CN108320532A - 一种交通流量的检测方法 - Google Patents

一种交通流量的检测方法 Download PDF

Info

Publication number
CN108320532A
CN108320532A CN201710028775.3A CN201710028775A CN108320532A CN 108320532 A CN108320532 A CN 108320532A CN 201710028775 A CN201710028775 A CN 201710028775A CN 108320532 A CN108320532 A CN 108320532A
Authority
CN
China
Prior art keywords
value
vehicle
detection
rgb
band
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.)
Withdrawn
Application number
CN201710028775.3A
Other languages
English (en)
Inventor
罗琼花
其他发明人请求不公开姓名
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihai Hesi Technology Co Ltd
Original Assignee
Beihai Hesi Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihai Hesi Technology Co Ltd filed Critical Beihai Hesi Technology Co Ltd
Priority to CN201710028775.3A priority Critical patent/CN108320532A/zh
Publication of CN108320532A publication Critical patent/CN108320532A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • 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
    • G08G1/0125—Traffic data processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种交通流量的检测方法，包括以下步骤S1：采集道路交通视频，并对交通视频图像进行预处理；S2：分别对道路每个车道设定两条虚拟检测带，对检测带内的像素点RGB三原色的强度值的数目进行统计，并将该值的条形统计图作为车辆的标准特征模板；S3：通过对RGB的强度值进行统计分布特征将阴影从车道中分割出来，实现车辆阴影检测；S4：当车辆通过检测带区域时，将实时特征分布与标准特征模板进行比对，获取各个交通流量参数，包括车流量统计、车速和时间占有率。

Description

一种交通流量的检测方法
技术领域
本发明涉及一种交通流量的检测方法。
背景技术
随着社会经济的快速发展，人均汽车拥有量急剧增加，给道路交通出行带来了巨大的压力。为了解决这个问题，人们做了大量的努力，应对方法之一就是建立智能交通系统。然而，再先进的交通检测系统也必须建立在对交通目标正确检测的基础上。目前，车辆检测技术有很多种，其中，基于视频的检测技术得到了人们的广泛关注，与其他方法相比，视频检测具有以下优点：安装时无须破坏地面；可以同步进行视频监控；支持多条车道同时检测。
视频车辆检测技术通常分为两大类：基于虚拟传感器的非模型交通信息检测技术；基于目标提取和模型跟踪的交通信息检测技术。作为未来车辆检测技术的发展方向，虚拟视频车辆检测技术越来越受到研究人员的重视。
发明内容
本发明要解决的技术问题是提供一种交通流量的检测方法。
一种交通流量的检测方法，包括以下步骤：
S1：采集道路交通视频，并对交通视频图像进行预处理；
S2：分别对道路每个车道设定两条虚拟检测带，对检测带内的像素点RGB三原色的强度值的数目进行统计，并将该值的条形统计图作为车辆的标准特征模板；
S3：通过对RGB的强度值进行统计分布特征将阴影从车道中分割出来，实现车辆阴影检测；
S4： 当车辆通过检测带区域时，将实时特征分布与标准特征模板进行比对，获取各个交通流量参数，包括车流量统计、车速和时间占有率。
进一步的，所述两条检测带之间的距离小于一辆小轿车的长度。
进一步的，车辆阴影检测的具体步骤如下：
1）计算并化简检测带区域每一个像素点RGB三原色的强度值，将RGB的强度值约束为0-25之间的正整数，如下式：
；
式中，为检测带中像素点RGB的实际强度值；为将约束后的值；
2）计算每一个像素点RGB彼此间强度的差值绝对值，如下式:
；
式中，为RGB彼此间强度值的差值绝对值；
3）选取阈值、，其中表示判断该像素点是否属于阴影时RGB彼此间强度值的最大差异值，表示判断该像素点是否属于阴影时RGB的最大强度值，若， ，便认为此处属于阴影区域；
4）除去标准模板检测带内的阴影区域中的其他干扰阴影。
进一步的，车流量统计的具体步骤如下：
1）计算并化简检测带区域每一个像素点RGB三原色的强度值，将RGB的强度值约束为0-25之间的正整数如下式：
；
式中，为检测带中像素点RGB的实际强度值；为将约束后的值；
2）对检测带区域内的值分别进行统计，得到RGB的条形统计图作为这帧图像的实时特征分布；
3）取连续多帧无车辆通过无阴影检测带的视频图像的实时特征分布，将其训练成标准模板；
4）计算实时特征值与标准模板特征值之间的距离，如下式：
式中，为实时特征值；，为标准模板特征值；为当i=R,G,B中的一个时，第k个区域的特征值与标准模板之间的差异；为实时特征值和标准模板特征值之间差异较大的值；为实时特征值与标准模板特征值之间的距离；
5）当两条检测带存在有连续k帧同时为高电平的情况，并且在车辆后通过的检测带为高电平状态期间，车辆先通过的检测带的电平跳变规则为高电平状态跳变为低电平，车辆计数加1。
进一步的，车速的计算方法如下：
，
式中，V为车速，D为两条检测带之间的距离，R为帧率，Frame1为车辆先通过的检测带检测到车辆时的初始帧，Frame2为车辆后通过的检测带检测到车辆时的初始帧。
进一步的，时间占有率的计算方法如下：
，
式中，s为车道时间占有率，Frameh为出现高电平的帧，Framen为当前的视频帧号。
本发明的有益效果是：
本发明采用基于视频虚拟检测带的交通流量检测方法，对检测带范围内像素点RGB的强度值进行统计，将无车辆时的统计值作为标准特征模板，通过计算每一帧实时视频图像的特征值与标准模板特征值的距离进行车辆检测，检测准确率高，可满足智能交通的需要。
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。
一种交通流量的检测方法，包括以下步骤：
S1：采集道路交通视频，并对交通视频图像进行预处理；
S2：分别对道路每个车道设定两条虚拟检测带，对检测带内的像素点RGB三原色的强度值的数目进行统计，并将该值的条形统计图作为车辆的标准特征模板；
两条检测带之间的距离小于一辆小轿车的长度。
S3：通过对RGB的强度值进行统计分布特征将阴影从车道中分割出来，实现车辆阴影检测；
车辆阴影检测的具体步骤如下：
1）计算并化简检测带区域每一个像素点RGB三原色的强度值，将RGB的强度值约束为0-25之间的正整数，如下式：
；
式中，为检测带中像素点RGB的实际强度值；为将约束后的值；
2）计算每一个像素点RGB彼此间强度的差值绝对值，如下式:
；
式中，为RGB彼此间强度值的差值绝对值；
3）选取阈值、，其中表示判断该像素点是否属于阴影时RGB彼此间强度值的最大差异值，表示判断该像素点是否属于阴影时RGB的最大强度值，若， ，便认为此处属于阴影区域；
4）除去标准模板检测带内的阴影区域中的其他干扰阴影。
S4： 当车辆通过检测带区域时，将实时特征分布与标准特征模板进行比对，获取各个交通流量参数，包括车流量统计、车速和时间占有率；
车流量统计的具体步骤如下：
1）计算并化简检测带区域每一个像素点RGB三原色的强度值，将RGB的强度值约束为0-25之间的正整数如下式：
；
式中，为检测带中像素点RGB的实际强度值；为将约束后的值；
2）对检测带区域内的值分别进行统计，得到RGB的条形统计图作为这帧图像的实时特征分布；
3）取连续多帧无车辆通过无阴影检测带的视频图像的实时特征分布，将其训练成标准模板；
4）计算实时特征值与标准模板特征值之间的距离，如下式：
式中，为实时特征值；，为标准模板特征值；为当i=R,G,B中的一个时，第k个区域的特征值与标准模板之间的差异；为实时特征值和标准模板特征值之间差异较大的值；为实时特征值与标准模板特征值之间的距离；
5）当两条检测带存在有连续k帧同时为高电平的情况，并且在车辆后通过的检测带为高电平状态期间，车辆先通过的检测带的电平跳变规则为高电平状态跳变为低电平，车辆计数加1。
车速的计算方法如下：
，
式中，V为车速，D为两条检测带之间的距离，R为帧率，Frame1为车辆先通过的检测带检测到车辆时的初始帧，Frame2为车辆后通过的检测带检测到车辆时的初始帧。
时间占有率的计算方法如下：
，
式中，s为车道时间占有率，Frameh为出现高电平的帧，Framen为当前的视频帧号。

Claims (6)

1.一种交通流量的检测方法，其特征在于，包括以下步骤：
S1：采集道路交通视频，并对交通视频图像进行预处理；
S2：分别对道路每个车道设定两条虚拟检测带，对检测带内的像素点RGB三原色的强度值的数目进行统计，并将该值的条形统计图作为车辆的标准特征模板；
S3：通过对RGB的强度值进行统计分布特征将阴影从车道中分割出来，实现车辆阴影检测；
S4： 当车辆通过检测带区域时，将实时特征分布与标准特征模板进行比对，获取各个交通流量参数，包括车流量统计、车速和时间占有率。
2.根据权利要求1所述的交通流量的检测方法，其特征在于，所述两条检测带之间的距离小于一辆小轿车的长度。
3.根据权利要求1所述的交通流量的检测方法，其特征在于，车辆阴影检测的具体步骤如下：
1）计算并化简检测带区域每一个像素点RGB三原色的强度值，将RGB的强度值约束为0-25之间的正整数，如下式：
；
式中，为检测带中像素点RGB的实际强度值；为将约束后的值；
2）计算每一个像素点RGB彼此间强度的差值绝对值，如下式:
；
式中，为RGB彼此间强度值的差值绝对值；
3）选取阈值、，其中表示判断该像素点是否属于阴影时RGB彼此间强度值的最大差异值，表示判断该像素点是否属于阴影时RGB的最大强度值，若， ，便认为此处属于阴影区域；
4）除去标准模板检测带内的阴影区域中的其他干扰阴影。
4.根据权利要求1所述的交通流量的检测方法，其特征在于，车流量统计的具体步骤如下：
1）计算并化简检测带区域每一个像素点RGB三原色的强度值，将RGB的强度值约束为0-25之间的正整数如下式：
；
式中，为检测带中像素点RGB的实际强度值；为将约束后的值；
2）对检测带区域内的值分别进行统计，得到RGB的条形统计图作为这帧图像的实时特征分布；
3）取连续多帧无车辆通过无阴影检测带的视频图像的实时特征分布，将其训练成标准模板；
4）计算实时特征值与标准模板特征值之间的距离，如下式：
式中，为实时特征值；，为标准模板特征值；为当i=R,G,B中的一个时，第k个区域的特征值与标准模板之间的差异；为实时特征值和标准模板特征值之间差异较大的值；为实时特征值与标准模板特征值之间的距离；
5）当两条检测带存在有连续k帧同时为高电平的情况，并且在车辆后通过的检测带为高电平状态期间，车辆先通过的检测带的电平跳变规则为高电平状态跳变为低电平，车辆计数加1。
5.根据权利要求1所述的交通流量的检测方法，其特征在于，车速的计算方法如下：
，
式中，V为车速，D为两条检测带之间的距离，R为帧率，Frame1为车辆先通过的检测带检测到车辆时的初始帧，Frame2为车辆后通过的检测带检测到车辆时的初始帧。
6.根据权利要求1所述的交通流量的检测方法，其特征在于，时间占有率的计算方法如下：
，
式中，s为车道时间占有率，Frameh为出现高电平的帧，Framen为当前的视频帧号。
CN201710028775.3A 2017-01-16 2017-01-16 一种交通流量的检测方法 Withdrawn CN108320532A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710028775.3A CN108320532A (zh) 2017-01-16 2017-01-16 一种交通流量的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710028775.3A CN108320532A (zh) 2017-01-16 2017-01-16 一种交通流量的检测方法

Publications (1)

Publication Number Publication Date
CN108320532A true CN108320532A (zh) 2018-07-24

Family

ID=62891968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710028775.3A Withdrawn CN108320532A (zh) 2017-01-16 2017-01-16 一种交通流量的检测方法

Country Status (1)

Country Link
CN (1) CN108320532A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889963A (zh) * 2018-09-11 2020-03-17 深圳云天励飞技术有限公司 一种道路监控方法、装置及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105448086A (zh) * 2015-07-22 2016-03-30 南通大学 一种基于虚拟检测带的交通流量检测方法
CN105551265A (zh) * 2015-02-09 2016-05-04 南通大学 一种基于虚拟检测带的交通流量检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105551265A (zh) * 2015-02-09 2016-05-04 南通大学 一种基于虚拟检测带的交通流量检测方法
CN105448086A (zh) * 2015-07-22 2016-03-30 南通大学 一种基于虚拟检测带的交通流量检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889963A (zh) * 2018-09-11 2020-03-17 深圳云天励飞技术有限公司 一种道路监控方法、装置及存储介质
CN110889963B (zh) * 2018-09-11 2021-07-20 深圳云天励飞技术有限公司 一种道路监控方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN105336169B (zh) 一种基于视频判断交通拥堵的方法和系统
CN102722982B (zh) 基于背景与帧间差分算法的车流及其运动状态检测方法
CN101739694B (zh) 基于图像分析的高压输电线的超高检测的方法及装置
CN107122758A (zh) 一种车型识别和车流量检测方法
CN105261037A (zh) 一种自适应复杂场景的运动目标检测方法
CN104517095B (zh) 一种基于深度图像的人头分割方法
CN103927876B (zh) 基于视频检测的交通溢流发生时间预测方法
CN103839279A (zh) 一种目标检测中基于vibe的粘连目标分割方法
Pan et al. Traffic surveillance system for vehicle flow detection
CN104599511B (zh) 一种基于背景建模的车流量检测方法
CN104183142A (zh) 一种基于图像视觉处理技术的车流量统计方法
CN105632170A (zh) 一种基于Mean Shift跟踪算法的交通流检测方法
CN103971524B (zh) 一种基于机器视觉的交通流量检测方法
CN103686148A (zh) 一种基于图像处理的自动检测视频图像清晰度的方法
CN103258332A (zh) 一种抗光照变化的运动目标检测方法
CN104463204A (zh) 目标数量统计方法
CN110889328A (zh) 检测道路交通状况的方法、装置、电子设备和存储介质
EP2813973A1 (en) Method and system for processing video image
CN104658272A (zh) 一种基于双目立体视觉的道路车流量统计与测速方法
CN103793921B (zh) 一种运动目标提取方法及装置
CN107507140B (zh) 基于特征融合的高速公路露天场景车辆阴影干扰抑制方法
CN102043957B (zh) 基于图像凹点的车辆分割方法
CN105448086A (zh) 一种基于虚拟检测带的交通流量检测方法
CN104899559A (zh) 一种基于视频监控的快速行人检测方法
CN105023231A (zh) 基于视频识别和手机gps的公交数据获取方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20180724

WW01 Invention patent application withdrawn after publication