CN108615365B

CN108615365B - 一种基于车辆检测和跟踪的车流量统计方法

Info

Publication number: CN108615365B
Application number: CN201810435249.3A
Authority: CN
Inventors: 陈万培; 乔延婷; 吴茂友
Original assignee: Yangzhou University
Current assignee: Yangzhou University
Priority date: 2018-05-09
Filing date: 2018-05-09
Publication date: 2021-04-13
Anticipated expiration: 2038-05-09
Also published as: CN108615365A

Abstract

本发明公开了图像处理领域内的一种基于车辆检测和跟踪的车流量统计方法，包括以下步骤：1）摄像头标定，在道路交通监控处安装摄像头，利用标定板和标定软件计算标定参数；2）车辆检测，采用分类器将运动的车辆从拍摄的图像中分割出来；3）车辆跟踪，采用压缩跟踪算法，特征提取采用压缩感知对图像特征进行降维，在降维后的特征上采用简单的朴素贝叶斯分类器进行分类；4）统计车辆数目，判断跟踪的车辆目标到设置的基准线的距离，进行计数，本发明检测的准度高，实时性好，具有较高的工程实用价值，可用于智能交通的道路管控中。

Description

一种基于车辆检测和跟踪的车流量统计方法

技术领域

本发明涉及一种图像处理方法，特别涉及一种车流量统计方法。

背景技术

随着中国经济的快速发展，汽车普及率越来越高。每逢尖峰时间，现有城市道路无法负荷较大的车流量，导致交通堵塞现象时有发生且日益严重，已然成为一个不容忽视的社会问题。而智能交通概念的提出，使得通过交通流量信息反馈机制为道路拥塞高峰时期或紧急交通事故发生时的道路智能化调度管理提供依据,从而可以减少道路拥塞,以提高路面资源的利用率，受到了人们前所未有的关注。

基于车辆检测和跟踪的车流量统计技术是智能交通领域的重要组成部分。它是指利用图像处理技术检测图像中的车辆，然后对其周边区域进行特征提取，以实现车辆的检测与跟踪，进而对跟踪到的目标车辆做出位置判断，以统计视频中的车辆数目，最终将统计到的车流量信息实时传输给交通部门，以供其根据车流量的统计结果进行汽车行驶道路的调整。

目前，虽然基于传统Adaboost的车辆检测方法较为成熟，但由于其算法耗时相对较长，达不到实时性要求，导致车辆数目统计不准的缺点，无法满足产业化需求。因此，如何提高车辆检测的准确性、鲁棒性和实时性以及解决车辆重复计数和漏检现象是亟待解决的问题。

经调查分析，导致实时性不足的主要原因在于其对图像遍历次数过多导致。针对此，本发明提出了一种基于车辆检测和跟踪的车流量统计方法，目的在于减少遍历次数以提高检测速度，引入跟踪模块加快系统实时性，以便于可以实时地统计出车流量。

发明内容

本发明的目的是提供一种基于车辆检测和跟踪的车流量统计方法，其检测的准度高，实时性好，具有较高的工程实用价值。

本发明的目的是这样实现的：一种基于车辆检测和跟踪的车流量统计方法，包括以下步骤：

1)摄像头标定，在道路交通监控处安装摄像头，利用标定板和标定软件计算标定参数；

2)车辆检测，采用分类器将运动的车辆从拍摄的图像中分割出来；

3)车辆跟踪，采用压缩跟踪算法，特征提取采用压缩感知对图像特征进行降维，在降维后的特征上采用简单的朴素贝叶斯分类器进行分类；

4)统计车辆数目，判断跟踪的车辆目标到设置的基准线的距离，进行计数。

作为本发明的进一步限定，步骤1)的具体方法包括：

步骤1.1：将图像采集装置安装于道路交通监控处，调整图像采集装置的位置和姿态，使其尽量与地面保持垂直，以获得质量较好的图像；

步骤1.2：在摄像头前适当距离放置一块标定板，拍摄图像，利用摄像头标定软件获取摄像头外部参数，包括侧倾角、俯仰角、方向角、距离偏移量，以得到从图像坐标到世界坐标的数学模型。

作为本发明的进一步限定，步骤2)的具体方法包括：

步骤2.1：图像预处理，利用直方图归一化技术来修正图像对比度，采用中值滤波进行图像去噪处理；

步骤2.2：图像感兴趣区域提取，首先在整幅图像的二分之一处确定地面上的一条基准线，并在此基准线下方图像的三分之二处确立一条平行于基准线的直线，两条直线与可行驶区域形成一梯形区域，并以此作为图像处理的图像感兴趣区域；

步骤2.3：按最大最小尺度可将车辆大体分类，将检测窗口设置在一定的范围内，根据基准线设置和摄像头的安装与标定结果选取合适的检测窗口尺寸；

步骤2.4：运动车辆的检测，车辆分类的任务为用训练好的分类器将图像中的车辆提取出来，在图像感兴趣区域内按照由左至右，从下到上的顺序移动检测窗口，并不断动态调整窗口大小，保留检测到的车辆窗口位置信息，窗口的左下角坐标和窗口的边长。

作为本发明的进一步限定，步骤3)的具体方法包括：

步骤3.1：特征提取，在每帧跟踪到的目标位置的周围采样n幅子图像，然后对这些图像片进行特征提取，得到每个图像片的特征向量v；

步骤3.2：朴素贝叶斯分类器分类，用朴素贝叶斯分类器H(v)对这些特征向量v进行分类，找到最大分类分数的图像片作为当前帧跟踪到的目标，并基于此位置的目标特征更新分类器参数。

作为本发明的进一步限定，步骤4)的具体方法包括：

步骤4.1：像素对比；当交通堵塞时，用跟踪到的目标的像素值做差对比，以确定是否为同一辆车。

步骤4.2：距离计算，根据建立的数学模型确定图像坐标到世界坐标的转换公式，计算跟踪的目标车辆的实际坐标，以确定车辆到基准线的距离；

步骤4.3：车辆计数，计算标记的矩形框的下边缘中点的世界坐标，则可求得该点到摄像头的距离为d1,而基准线到摄像头的距离为d2,所以该点到基准线的实际距离D＝d1-d2，根据基准线当且仅当该点首次距离 D<0时，车辆计数累计加1，否则不予计数。

作为本发明的进一步限定，步骤2)中的分类器采用基于Haar-like特征和Adaboost算法的级联分类器，分类器的获得方法为：准备正负样本，样本包括正样本和负样本，正样本是在道路上行驶的车辆；而负样本是非车辆，并要求选取的负样本不得有重复性；训练分类器，确定需要的车辆检测正确率以及强分类器的级数，并在计算机上训练，将任意一个正负样本 S_i用Haar特征进行表征，生成Haar特征向量H_i(i＝1,2,...,n)，不同类型、尺度和位置的Haar特征计算数值就构成了某个样本的一个多维Haar 特征列向量H_i，(i＝1,2,...,n)，将生成的Haar特征向量H_i输入到Adaboost 分类器中进行训练，即可训练得到车辆分类器。

与现有技术相比，本发明的有益效果在于，本发明对于车辆分类，采用基于Haar特征和Adaboost算法的级联分类器检测；对于车辆跟踪，采用图像特征降维和朴素贝叶斯分类器；对于车辆数目的统计，采用计算跟踪目标到基准线距离的方法；使得本发明检测的准度高，实时性好，具有工程实用价值。本发明可用于智能交通的道路管控中。

附图说明

图1为本发明实施方案流程图。

图2为本发明中基准线及ROI选取示意图。

具体实施方式

下面结合具体实施例对本发明做进一步说明。

为了方便对本发明的内容进行描述，首先需要对一些概念进行说明：

概念1.摄像头标定(camera calibration)：空间中任何一点的世界坐标和图像坐标都存在转换关系，建立摄像头成像模型，摄像头的标定工作可以理解为求解模型参数的过程，根据标定所得的参数可以计算图像中的点在实际世界中的坐标。

概念2.感兴趣区(ROI：Reign of Interest)：在图像处理领域，感兴趣区域(ROI)是指从图像中选择的一个局部图像区域，这个区域是图像分析所关注的重点，确定该区域以便于进一步地处理操作。使用ROI往往可以减少处理时间。

概念3.压缩跟踪(CT)算法：通过随机投影将高维信号变为低维空间的图像特征进行处理，再利用朴素贝叶斯分类器进行分类。

如图1所示的一种基于车辆检测和跟踪的车流量统计方法，包括以下步骤：

步骤1：摄像头标定；在道路交通监控处安装摄像头，利用标定板和标定软件计算标定参数。

步骤1.1：将图像采集装置(COMS摄像头，内部参数已知)安装于道路交通监控处，调整图像采集装置的位置和姿态，使其尽量与地面保持垂直，以获得质量较好的图像。

步骤1.2：在摄像头前适当距离放置一块标定板，拍摄图像，利用摄像头标定软件获取摄像头外部参数(侧倾角

俯仰角θ、方向角ψ、距离偏移量d、h、l)以得到从图像坐标到世界坐标的数学模型。

步骤2：分类器训练。本方法采用的是基于Haar-like特征和Adaboost 算法的级联分类器，分类器通过以下步骤获得。

步骤2.1：准备正负样本。样本包括正样本和负样本，正样本是在道路上行驶的车辆；而负样本是非车辆，并要求选取的负样本不得有重复性，一般取一副图像中去除车辆尾部的其他图像区域。

步骤2.2：训练分类器；确定需要的车辆检测正确率以及强分类器的级数，并在计算机上训练。将任意一个正负样本S_i用Haar特征进行表征，生成Haar特征向量H_i(i＝1,2,...,n)；不同类型、尺度和位置的Haar特征计算数值就构成了某个样本的一个多维Haar特征列向量H_i， (i＝1,2,...,n)。将生成的Haar特征向量H_i输入到Adaboost分类器中进行训练，即可训练得到车辆分类器C。

步骤3：车辆检测；将运动的车辆从拍摄的图像中分割出来，该步骤是本发明的特点与核心，可通过以下步骤实现。

步骤3.1：图像预处理；为了突出图像中车辆的特征，有利于车辆识别，利用直方图归一化技术来修正图像对比度。为了降低天气变化引起的椒盐噪声，采用中值滤波进行图像去噪处理。

步骤3.2：图像感兴趣区域(ROI)提取；如图2所示，首先在整幅图像的二分之一处确定地面上的一条基准线，并在此基准线下方图像的三分之二处确立一条平行于基准线的直线，两条直线与可行驶区域形成一梯形区域，并以此作为图像处理的ROI区域。将该梯形按高度均分，上半部分记为ROI1，下半部分记为ROI2。

步骤3.3由于摄像头是固定的，基准线也是确定的，所以感兴趣区域内特定位置下检测到车辆的窗口大小基本是固定的；按最大最小尺度可将车辆大体分为货车和小轿车两种类别，所以ROI区域中可将检测窗口设置在一定的范围内；根据基准线设置和摄像头的安装与标定结果选取合适的检测窗口尺寸，以检测窗口的底边完全落入ROI1或ROI2区域中算起，本实验下检测窗口大小在60*60到180*180之间；其中，ROI1中检测窗口范围在60*60～100*100，ROI2中的范围在100*100～180*180。

步骤3.4：运动车辆的检测；在该系统中，车辆分类的任务为用训练好的分类器将图像中的车辆提取出来；在感兴趣区域内按照由左至右，从下到上的顺序移动检测窗口，并不断动态调整窗口大小，保留检测到的车辆窗口位置信息，窗口的左下角坐标和窗口的边长。

步骤4：车辆跟踪；采用压缩跟踪算法，对图像特征降维后再进行分类，可通过以下步骤实现。

步骤4.1：特征提取；在每帧跟踪到的目标位置的周围采样n幅子图像，然后对这些图像片进行特征提取(降维)，得到每个图像片的特征向量v。

步骤4.2：朴素贝叶斯分类器分类；用朴素贝叶斯分类器H(v)对这些特征向量v进行分类，找到最大分类分数的图像片作为当前帧跟踪到的目标，并基于此位置的目标特征更新分类器参数。

步骤5：统计车辆数目。

步骤5.1：像素对比；当交通堵塞时，因为每秒识别很多帧图片，可能一辆车被多次检测，所以用跟踪到的目标的像素值做差对比，以确定是否为同一辆车。

步骤5.2：距离计算；根据建立的数学模型确定图像坐标到世界坐标的转换公式，计算跟踪的目标车辆的实际坐标，以确定车辆到基准线的距离。假设有一点P，其在三维世界坐标系中的坐标为P_w(X_w,Y_w,Z_w)，在三维摄像头坐标系中的位置为Pc(Xc,Yc,Zc)，点Pw可通过点Pc旋转和平移变换得到，具体变换关系计算公式如下：

或

其中，

为侧倾角，θ为俯仰角，ψ为方向角，l、d、h为距离偏移量，R表示3x 3的坐标旋转矩阵，R-1是R的逆矩阵，t为1x 3的坐标平移矩阵。

步骤5.3：车辆计数；计算标记的矩形框的下边缘中点的世界坐标，则可求得该点到摄像头的距离为d1,而基准线到摄像头的距离为d2,所以该点到基准线的实际距离D＝d1-d2。根据基准线当且仅当该点首次距离 D<0时，车辆计数累计加1，否则不予计数。

步骤6：执行步骤4-步骤5共五次，然后执行步骤3，完成数据的连续采集。

采用本发明的方法，首先使用C++语言编写车流量统计软件；然后将摄像头安装在道路边上的合适位置，并在车辆行驶过程中对车辆图像进行采集；随后，把拍摄到的原始图像输入到车流量统计软件中进行处理；该视频的分辨率为720*480像素并且30帧/秒，视频的总时间是180分钟，车流量统计结果的准确率达到了98.87％；运行环境为Win7，CPU为2.4GHz。

综上所述，本发明以摄像头标定、车辆检测、车辆的跟踪以及车流量的计数为一个完整体系，本发明充分利用了基于Haar特征和Adaboost算法级联分类器的分类方法，在车辆分类阶段获得的高精度的检测结果，利用压缩跟踪算法，对检测到的车辆进行跟踪，并用距离判断跟踪目标是否经过了基准线，从而实现了准确的从所提供的输入源图像中统计出车辆数目。

本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本实用新型的保护范围内。

Claims

1.一种基于车辆检测和跟踪的车流量统计方法，其特征在于，包括以下步骤：

1)摄像头标定，在道路交通监控处安装摄像头，利用标定板和标定软件计算标定参数，具体方法包括：

步骤1.1：将摄像头安装于道路交通监控处，调整图像采集装置的位置和姿态，使其尽量与地面保持垂直，以获得质量较好的图像；

步骤1.2：在摄像头前适当距离放置一块标定板，拍摄图像，利用摄像头标定软件获取摄像头外部参数，包括侧倾角、俯仰角、方向角、距离偏移量，以得到从图像坐标到世界坐标的数学模型；

2)车辆检测，采用分类器将运动的车辆从拍摄的图像中分割出来，具体方法包括：

步骤2.3：按最大最小尺度将车辆大体分类，将检测窗口设置在一定的范围内，根据基准线设置和摄像头的安装与标定结果选取合适的检测窗口尺寸；

步骤2.4：运动车辆的检测，车辆分类的任务为用训练好的分类器将图像中的车辆提取出来，在图像感兴趣区域内按照由左至右，从下到上的顺序移动检测窗口，并不断动态调整窗口大小，保留检测到的车辆窗口位置信息，窗口的左下角坐标和窗口的边长；

2.根据权利要求1所述的一种基于车辆检测和跟踪的车流量统计方法，其特征在于，步骤3)的具体方法包括：

3.根据权利要求1所述的一种基于车辆检测和跟踪的车流量统计方法，其特征在于，步骤4)的具体方法包括：

步骤4.1：像素对比；当交通堵塞时，用跟踪到的目标的像素值做差对比，以确定是否为同一辆车；

步骤4.3：车辆计数，计算标记的检测窗口的下边缘中点的世界坐标，则可求得该点到摄像头的距离为d1,而基准线到摄像头的距离为d2,所以该点到基准线的实际距离D＝d1-d2，根据基准线当且仅当该点首次距离D<0时，车辆计数累计加1，否则不予计数。

4.根据权利要求1所述的一种基于车辆检测和跟踪的车流量统计方法，其特征在于，步骤2)中的分类器采用基于Haar-like特征和Adaboost算法的级联分类器，分类器的获得方法为：准备正负样本，样本包括正样本和负样本，正样本是在道路上行驶的车辆；而负样本是非车辆，并要求选取的负样本不得有重复性；训练分类器，确定需要的车辆检测正确率以及强分类器的级数，并在计算机上训练，将任意一个正负样本S_i用Haar特征进行表征，生成Haar特征向量H_i，i＝1,2,...,n，不同类型、尺度和位置的Haar特征计算数值就构成了某个样本的一个多维Haar特征向量H_i，i＝1,2,...,n，将生成的Haar特征向量H_i输入到Adaboost分类器中进行训练，即可训练得到车辆分类器。