CN107274673B - 基于修正局部方差的车辆排队长度测量方法及测量系统 - Google Patents
基于修正局部方差的车辆排队长度测量方法及测量系统 Download PDFInfo
- Publication number
- CN107274673B CN107274673B CN201710697079.1A CN201710697079A CN107274673B CN 107274673 B CN107274673 B CN 107274673B CN 201710697079 A CN201710697079 A CN 201710697079A CN 107274673 B CN107274673 B CN 107274673B
- Authority
- CN
- China
- Prior art keywords
- motorcade
- detection
- image
- local variance
- detected
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于修正局部方差的车辆排队长度测量方法,包括以下步骤:S 1获取视频帧作为待检图像;S 2采用基于修正局部方差的方法对获取的待检图像进行检测,所述待检图像为车队,先完成车队斑块的初步检测,然后对车队边缘进行有效检测,最后去除相邻车道中车辆阴影对待检车道车队斑块的影响,丰富车队斑块的有效检测;S 3将图像中车队斑块长度转化为现实车队的长度,完成车辆排队长度测量。本发明方法性能稳定、检测结果饱满,能够实现车队的有效检测和长度测量。
Description
技术领域
本发明涉及交通信息技术领域,具体涉及一种基于修正局部方差的车辆排队长度测量方法。
背景技术
近年来,随着国民经济的快速发展和机动车辆的迅猛增加,我国城市交通问题日益严峻,交通阻塞、事故频发。如何在城市内部和城市之间建立行之有效的智能交通系统ITS(Intelligent Traffic System),如何快捷地进行交通监控、交通调度和交通控制已经成为当前亟待解决的问题。
ITS是将先进的信息技术、通信技术、传感技术、控制技术以及计算机技术等有效地集成运用于整个交通管理体系,而建立起的一种在大范围内、全方位发挥作用的,实时、准确、高效、综合的交通和管理系统。借助ITS,出行者可实时选择交通方式和交通线路;交管部门可自动进行合理的交通疏导、控制和事故处理;运输部门可随时掌握车辆的行驶情况,进行合理调度。
在具体实践中,借助高性能计算机和机器视觉,从交通监控的图像和视频中对诸如车流量、车型、车速、车辆行驶轨迹等基本交通参数的有效获取是ITS发挥作用的重要前提和基础。最近,相较于基于虚拟线圈的车流量检测,交叉口车辆排队长度作为一种新的交通参数,由于视野宽广、立足全局,能够涵盖更长道路的交通信息,已经为众多研究人员所关注。交叉口车辆排队长度的准确测量,对于红绿信号灯的动态合理配时、主干道路绿波带的实时有效控制,进而减少交通拥堵、提高道路利用率,实现ITS自动化管理及智慧城市具有现实意义。
现有的车辆排队长度测量大都依赖于车辆检测,而车辆检测具体又可分为基于车辆运动特征和静态特征两种方法。专利CN105809956A、CN105513342A、CN103258425A等属于前者,具体包括背景建模和背景帧差,进而利用粒子滤波或卡尔曼滤波实现车辆目标的跟踪。其中,固定背景帧容易受时间和光照等影响,降低前景检测精度,而实时背景建模又给智能前端摄像头增加了额外的存储和计算负担。利用粒子滤波或卡尔曼滤波实现车辆跟踪,除了具有不小的时间复杂度外,由于在信号灯显示红灯末期,待检车道内的大部分车辆都趋于停止状态,使得跟踪方法效率不高。而专利CN106128121A、CN103903445A等属于后者,具体包括边缘和角点检测,再经高斯滤波和小波变换等后续处理实现车辆检测。尽管边缘和角点检测稳定性不高,但是无关车辆运动信息,这种方法具有更强的适用性。
专利CN103268706A提出了一种基于局部方差的车辆排队长度测量方法并结合局部二元模式(LBP)声称解决了阴影对车队长度检测的影响。从其专利说明书中的公式详解可以看出,局部方差本质上是一种边缘检测算子,而边缘检测算子稳定性不高,仅能完成车辆的部分轮廓勾勒,无法完成车辆整体的斑块检测。而且该方法仅对暗色系车辆检测效果明显,无法实现全色系车辆的有效检测。
发明内容
本发明提供一种基于修正局部方差的车辆排队长度的测量方法,本方法结合视频帧原图及其补图,对局部方差法进行修正扩展,提出基于修正局部方差的车辆斑块检测,并用于车辆排队长度的测量,方法性能稳定、检测结果饱满,能够实现车队的有效检测和长度测量。
为达到上述目的,本发明的技术方案如下:
基于修正局部方差的车辆排队长度测量方法,包括以下步骤:
S 1获取视频帧作为待检图像;
S 2采用基于修正局部方差的方法对获取的待检图像进行检测,所述待检图像为车队,先完成车队斑块的初步检测,然后对车队边缘进行有效检测,最后去除相邻车道中车辆阴影对待检车道车队斑块的影响,丰富车队斑块的有效检测;
S 3将图像中车队斑块长度转化为现实车队的长度,完成车辆排队长度测量。
优选地:S 1包括以下步骤:
S 101摄像头获取实时视频帧;
S 102判断信号灯相位控制器是否转变,如果显示由红灯转变为绿灯,进行下一步,如果不是红灯转变为绿灯,继续进行S102;
S 103提取当前视频帧为待检图像。
优选地:S 2包括以下步骤:
S 201采用修正双局部方差车队检测模块对车队的斑块进行初步检测:首先,将待检图像转化为8位灰度图,并对其求取8位补图,共得到两路图像信号;然后,分别对两路图像信号进行修正局部方差检测;最后,将两路二值化检测结果进行逻辑运算,实现修正双局部方差的车队斑块初步检测;
S 202采用二值化边缘强度检测模块对车队边缘进行有效检测,为阴影去除做准备;
S 203采用形态学优化模块去除相邻车道中车辆阴影对待检车道车队斑块检测的影响,丰富车队斑块的有效检测。
优选地:S 201中的方法流程为:
设8位灰度图I(x,y)是其中任意一路图像信号,其修正局部方差滤波结果D(x,y)由式(1)表达:
D(x,y)=M*I2(x,y)-(M*I(x,y))2
(1)
其中M是N×N的全1卷积模板,N表示模板大小,可选取3、5、7奇数值;
为了加速计算过程,修正局部方差滤波结果D(x,y)可由积分图II(x,y)=Σx'≤x,v'≤vI(x',y')求得;
通过迭代计算,积分图II(x,y)可由式(2)计算而得:
其中,假设s(x,-1)=II(-1,y)=0,至此,修正局部方差滤波结果D(x,y)可由式(3)简单计算得:
D(x,y)=II(x-k,y-k)+II(x+k,y+k)-II(x-k,y+k)-II(x+k,y-k) (3)
然后,将滤波结果线性平移伸缩到单位区间[0,1],最后以阈值T=0.9对结果进行二值化处理,取值为“1”的部分即作为该色系车队斑块的初步检测结果。
优选地:S 201中通过补图明暗转换,使得亮色系和暗色系车辆能够同时实现成功检测,中间灰度的车辆由纹理响应获得。
优选地:S 202包括:
经过Canny边缘检测发现,车身部分边缘集中,边缘强度高,而阴影部分边缘稀疏,边缘强度小,通过Canny边缘检测,使用局部N×N的累加滤波和阈值为N的二值化处理,对车队边缘进行有效检测,为阴影去除做准备。
优选地:S 203包括:
首先,将修正双局部方差车队检测模块的修正双局部方差车队检测二值化结果和二值化边缘强度检测模块的二值化边缘强度检测二值化结果进行逻辑与运算,用以消除阴影的影响;然后对该结果进行形态学膨胀滤波,用以填补由于逻辑与运算造成的车辆内部空洞和分离,实现最终的车队斑块检测。
优选地:S 3包括:
首先,在车队检测模块输出的二值化结果中划定待检车道的感兴趣区域ROI;
其次,完成摄像头标定,建立图像二维坐标和现实世界三维坐标的对应关系;
再次,利用标定算法实现车道ROI校正;
最后,对校正后的二值化结果实施中线投影,平滑去噪后的投影长度即作为最终实际车辆排队的长度。
优选地:S 3的流程包括:
假设现实的世界坐标系为(Xw,Yw,Zw),而数字图像平面坐标系为(x,y)根据射影几何理论,现实世界坐标可由图像平面坐标表示为
其中,H和α分别表示摄像头的架设高度及摄像头视线与道路平面的夹角,这是摄像头架设参数,通常是实测已知的,a和b是待求的摄像头参数,Zw是目标高度;
设待检道路四个角点的现实世界坐标分别为A(Xw1,Yw1,0),B(Xw2,Yw2,0),C(Xw3,Yw3,0),D(Xw4,Yw4,0),它们对应的图像平面坐标分别为A(x1,y1),B(x2,y2),C(x3,y3),D(x4,y4);
此处,角点位于道路平面,因此目标高度Zwi=0(i=1,2,3,4);
通常,角点间的实测路面距离如|AB|、|CD|容易获得,将公式(4)代入以下(5)式即可求得摄像头参数a和b,
一种基于修正局部方差的车辆排队长度测量系统,其包括:
图像采集模块,所述图像采集模块用于采集待检图像;
车队检测模块,所述车队检测模块用于对获取的待检图像进行检测,所述车队检测模块包括:用于对车队斑块进行初步检测的修正双局部方差车队检测模块、用于对车队边缘有效检测的二值化边缘强度检测模块、用于去除相邻车道阴影影响的车队检测形态学优化模块;
车队长度测量模块,所述车队长度测量模块将图像中车队长度转化为现实车队长度。
本发明的有益效果是:
1.本发明结合视频帧原图及其补图,对局部方差法进行修正扩展,基于修正局部方差的车辆斑块检测,并用于车辆排队长度的测量;这种方法性能稳定、检测结果饱满,能够实现车队的有效检测和长度测量。在算法的具体执行过程中,利用局部累加求和代替局部期望求和,并通过积分图的技术,将车队检测的效率控制在图片像素的一阶线性复杂度内,能够完全保证检测的实时效果。此外,结合本发明中的车队斑块检测方法和图像的canny边缘检测算子,提出了一种去除车辆阴影的方法,能够消除相邻车道的影响,进一步提高车队长度测量的准确度。
2.本发明通过改进常规方差公式,提出的修正局部方差能实现车辆斑块的有效检测,检测效果稳定、饱满。通过引入补图概念,克服了现有技术中仅能检测暗色系车辆的不足,成功实现全色系车辆斑块的有效检测,扩展了发明的应用范围。
3.本发明通过引入积分图技术,使得算法复杂度获得极大的降低,提高了本发明的实用性。常规的修正局部方差滤波算法,其时间复杂度为O(LH(4N2+1)),而经积分图改进后,其算法时间复杂度仅为O(13LH),其中L和H分别表示原图的水平长度和垂直高度,N表示滤波器模板大小。由此可见,改进后的算法复杂度和滤波器大小没有关系,仅是图像分辨率的一阶线性规模。在C++仿真编程平台下,分别对352×288和480×360两种分辨率的图像进行了效果实测,处理速度分别为89.87帧/秒和44.87帧/秒,完全满足视频播放的实时帧率要求。
4.本发明通过引入边缘强度和修正局部方差检测,能够迅速有效消除阴影的影响,使得交叉口车队长度测量的精度获得提高。在一条近70米道路上的实测效果显示,车队长度测量的平均误差能控制在4米以内。
附图说明
为了更清楚地说明本发明实施例技术中的技术方案,下面将对实施例技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的方法流程图;
图2是本发明S 1的方法流程图;
图3是发明S 2的方法流程图;
图4是本发明修正局部方差检测的流程图;
图5是本发明车队长度测量模块流程图;
图6是基于图5中实际测试的图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
实施例1中公开了一种基于修正局部方差的车辆排队长度测量系统,该系统包括:图像采集模块,车队检测模块,车队长度测量模块,其中,所述图像采集模块用于采集待检图像;所述车队检测模块用于对获取的待检图像进行检测,所述车队检测模块包括:用于对车队斑块进行初步检测的修正双局部方差车队检测模块、用于对车队边缘有效检测的二值化边缘强度检测模块、用于去除相邻车道阴影影响的车队检测形态学优化模块;所述车队长度测量模块将图像中车队长度转化为现实车队长度。
实施例2
实施例2中的测量方法基于实施例1中的测量系统,如图1所示,方法包括以下步骤:
S 1获取视频帧作为待检图像;
S 2采用基于修正局部方差的方法对获取的待检图像进行检测,所述待检图像为车队,先完成车队斑块的初步检测,然后对车队边缘进行有效检测,最后去除相邻车道中车辆阴影对待检车道车队斑块的影响,丰富车队斑块的有效检测;
S 3将图像中车队斑块长度转化为现实车队的长度,完成车辆排队长度测量。
通常,在交叉口信号灯由红转绿的时刻,排队车辆相对静止、车间前后距离相对紧密,可以认为车辆排队长度在此刻达到局部最大值。因此,考虑选取此刻的视频帧作为待检图像,即车队检测模块的输入。此处,待检图像采集通过信号灯的相位控制器触发实现。
具体的,如图2中所示,S 1中图像采集包括以下步骤:
S 101摄像头获取实时视频帧;
S 102判断信号灯相位控制器是否转变,如果显示由红灯转变为绿灯,进行下一步,如果不是红灯转变为绿灯,继续进行S102;
S 103提取当前视频帧为待检图像。
如图3所示,车队检测模块部分分别由三个子模块构成:修正双局部方差车队检测模块1、二值化边缘强度检测模块2、车队检测的形态学优化模块3
如图3所示:S 2包括以下步骤:
S 201采用修正双局部方差车队检测模块对车队的斑块进行初步检测:首先,将待检图像转化为8位灰度图,并对其求取8位补图,共得到两路图像信号;然后,分别对两路图像信号进行修正局部方差检测;最后,将两路二值化检测结果进行逻辑运算,实现修正双局部方差的车队斑块初步检测;
S 202采用二值化边缘强度检测模块对车队边缘进行有效检测,为阴影去除做准备;
S 203采用形态学优化模块去除相邻车道中车辆阴影对待检车道车队斑块检测的影响,丰富车队斑块的有效检测。
由于修正局部方差法仅对纹理丰富区域和暗色系车辆检测效果明显,因此通过补图的明暗转换,使得亮色系车辆也能实现成功检测,而中间灰度的车辆由纹理响应获得。
如图4所示:S 201中的方法流程为:
设8位灰度图I(x,y)是其中任意一路图像信号,其修正局部方差滤波结果D(x,y)由式(1)表达:
D(x,y)=M*I2(x,y)-(M*I(x,y))2
(1)
其中M是N×N的全1卷积模板,N表示模板大小,可选取3、5、7奇数值;
为了加速计算过程,修正局部方差滤波结果D(x,y)可由积分图II(x,y)=Σx'≤x,v'≤vI(x',y')求得;
通过迭代计算,积分图II(x,y)可由式(2)计算而得:
其中,假设s(x,-1)=II(-1,y)=0,至此,修正局部方差滤波结果D(x,y)可由式(3)简单计算得:
D(x,y)=II(x-k,y-k)+II(x+k,y+k)-II(x-k,y+k)-II(x+k,y-k) (3)
然后,将滤波结果线性平移伸缩到单位区间[0,1],最后以阈值T=0.9对结果进行二值化处理,取值为“1”的部分即作为该色系车队斑块的初步检测结果。
具体的,S 202的步骤为:经过Canny边缘检测发现,车身部分边缘集中,边缘强度高,而阴影部分边缘稀疏,边缘强度小,通过Canny边缘检测,使用局部N×N的累加滤波和阈值为N的二值化处理,对车队边缘进行有效检测,为阴影去除做准备。
S 203的步骤为:首先,将修正双局部方差车队检测模块的修正双局部方差车队检测二值化结果和二值化边缘强度检测模块的二值化边缘强度检测二值化结果进行逻辑与运算,用以消除阴影的影响;然后对该结果进行形态学膨胀滤波,用以填补由于逻辑与运算造成的车辆内部空洞和分离,实现最终的车队斑块检测。
如图5所示:S 3的步骤为:首先,在车队检测模块输出的二值化结果中划定待检车道的感兴趣区域ROI;其次,完成摄像头标定,建立图像二维坐标和现实世界三维坐标的对应关系;再次,利用标定算法实现车道ROI校正;最后,对校正后的二值化结果实施中线投影,平滑去噪后的投影长度即作为最终实际车辆排队的长度。
其中,S 3的流程包括:假设现实的世界坐标系为(Xw,Yw,Zw),
而数字图像平面坐标系为(x,y)根据射影几何理论,现实世界坐
标可由图像平面坐标表示为
其中,H和α分别表示摄像头的架设高度及摄像头视线与道路平面的夹角,这是摄像头架设参数,通常是实测已知的,a和b是待求的摄像头参数,Zw是目标高度。
如图6所示,设待检道路四个角点的现实世界坐标分别为A(Xw1,Yw1,0),B(Xw2,Yw2,0),C(Xw3,Yw3,0),D(Xw4,Yw4,0),它们对应的图像平面坐标分别为A(x1,y1),B(x2,y2),C(x3,y3),D(x4,y4);
此处,角点位于道路平面,因此目标高度Zwi=0(i=1,2,3,4);
通常,角点间的实测路面距离如|AB|、|CD|容易获得,将公式(4)代入以下(5)式即可求得摄像头参数a和b,
结合视频帧原图及其补图,对局部方差法进行修正扩展,基于修正局部方差的车辆斑块检测,并用于车辆排队长度的测量;这种方法性能稳定、检测结果饱满,能够实现车队的有效检测和长度测量。在算法的具体执行过程中,利用局部累加求和代替局部期望求和,并通过积分图的技术,将车队检测的效率控制在图片像素的一阶线性复杂度内,能够完全保证检测的实时效果。此外,结合本实施例中的车队斑块检测方法和图像的canny边缘检测算子,提出了一种去除车辆阴影的方法,能够消除相邻车道的影响,进一步提高车队长度测量的准确度。
本实施例通过改进常规方差公式,提出的修正局部方差能实现车辆斑块的有效检测,检测效果稳定、饱满。通过引入补图概念,克服了现有技术中仅能检测暗色系车辆的不足,成功实现全色系车辆斑块的有效检测,扩展了实施例的应用范围。
本实施例通过引入积分图技术,使得算法复杂度获得极大的降低,提高了本实施例的实用性。常规的修正局部方差滤波算法,其时间复杂度为O(LH(4N2+1)),而经积分图改进后,其算法时间复杂度仅为O(13LH),其中L和H分别表示原图的水平长度和垂直高度,N表示滤波器模板大小。由此可见,改进后的算法复杂度和滤波器大小没有关系,仅是图像分辨率的一阶线性规模。在C++仿真编程平台下,分别对352×288和480×360两种分辨率的图像进行了效果实测,处理速度分别为89.87帧/秒和44.87帧/秒,完全满足视频播放的实时帧率要求。
本实施例通过引入边缘强度和修正局部方差检测,能够迅速有效消除阴影的影响,使得交叉口车队长度测量的精度获得提高。在一条近70米道路上的实测效果显示,车队长度测量的平均误差能控制在4米以内。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.基于修正局部方差的车辆排队长度测量方法,其特征在于:包括以下步骤:
S 1获取视频帧作为待检图像;
S 2采用基于修正局部方差的方法对获取的待检图像进行检测,所述待检图像为车队,先完成车队斑块的初步检测,然后对车队边缘进行有效检测,最后去除相邻车道中车辆阴影对待检车道车队斑块的影响,丰富车队斑块的有效检测;
S 201采用修正双局部方差车队检测模块对车队的斑块进行初步检测:首先,将待检图像转化为8位灰度图,并对其求取8位补图,共得到两路图像信号;然后,分别对两路图像信号进行修正局部方差检测;最后,将两路二值化检测结果进行逻辑运算,实现修正双局部方差的车队斑块初步检测;
S 201中的方法流程为:
设8位灰度图I(x,y)是其中任意一路图像信号,其修正局部方差滤波结果D(x,y)由式(1)表达:
D(x,y)=M*I2(x,y)-(M*I(x,y))2 (1)
其中M是N×N的全1卷积模板,N表示模板大小,选取3、5、7奇数值;
为了加速计算过程,修正局部方差滤波结果D(x,y)由积分图II(x,y)=∑x'≤x,y'≤yI(x',y')求得;
通过迭代计算,积分图II(x,y)由式(2)计算而得:
其中,假设s(x,-1)=II(-1,y)=0,至此,修正局部方差滤波结果D(x,y)由式(3)简单计算得:
D(x,y)=II(x-k,y-k)+II(x+k,y+k)-II(x-k,y+k)-II(x+k,y-k) (3)
然后,将滤波结果线性平移伸缩到单位区间[0,1],最后以阈值T=0.9对结果进行二值化处理,取值为“1”的部分即作为该车队斑块的初步检测结果;
S 202采用二值化边缘强度检测模块对车队边缘进行有效检测,为阴影去除做准备;
S 203采用形态学优化模块去除相邻车道中车辆阴影对待检车道车队斑块检测的影响,丰富车队斑块的有效检测;
S 3将图像中车队斑块长度转化为现实车队的长度,完成车辆排队长度测量。
2.根据权利要求1所述的基于修正局部方差的车辆排队长度测量方法,其特征在于:S1包括以下步骤:
S 101摄像头获取实时视频帧;
S 102判断信号灯相位控制器是否转变,如果显示由红灯转变为绿灯,进行下一步,如果不是红灯转变为绿灯,继续进行S102;
S 103提取当前视频帧为待检图像。
3.根据权利要求1所述的基于修正局部方差的车辆排队长度测量方法,其特征在于:S201中通过补图明暗转换,使得亮色系和暗色系车辆能够同时实现成功检测,中间灰度的车辆由纹理响应获得。
4.根据权利要求2所述的基于修正局部方差的车辆排队长度测量方法,其特征在于:S202包括:
经过Canny边缘检测发现,车身部分边缘集中,边缘强度高,而阴影部分边缘稀疏,边缘强度小,通过Canny边缘检测,使用局部N×N的累加滤波和阈值为N的二值化处理,对车队边缘进行有效检测,为阴影去除做准备。
5.根据权利要求2所述的基于修正局部方差的车辆排队长度测量方法,其特征在于:S203包括:
首先,将修正双局部方差车队检测模块的修正双局部方差车队检测二值化结果和二值化边缘强度检测模块的二值化边缘强度检测二值化结果进行逻辑与运算,用以消除阴影的影响;然后对该结果进行形态学膨胀滤波,用以填补由于逻辑与运算造成的车辆内部空洞和分离,实现最终的车队斑块检测。
6.根据权利要求2所述的基于修正局部方差的车辆排队长度测量方法,其特征在于:S3包括:
首先,在车队检测模块输出的二值化结果中划定待检车道的感兴趣区域ROI;
其次,完成摄像头标定,建立图像二维坐标和现实世界三维坐标的对应关系;
再次,利用标定算法实现车道ROI校正;
最后,对校正后的二值化结果实施中线投影,平滑去噪后的投影长度即作为最终实际车辆排队的长度。
7.根据权利要求6所述的基于修正局部方差的车辆排队长度测量方法,其特征在于:S3的流程包括:
假设现实的世界坐标系为(Xw,Yw,Zw),而数字图像平面坐标系为(x,y),根据射影几何理论,现实世界坐标由图像平面坐标表示为
其中,H和α分别表示摄像头的架设高度及摄像头视线与道路平面的夹角,这是摄像头架设参数,是实测已知的,a和b是待求的摄像头参数,Zw是目标高度;
设待检道路四个角点的现实世界坐标分别为A(Xw1,Yw1,0),B(Xw2,Yw2,0),C(Xw3,Yw3,0),D(Xw4,Yw4,0),它们对应的图像平面坐标分别为A(x1,y1),B(x2,y2),C(x3,y3),D(x4,y4);
此处,角点位于道路平面,因此目标高度Zwi=0;i=1,2,3,4;
角点间的实测路面距离|AB|、|CD|容易获得,将公式(4)代入以下(5)式即求得摄像头参数a和b,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710697079.1A CN107274673B (zh) | 2017-08-15 | 2017-08-15 | 基于修正局部方差的车辆排队长度测量方法及测量系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710697079.1A CN107274673B (zh) | 2017-08-15 | 2017-08-15 | 基于修正局部方差的车辆排队长度测量方法及测量系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107274673A CN107274673A (zh) | 2017-10-20 |
CN107274673B true CN107274673B (zh) | 2021-01-19 |
Family
ID=60077178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710697079.1A Active CN107274673B (zh) | 2017-08-15 | 2017-08-15 | 基于修正局部方差的车辆排队长度测量方法及测量系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107274673B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550258B (zh) * | 2018-03-29 | 2021-01-08 | 东软集团股份有限公司 | 车辆排队长度检测方法、装置、存储介质和电子设备 |
CN112201056A (zh) * | 2019-07-08 | 2021-01-08 | 中国石油大学(华东) | 基于角点特征分析的车辆排队长度检测方法 |
CN112489456B (zh) * | 2020-12-01 | 2022-01-28 | 山东交通学院 | 基于城市主干线车辆排队长度的信号灯调控方法及系统 |
CN112560915A (zh) * | 2020-12-08 | 2021-03-26 | 苏州科技大学 | 一种基于机器学习的城市快速路交通状态识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI452540B (zh) * | 2010-12-09 | 2014-09-11 | Ind Tech Res Inst | 影像式之交通參數偵測系統與方法及電腦程式產品 |
CN103268706B (zh) * | 2013-04-18 | 2015-02-18 | 同济大学 | 一种基于局部方差的车队列长度检测方法 |
CN105321342B (zh) * | 2015-12-07 | 2017-11-21 | 北京航空航天大学 | 一种基于航拍视频的交叉口车辆排队长度检测方法 |
CN106128121B (zh) * | 2016-07-05 | 2018-08-17 | 中国石油大学(华东) | 基于局部特征分析的车辆排队长度快速检测算法 |
-
2017
- 2017-08-15 CN CN201710697079.1A patent/CN107274673B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107274673A (zh) | 2017-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107463918B (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
CN107274673B (zh) | 基于修正局部方差的车辆排队长度测量方法及测量系统 | |
US20200193832A1 (en) | Image generating apparatus, image generating method, and recording medium | |
WO2018024030A1 (zh) | 一种夜视红外图像中的基于显著性的道路目标提取方法 | |
CN108416784B (zh) | 城市建成区边界快速提取方法、装置及终端设备 | |
CN107203981B (zh) | 一种基于雾气浓度特征的图像去雾方法 | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
CN102982304B (zh) | 利用偏光图像检测车辆位置的方法和系统 | |
CN103927526A (zh) | 一种基于高斯差分多尺度边缘融合的车辆检测方法 | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
Niksaz | Automatic traffic estimation using image processing | |
CN109544635B (zh) | 一种基于枚举试探的相机自动标定方法 | |
CN106128121A (zh) | 基于局部特征分析的车辆排队长度快速检测算法 | |
CN102354457A (zh) | 基于广义霍夫变换的交通信号灯位置检测方法 | |
CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
CN113011388B (zh) | 一种基于车牌及车道线的车辆外轮廓尺寸检测方法 | |
Malmir et al. | Design and FPGA implementation of dual-stage lane detection, based on Hough transform and localized stripe features | |
CN107194946B (zh) | 一种基于fpga的红外显著物体检测方法 | |
WO2021017211A1 (zh) | 一种基于视觉的车辆定位方法、装置及车载终端 | |
Lin et al. | Construction of fisheye lens inverse perspective mapping model and its applications of obstacle detection | |
WO2017120796A1 (zh) | 路面病害的检测方法及其装置、电子设备 | |
CN103268706B (zh) | 一种基于局部方差的车队列长度检测方法 | |
Jiang et al. | Lane line detection optimization algorithm based on improved Hough transform and R-least squares with dual removal | |
CN110738668B (zh) | 一种智能控制远光灯的方法、系统及交通工具 | |
CN115761668A (zh) | 摄像头的污渍识别方法、装置、车辆及存储介质 |
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 |