CN107122758A - 一种车型识别和车流量检测方法 - Google Patents

Abstract

本发明公开了一种车型识别和车流量检测方法，包括以下步骤：S1：从交通监控视频中读取视频帧图像，设定检测区域，运用均值法、ostu法提取出目标前景信息；S2：判断前景目标中是否存在车辆目标信息，若无则转步骤S1读取下一帧；S3：采用基于颜色和纹理的阴影检测算法对提取的前景去除阴影；S4：对出去阴影后的目标块采用canny边缘检测法检测轮廓并提取轮廓并提取轮廓的最小外接矩形，判定车型；S5：利用卡尔曼滤波器跟踪车辆，统计车辆经过检测区域需要的帧数，对车辆类型做进一步判断，统计相应车型的车流量。

Description

一种车型识别和车流量检测方法

技术领域

本发明具体涉及一种车型识别和车流量检测方法。

背景技术

近年来随着机动车保有量的迅速增加，交通拥堵等各类交通事故频发。为了解决日益恶化的交通问题，智能交通系统应运而生。交通监控系统是智能交通系统的重要组成部分，而车型识别、车流量检测是交通监控系统自动化的基础部分，为进一步提取、分析道路交通信息和控制车辆提供依据。

针对交通视频中的运动车辆目标检测，当前主要方法有：帧间差分法、光流法、背景差分法。其中背景差分计算简单，是目前最常用的方法。背景差分法可以获取完整运动物体外形，但是通常计算量也较大。

发明内容

本发明要解决的技术问题是提供一种车型识别和车流量检测方法。

一种车型识别和车流量检测方法，包括以下步骤：

S1：从交通监控视频中读取视频帧图像，设定检测区域，运用均值法、ostu法提取出目标前景信息；

S2：判断前景目标中是否存在车辆目标信息，若无则转步骤S1读取下一帧；

S3：采用基于颜色和纹理的阴影检测算法对提取的前景去除阴影；

S4：对出去阴影后的目标块采用canny边缘检测法检测轮廓并提取轮廓并提取轮廓的最小外接矩形，按照下式判定车型；

；

S5：利用卡尔曼滤波器跟踪车辆，统计车辆经过检测区域需要的帧数，按照下式对车辆类型做进一步判断，统计相应车型的车流量；

，

其中，数字代表各车型通过检测区域需要的帧数。

进一步的，步骤S1的具体方法如下：

1）将彩色图像灰度化，对灰度图的每一个像素求取平均值，如下式：

；

其中，i=1,2,…,n；为第i帧对应点(x,y)的像素值，A(x,y)为该点的平均值；

2）将n幅图像中同一点像素与对应的均值A(x,y)求差值，再将绝对差值累加，然后取平均值，并遍历图像中其他的所有像素，如下式：

；

其中n为提取的帧数；

3）修正差异大的点，假如某像素点与均值的绝对差值大于平均绝对值误差，则该点就取平均值像素值，否则就取当前帧对应像素的值，如下式：

；

4）对修正好的每一个像素求平均值，记为B(x,y)，得到的图像即为背景图像，如下式：

；

获得初始背景后，通过计算当前帧与背景图像的差值获得前景运动图像，得到的前景图像，如下式：

；

对背景进行实时更新，更新方法如下式：

；

其中为0-1之间的数；

如果，则判断为前景，背景保持原来的值；如果，则判断是背景，更新背景值。

进一步的，步骤S3的具体方法如下：

1）对采集的交通监控视频进行预处理，通过均值差分、ostu等方法提取出前景目标块Q；

2）对前景图像进行形态学的腐蚀处理，得到Qe；

3）将Q与Qe作差得到前景图像的边缘信息：Qd=Q-Qe；

4）将前景图像Qe分别进行基于纹理的阴影检测和基于SNP的阴影检测，两种处理得到的结果做“与”运算；

5）对边缘图像Qd进行基于颜色的SNP阴影检测；

6）依据下列公式标记出上述图像中的阴影点；

SNP算法阴影判断标准为：

；

其中，Ts和Tc均为阈值，和分别为亮度失真度和颜色失真度；

纹理检测算法阴影判别准则为：

；

其中为阈值，、代表背景像素点各通道水平和垂直方向的一阶梯度，、代表当前帧像素各通道水平和垂直方向的一阶梯度；

7）将标记为阴影点的像素从前景中去除，得到属于车辆的前景目标块。

本发明的有益效果是：

本发明对阴影进行有效去除，将车型识别和车流量统计结合起来，计算复杂度低，稳健性好；该方法识别检测精度较高，能达到系统实时性要求。

具体实施方式

以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。

一种车型识别和车流量检测方法，包括以下步骤：

S1：从交通监控视频中读取视频帧图像，设定检测区域，运用均值法、ostu法提取出目标前景信息；

S2：判断前景目标中是否存在车辆目标信息，若无则转步骤S1读取下一帧；

S3：采用基于颜色和纹理的阴影检测算法对提取的前景去除阴影；

S4：对出去阴影后的目标块采用canny边缘检测法检测轮廓并提取轮廓并提取轮廓的最小外接矩形，按照下式判定车型；

；

S5：利用卡尔曼滤波器跟踪车辆，统计车辆经过检测区域需要的帧数，按照下式对车辆类型做进一步判断，统计相应车型的车流量；

，

其中，数字代表各车型通过检测区域需要的帧数。

步骤S1的具体方法如下：

1）将彩色图像灰度化，对灰度图的每一个像素求取平均值，如下式：

；

其中，i=1,2,…,n；为第i帧对应点(x,y)的像素值，A(x,y)为该点的平均值；

2）将n幅图像中同一点像素与对应的均值A(x,y)求差值，再将绝对差值累加，然后取平均值，并遍历图像中其他的所有像素，如下式：

；

其中n为提取的帧数；

3）修正差异大的点，假如某像素点与均值的绝对差值大于平均绝对值误差，则该点就取平均值像素值，否则就取当前帧对应像素的值，如下式：

；

4）对修正好的每一个像素求平均值，记为B(x,y)，得到的图像即为背景图像，如下式：

；

获得初始背景后，通过计算当前帧与背景图像的差值获得前景运动图像，得到的前景图像，如下式：

；

对背景进行实时更新，更新方法如下式：

；

其中为0-1之间的数；

如果，则判断为前景，背景保持原来的值；如果，则判断是背景，更新背景值。

步骤S3的具体方法如下：

1）对采集的交通监控视频进行预处理，通过均值差分、ostu等方法提取出前景目标块Q；

2）对前景图像进行形态学的腐蚀处理，得到Qe；

3）将Q与Qe作差得到前景图像的边缘信息：Qd=Q-Qe；

4）将前景图像Qe分别进行基于纹理的阴影检测和基于SNP的阴影检测，两种处理得到的结果做“与”运算；

5）对边缘图像Qd进行基于颜色的SNP阴影检测；

6）依据下列公式标记出上述图像中的阴影点；

SNP算法阴影判断标准为：

；

其中，Ts和Tc均为阈值，和分别为亮度失真度和颜色失真度；

纹理检测算法阴影判别准则为：

；

其中为阈值，、代表背景像素点各通道水平和垂直方向的一阶梯度，、代表当前帧像素各通道水平和垂直方向的一阶梯度；

7）将标记为阴影点的像素从前景中去除，得到属于车辆的前景目标块。

Claims (3)

1.一种车型识别和车流量检测方法，其特征在于，包括以下步骤：

S1：从交通监控视频中读取视频帧图像，设定检测区域，运用均值法、ostu法提取出目标前景信息；

S2：判断前景目标中是否存在车辆目标信息，若无则转步骤S1读取下一帧；

S3：采用基于颜色和纹理的阴影检测算法对提取的前景去除阴影；

S4：对出去阴影后的目标块采用canny边缘检测法检测轮廓并提取轮廓并提取轮廓的最小外接矩形，按照下式判定车型；

；

S5：利用卡尔曼滤波器跟踪车辆，统计车辆经过检测区域需要的帧数，按照下式对车辆类型做进一步判断，统计相应车型的车流量；

，

其中，数字代表各车型通过检测区域需要的帧数。

2.根据权利要求1所述的车型识别和车流量检测方法，，其特征在于，步骤S1的具体方法如下：

1）将彩色图像灰度化，对灰度图的每一个像素求取平均值，如下式：

；

其中，i=1,2,…,n；为第i帧对应点(x,y)的像素值，A(x,y)为该点的平均值；

2）将n幅图像中同一点像素与对应的均值A(x,y)求差值，再将绝对差值累加，然后取平均值，并遍历图像中其他的所有像素，如下式：

；

其中n为提取的帧数；

3）修正差异大的点，假如某像素点与均值的绝对差值大于平均绝对值误差，则该点就取平均值像素值，否则就取当前帧对应像素的值，如下式：

；

4）对修正好的每一个像素求平均值，记为B(x,y)，得到的图像即为背景图像，如下式：

；

获得初始背景后，通过计算当前帧与背景图像的差值获得前景运动图像，得到的前景图像，如下式：

；

对背景进行实时更新，更新方法如下式：

；

其中为0-1之间的数；

如果，则判断为前景，背景保持原来的值；如果，则判断是背景，更新背景值。

3.根据权利要求1所述的车型识别和车流量检测方法，，其特征在于，步骤S3的具体方法如下：

1）对采集的交通监控视频进行预处理，通过均值差分、ostu等方法提取出前景目标块Q；

2）对前景图像进行形态学的腐蚀处理，得到Qe；

3）将Q与Qe作差得到前景图像的边缘信息：Qd=Q-Qe；

4）将前景图像Qe分别进行基于纹理的阴影检测和基于SNP的阴影检测，两种处理得到的结果做“与”运算；

5）对边缘图像Qd进行基于颜色的SNP阴影检测；

6）依据下列公式标记出上述图像中的阴影点；

SNP算法阴影判断标准为：

；

其中，Ts和Tc均为阈值，和分别为亮度失真度和颜色失真度；

纹理检测算法阴影判别准则为：

；

其中为阈值，、代表背景像素点各通道水平和垂直方向的一阶梯度，、代表当前帧像素各通道水平和垂直方向的一阶梯度；

7）将标记为阴影点的像素从前景中去除，得到属于车辆的前景目标块。