CN108205891B - 一种监控区域的车辆监测方法 - Google Patents

Abstract

本发明公开了一种监控区域的车辆监测方法，包括：步骤1，视频采集设备采集监控区域内入口处的视频图像，建立背景图像的背景模型；步骤2，判断背景模型是否需要进行更新，并根据背景更新模型进行更新；步骤3，对当前图像与背景模型进行匹配，判断监控区域内是否有驶入车辆，并对识别出的驶入车辆统计数量，将统计数据上传至上位机；步骤4，采集监控区域内出口处的视频图像，并对该视频图像进行步骤1‑3的处理，识别出监控区域内的驶出车辆，并进行数量统计，将统计数据上传至上位机；步骤5，车辆监控处理模块计算出驶入车辆和驶出车辆的数量差值，根据预设的车流量阈值，判断监控区域内的车辆数量是否超过限制。本发明的有益效果：实现对监控区域内的车辆的实时监测。

Description

一种监控区域的车辆监测方法

技术领域

本发明涉及车流量监测技术领域，具体而言，涉及一种监控区域的车辆监测方法。

背景技术

随着人们生活水平的提高，车辆的数量在逐渐增多，车流量的监控具有实际的应用意义。目前，车流量的监测技术主要有低感线圈、视频图像检测、红外检测、超声波检测、微波雷达检测等等。视频图像检测具有安装维修灵活、成本低、应用范围广、可拓展性强和交通管理信息全面等优点，已经得到了广泛的应用。在视频图像检测技术中，几种常见的检测方法有：灰度比较法、背景差分法、帧差法、边缘检测法。灰度比较法算法简单，对环境光线的变化十分敏感，在实际系统中应用较少。而其他几种检测算法虽然在特定的环境中可以取得不错的检测效果，但通用性较差，很难适应复杂多变的现实环境。另外，这些方法需要预先设定检测区域，这就使得需要对图像的大片区域进行数据处理，导致算法复杂，处理时间长，效率低下，造成数据滞后，也会影响检测的准确性。

发明内容

为解决上述问题，本发明的目的在于提供一种监控区域的车辆监测方法，能自适应地对背景进行初始化和实时更新，并能有效克服光照等外界条件变化对车辆检测的影响。

本发明提供了一种监控区域的车辆监测方法，包括：

步骤1，视频采集设备采集监控区域内入口处的视频图像，传输至视频服务器，所述视频服务器将视频图像上传至车辆监控处理模块，所述车辆监控处理模块根据接收的视频图像建立背景图像的背景模型；

步骤2，所述车辆监控处理模块判断背景模型是否需要进行更新，并根据背景更新模型进行更新；

步骤3，所述车辆监控处理模块对监控区域内入口处的当前图像与背景模型进行匹配，判断监控区域内是否有驶入车辆，并对识别出的驶入车辆进行数量统计，将统计数据上传至上位机；

步骤4，所述车辆监控处理模块根据采集监控区域内出口处的视频图像，并对该视频图像进行步骤1-3的处理，识别出监控区域内的驶出车辆，并进行数量统计，将统计数据上传至上位机；

步骤5，所述车辆监控处理模块计算出驶入车辆和驶出车辆的数量差值，根据预设的车流量阈值，判断监控区域内的车辆数量是否超过限制，一旦超过车流量阈值，所述车辆监控处理模块将报警信号上传至上位机进行报警提示。

作为本发明进一步的改进，步骤1具体包括：

步骤101，视频采集设备采集视频监控区域内的视频图像，采用滤波算法去除视频图像中的噪声；

步骤102，对去噪后的视频图像进行亮度归一化处理；

步骤103，采用混合高斯模型对归一化后的视频图像进行背景建模，得到背景模型，并初始化背景模型。

作为本发明进一步的改进，步骤101中，去噪处理具体包括：

步骤A1，在视频图像中，每间隔5个像素选择若干个大小为n×n的二维块，在每个二维块周围的大小为m×m的区域内进行搜索，寻找若干个差异度最小的二维块，并把这些二维块整个成一个三维矩阵，得到若干个三维矩阵，形成三维矩阵组；

步骤A2，将每个三维矩阵中的两个维度进行二维变换，并对每个三维矩阵中的第三个维度进行一维变换，形成三维矩阵组；

步骤A3，变换完成后对步骤A2中的三维矩阵组分别进行阈值处理，将小于阈值的系数置零，然后再对三维矩阵组中的所有三维矩阵进行两个维度的二维变换和第三个维度的一维变换，得到预估三维矩阵组；

步骤A4，将预估三维矩阵组中所有的三维矩阵中的二维块均融合到图像中原来的位置，每个像素的灰度值通过每个对应位置块的值进行加权平均，完成去噪；

其中，加权的权重取决于置零的个数和噪声强度。

作为本发明进一步的改进，二维变换采用小波变换或DCT变换，一维变换采用阿达马变换。

作为本发明进一步的改进，步骤102中，采用线性归一化，将视频图像转换为灰度图像后将图像的颜色值等比例限定在[0 255]的范围。

作为本发明进一步的改进，步骤103具体包括：

步骤B1，归一化后的视频图像的每个像素点(x,y)的颜色用M个状态来表示，每个状态用一个高斯分布来近似，将像素点的颜色值用随机变量X来表示，在时间段T内视频序列图像的像素值为随机变量X的采样值，对于第i个状态的像素的分布X_i,t,xy用分布X_i,t,xy＝P(I_i,t,xy|μ_i,t,xy,Σ_i,t,xy)表示；

即

其中，P(I_i,t,xy|μ_i,t,xy,Σ_i,t,xy)为t时刻的第i个状态的高斯分布，其均值为μ_i,t,xy，协方差为Σ_i,t,xy，像素值为I_i,t,xy；

步骤B2，将每个像素点的背景模型B_t,xy采用混合高斯分布来表示：

其中，ω_i,t,xy为第i个高斯分布的权重，且

步骤B3，对背景模型B_t,xy初始化，初始化参数为均值的初始值μ_i,0,xy和方差的初始值

作为本发明进一步的改进，M≤5。

作为本发明进一步的改进，步骤2具体包括：

步骤201，采集t时刻的视频图像，将当前图像的每个像素值I_t,xy与和它对应的背景模型进行匹配检验：

如果像素值I_t,xy与背景模型中第k个高斯分布均值μ_k,t,xy之间的距离|I_t,xy-μ_k,t,xy|小于等于第k个高斯分布标准差的2.5倍，则第k个高斯分布与该像素值X_i匹配；此时转向步骤202；

如果像素值I_t,xy对应的背景模型中，没有高斯分布与该像素值I_t,xy匹配，此时转向步骤203；

步骤202，对于背景模型中不匹配的高斯分布，这些高斯分布的均值和方差保持不变；对于背景模型中匹配的第k个高斯分布，该高斯分布的权重按照ω_k,t,xy＝(1-α)ω_k,t-1,xy+α更新，均值按照更新，协方差按照更新；其中，ω_k,t,xy、μ_k,t,xy和Σ_k,t,xy分别为t时刻第k个高斯分布的权重、均值和协方差，ω_k,t-1,xy、μ_k,t-1,xy和Σ_k,t-1,xy分别为t-1时刻第k个高斯分布的权重、均值和协方差，α为权重更新率；

步骤203，将背景模型中权重最小的高斯分布进行更新：将当前像素值I_t,xy作为该高斯分布的均值，将除去该高斯分布后剩余高斯分布中最大的方差作为该高斯分布的方差，将除去该高斯分布后剩余高斯分布中最小的权重值作为该高斯分布的权重。

作为本发明进一步的改进，步骤2在步骤203之后还包括：

步骤204，对更新之后的所有高斯分布的权重进行排序，并对排序后的所有权重进行归一化处理，任意权重的归一化公式为：

其中，ω_m,t,xy为归一化前的任意权重，ω′_m,t,xy为归一化前的任意权重，为归一化前所有权重的均值，为归一化前所有权重的和。

作为本发明进一步的改进，步骤3在识别车辆时，采用如下方法：

步骤301，采集监控区域内入口处的当前视频图像，将视频图像序列中的当前帧的每个像素值分别与背景模型进行匹配，如果该像素值与背景模型匹配，则将该像素区域标识为背景，若该像素值与背景模型不匹配，则将该像素区域标识为车辆；

步骤302，对背景和车辆进行二值化与区域连通处理处理：

将当前图像上的像素点的灰度值设置为0或1，所有灰度值大于等于阈值的图像，判定为车辆，灰度值表示为1，反之，灰度值表示为0，判定为背景，从当前帧中分割出车辆和背景；

其中，阈值的设置采用局部自适应二值化方法，把图像划分为若干的区域，每个区域有各自的阈值，再分别对每个区域判定阈值。

作为本发明进一步的改进，将一个图像划分为A、B、C、D四个区域，判定区域D时，设P(x，y)为点(x，y)的像素值，对于区域D有，P(D)＝P(x2，y2)-P(x2，y1)-P(x1，y2)+P(x1，y1)，得到区域D的总阈值P(D)，再除以区域D的像素点个数，得到区域D的平均阈值P＝P(D)/N；对于区域D中心点(i，j)，若P(i，j)>P，则重写点(i，j)的像素为(255，0)，反之为(0，255)；

其中，P(x2，y2)、P(x2，y1)、P(x1，y2)、P(x1，y1)分别为点(x2，y2)、点(x2，y1)、点(x1，y2)、点(x1，y1)的像素值，N为像素点个数，P(i，j)为点(i，j)的像素值。

本发明的有益效果为：

1、本发明采用去噪处理滤除视频图像中的噪声点，避免干扰车辆的检测；

2、采用线性归一化，将视频图像转换为灰度图像后将图像的颜色值等比例限定在[0 255]的范围，利于后续对图像的整体处理，能够消除其他变换函数对图像变换的影响，可以抵抗几何变换的攻击；

3、本发明采用混合高斯模型对归一化后的视频图像进行背景建模，能更好的应对监控场景中的环境扰动，光线突变等问题；

4、通过多维的分布来自适应地更新背景模型，同时因为每个分布可以通过权重来控制，能有效的去除已经对背景更新无效的分布模型，提高监测的精度和准确性；

5、自适应阈值的设置采用局部自适应二值化方法，就是把图像划分为若干的区域，每个区域有各自的阈值，再分别判定，这种方法使得光照不均匀的图像二值化后也产生很好的效果；

6、可准确识别出在一定时间范围的车辆的数量，实现对监控区域车流量的实时控制，便于提前对监控区域做出合理的安排。

附图说明

图1为本发明实施例所述的一种监控区域的车辆监测方法的流程示意图。

图2为本发明自适应阈值设置时的示意图。

具体实施方式

下面通过具体的实施例并结合附图对本发明做进一步的详细描述。

实施例1，如图1所示，本发明实施例的一种监控区域的车辆监测方法，包括：

步骤1，视频采集设备采集监控区域内入口处的视频图像，传输至视频服务器，视频服务器将视频图像上传至车辆监控处理模块，车辆监控处理模块根据接收的视频图像建立背景图像的背景模型。上述步骤1具体包括：

步骤101，视频采集设备采集视频监控区域内的视频图像，采用滤波算法去除视频图像中的噪声。

由于天气等外界因素的影响，视频采集设备所采集的视频图像中会存在一些噪声点，这些噪声点会干扰运动目标的检测，因此对采集到的每一个视频帧，首先要进行去噪处理，滤除视频图像中的噪声点，本发明采用的去噪处理具体包括如下流程：

步骤A1，在视频图像中，每间隔5个像素选择若干个大小为n×n的二维块，在每个二维块周围的大小为m×m的区域内进行搜索，寻找若干个差异度最小的二维块，并把这些二维块整个成一个三维矩阵，得到若干个三维矩阵，形成三维矩阵组；

步骤A2，将每个三维矩阵中的两个维度进行二维变换，并对每个三维矩阵中的第三个维度进行一维变换，形成三维矩阵组；

步骤A3，变换完成后对步骤A2中的三维矩阵组分别进行阈值处理，将小于阈值的系数置零，然后再对三维矩阵组中的所有三维矩阵进行两个维度的二维变换和第三个维度的一维变换，得到预估三维矩阵组；

步骤A4，将预估三维矩阵组中所有的三维矩阵中的二维块均融合到图像中原来的位置，每个像素的灰度值通过每个对应位置块的值进行加权平均，完成去噪；

其中，加权的权重取决于置零的个数和噪声强度。

二维变换采用小波变换或DCT变换，一维变换采用阿达马变换。

步骤102，对去噪后的视频图像进行亮度归一化处理。

本发明采用线性归一化，将视频图像转换为灰度图像后将图像的颜色值等比例限定在[0 255]的范围，利于后续对图像的整体处理，能够消除其他变换函数对图像变换的影响，可以抵抗几何变换的攻击。

步骤103，现有的监控区域场景一般都较为复杂，例如阳光、灯光等等带来的光线变化，周围植被的遮挡晃动、雨天雪天导致的光线昏暗等等，因此，背景不是静止的，而是会变化的，需要对这种复杂的背景进行建模，才能识别出运动目标。为了更好的应对监控场景中的环境扰动，光线突变等问题，本发明采用混合高斯模型对归一化后的视频图像进行背景建模，得到背景模型，并初始化背景模型。具体包括：

步骤B1，归一化后的视频图像的每个像素点(x,y)的颜色用M个状态来表示，每个状态用一个高斯分布来近似，将像素点的颜色值用随机变量X来表示，在时间段T内视频序列图像的像素值为随机变量X的采样值，对于第i个状态的像素的分布X_i,t,xy用分布X_i,t,xy＝P(I_i,t,xy|μ_i,t,xy,Σ_i,t,xy)表示；

即

其中，P(I_i,t,xy|μ_i,t,xy,Σ_i,t,xy)为t时刻的第i个状态的高斯分布，其均值为μ_i,t,xy，协方差为Σ_i,t,xy，像素值为I_i,t,xy；

步骤B2，将每个像素点的背景模型B_t,xy采用混合高斯分布来表示：

其中，ω_i,t,xy为第i个高斯分布的权重，且权重的值根据多个高斯分布从大到小排列，排列后根据情况来选择M的值。M的选取并非越大越好，越大会导致算法的处理速度大大降低，且数据处理器(车辆监控处理模块)的负担也会增加，增加系统的整体成本。本发明的M≤5，且M≥2。

步骤B3，对背景模型B_t,xy初始化，初始化参数为均值的初始值μ_i,0,xy和方差的初始值

初始化后，会建立一个单峰的高斯分布，在后面模型的学习过程中通过全职来对第一个高斯分布进行调整。

当然，对于场景光照不发生变化或变化较小，可以采用高斯模型建模即可。可以根据场景的需求进行调整。

步骤2，车辆监控处理模块判断背景模型是否需要进行更新，并根据背景更新模型进行更新。

混合高斯模型通过多维的分布来自适应地更新背景模型，同时因为每个分布可以通过权重来控制，能有效的去除已经对背景更新无效的分布模型，因此，混合高斯模型对场景的变化适应能力很强，可以应对场景中的扰动、光线、天气突变等情况。混合高斯模型不但要更新每个高斯分布的属性和参数，还要根据目前的背景对高斯分布的权重进行更新。

具体包括：

步骤201，采集t时刻的视频图像，将当前图像的每个像素值I_t,xy与和它对应的背景模型进行匹配检验：

如果像素值I_t,xy与背景模型中第k个高斯分布均值μ_k,t,xy之间的距离|I_t,xy-μ_k,t,xy|小于等于第k个高斯分布标准差的2.5倍，则第k个高斯分布与该像素值X_i匹配；此时转向步骤202；

如果像素值I_t,xy对应的背景模型中，没有高斯分布与该像素值I_t,xy匹配，此时转向步骤203；

步骤202，对于背景模型中不匹配的高斯分布，这些高斯分布的均值和方差保持不变；对于背景模型中匹配的第k个高斯分布，该高斯分布的权重按照ω_k,t,xy＝(1-α)ω_k,t-1,xy+α更新，均值按照更新，协方差按照更新；其中，ω_k,t,xy、μ_k,t,xy和Σ_k,t,xy分别为t时刻第k个高斯分布的权重、均值和协方差，ω_k,t-1,xy、μ_k,t-1,xy和Σ_k,t-1,xy分别为t-1时刻第k个高斯分布的权重、均值和协方差，α为权重更新率。其中，α的选取需要根据检测的要求来确定，如果监测区域的背景经常会发生变化，需要算法不断应对，α取值较大，但会导致系统抗噪性能下降，而α取值较小时，虽然会降低算法适应能力，但是对于环境比较稳定的监控区域，较小的α可以提高整体的检测精度，提高抗噪声性能；

步骤203，当当前图像与背景模型中任何一个高斯分布都不匹配时，则说明出现了新的高斯分布，也就是背景发生了变化，此时，需要在背景模型中增加一个新的高斯分布，同时将原先分布中权重最小的分布剔除，以保证背景模型能适应环境的变化。

具体的，将背景模型中权重最小的高斯分布进行更新：将当前像素值I_t,xy作为该高斯分布的均值，将除去该高斯分布后剩余高斯分布中最大的方差作为该高斯分布的方差，将除去该高斯分布后剩余高斯分布中最小的权重值作为该高斯分布的权重。

进一步的，为了方便下一次背景模型的更新，还包括：

步骤204，对更新之后的所有高斯分布的权重进行排序，并对排序后的所有权重进行归一化处理，任意权重的归一化公式为：

其中，ω_m,t,xy为归一化前的任意权重，ω′_m,t,xy为归一化前的任意权重，为归一化前所有权重的均值，为归一化前所有权重的和。

混合高斯分布通过减少对背景模型中没有贡献的权重最小的分布，可以迅速的将与当前实际背景匹配的新模型作为整个背景模型，可以大大提高监测过程中的精确性。

步骤3，车辆监控处理模块对监控区域内入口处的当前图像与背景模型进行匹配，判断监控区域内是否有驶入车辆，并对识别出的驶入车辆进行数量统计，将统计数据上传至上位机。在识别车辆时，采用如下方法：

步骤301，采集监控区域内入口处的当前视频图像，将视频图像序列中的当前帧的每个像素值分别与背景模型进行匹配，如果该像素值与背景模型匹配，则将该像素区域标识为背景，若该像素值与背景模型不匹配，则将该像素区域标识为车辆；

步骤302，对背景和车辆进行二值化与区域连通处理处理：

将当前图像上的像素点的灰度值设置为0或1，所有灰度值大于等于自适应阈值的图像，判定为车辆，灰度值表示为1，反之，灰度值表示为0，判定为背景，从当前帧中分割出车辆和背景；

其中，自适应阈值的设置采用局部自适应二值化方法，就是把图像划分为若干的区域，每个区域有各自的阈值，再分别判定，这种方法使得光照不均匀的图像二值化后也产生很好的效果。例如，如图2所示，将一个图像划分为A、B、C、D四个区域，判定区域D时，设P(x，y)为点(x，y)的像素值，对于区域D有，P(D)＝P(x2，y2)-P(x2，y1)-P(x1，y2)+P(x1，y1)，得到区域D的总阈值P(D)，再除以区域D的像素点个数，得到区域D的平均阈值P＝P(D)/N；对于区域D中心点(i，j)，若P(i，j)>P，则重写点(i，j)的像素为(255，0)，反之为(0，255)；

其中，P(x2，y2)、P(x2，y1)、P(x1，y2)、P(x1，y1)分别为点(x2，y2)、点(x2，y1)、点(x1，y2)、点(x1，y1)的像素值，N为像素点个数，P(i，j)为点(i，j)的像素值。

步骤4，车辆监控处理模块根据采集监控区域内出口处的视频图像，并对该视频图像进行步骤1-3的处理，识别出监控区域内的驶出车辆，并进行数量统计，将统计数据上传至上位机。

对出口处的视频图像处理的方法与入口处视频图像的方法一致。

步骤5，车辆监控处理模块计算出驶入车辆和驶出车辆的数量差值，根据预设的车流量阈值，判断监控区域内的车辆数量是否超过限制，一旦超过车流量阈值，车辆监控处理模块将报警信号上传至上位机进行报警提示。

在设置车流量阈值时，可以根据实际的需要来进行，主要是为了避免车辆过于饱和，导致的各种交通问题。可以在上位机上实时显示目前的车辆数量，提示还可以进入的车辆数目，一旦监控区域内的车辆数量达到车流量阈值时，上位机上提示车流量饱和，同时可以发出类似蜂鸣器的警报声，提示监控区域尽快采取限流措施，避免各种交通问题的发生。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围。

Claims (8)

1.一种监控区域的车辆监测方法，其特征在于，包括：

步骤1，视频采集设备采集监控区域内入口处的视频图像，传输至视频服务器，所述视频服务器将视频图像上传至车辆监控处理模块，所述车辆监控处理模块根据接收的视频图像建立背景图像的背景模型；

步骤2，所述车辆监控处理模块判断背景模型是否需要进行更新，并根据背景更新模型进行更新；

步骤3，所述车辆监控处理模块对监控区域内入口处的当前图像与背景模型进行匹配，判断监控区域内是否有驶入车辆，并对识别出的驶入车辆进行数量统计，将统计数据上传至上位机；

步骤4，所述车辆监控处理模块根据采集监控区域内出口处的视频图像，并对该视频图像进行步骤1-3的处理，识别出监控区域内的驶出车辆，并进行数量统计，将统计数据上传至上位机；

步骤5，所述车辆监控处理模块计算出驶入车辆和驶出车辆的数量差值，根据预设的车流量阈值，判断监控区域内的车辆数量是否超过限制，一旦超过车流量阈值，所述车辆监控处理模块将报警信号上传至上位机进行报警提示；

步骤1具体包括：

步骤101，视频采集设备采集视频监控区域内的视频图像，采用滤波算法去除视频图像中的噪声；

步骤102，对去噪后的视频图像进行亮度归一化处理；

步骤103，采用混合高斯模型对归一化后的视频图像进行背景建模，得到背景模型，并初始化背景模型；

步骤101中，去噪处理具体包括：

步骤A1，在视频图像中，每间隔5个像素选择若干个大小为n×n的二维块，在每个二维块周围的大小为m×m的区域内进行搜索，寻找若干个差异度最小的二维块，并把这些二维块整个成一个三维矩阵，得到若干个三维矩阵，形成三维矩阵组；

步骤A2，将每个三维矩阵中的两个维度进行二维变换，并对每个三维矩阵中的第三个维度进行一维变换，形成三维矩阵组；

步骤A3，变换完成后对步骤A2中的三维矩阵组分别进行阈值处理，将小于阈值的系数置零，然后再对三维矩阵组中的所有三维矩阵进行两个维度的二维变换和第三个维度的一维变换，得到预估三维矩阵组；

步骤A4，将预估三维矩阵组中所有的三维矩阵中的二维块均融合到图像中原来的位置，每个像素的灰度值通过每个对应位置块的值进行加权平均，完成去噪；

其中，加权的权重取决于置零的个数和噪声强度。

2.根据权利要求1所述的车辆监测方法，其特征在于，二维变换采用小波变换或DCT变换，一维变换采用阿达马变换。

3.根据权利要求1所述的车辆监测方法，其特征在于，步骤102中，采用线性归一化，将视频图像转换为灰度图像后将图像的颜色值等比例限定在[0，255]的范围。

4.根据权利要求1所述的车辆监测方法，其特征在于，步骤103具体包括：

步骤B1，归一化后的视频图像的每个像素点(x,y)的颜色用M个状态来表示，每个状态用一个高斯分布来近似，将像素点的颜色值用随机变量X来表示，在时间段T内视频序列图像的像素值为随机变量X的采样值，对于第i个状态的像素的分布Xi_,t,xy用分布X_i,t,xy＝P(I_i,t,xy|μ_i,t,xy,Σ_i,t,xy)表示；

即

其中，P(I_i,t,xy|μ_i,t,xy,Σ_i,t,xy)为t时刻的第i个状态的高斯分布，其均值为μ_i,t,xy，协方差为Σ_i,t,xy，像素值为Ii_,t,xy；

步骤B2，将每个像素点的背景模型Bt_,xy采用混合高斯分布来表示：

其中，ω_i,t,xy为第i个高斯分布的权重，且

步骤B3，对背景模型B_t,xy初始化，初始化参数为均值的初始值μ_i,0,xy和方差的初始值

5.根据权利要求1所述的车辆监测方法，其特征在于，步骤2具体包括：

步骤201，采集t时刻的视频图像，将当前图像的每个像素值I_t,xy与和它对应的背景模型进行匹配检验：

如果像素值I_t,xy与背景模型中第k个高斯分布均值μ_k,t,xy之间的距离|I_t,xy-μ_k,t,xy|小于等于第k个高斯分布标准差的2.5倍，则第k个高斯分布与该像素值X_i匹配，此时转向步骤202；

如果像素值I_t,xy对应的背景模型中，没有高斯分布与该像素值It_,xy匹配，此时转向步骤203；

步骤202，对于背景模型中不匹配的高斯分布，这些高斯分布的均值和方差保持不变；对于背景模型中匹配的第k个高斯分布，该高斯分布的权重按照ω_k,t,xy＝(1-α)ω_k,t-1_,xy+α更新，均值按照更新，协方差按照更新；其中，ω_k,t,xy、μ_k,t,xy和Σk_,t,xy分别为t时刻第k个高斯分布的权重、均值和协方差，ω_k,t-1,xy、μ_k,t-1,xy和Σ_k,t-1,xy分别为t-1时刻第k个高斯分布的权重、均值和协方差，α为权重更新率；

步骤203，将背景模型中权重最小的高斯分布进行更新：将当前像素值I_t,xy作为该高斯分布的均值，将除去该高斯分布后剩余高斯分布中最大的方差作为该高斯分布的方差，将除去该高斯分布后剩余高斯分布中最小的权重值作为该高斯分布的权重。

6.根据权利要求5所述的车辆监测方法，其特征在于，步骤2在步骤203之后还包括：

步骤204，对更新之后的所有高斯分布的权重进行排序，并对排序后的所有权重进行归一化处理，任意权重的归一化公式为：

其中，ω_m,t,xy为归一化前的任意权重，ω′_m,t,xy为归一化前的任意权重，为归一化前所有权重的均值，为归一化前所有权重的和。

7.根据权利要求1所述的车辆监测方法，其特征在于，步骤3在识别车辆时，采用如下方法：

步骤301，采集监控区域内入口处的当前视频图像，将视频图像序列中的当前帧的每个像素值分别与背景模型进行匹配，如果该像素值与背景模型匹配，则将该像素区域标识为背景，若该像素值与背景模型不匹配，则将该像素区域标识为车辆；

步骤302，对背景和车辆进行二值化与区域连通处理处理：

将当前图像上的像素点的灰度值设置为0或1，所有灰度值大于等于阈值的图像，判定为车辆，灰度值表示为1，反之，灰度值表示为0，判定为背景，从当前帧中分割出车辆和背景；

其中，阈值的设置采用局部自适应二值化方法，把图像划分为若干的区域，每个区域有各自的阈值，再分别对每个区域判定阈值。

8.根据权利要求7所述的车辆监测方法，其特征在于，将一个图像划分为A、B、C、D四个区域，判定区域D时，设P(x，y)为点(x，y)的像素值，对于区域D有，P(D)＝P(x2，y2)-P(x2，y1)-P(x1，y2)+P(x1，y1)，得到区域D的总阈值P(D)，再除以区域D的像素点个数，得到区域D的平均阈值P＝P(D)/N；对于区域D中心点(i，j)，若P(i，j)>P，则重写点(i，j)的像素为(255，0)，反之为(0，255)；

其中，P(x2，y2)、P(x2，y1)、P(x1，y2)、P(x1，y1)分别为点(x2，y2)、点(x2，y1)、点(x1，y2)、点(x1，y1)的像素值，N为像素点个数，P(i，j)为点(i，j)的像素值。