CN106952474A - 基于运动车辆检测的车流量统计方法 - Google Patents

Abstract

本发明公开了一种基于运动车辆检测的车流量统计方法，其涉及计算机视觉领域。该方法首先利用多尺度的形态学算子进行图像预处理，再结合背景实时更新、背景差分和边缘梯度差分检测出车辆目标，从而获取车辆目标的二值化图像；最后根据二值化图像，通过双阈值和车道检测线圈的状态转变方法进行单车道或多车道的车流量统计。该方法可有效快速地统计出单车道或多车道的车流量，可使交通信号灯根据当前车流量的大小实时改变红绿灯时间，提高城市交通的利用率，改善城市车辆拥堵问题。

Description

基于运动车辆检测的车流量统计方法

技术领域

本发明涉及计算机视觉领域，特指一种基于运动车辆检测的车流量统计方法。

背景技术

随着人工智能、计算机视觉和硬件技术的不断发展，视频图像处理技术已经广泛应用于智能交通系统(ITS)中。近年来，随着公路视频监控的推广，图像处理方法已经开始应用到交通分析领域，包括交通事件检测、交通队列监测、车型识别、车辆分类、车流量统计等。

实时性的车流量统计的意义在于快速地统计出的车流量可以为信号灯控制提供有效的数据，使交通信号等根据当前车流量的大小实时改变红绿灯时间的长短，从而提高城市交通利用率，改善城市车辆拥堵问题。其中，基于运动车辆检测方法能有效地实现车流量的统计。

运动目标检测是将运动目标从视频流中精确的分割出来，是交通监控系统的基础部分。常用的运动检测方法有相邻帧差法、背景差分法和光流法。其中，所述相邻帧差法对光照不敏感，非常适合动态变化的环境，而且运算简单，检测速度快，车辆定位准确，适合于实时性要求较高的应用环境；但是不能检测出静止或运动速度过慢物体，因此当路口发生拥堵时此方法失效，并且容易造成目标重叠部分出现较大空洞，严重时会造成分割结果不连通，导致多检或者错检车辆。所述背景差分法适用于摄像机静止的情况，计算速度快，但是对场景中光照条件、大面积运动和噪声比较敏感。所述光流法在摄像机运动时也能检测出独立的运动目标，但其缺点在于易受噪声干扰，且计算量较大，如果没有特定的硬件装置则不能被应用于全帧视频流的实时处理。再者，由于复杂的交通场景中光照条件、噪声等因素，在实际应用中需对背景模型进行实时动态更新，以适应环境的变化。才能正确的统计出车辆的数量。

发明内容

本发明的目的在于克服上述现有技术的不足，提出一种基于运动车辆检测的车流量统计方法，实现了实时性的车流量统计。

为实现上述目的，本发明技术方案具体如下：

一种基于运动车辆检测的车流量统计方法，包括以下步骤：

S1获取视频流图像，利用多尺度的形态学梯度算子对视频流图像进行预处理；

S2设置大小、位置合适的虚拟检测线圈；

S3基于实时背景更新、背景差分和边缘梯度差分的运动车辆检测，获取车辆目标的二值化图像；

S4利用双阈值和虚拟检测线圈状态转变的方法进行车流量统计。

作为本发明技术方案的进一步改进，所述步骤S2具体包括分别对每个车道设置大小、位置合适的虚拟检测线圈，并分别编号；

所述虚拟检测线圈设置为宽度略小于每个车道的宽度，高度为小型车辆长度的一半，所述虚拟检测线圈设置在靠近图像底部的位置，且位于人行横道边缘与车辆停靠线之间。

作为本发明技术方案的进一步改进，所述步骤S3具体包括以下步骤：

S3.1利用多帧平均算法生成初始背景；

S3.2背景图像实时更新；

S3.3结合背景差分和边缘梯度差分检测运动目标。

作为本发明技术方案的进一步改进，所述S3.2背景图像实时更新具体包括以下步骤：

S3.2.1利用像素块绝对差值进行视频图像的运动估计；

将每帧图像分成P×Q个块，计算当前帧图像I_f(x,y)与背景图像I_b(x,y)在对应块中的像素绝对值差(SAD)；

计算公式为：

式中，n表示表示P×Q各图像块中的某图像块，I_f(x,y,n)为当前帧对应块的像素值，I_b(x,y,n)为背景图像对应块的像素值；

设定阈值T，当SAD值小于阈值T，图像块是背景的可能性要大，反之图像块为运动目标的可能性要大。

S3.2.2非运动目标置信度Coe的累加；

设置置信度，其值取为0～8，当置信度为0表示该目标肯定为运动目标，当置信度为8表示该目标肯定为非运动目标，置信度累加的过程表示认为是非运动目标区域的可能性越来越大；

如下式所示，

当判定图像块为背景的可能性较大时，置信度累加，反之不累加；

置信度累加过程在图像帧序列中累加，当置信度不为零的情况下出现SAD大于阈值T时，置信度Coe置零；

S3.2.3背景图像更新；

当某图像块的置信度达到5时，用当前帧信息和背景信息进行加权更新，更新公式为：

B_update(x,y,n)＝α*I_f(x,y,n)+(1-α)*I_b(x,y,n)if Coe＝5

式中，I_f(x,y,n)为当前帧的第n个图像块，I_b(x,y,n)为背景图像的第n个图像块，α表示适应率(0≤α≤1)；

对于置信度小于5的图像块则继续累加，直到符合条件时再更新。

作为本发明技术方案的进一步改进，所述S3.3结合背景差分和边缘梯度差分检测运动目标具体包括以下步骤：

S3.3.1利用步骤S3.2中获得的背景图像与当前帧图像进行绝对值相减，即为：

D₁(x,y)＝F(x,y)-B(x,y)

式中，D₁(x,y)为背景差分图像，F(x,y)为当前帧图像，B(x,y)为步骤S3.2中获得背景图像。

S3.3.2对当前帧图像和背景图像进行形态学边缘检测，得到边缘梯度差分图像，检测操作具体如下公式所示：

E_c＝f-e(f)

D_c＝d(f)-f

式中，f表示原图像，e(f)表示腐蚀操作结果，d(f)表示膨胀操作结果；

形态学梯度边缘Ede检测公式为：

Ede＝E_c+D_c

对当前帧图像F(x,y)和当前帧对应的背景图像B(x,y)进行边缘检测分别得到Ede_f(x,y)、Ede_b(x,y)，将两个边缘图像进行绝对差值得到边缘梯度差分图像D_Ede(x,y)，即：

D_Ede(x,y)＝|Ede_f(x,y)-Ede_b(x,y)|

S3.3.3将所述背景差分图像D₁(x,y)和边缘梯度差分图像D_Ede(x,y)进行逻辑或运算，即：

OR(x,y)＝D₁(x,y)Or D_Ede(x,y)

所述运算的结果为检测出的运动车辆区域，再对其进行Ostu阈值化操作以及滤波处理，实现了车辆目标的获取。

作为本发明技术方案的进一步改进，所述S4具体包括：

设T_h为一个较大的阈值，取值为虚拟检测线圈内像素数量的35％，T_l为一个较小的阈值，取值为虚拟检测线圈内像素数量的15％，状态转变用公式表示为：

上式中，N_t为第t帧的某车道的虚拟线圈中统计出的运动像素的总个数，S_t为当前第t帧的的某车道的状态，S_t-1第t-1帧的的某车道的状态；

根据状态转移变化判断车道是否进行车辆计数，当第t-1帧的的某车道的状态S_t-1为0，第t帧的的某车道的状态S_t为1时，即S_t-S_t-1为1时，车辆数计数加1，统计在给定的单位时间内，通过道路某一断面或某一点的车辆数，实现车流量的统计。

相对于现有技术，本发明具有以下有益效果：

1、本发明方法可有效快速地统计出单车道或多车道的车流量，可使交通信号灯根据当前车流量的大小实时改变红绿灯时间，提高城市交通的利用率，改善城市车辆拥堵问题。

2、对背景图像进行了实时更新，很好地适应公路场景的光线和天气等外界条件的变化，获取更加精确的背景图像和准确定位出车辆区域。

3、结合背景差分和边缘梯度差分来检测运动目标，消减了车辆阴影部分的影响，更加精确的提取了运动目标，有利用车流量的统计。

4、利用设定的双阈值和车道检测线圈的状态转变的方法有效快速地统计出单车道或多车道的车流量。

附图说明

图1是本实施例车流量统计方法操作流程图；

图2是本实施例所述实时背景更新算法流程图；

图3是本实施例所述的车辆检测流程图。

具体实施方式

下面结合附图对本发明做进一步详细说明。

本发明的一种基于运动车辆检测的车流量统计方法，其具体操作流程如图1所示，包括以下步骤S1-S4。

S1获取视频流图像，利用多尺度的形态学梯度算子对视频流图像进行预处理；。

为了减少运算量，节省运算时间，只对检测区域部分的图像进行预处理，以更好地满足实时性处理的要求。

本发明采用梯度滤波器进行预处理，其可以抑制亮度、阴影变化和噪声的影响，具体采用多尺度的形态学进行预处理，多尺度的形态学梯度算子通过采用平均运算的方法使得算子获得更强的抗噪的能力。

假设多尺度的形态学梯度算子为E，预处理的公式为：

式中，B_i(0≤i≤n)为一组正方形的结构元素；I(x,y)为原始图像；IE(x,y)为预处理后的图像。

S2设置大小、位置合适的虚拟检测线圈；

虚拟线圈的宽度应略小于每个车道的宽度，线圈的高度设置为小型车辆长度的一半，以减少视频中前后车辆粘连对车流量统计造成影响。由于车流量检测系统的摄像头一般安装在高处，越靠近图像底部的车辆越清晰且车辆之间的间隔也越大，因此在设置线圈的位置时，应尽量把虚拟线圈设置在靠近图像底部的位置，从而减少由于前后车辆间距过小而引起的漏检现象。同时，由于城市普通路口情况复杂，人车交杂，为尽量避免行人误入虚拟线圈对车流量统计造成影响，虚拟线圈应设置在人行横道边缘与车辆停靠线之间。根据这些特点，分别对每个车道设置大小、位置合适的虚拟检测线圈，并分别编号。

S3基于实时背景更新、背景差分和边缘梯度差分的运动车辆检测，获取车辆目标的二值化图像；

S3.1利用多帧平均算法生成初始背景；

多帧平均算法的原理是将车辆看作噪声，用累加平均的方法消除噪声，从而可以利用车辆运行一段时间的序列图像进行平均得到道路的背景图像，获取的初始背景为：

式中，Background(x,y)为初始背景图像，N为图像帧数，I_i(x,y)表示为第i帧序列图像。

S3.2背景图像实时更新；

对于交通场景中光照强度可能出现暂时的、突然的变化，图像中的背景光照强度也会发生相应的变化，如果在背景不作相应的处理，则会引起大面积的误检，从而导致智能交通系统事件检测的误报率增大。为了适应公路场景的光线和天气等外界条件的变化，需要对背景图像进行实时更新。

本发明的背景图像实时更新如图2所示，其步骤具体包括：

S3.2.1利用像素块绝对差值和进行视频图像的运动估计；

将每帧图像分成P×Q个块，计算当前帧图像I_f(x,y)与背景图像I_b(x,y)在对应块中的像素绝对值差(SAD)。

计算公式为：

式中，n表示表示P×Q各图像块中的某图像块；I_f(x,y,n)为当前帧对应块的像素值，I_b(x,y,n)为背景图像对应块的像素值。

通过观察运动目标有无情况下SAD值的变化获得阈值T，根据设定的阈值T进行运动估计。若公式(3)计算得到的图像块SAD值小于阈值T，则认为SAD值对应的图像块是稳定变化，图像块是背景的可能性要大；反之图像块为运动目标的可能性要大。

S3.2.2非运动目标置信度的累加；

置信度是用来衡量某目标为非运动目标的程度，取值范围定为0～8，当置信度为0表示该目标肯定为运动目标，当置信度为8表示该目标肯定为非运动目标。置信度累加的过程表示认为是非运动目标区域的可能性越来越大。用Coe表示置信度。

通过步骤S3.2.2判定图像块为背景的可能性较大时，置信度累加，如公式(4)所示；反之不累加。置信度累加过程在图像帧序列中累加，当置信度不为零的情况下出现SAD大于阈值T时，置信度Coe置零，该原则是认为出现动荡的信息是不稳定的点，将置信度清零是为了提高置信度的可靠性。

S3.2.3背景图像更新；

当某图像块的置信度达到5时，认为该图像块的变化是较为稳定的，是背景图像的可能性较大，则用当前帧信息和背景信息进行加权更新，更新公式为：

B_update(x,y,n)＝α*I_f(x,y,n)+(1-α)*I_b(x,y,n)if Coe＝5 (5)

式中，I_f(x,y,n)为当前帧的第n个图像块，I_b(x,y,n)为背景图像的第n个图像块，α表示适应率(0≤α≤1)。

对于置信度小于5的图像块则继续累加，直到符合条件时再更新。

S3.3结合背景差分和边缘梯度差分检测运动目标；

由于车辆阴影区域像素点的值与对应背景区域像素点的颜色值不相同，当直接将当前帧图像与背景图像进行绝对值相减来获得运动目标，这样会导致将车辆阴影误检测为运动物体。本发明中结合背景差分和边缘梯度差分来检测运动目标，消减了车辆阴影部分的影响，更加精确地提取了运动目标，有利用后续车流量的统计。

S3.3.1利用步骤S3.2中获得的背景图像与当前帧图像进行绝对值相减，即为：

D₁(x,y)＝F(x,y)-B(x,y) (6)

式中，D₁(x,y)为背景差分图像，F(x,y)为当前帧图像，B(x,y)为步骤S3.2中获得背景图像。

S3.3.2对当前帧图像和背景图像进行形态学边缘检测，得到边缘梯度差分图像。

形态学边缘检测器的主要原理是使用形态梯度的基本概念，可以更好的克服噪声的干扰，提取比较干净的边缘，同时计算复杂度比较低。形态学边缘检测操作有腐蚀帧差和膨胀帧差。腐蚀帧差操作E_c是对图像进行腐蚀操作，然后用原始图像减去腐蚀操作结果，而膨胀帧差操作D_c是先对图像进行膨胀，然后用膨胀操作结果减去原始图像，用公式表示为：

E_c＝f-e(f) (7)

D_c＝d(f)-f (8)

式中，f表示原图像，e(f)表示腐蚀操作结果，d(f)表示膨胀操作结果。

形态学梯度边缘Ede为：

Ede＝E_c+D_c (9)

利用公式(9)对当前帧图像F(x,y)进行边缘检测得到Ede_f(x,y)，同样利用公式(9)对当前帧对应的背景图像B(x,y)进行边缘检测得到Ede_b(x,y)，将两个边缘图像进行绝对差值得到边缘梯度差分图像D_Ede(x,y)，即：

D_Ede(x,y)＝|Ede_f(x,y)-Ede_b(x,y)| (10)

S3.3.3将S3.3.1的背景差分图像和S3.3.2中边缘梯度差分图像进行逻辑或运算，即：

OR(x,y)＝D₁(x,y)Or D_Ede(x,y) (11)

公式(11)的结果就是检测出的运动车辆区域，再对其进行Ostu阈值化操作以及滤波处理，实现了车辆目标的获取。

S4利用双阈值和虚拟检测线圈状态转变的方法进行车流量统计；

车流量是指在给定的单位时间内，通过道路某一断面或某一点的车辆数。

通过统计每一帧虚拟检测线圈中运动像素的数量，并将此运动像素的数量与设定的阈值加以比较从而判断出当前帧的虚拟线圈中是否被车辆覆盖。P_t(x,y)＝1表示由步骤S3获得二值化图像中(x,y)处的像素点被标记为运动像素；N_t为第t帧的某车道的虚拟线圈中统计出的运动像素的总个数，如公式(12)所示；S_t为第t帧的某车道的状态。若当前第t帧的某车道存在被车辆覆盖的情况，当前第t帧的某车道检测线圈状态记为S_t＝1；若当前第t帧的某车道不存在被车辆覆盖的情况，当前第t帧的某车道检测线圈的状态记为S_t＝0。

一辆车辆要通过虚拟检测线圈一般需要花费一定时间。显然不可能仅通过统计一段时间内图像帧的某车道检测线圈状态S_t＝1的帧数来计算车流量，因为一辆汽车经过虚拟检测线圈时会使连续的很多图像帧的虚拟线圈状态为1。本发明采用双阈值和图像帧的车道检测线圈的状态变化来统计车流量。

设T_h为一个较大的阈值，取值为虚拟检测线圈内像素数量的35％；T_l为一个较小的阈值，取值为虚拟检测线圈内像素数量的15％，状态转变用公式表示为：

式中，S_t为当前第t帧的的某车道的状态；S_t-1第t-1帧的的某车道的状态。

状态转移变化是针对各编号的车道的虚拟检测线圈进行的，便于统计各个车道的车流量。

根据状态转移变化判断车道是否进行车辆计数，用下表表示为：

本发明中提出的基于运动车辆检测的车流量统计方法实际上可嵌入FPGA实现，运用于具有实时的车流检测相机或摄像机中。

本领域技术人员将清楚本发明的范围不限制于以上讨论的示例，有可能对其进行若干改变和修改，而不脱离所附权利要求书限定的本发明的范围。尽管己经在附图和说明书中详细图示和描述了本发明，但这样的说明和描述仅是说明或示意性的，而非限制性的。本发明并不限于所公开的实施例。

Claims (6)

1.一种基于运动车辆检测的车流量统计方法，其特征在于，包括以下步骤：

S1获取视频流图像，利用多尺度的形态学梯度算子对视频流图像进行预处理；

S2设置大小、位置合适的虚拟检测线圈；

S3基于实时背景更新、背景差分和边缘梯度差分的运动车辆检测，获取车辆目标的二值化图像；

S4利用双阈值和虚拟检测线圈状态转变的方法进行车流量统计。

2.根据权利要求1所述的一种基于运动车辆检测的车流量统计方法，其特征在于，所述S2具体包括分别对每个车道设置大小、位置合适的虚拟检测线圈，并分别编号；

所述虚拟检测线圈设置为宽度略小于每个车道的宽度，高度为小型车辆长度的一半，所述虚拟检测线圈设置在靠近图像底部的位置，且位于人行横道边缘与车辆停靠线之间。

3.根据权利要求1所述的一种基于运动车辆检测的车流量统计方法，其特征在于，所述S3具体包括以下步骤：

S3.1利用多帧平均算法生成初始背景；

S3.2背景图像实时更新；

S3.3结合背景差分和边缘梯度差分检测运动目标。

4.根据权利要求3所述的一种基于运动车辆检测的车流量统计方法，其特征在于，所述背景图像实时更新具体包括以下步骤：

(1)利用像素块绝对差值进行视频图像的运动估计；

将每帧图像分成P×Q个块，计算当前帧图像I_f(x,y)与背景图像I_b(x,y)在对应块中的像素绝对值差(SAD)；

计算公式为：

$SAD=\underset{x=0,y=0}{\overset{x=P,y=Q}{\Σ}}|I_f(x,y,n)-I_b(x,y,n)|$

式中，n表示表示P×Q各图像块中的某图像块，I_f(x,y,n)为当前帧对应块的像素值，I_b(x,y,n)为背景图像对应块的像素值；

设定阈值T，当SAD值小于阈值T，图像块是背景的可能性要大，反之图像块为运动目标的可能性要大；

(2)非运动目标置信度Coe的累加；

设置置信度，其值取为0～8，当置信度为0表示该目标肯定为运动目标，当置信度为8表示该目标肯定为非运动目标，置信度累加的过程表示认为是非运动目标区域的可能性越来越大；

如下式所示，

当判定图像块为背景的可能性较大时，置信度累加，反之不累加；

置信度累加过程在图像帧序列中累加，当置信度不为零的情况下出现SAD大于阈值T时，置信度Coe置零；

(3)背景图像更新；

当某图像块的置信度达到5时，用当前帧信息和背景信息进行加权更新，更新公式为：

B_update(x,y,n)＝α*I_f(x,y,n)+(1-α)*I_b(x,y,n) if Coe＝5

式中，I_f(x,y,n)为当前帧的第n个图像块，I_b(x,y,n)为背景图像的第n个图像块，α表示适应率(0≤α≤1)；

对于置信度小于5的图像块则继续累加，直到符合条件时再更新。

5.根据权利要求3所述的一种基于运动车辆检测的车流量统计方法，其特征在于，所述结合背景差分和边缘梯度差分检测运动目标具体包括以下步骤：

(1)利用步骤S3.2中获得的背景图像与当前帧图像进行绝对值相减，即为：

D₁(x,y)＝F(x,y)-B(x,y)

式中，D₁(x,y)为背景差分图像，F(x,y)为当前帧图像，B(x,y)为步骤S3.2中获得背景图像；

(2)对当前帧图像和背景图像进行形态学边缘检测，得到边缘梯度差分图像，检测操作具体如下公式所示：

E_c＝f-e(f)

D_c＝d(f)-f

式中，f表示原图像，e(f)表示腐蚀操作结果，d(f)表示膨胀操作结果；

形态学梯度边缘Ede检测公式为：

Ede＝E_c+D_c

对当前帧图像F(x,y)和当前帧对应的背景图像B(x,y)进行边缘检测分别得到Ede_f(x,y)、Ede_b(x,y)，将两个边缘图像进行绝对差值得到边缘梯度差分图像D_Ede(x,y)，即：

D_Ede(x,y)＝|Ede_f(x,y)-Ede_b(x,y)|

(3)将所述背景差分图像D₁(x,y)和边缘梯度差分图像D_Ede(x,y)进行逻辑或运算，即：

OR(x,y)＝D₁(x,y) Or D_Ede(x,y)

所述运算的结果为检测出的运动车辆区域，再对其进行Ostu阈值化操作以及滤波处理，实现了车辆目标的获取。

6.根据权利要求1所述的一种基于运动车辆检测的车流量统计方法，其特征在于，所述S4具体包括：

设T_h为一个较大的阈值，取值为虚拟检测线圈内像素数量的35％，T_l为一个较小的阈值，取值为虚拟检测线圈内像素数量的15％，状态转变用公式表示为：

$S_t=\left\{\begin{array}{cc}1,& if{S}_{t-1}=0and{N}_t>T_h\\ 0,& if{S}_{t-1}=0and{N}_t\≤T_h\\ 1,& if{S}_{t-1}=1and{N}_t>T_l\\ 0,& if{S}_{t-1}=1and{N}_t\≤T_l\end{array}\right.$

上式中，N_t为第t帧的某车道的虚拟线圈中统计出的运动像素的总个数，S_t为当前第t帧的的某车道的状态，S_t-1第t-1帧的的某车道的状态；

根据状态转移变化判断车道是否进行车辆计数，当第t-1帧的的某车道的状态S_t-1为0，第t帧的的某车道的状态S_t为1时，即S_t-S_t-1为1时，车辆数计数加1，统计在给定的单位时间内，通过道路某一断面或某一点的车辆数，实现车流量的统计。