_t＝(1-ρ)*μ_t-1+ρ*X_t

${\mathrm{\σ}}_t^2={(1-\mathrm{\ρ})}^2*{\mathrm{\σ}}_{t-1}^2+\mathrm{\ρ}*{(X_t-{\mathrm{\μ}}_t)}^T(X_t-{\mathrm{\μ}}_t)$

c5.如果步骤c1中没有任何模式匹配，则权重最小的模式被替换，即该模式的均值为当前像素值，标准差为初始较大值，权重为较小值；

c6.各模式根据w/α²按降序排列，权重大、标准差小的模式排列靠前；

c7.选前B个模式作为背景，B满足下式，参数T表示背景所占比例：

$B=\arg \left(min\right(\underset{k=1}{\overset{b}{\Σ}}{w}_k>T\left)\right).$

6.如权利要求1所述的一种高速公路的车流量统计方法，其特征在于，步骤d中，所述从图像中提取运动目标的方法包括：

利用背景差分法，首先获取一个参考背景图像，将当前帧图像和参考背景图像做差分，然后利用阈值分割方法将前景运动目标提取出来。

7.如权利要求6所述的一种高速公路的车流量统计方法，其特征在于，步骤e中，采用基于CKPCA—HOG和支持向量机的运动目标分类算法从提取的运动目标中识别出车辆。

8.如权利要求7所述的一种高速公路的车流量统计方法，其特征在于，

步骤e具体包括：利用基于聚类的核主成分分析的梯度直方图描述子提取候选运动目标的特征，以较低维数的数据有效地描述运动目标的有效特征，将提取的运动目标特征输入二叉决策树支持向量机中，实现多类目标的准确分类，进而提取出车辆。

9.如权利要求1所述的一种高速公路的车流量统计方法，其特征在于，步骤e中，在识别出车辆之后，对识别出的车辆做矩形框标记。

10.如权利要求9所述的一种高速公路的车流量统计方法，其特征在于，步骤f中，对标记的车辆进行统计时，统计监控区域内的所有标记的矩形框的个数，包括所有未全部处于监控区域内，即部分位于监控区域内，另外部分位于监控区域外的矩形框。