CN107644529A - 一种基于运动检测的车辆排队长度检测方法 - Google Patents

Abstract

本发明公开了一种基于运动检测的车辆排队长度检测方法，包括如下步骤：步骤1：标定车道信息和设置车辆静止阈值；步骤2：读取图像序列，截取当前帧中车辆检测区域G；步骤3：车辆跟踪，更新跟踪车辆在当前帧的位置；步骤4：检测f _a 中新出现的车辆；步骤5：找出各个车道中静止状态的车辆；步骤6：计算各个车道的排队长度，根据车道线标定的实际距离，将QL中各车道最远距离的像素坐标转换到车辆排队长度距离；步骤7：计算各车道的车流量。本发明不受排队车辆前后间距过大对车辆排队精度的干扰，通过各车道中静止车辆的最远位置计算出精确的排队长度，且能同时获取各车道的车流量。

Description

一种基于运动检测的车辆排队长度检测方法

技术领域

本发明涉及智慧交通领域，尤其涉及一种基于运动检测的车辆排队长度检测方法。

背景技术

基于视频的车辆排队长度、车流量等交通信息采集是图像处理技术在智慧交通领域的应用。该技术以安装维护方便、直观性强、拓展性与改进空间大等优点而被广泛采用，是未来交通流信息检测技术的发展方向，其研究与应用具有重要的理论意义和使用价值。

在计算车辆排队长度过程中，目前常用的检测方法往往通过分析静态图像的方式计算车辆排队长度。其中，与本发明最接近的技术方案包括：曹静(长安大学，城市快速路交通拥堵特征与实时排队长度确定方法研究[D],2016)通过从微波检测器采集到的实时交通流数据识别车辆排队初始时刻，当车辆开始排队时启动排队估计模型，并利用实时排队估计模型实现对排队长度的估计。该方法定义车辆平均速度低于V^*的道路断面位置为车辆排队的尾部，与本发明相似。但该方法通过微波检测器获取车辆数据，然后采用实时车辆排队估计模型估计排队长度，而本发明使用视觉检测器获取车辆视频，差异较大；陶万杰(北京邮电大学，基于视频处理的车辆排队长度检测算法的研究与应用[D],2015)提出一种改进的基于视频的车辆排队长度检测方法，在背景初始化后，通过摄像机标定得到摄像机参数后，建立透视变换模型，对伸缩窗的尺寸进行动态调整。通过滑动窗口检测出队尾车辆，计算出车辆排队长度。但当出现车辆排队间距过大等情况时，该方法无法适应排队形式的多样性；史忠科(西北工业大学自动化学院，城市道路排队车辆检测方法[J].交通运输工程学报,2012,12(5):100-109)提出一种基于边缘信息和局部纹理特征的综合检测方法，该方法先采用Canny算法提取车辆边缘信息，采用改进的LBP方法提取车辆纹理特征，同时用帧差法对运动车辆进行分割，得到静止的车辆队列后进行水平投影，从而计算出排队长度，但该方法提取车辆时容易受到路面阴影和车道线干扰，得到的运动车辆和静止车辆不完整，导致排队长度精度不高，且该方法无法同时获取各车道车流量。

发明内容

针对上述问题，本发明公开了一种基于运动检测的车辆排队长度检测方法，该方法不受排队车辆前后间距过大、路面阴影和车道线等干扰对车辆排队长度精度的干扰，通过各车道中静止车辆的最远位置计算出精确的排队长度，且能同时获取各车道的车流量。

本发明提供一种基于运动检测的车辆排队长度检测方法，其具体内容包括以下步骤：

步骤1：标定车道信息和设置车辆静止阈值，具体为：

步骤1.1：从道路监控视频中手动标定车辆检测区域、车辆跟踪区域、车道分界线；

步骤1.2：设置车辆静止时间阈值ST；

步骤1.3：沿车道线标定各车道线与车辆停止线的实际距离；

步骤2：读取图像序列，截取当前帧中车辆检测区域G；

步骤3：车辆跟踪，更新跟踪车辆在当前帧的位置；

步骤3.1：记当前帧序列号为a，则第a-1帧图像f_a-1的跟踪车辆集合为TL_a-1＝{＜c_i,V_i＞|a-1∈V_i,i＝1,2,...,C_a-1},其中C_a-1表示前a-1帧车辆编号的最大值，V_i表示车辆c_i存在的图像序列集合，<c_i,V_i>表示车辆c_i和集合V_i的映射关系；

步骤3.2：更新跟踪车辆在f_a中的位置，得到集合其C中C_a表示前a帧车辆编号的最大值；

步骤4：检测f_a中新出现的车辆，具体为：

步骤4.1：用训练好的车辆分类器对G进行车辆检测，得到车辆外接矩形集合RL＝{rl_i|i＝1,2,...m}，其中m表示检测到的车辆数，rl_i表示第i辆车在f_a中的外接矩形；

步骤4.2：从RL中过滤f_a-1已存在的车辆，得到集合NRL＝{nrl_i|i＝1,2,...n}，其中n表示过滤后剩余车辆数，使其满足式(1):

且a∈V_i (1)

式中，表示c_i在f_a中的外接矩形，表示nrl_i和的相交区域，表示相交区域的面积；

步骤4.3：将集合加入集合TL_a中；

步骤5：找出各个车道中静止状态的车辆，具体为：

步骤5.1：ST对应视频帧序列号阈值为FT；

步骤5.2：记车道集合Lane＝{lane_i|i＝1,2,...,LN},其中LN表示标定的车道数，lane_i表示第i个车道；

步骤5.2：从TL_a中筛选出f_a中第j车道的处于静止状态的车辆集合其中表示f_a中第j车道静止车辆个数，使其同时满足式(2)、(3)：

式中，i表示车辆编号，j表示车道编号，x,y表示图像序列号,表示c_i在f_x中的外接矩形，表示c_i在f_a中所属车道；

步骤5.3：从集合SC中计算出各车道车辆最远位置的集合使其同时满足式(4)、(5)：

式中，表示的上边界Y坐标，表示f_a中第j车道静止车辆的上边界值集合，第j车道中Y坐标的最大值，ql_j表示SC_j中车辆外接矩形上边界的最大值；

步骤6：计算各个车道的排队长度，根据车道线标定的实际距离，将QL中各车道最远距离的像素坐标转换到车辆排队长度距离；

步骤7：计算各车道的车流量，具体为：

步骤7.1：统计时刻t_x到t_y内的车流量，t_x和t_y分别对应图像序列f_x和f_y；

步骤7.2：在TL中筛选出各个车道在t_x到t_y内通过停止线的车辆，得到集合TV＝{tv_j|j＝1,2,3...,Lcount},使其同时满足式(6)、(7)：

式中，i表示车辆编号，j表示车道编号，表示图像f_z中车辆c_i所属的车道,其中tv_j表示第j个车道的车流量；

本发明的有益效果为：本发明不受排队车辆前后间距过大对车辆排队精度的干扰，通过各车道中静止车辆的最远位置计算出精确的排队长度，且能同时获取各车道的车流量。

附图说明

图1为本发明实施例的流程图。

图2为本发明的实施例经过步骤1.1处理后的车道标定图像。

具体实施方式

下面结合实施例来详细阐述本发明的一种基于运动检测的车辆排队长度检测方法的具体实施方式。在本实施例中，参照图1，对一种基于运动检测的车辆排队长度检测方法进行具体介绍：

步骤1：标定车道信息和设置车辆静止阈值，具体为：

步骤1.1：从道路监控视频中手动标定车辆检测区域、车辆跟踪区域、车道分界线；在本实施例中，车道标定后的结果如图2所示；

步骤1.2：设置车辆静止时间阈值ST；

步骤1.3：沿车道线标定各车道线与车辆停止线的实际距离；

步骤2：读取图像序列，截取当前帧中车辆检测区域G；

步骤3：车辆跟踪，更新跟踪车辆在当前帧的位置；

步骤3.1：记当前帧序列号为a，则第a-1帧图像f_a-1的跟踪车辆集合为TL_a-1＝{＜c_i,V_i＞|a-1∈V_i,i＝1,2,...,C_a-1},其中C_a-1表示前a-1帧车辆编号的最大值，V_i表示车辆c_i存在的图像序列集合，<c_i,V_i>表示车辆c_i和集合V_i的映射关系；

步骤3.2：更新跟踪车辆在f_a中的位置，得到集合其C中C_a表示前a帧车辆编号的最大值；

步骤4：检测f_a中新出现的车辆，具体为：

步骤4.1：用训练好的车辆分类器对G进行车辆检测，得到车辆外接矩形集合RL＝{rl_i|i＝1,2,...m}，其中m表示检测到的车辆数，rl_i表示第i辆车在f_a中的外接矩形；

步骤4.2：从RL中过滤f_a-1已存在的车辆，得到集合NRL＝{nrl_i|i＝1,2,...n}，其中n表示过滤后剩余车辆数，使其满足式(1):

且a∈V_i (1)

式中，表示c_i在f_a中的外接矩形，表示nrl_i和的相交区域，表示相交区域的面积；

步骤4.3：将集合加入集合TL_a中；

步骤5：找出各个车道中静止状态的车辆，具体为：

步骤5.1：ST对应视频帧序列号阈值为FT；

步骤5.2：记车道集合Lane＝{lane_i|i＝1,2,...,LN},其中LN表示标定的车道数，lane_i表示第i个车道；

步骤5.2：从TL_a中筛选出f_a中第j车道的处于静止状态的车辆集合其中表示f_a中第j车道静止车辆个数，使其同时满足式(2)、(3)：

式中，i表示车辆编号，j表示车道编号，x,y表示图像序列号,表示c_i在f_x中的外接矩形，表示c_i在f_a中所属车道；

步骤5.3：从集合SC中计算出各车道车辆最远位置的集合使其同时满足式(4)、(5)：

式中，表示的上边界Y坐标，表示f_a中第j车道静止车辆的上边界值集合，第j车道中Y坐标的最大值，ql_j表示SC_j中车辆外接矩形上边界的最大值；

步骤6：计算各个车道的排队长度，根据车道线标定的实际距离，将QL中各车道最远距离的像素坐标转换到车辆排队长度距离；

步骤7：计算各车道的车流量，具体为：

步骤7.1：统计时刻t_x到t_y内的车流量，t_x和t_y分别对应图像序列f_x和f_y；

步骤7.2：在TL中筛选出各个车道在t_x到t_y内通过停止线的车辆，得到集合TV＝{tv_j|j＝1,2,3...,Lcount},使其同时满足式(6)、(7)：

式中，i表示车辆编号，j表示车道编号，表示图像f_z中车辆c_i所属的车道,其中tv_j表示第j个车道的车流量。

本说明书实施例所述的内容仅仅是对本发明构思实现形式的举例，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能想到的等同技术手段。

Claims (6)

1.一种基于运动检测的车辆排队长度检测方法，包括如下步骤：

步骤1：标定车道信息和设置车辆静止阈值；

步骤2：读取图像序列，截取当前帧中车辆检测区域G；

步骤3：车辆跟踪，更新跟踪车辆在当前帧的位置；

步骤4：检测f_a中新出现的车辆；

步骤5：找出各个车道中静止状态的车辆；

步骤6：计算各个车道的排队长度，根据车道线标定的实际距离，将QL中各车道最远距离的像素坐标转换到车辆排队长度距离；

步骤7：计算各车道的车流量。

2.如权利要求1所述的基于运动检测的车辆排队长度检测方法，其特征在于：步骤1具体为：

步骤1.1：从道路监控视频中手动标定车辆检测区域、车辆跟踪区域、车道分界线；在本实施例中，车道标定后的结果如图2所示；

步骤1.2：设置车辆静止时间阈值ST；

步骤1.3：沿车道线标定各车道线与车辆停止线的实际距离。

步骤2：读取图像序列，截取当前帧中车辆检测区域G。

3.如权利要求1所述的基于运动检测的车辆排队长度检测方法，其特征在于：步骤3具体为：

步骤3.1：记当前帧序列号为a，则第a-1帧图像f_a-1的跟踪车辆集合为TL_a-1＝{＜c_i,V_i＞|a-1∈V_i,i＝1,2,...,C_a-1},其中C_a-1表示前a-1帧车辆编号的最大值，V_i表示车辆c_i存在的图像序列集合，<c_i,V_i>表示车辆c_i和集合V_i的映射关系；

步骤3.2：更新跟踪车辆在f_a中的位置，得到集合TL_a＝{＜c_i,V_i＞|a∈V_i,i＝1,2,...,C_a}，其中C_a表示前a帧车辆编号的最大值。

4.如权利要求1所述的基于运动检测的车辆排队长度检测方法，其特征在于：步骤4具体为：

步骤4.1：用训练好的车辆分类器对G进行车辆检测，得到车辆外接矩形集合RL＝{rl_i|i＝1,2,...m}，其中m表示检测到的车辆数，rl_i表示第i辆车在f_a中的外接矩形；

步骤4.2：从RL中过滤f_a-1已存在的车辆，得到集合NRL＝{nrl_i|i＝1,2,...n}，其中n表示过滤后剩余车辆数，使其满足式(1):

且a∈V_i (1)

式中，表示c_i在f_a中的外接矩形，表示nrl_i和的相交区域，表示相交区域的面积；

步骤4.3：将集合加入集合TL_a中。

5.如权利要求1所述的基于运动检测的车辆排队长度检测方法，其特征在于：步骤5具体为：

步骤5.1：ST对应视频帧序列号阈值为FT；

步骤5.2：记车道集合Lane＝{lane_i|i＝1,2,...,LN},其中LN表示标定的车道数，lane_i表示第i个车道；

步骤5.2：从TL_a中筛选出f_a中第j车道的处于静止状态的车辆集合其中表示f_a中第j车道静止车辆个数，使其同时满足式(2)、(3)：

式中，i表示车辆编号，j表示车道编号，x,y表示图像序列号,表示c_i在f_x中的外接矩形，表示c_i在f_a中所属车道；

步骤5.3：从集合SC中计算出各车道车辆最远位置的集合QL＝{ql_j|j＝1,2,...,LN}，使其同时满足式(4)、(5)：

式中，表示的上边界Y坐标，表示f_a中第j车道静止车辆的上边界值集合，第j车道中Y坐标的最大值，ql_j表示SC_j中车辆外接矩形上边界的最大值。

6.如权利要求1所述的基于运动检测的车辆排队长度检测方法，其特征在于：步骤7具体为：

步骤7.1：统计时刻t_x到t_y内的车流量，t_x和t_y分别对应图像序列f_x和f_y；

步骤7.2：在TL中筛选出各个车道在t_x到t_y内通过停止线的车辆，得到集合TV＝{tv_j|j＝1,2,3...,Lcount},使其同时满足式(6)、(7)：

式中，i表示车辆编号，j表示车道编号，表示图像f_z中车辆c_i所属的车道,其中tv_j表示第j个车道的车流量。