CN107248296B - 一种基于无人机和时序特征的视频交通流量统计方法 - Google Patents
一种基于无人机和时序特征的视频交通流量统计方法 Download PDFInfo
- Publication number
- CN107248296B CN107248296B CN201710571448.2A CN201710571448A CN107248296B CN 107248296 B CN107248296 B CN 107248296B CN 201710571448 A CN201710571448 A CN 201710571448A CN 107248296 B CN107248296 B CN 107248296B
- Authority
- CN
- China
- Prior art keywords
- video
- image
- traffic flow
- time
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007619 statistical method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000009466 transformation Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于无人机和时序特征的视频交通流量统计方法,属于图像处理技术领域。本发明首先通过无人机在公路交叉路口上方拍摄得到车流量视频,对得到的视频进行图像匹配以消除抖动带来的影响,然后利用取中值法提取出背景图像。对于视频的每一帧图像,再次进行与背景图像进行匹配。然后将匹配的图像指定区域进行特征提取,得到特征时序直方图。对特征时序直方图进行分析,得到车道的车流量数。该方法简单高效地提取区域特征,进行多次的排除无人机抖动带来的干扰误差,对车流量的统计更加精确。此方法简单高效,适应性高,可扩展性强,具有很广阔的应用前景。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于无人机和时序特征视频处理的交通流量统计方法。
背景技术
智能交通已成为未来的发展趋势,如何对交通系统进行自动的,高效的管理也是当前的热点。车流量检测作为智能交通的一部分,在交通监控管理,城市道路建设等方面有着很重要的地位。
近些年主要的交通流量检测技术包括:磁感应检测技术、波频检测技术和视频检测技术等。而视频检测技术有着安装灵活,成本低,便于管理维护等优点,并且随着图像处理技术、计算机视觉的发展,基于视频图像的车流量检测技术已经越来越得到人们的关注和重视。
目前常用的基于视频车辆检测算法主要有:背景差法、帧间差法、边缘检测法,光流跟踪法等。相对于传统的方法来说,它们通过图像处理和机器视觉技术,有效地完成了道路交通的监视控制管理的工作。但仍然有些不足之处,比如每个车道都要安装摄像头,容易产生漏检,误检等问题。
发明内容
发明目的:为了解决现有的不足和问题,本发明提供一种灵活方便,高效准确的交通流量检测方法。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于无人机和时序特征的视频交通流量统计方法,包含如下步骤:
步骤1,通过无人机在公路交叉路口上方竖直向下拍摄录制,得到该路口的车流量视频,人工输入需要统计车流量的车道在视频图像中的位置;
步骤2,对车流量统计视频进行视频分析处理,得到没有车辆的背景图像;
步骤3,提取出视频的一帧图像进行预处理,得到与背景图像匹配的图像,以消除拍摄时抖动带来的影响;
步骤4,对预处理之后的图像在需要统计车道的位置提取特征值,提取视频的下一帧,重复步骤3到4,所有视频帧的这些特征值放在一起形成特征时序直方图;
步骤5,对特征时序直方图进行分析,得到需要统计车道在该时段的车流量数。
进一步的,所述步骤2按照如下方法实现:
步骤2-1,从视频统计开始时间到统计结束时间内,等时间间隔地取30张视频图像,将第一张图像作为标定图像;
步骤2-2,将后面29张图像分别与第一张标定图像进行surf特征点匹配,得到新的29张图像,与原来的第一张标定图像一同构成预处理完成后的30张图像;
步骤2-3,遍历30张图像的每个位置的像素,对每个位置的30个像素的三个通道颜色分量取中位数,作为指定位置指定通道的像素取值,遍历完之后就得到没有车辆的背景图像。
进一步的,所述步骤3中的预处理方法为:将视频帧图像和背景图像进行surf特征点匹配。
进一步的,所述步骤4按照如下方法实现;
步骤4-1,对于背景图像和视频帧图像,分别遍历人工输入的车道位置区域所有像素;
步骤4-2,对于每一对图像对应位置的像素,分别计算三个颜色分量的差值的绝对值;
步骤4-3,将三个分量的差值绝对值相加,作为两图像该像素位置的像素差值;
步骤4-4,将区域内所有像素的像素差值相加,作为该车道区域的特征值;
步骤4-5,若区域特征值小于一定阈值,那么认为该特征值是由噪声造成的,将区域特征值置为0。
进一步的,所述步骤4-5中选取的相应阈值为100。
进一步的,所述步骤5按照如下方法实现;
步骤5-1,根据时序直方图选取一个响应特征阈值;
步骤5-2,记录时序直方图每一对响应特征值从左到右超过该阈值的时刻和从左到右低过该阈值的时刻,记为一个可能的车辆开过的响应时间;
步骤5-3,若车辆开过响应时间少于5帧,则认为该响应为噪声干扰,排除该响应;
步骤5-4,统计所有有效响应的个数,即为指定车道在指定时间内开过的车辆数。
进一步的,所述步骤5-1中选取的相应阈值的方法为:找出所有时序中出现的最大响应阈值,选取阈值为最大响应阈值的10%。
有益效果:本发明提供的基于无人机和时序特征的视频交通流量统计方法,采用了近年来发展迅速的无人机技术进行交通流量视频采集,采集方式变得灵活高效,一次性在交通路口即可将所有车道的车流量情况记录下来,节省了在多个路口安装摄像头的繁杂操作。对于无人机在空中拍摄的图像造成的抖动问题,采用了数字图像处理中的surf特征变换进行图像匹配,进行有效的消除抖动。对于车流量的统计只统计人工输入的车道区域,排除了车道外区域的干扰误差。并采用简单高效的区域特征时序分析,进行多重的排除干扰误差步骤,对车流量的统计更加精确。此方法简单高效,适应性高,可扩展性强,具有很广阔的应用前景。
附图说明
图1是本发明一种基于无人机和时序特征的视频交通流量统计方法的算法流程图。
图2是输入的无人机拍摄的视频截图。
图3是选取车道区域位置的示意图。
图4是利用中值法得到的背景图。
图5是特征时序直方图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明首先通过无人机在公路交叉路口上方拍摄得到车流量视频,对得到的视频进行预处理,提取出背景图像。为了消除抖动,对于视频的每一帧图像,与背景图像进行匹配。然后将匹配的图像指定区域进行特征提取,得到特征时序直方图。对特征时序直方图进行分析,得到车道的车流量数。流程图如图1所示。
实施例
步骤1,采集图像,输入统计区域信息。
步骤1-1,通过无人机在公路交叉路口上方竖直向下拍摄录制,得到该路口的车流量视频,如图2所示;
步骤1-2,选取出需要统计车流量的车道在视频中的位置,作为需要统计的区域条件输入系统,一般选取车道白线到人行横道之间的颜色相对纯净的区域,如图3所示。
步骤2,通过中值法计算提取出背景图像。
步骤2-1,从视频统计开始时间到统计结束时间内,等时间间隔地取30张视频图像,将第一张图像作为标定图像;
步骤2-2,由于无人机在空中拍摄视频不可避免地会出现抖动情况,需要进行匹配变换将抖动消除,以避免抖动带来的误差干扰,这里将后面29张图像分别与第一张标定图像进行surf特征点匹配变换,得到新的29张图像,与原来的第一张标定图像一同构成预处理完成后的30张图像;
步骤2-3,遍历30张图像的每个位置的像素,对每个位置的30个像素的三个通道颜色分量取中位数,作为指定位置指定通道的像素取值,遍历完之后就可得到没有车辆的背景图像,如图4所示。
步骤3,接下来就是对视频中的每一帧进行处理,提取出每一帧,将该帧图像和标定图像进行surf特征匹配,也是达到消除抖动带来的影响的目的。
步骤4,将帧图像和背景图像中的输入区域位置进行比较,提取该区域内存在车辆可能性的响应,所有帧的响应在一起构成特征时序直方图,如图5所示。
步骤4-1,对于背景图像和视频帧图像,分别遍历人工输入的车道位置区域所有像素;
步骤4-2,对于每一对图像对应位置的像素,分别计算三个颜色分量的差值的绝对值;
步骤4-3,将三个分量的差值绝对值相加,作为两图像该像素位置的像素差值;
步骤4-4,将区域内所有像素的像素差值相加,作为该车道区域的特征值;
步骤4-5,若区域特征值小于100,那么认为该特征值是由噪声造成的,将区域特征值置为0,否则保留下来。
步骤5,对特征时序直方图进行分析,得到需要统计车道在该时段的车流量数。
步骤5-1,根据时序直方图选取一个响应特征阈值,一般选取最大值的10%;
步骤5-2,记录时序直方图每一对响应特征值从左到右超过该阈值的时刻和从左到右低过该阈值的时刻,记为一个可能的车辆开过的响应时间;
步骤5-3,若车辆开过响应时间少于5帧,则认为该响应为噪声干扰,排除该响应;
步骤5-4,统计所有有效响应的个数,即为指定车道在指定时间内开过的车辆数。
综上所述,本发明通过将无人机与数字图像处理技术相结合,通过背景建模,图像消抖,特征提取等方法实现了方便、高效、精确的车流量检测方案。
本发明对于车流量统计的准确率可以达到90%以上,相比于传统的方法,可以大大节省统计的成本,包括人力物力等,提高统计效率,并且可以保证很高的准确率。由于无人机的灵活方便性,本方法适用范围广,可扩展性高,有很广阔的适用前景。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种基于无人机和时序特征的视频交通流量统计方法,其特征在于:包含如下步骤:
步骤1,通过无人机在公路交叉路口上方竖直向下拍摄录制,得到该路口的车流量视频,人工输入需要统计车流量的车道在视频图像中的位置;
步骤2,对车流量统计视频进行视频分析处理,得到没有车辆的背景图像;
步骤3,提取出视频的一帧图像进行预处理,得到与背景图像匹配的图像,以消除拍摄时抖动带来的影响;
步骤4,对预处理之后的图像在需要统计车道的位置提取特征值,提取视频的下一帧,重复步骤3到4,所有视频帧的这些特征值放在一起形成特征时序直方图;
步骤5,对特征时序直方图进行分析,得到需要统计车道在时段内的车流量数;
所述步骤2按照如下方法实现:
步骤2-1,从视频统计开始时间到统计结束时间内,等时间间隔地取30张视频图像,将第一张图像作为标定图像;
步骤2-2,将后面29张图像分别与第一张标定图像进行surf特征点匹配,得到新的29张图像,与原来的第一张标定图像一同构成预处理完成后的30张图像;
步骤2-3,遍历30张图像的每个位置的像素,对每个位置的30个像素的三个通道颜色分量取中位数,作为指定位置指定通道的像素取值,遍历完之后就得到没有车辆的背景图像;
所述步骤3中的预处理方法为:将视频帧图像和背景图像进行surf特征点匹配;
所述步骤4按照如下方法实现;
步骤4-1,对于背景图像和视频帧图像,分别遍历人工输入的车道位置区域所有像素;
步骤4-2,对于每一对图像对应位置的像素,分别计算三个颜色分量的差值的绝对值;
步骤4-3,将三个分量的差值绝对值相加,作为两图像该像素位置的像素差值;
步骤4-4,将区域内所有像素的像素差值相加,作为该车道区域的特征值;
步骤4-5,若区域特征值小于一定阈值,那么认为该特征值是由噪声造成的,将区域特征值置为0;
所述步骤4-5中选取的相应阈值为100;
所述步骤5按照如下方法实现;
步骤5-1,根据时序直方图选取一个响应特征阈值;
步骤5-2,记录时序直方图每一对响应特征值从左到右超过该阈值的时刻和从左到右低过该阈值的时刻,记为一个可能的车辆开过的响应时间;
步骤5-3,若车辆开过响应时间少于5帧,则认为该响应为噪声干扰,排除该响应;
步骤5-4,统计所有有效响应的个数,即为指定车道在指定时间内开过的车辆数;
所述步骤5-1中选取的相应阈值的方法为:找出所有时序中出现的最大响应阈值,选取阈值为最大响应阈值的10%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710571448.2A CN107248296B (zh) | 2017-07-13 | 2017-07-13 | 一种基于无人机和时序特征的视频交通流量统计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710571448.2A CN107248296B (zh) | 2017-07-13 | 2017-07-13 | 一种基于无人机和时序特征的视频交通流量统计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107248296A CN107248296A (zh) | 2017-10-13 |
CN107248296B true CN107248296B (zh) | 2020-04-24 |
Family
ID=60013826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710571448.2A Active CN107248296B (zh) | 2017-07-13 | 2017-07-13 | 一种基于无人机和时序特征的视频交通流量统计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107248296B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364466B (zh) * | 2018-02-11 | 2021-01-26 | 金陵科技学院 | 一种基于无人机交通视频的车流量统计方法 |
CN108320510B (zh) * | 2018-04-03 | 2020-12-04 | 深圳市智绘科技有限公司 | 一种基于无人机航拍视频交通信息统计方法及系统 |
CN110689720A (zh) * | 2019-10-10 | 2020-01-14 | 成都携恩科技有限公司 | 基于无人机的实时动态车流量检测方法 |
CN112329631A (zh) * | 2020-11-05 | 2021-02-05 | 浙江点辰航空科技有限公司 | 一种使用无人机对高速公路进行车流量统计的方法 |
CN112542050B (zh) * | 2020-12-23 | 2024-03-22 | 重庆市市政设计研究院有限公司 | 基于无人倾斜摄影的复杂立交交通分析装置及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001069569A3 (en) * | 2000-03-15 | 2002-01-31 | Raytheon Co | Automatic incident detection |
CN103348380A (zh) * | 2011-02-10 | 2013-10-09 | 日本电气株式会社 | 差异区域检测系统和差异区域检测方法 |
CN106570499A (zh) * | 2016-10-28 | 2017-04-19 | 南京航空航天大学 | 一种基于概率图模型的目标跟踪方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080100473A1 (en) * | 2006-10-25 | 2008-05-01 | Siemens Corporate Research, Inc. | Spatial-temporal Image Analysis in Vehicle Detection Systems |
CN100454355C (zh) * | 2006-11-30 | 2009-01-21 | 复旦大学 | 实时采集道路车流量信息的视频方法 |
CN102324183B (zh) * | 2011-09-19 | 2013-10-30 | 华中科技大学 | 基于复合虚拟线圈的车辆检测与抓拍方法 |
CN103413444B (zh) * | 2013-08-26 | 2015-08-19 | 深圳市川大智胜科技发展有限公司 | 一种基于无人机高清视频的交通流调查处理方法 |
CN105528891A (zh) * | 2016-01-13 | 2016-04-27 | 深圳市中盟科技有限公司 | 基于无人机监控的交通流密度检测方法及系统 |
-
2017
- 2017-07-13 CN CN201710571448.2A patent/CN107248296B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001069569A3 (en) * | 2000-03-15 | 2002-01-31 | Raytheon Co | Automatic incident detection |
CN103348380A (zh) * | 2011-02-10 | 2013-10-09 | 日本电气株式会社 | 差异区域检测系统和差异区域检测方法 |
CN106570499A (zh) * | 2016-10-28 | 2017-04-19 | 南京航空航天大学 | 一种基于概率图模型的目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107248296A (zh) | 2017-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107248296B (zh) | 一种基于无人机和时序特征的视频交通流量统计方法 | |
EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN110660222B (zh) | 一种智能环保道路黑烟车辆电子抓拍系统 | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN108039044B (zh) | 基于多尺度卷积神经网络的车辆智能排队的系统及方法 | |
CN103258232B (zh) | 一种基于双摄像头的公共场所人数估算方法 | |
CN105469105A (zh) | 一种基于视频监控的香烟烟雾检测方法 | |
CN105336169A (zh) | 一种基于视频判断交通拥堵的方法和系统 | |
CN104778846A (zh) | 一种基于计算机视觉的交通信号灯控制方法 | |
CN106203513A (zh) | 一种基于行人头肩多目标检测及跟踪的统计方法 | |
CN109684986B (zh) | 一种基于车辆检测跟踪的车辆分析方法及系统 | |
Brahme et al. | An implementation of moving object detection, tracking and counting objects for traffic surveillance system | |
CN103530638A (zh) | 多摄像头下的行人匹配方法 | |
WO2023155482A1 (zh) | 一种人群快速聚集行为的识别方法、系统、设备及介质 | |
CN101853576A (zh) | 基于fpga的嵌入式超速视频检测方法 | |
US11948373B2 (en) | Automatic license plate recognition | |
CN106682596A (zh) | 一种基于视频图像分析的违规垂钓监测方法 | |
CN108009491A (zh) | 一种解决快速背景运动中的目标物识别方法及系统 | |
CN107368789B (zh) | 一种基于Halcon视觉算法的人流量统计装置及方法 | |
CN108009480A (zh) | 一种基于特征识别的图像人体行为检测方法 | |
CN109034171B (zh) | 视频流中的无牌车辆检测方法和装置 | |
CN109409264B (zh) | 基于局部跟踪的视频排队溢出检测方法 | |
CN110751119A (zh) | 一种车流量统计与车型分类方法及装置 | |
CN115619801A (zh) | 一种基于深度学习的监控视频图像遮挡检测方法 | |
CN112581491B (zh) | 基于地址事件连通域的运动目标定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |