CN108765453B - 基于视频流数据的高速公路团雾识别方法 - Google Patents
基于视频流数据的高速公路团雾识别方法 Download PDFInfo
- Publication number
- CN108765453B CN108765453B CN201810481635.6A CN201810481635A CN108765453B CN 108765453 B CN108765453 B CN 108765453B CN 201810481635 A CN201810481635 A CN 201810481635A CN 108765453 B CN108765453 B CN 108765453B
- Authority
- CN
- China
- Prior art keywords
- background
- image
- weather
- stream data
- fog
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于视频流数据的高速公路团雾识别方法,包括以下步骤:1、视频流数据获取;2、去除运动目标的背景图片提取;3、背景图片的天气检测结果判断;4、当前时刻背景图片的天气检测结果与前一刻背景图片天气检测结果进行比较,从而判断为当前发生区域有团雾。本发明使用维护成本低,具备快速适应天气变化的能力。观察周期短,符合团雾出现快,消失快的特性。本发明基于可视化视频图像处理技术进行团雾识别,可视化视频图像供人工决策的信息直观可视,与其它的传感器技术相比有天然优势。
Description
技术领域
本发明属于雾天检测预警技术领域,具体地涉及一种基于视频流数据的高速公路团雾识别方法。
背景技术
高速公路是关乎国民经济命脉发展的行业,近年来随着高速公路的快速发展,交通事故数量也呈现几何数增长,是经济发展和居民人身安全的严重威胁。据统计,大雾是导致高速公路恶性交通事故频发的主要原因。
目前雾天检测预警的方法主要分为两类:传统的卫星遥感、大气能见度检测仪和基于图像处理的雾天检测。“团雾”本质上也是雾,是受局部地区微气候环境的影响,在大雾中数十米到上百米的局部范围内,出现的雾气更“浓”、能见度更低的雾。团雾外视线良好,团雾内一片朦胧。团雾预测预报难、区域性强,容易造成重大交通事故。目前还没有一种很好的检测团雾的方法。
发明内容
针对一般上述存在的技术问题,本发明提出了一种基于视频流数据的高速公路团雾识别方法。
为实现上述目的,本发明采取的技术方案为:
基于视频流数据的高速公路团雾识别方法,包括以下步骤:
步骤一、采集高速公路团雾多发路段的视频流数据,并对视频流数据中的视频图像进行逐帧解码,转化为Lab空间表示,使其转换为相应的彩色图像;
步骤二、基于卡尔曼滤波的背景估计方法取得视频图像估计的背景后,把视频图像转换为背景和运动前景两类像素值,并使用背景像素值而非运动前景像素值来更新当前的背景模型,得到去除运动目标的背景图片;
步骤三、将步骤二中获取的T时刻的背景图片的全图画面进行九宫图碎片化切割,对每个碎片采用reblur二次模糊算法进行模糊度识别,若全图有70%以上碎片区域为模糊区域时,则判断为大雾天气,反正,则判断为非雾天气;
步骤四、将步骤三中判断为大雾天气的t时刻背景图片同步骤三中t-1时刻的背景图片的天气检测结果进行比较,若发生从非雾天气到大雾天气的转变,则判断输出当前发生区域有团雾;其中,t=(0,T]。
上述技术方案中,步骤二中,卡尔曼滤波法的背景估计方法进行背景估计时,当前的估计值是由当前侦之前所有视频图像的信息得到的,而背景模型则由检测的当前顿图像来更新。
上述技术方案中,所述reblur二次模糊算法的具体方法为:清晰的图片模糊后,相邻像素点灰度值变化非常大,模糊图片模糊后,相邻像素点灰度值变化很小。
与现有技术相比,本发明的有益效果在于:
相较于物理设备如激光传感器、化学颗粒物传感器,都存在设备探头易堵塞,老化,影响使用效果,本发明使用视频流数据,不存在这些问题,使得使用维护成本低,且具备快速适应天气变化的能力。同时观察周期短,符合团雾出现快,消失快的特性。
本发明基于可视化视频图像处理技术进行团雾识别,可视化视频图像供人工决策的信息直观可视,与其它的传感器技术相比有天然优势。
附图说明
图1为本发明提供的基于视频流数据的高速公路团雾识别方法的流程图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细描述:
如图1所示,本发明提供了一种基于视频流数据的高速公路团雾识别方法,包括以下步骤:
步骤一、采集高速公路团雾多发路段的视频流数据,并对视频流数据中的视频图像进行逐帧解码,转化为Lab空间表示,使其转换为相应的彩色图像;
步骤二、基于卡尔曼滤波的背景估计方法取得视频图像估计的背景后,把视频图像转换为背景和运动前景两类像素值,并使用背景像素值而非运动前景像素值来更新当前的背景模型,得到去除运动目标的背景图片;其中,卡尔曼滤波法的背景估计方法进行背景估计时,当前的估计值是由当前侦之前所有视频图像的信息得到的,而背景模型则由检测的当前顿图像来更新;
步骤三、将步骤二中获取的T时刻的背景图片的全图画面进行九宫图碎片化切割,对每个碎片采用reblur二次模糊算法进行模糊度识别,若全图有70%以上碎片区域为模糊区域时,则判断为大雾天气,反正,则判断为非雾天气;其中,所述reblur二次模糊算法的具体方法为:清晰的图片模糊后,相邻像素点灰度值变化非常大,模糊图片模糊后,相邻像素点灰度值变化很小。
步骤四、将步骤三中判断为大雾天气的t时刻背景图片同步骤三中t-1时刻的背景图片的天气检测结果进行比较,若发生从非雾天气到大雾天气的转变,则判断输出当前发生区域有团雾;其中,t=(0,T]。
卡尔曼滤波是一种利用线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法,且它能实现实时运行状态的估计和预测功能。本发明运用卡尔曼滤波法进行背景建模,且卡尔曼滤波法是一种递归的背景估计方法,在线性动态系统且噪声是高斯噪声条件下效果最佳;当背景估计时,当前的估计值是由当前侦之前所有视频图像的信息得到的,而背景模型则由检测的当前顿图像来更新,因此一段时间内的视频图像信息,都会对当前背景模型产生一定的影响。递归的背景估计方法较非递归的方法相比,在实时系统中能够节约大量的计算机内存。本发明所基于卡尔曼滤波的背景估计方法,应使用背景像素值而非运动前景像素值来更新当前的背景模型。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围中。
Claims (1)
1.基于视频流数据的高速公路团雾识别方法,其特征在于,包括以下步骤:
步骤一、采集高速公路团雾多发路段的视频流数据,并对视频流数据中的视频图像进行逐帧解码,转化为Lab空间表示,使其转换为相应的彩色图像;
步骤二、基于卡尔曼滤波的背景估计方法取得视频图像估计的背景后,把视频图像转换为背景和运动前景两类像素值,并使用背景像素值而非运动前景像素值来更新当前的背景模型,得到去除运动目标的背景图片;
步骤三、将步骤二中获取的T时刻的背景图片的全图画面进行九宫图碎片化切割,对每个碎片采用reblur二次模糊算法进行模糊度识别,若全图有70%以上碎片区域为模糊区域时,则判断为大雾天气,反正,则判断为非雾天气;
步骤四、将步骤三中判断为大雾天气的t时刻背景图片同步骤三中t-1时刻的背景图片的天气检测结果进行比较,若发生从非雾天气到大雾天气的转变,则判断输出当前发生区域有团雾;其中,t=(0,T];
步骤二中,卡尔曼滤波法的背景估计方法进行背景估计时,当前的估计值是由当前帧之前所有视频图像的信息得到的,而背景模型则由检测的当前帧图像来更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810481635.6A CN108765453B (zh) | 2018-05-18 | 2018-05-18 | 基于视频流数据的高速公路团雾识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810481635.6A CN108765453B (zh) | 2018-05-18 | 2018-05-18 | 基于视频流数据的高速公路团雾识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108765453A CN108765453A (zh) | 2018-11-06 |
CN108765453B true CN108765453B (zh) | 2022-02-18 |
Family
ID=64008338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810481635.6A Active CN108765453B (zh) | 2018-05-18 | 2018-05-18 | 基于视频流数据的高速公路团雾识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765453B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448397B (zh) * | 2018-11-20 | 2020-11-13 | 山东交通学院 | 一种基于大数据的团雾监测方法 |
CN109360433B (zh) * | 2018-11-30 | 2020-11-13 | 山东交通学院 | 适用于雾天的道路预警系统及方法 |
CN110309704B (zh) * | 2019-04-30 | 2022-01-25 | 泸州市气象局 | 一种极端天气实时检测方法、系统及终端 |
CN110838230B (zh) * | 2019-11-15 | 2020-12-22 | 侯宇红 | 一种移动视频监控方法、监控中心及系统 |
CN112419745A (zh) * | 2020-10-20 | 2021-02-26 | 中电鸿信信息科技有限公司 | 一种基于深度融合网络的高速公路团雾预警系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751558A (zh) * | 2009-12-16 | 2010-06-23 | 北京智安邦科技有限公司 | 一种基于视频的隧道烟雾检测方法及装置 |
CN103886598A (zh) * | 2014-03-25 | 2014-06-25 | 北京邮电大学 | 一种基于视频图像处理的隧道烟雾检测装置与方法 |
CN104091354A (zh) * | 2014-07-30 | 2014-10-08 | 北京华戎京盾科技有限公司 | 一种基于视频图像的火灾检测方法及其火灾检测装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175613B (zh) * | 2011-01-26 | 2012-11-14 | 南京大学 | 基于图像亮度特征的ptz视频能见度检测方法 |
AU2013206601A1 (en) * | 2013-06-28 | 2015-01-22 | Canon Kabushiki Kaisha | Variable blend width compositing |
-
2018
- 2018-05-18 CN CN201810481635.6A patent/CN108765453B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751558A (zh) * | 2009-12-16 | 2010-06-23 | 北京智安邦科技有限公司 | 一种基于视频的隧道烟雾检测方法及装置 |
CN103886598A (zh) * | 2014-03-25 | 2014-06-25 | 北京邮电大学 | 一种基于视频图像处理的隧道烟雾检测装置与方法 |
CN104091354A (zh) * | 2014-07-30 | 2014-10-08 | 北京华戎京盾科技有限公司 | 一种基于视频图像的火灾检测方法及其火灾检测装置 |
Non-Patent Citations (2)
Title |
---|
Fast fog detection for camera based Advanced Driver Assistance Systems;Spinneker R 等;《IEEE, International Conference on Intelligent Transportation Systems》;20141231;第1369-1374页 * |
雾霾自动适应高速公路智能车载监控系统;吕宏 等;《交通科技》;20171231(第3期);第150-151页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108765453A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765453B (zh) | 基于视频流数据的高速公路团雾识别方法 | |
CN106910203B (zh) | 一种视频监测中运动目标的快速检测方法 | |
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
JP5325899B2 (ja) | 侵入警報ビデオ処理装置 | |
CN108022249B (zh) | 一种遥感视频卫星运动车辆目标感兴趣区域自动提取方法 | |
CN112036254B (zh) | 基于视频图像的运动车辆前景检测方法 | |
Akarsu et al. | A fast and adaptive road defect detection approach using computer vision with real time implementation | |
CN101315701B (zh) | 运动目标图像分割方法 | |
CN112800860B (zh) | 一种事件相机和视觉相机协同的高速抛撒物检测方法和系统 | |
CN111626170B (zh) | 一种铁路边坡落石侵限检测的图像识别方法 | |
Munawar | Image and video processing for defect detection in key infrastructure | |
CN109086682A (zh) | 一种基于多特征融合的智能视频黑烟车检测方法 | |
CN111783700B (zh) | 一种路面异物自动识别预警方法和系统 | |
CN110619651A (zh) | 一种基于监控视频的行车道路分割方法 | |
Yaghoobi Ershadi et al. | Vehicle tracking and counting system in dusty weather with vibrating camera conditions | |
CN107169969B (zh) | 一种基于fpga的公路危岩崩塌堆积物大小测量及报警系统 | |
Qu et al. | Human-vehicle collision detection algorithm based on image processing | |
CN109191492A (zh) | 一种基于轮廓分析的智能视频黑烟车检测方法 | |
CN112866654B (zh) | 一种智能视频监控系统 | |
Fratama et al. | Real-time multiple vehicle counter using background subtraction for traffic monitoring system | |
CN116311071A (zh) | 一种融合帧差和ca的变电站周界异物识别方法及系统 | |
Sridevi et al. | Automatic generation of traffic signal based on traffic volume | |
CN108198422A (zh) | 一种基于视频影像的道路积水提取系统和方法 | |
Kryjak et al. | Hardware-software implementation of vehicle detection and counting using virtual detection lines | |
Parida et al. | Recognition Of Vehicle Number Plate Using MATLAB |
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 |