CN109919883B - 一种基于灰度转换的交通视频数据获取方法 - Google Patents
一种基于灰度转换的交通视频数据获取方法 Download PDFInfo
- Publication number
- CN109919883B CN109919883B CN201910109038.5A CN201910109038A CN109919883B CN 109919883 B CN109919883 B CN 109919883B CN 201910109038 A CN201910109038 A CN 201910109038A CN 109919883 B CN109919883 B CN 109919883B
- Authority
- CN
- China
- Prior art keywords
- gray
- image
- gray level
- pixel point
- standard
- 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
Landscapes
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于灰度转换的交通视频数据获取方法,包括灰度化处理、交通数据获取及拥堵区域识别。首先对交通视频按帧数进行图像获取,借助加权平均法对彩色图像进行灰度化处理,再依据直方图均衡法对灰度图像进行增强,对增强后的图像进行二值化、降噪操作以获取降噪图像;然后在降噪图像基础上,结合帧间差值,对经过检测线的车辆进行识别并获取交通数据;最后借助车速、流量、时间占用率数据进行拥堵区域识别。本发明能够简单、高效地从交通视频中获取关键交通数据,避免了交通视频数据占用存储空间大、分析困难的弊端,对交通拥堵区域的识别有一定的指导作用。
Description
技术领域
本发明属于智能交通领域,涉及一种基于灰度转换的交通视频数据获取方法。
背景技术
随着城市的不断发展,机动车数量逐年攀升,对有限的城市空间造成了巨大的交通压力,交通是个实时动态的过程,要下缓解当前各类交通问题,就需要大量的实时数据为支撑,高质量的动态交通信息反映了实时的交通运行状况及演变趋势,有利于管理部门及时制定更为高效的管理措施以保障交通运行的安全与顺畅。交通视频检测技术作为获得实时交通信息的重要方式,以其直观性、信息全面性得到了广泛的应用。
然而,视频作为当前获取交通数据方法的重要途径,具有占用存储空间大、处理过程复杂、机器识别难度大等特点,在实际应用中受到了诸多的限制,如何突破视频处理的繁杂过程、确保视频图像识别的可靠性、提高交通数据获取的效率成为了当前研究的重点。目前,图像灰度化处理技术日趋成熟,通过灰度化处理将三字节的彩色图像转化为一字节的灰度图像,可显著减小图像占用的存储空间、大大降低图像处理复杂程度,因此,如何将灰度化处理技术与实际具体的交通视频相结合以实现交通数据的高效率获取、如何构建完整且可直接指导数据使用者实际工作的灰度转换交通数据获取体系便显得尤为重要。
发明内容
本发明提供了一种确保了交通视频数据可靠性,提升了交通视频数据可辨识度,能有效地获取关键交通参数的基于灰度转换的交通视频数据获取方法。
本发明的基于灰度转换的交通视频数据获取方法,包括以下步骤:
1)对交通视频按固定的帧数进行图像获取,再基于加权平均法对图像进行灰度化处理,获取灰度图像;
2)基于直方图均衡法进行图像增强,即在灰度图像基础上,依据直方图均衡法将各灰度级映射为标准灰度级,获取增强图像;
3)对于需要进行二值化处理的增强图像,先依据增强图像上各标准灰度级的像素点数量绘制直方图,采用二值化方法减少数据量并凸显出车辆轮廓,再通过中值滤波法对二值化图像进行降噪,获取降噪图像;对于不需要进行二值化处理的增强图像,直接在增强图像基础上,通过中值滤波法对图像进行降噪,获取降噪图像;
4)在降噪图像基础上,结合帧间插差值及二值化方法实现车辆的识别并获取基于视频质量优化的交通数据,即为交通视频数据。
进一步的,本发明方法中,所述步骤1)中依据加权平均法计算每个像素点的灰度级,将灰度转换后的所有像素点进行组合即可获取灰度图像,对位于坐标为(x,y)的像素点,依据加权平均法计算的灰度级为:
k(x,y)=INT[0.30R(x,y)+0.59G(x,y)+0.11B(x,y)]
其中,k(x,y)表示坐标为(x,y)的像素点的灰度级,取0~255的整数;INT表示向下取整函数;R(x,y)、G(x,y)、B(x,y)分别表示坐标为(x,y)的像素点的红色分量值、绿色分量值、蓝色分量值,各分量值通过视频或图像处理软件获取。
进一步的,本发明方法中,所述步骤2)中按照如下方式进行图像增强:
2.1)计算各灰度级出现概率;
2.2)构建灰度累积分布函数;
2.3)通过灰度变换计算,将各灰度级映射为标准灰度级,获取增强图像。
进一步的,本发明方法中,所述步骤2.1)中各灰度级出现概率为:
其中,k表示灰度级,取0~255的整数;p(k)表示灰度图像中,k级灰度出现的概率;tk表示灰度图像中,处于k级灰度上的像素点数量;N表示灰度图像的像素点总数量。
进一步的,本发明方法中,所述步骤2.2)中灰度累积分布概率为:
其中,Sk表示k级灰度累积概率;i取0~k的整数;p(i)表示灰度图像中,i级灰度出现的概率。
进一步的,本发明方法中,所述步骤2.3)中,对位于坐标为(x,y)的像素点,其标准灰度级为:
gk(x,y)=INT[255·Sk(x,y)]
其中,k(x,y)表示坐标为(x,y)的像素点的灰度级,取0~255的整数;Sk(x,y)表示k(x,y)级灰度累积出现的概率;gk(x,y)表示坐标为(x,y)的像素点的标准灰度级,INT表示向下取整函数。
最后,将标准灰度转换后的所有像素点进行组合即可获取增强图像。
进一步的,本发明方法中,所述步骤3)中的二值化方法如下:
3.1)以标准灰度级为横坐标,增强图像中各标准灰度级的像素点数量为纵坐标,绘制标准灰度直方图;
3.2)初始化,令m=1;
3.5)令m=m+1,若m已达到最大迭代次数,则输出最终标准灰度阈值K并进入步骤3.6),否则,返回步骤3.3);
最后,将二值化转换后的所有像素点进行组合即可获取二值化图像。
进一步的,本发明方法中,所述步骤3)中,中值滤波法的图像去噪的方法如下:
a)在二值化图像或增强图像中,构造滑动窗口,窗口是线状,圆形,十字形或圆环形;
b)滑动窗口在二值化图像或增强图像中进行不重复扫描,并保持窗口的中心与图像中像素点位置重合,对于二值化图像,读取窗口内各个像素点的二值化灰度级,对于增强图像,读取窗口内各个像素点的标准化灰度级;
c)取窗口内各个像素点灰度级的中位数作为该窗口内所有像素点的灰度级;
d)滑动窗口遍历增强图像中的所有像素点后,输出降噪图像。
进一步的,本发明方法中,所述步骤4)中,车辆识别的方法如下:在降噪图像基础上进行帧间差值,获取检测线上的有效像素点;然后将有效像素点数量与灰度变化阈值进行对比,结合二值化方法实现车辆识别,获取交通数据。
进一步的,本发明方法中,所述步骤4)的车辆识别及交通数据获取的方法如下:
4.1)在交通视频界面上设置一对垂直于道路通行方向且间距为D、宽为d的检测线L1、L2;
4.2)对于增强图像先进行二值化再进行降噪,得到的降噪图像,进入步骤4.3),对于增强图像直接进行降噪,得到的降噪图像,进入步骤4.4);
4.3)在不同帧数的图像基础上,根据下式计算检测线上同一像素点在不同帧之间的二值化灰度级差值,进入步骤4.5):
Δhn(x,y)=|hn(x,y)-hn+j(x,y)|
其中,Δhn(x,y)、hn+j(x,y)分别表示检测线上,坐标为(x,y)的像素点在第n帧及n+j帧时的二值化灰度级,取0或1,Δhn(x,y)表示坐标为(x,y)的像素点在第n帧及n+j帧时二值化灰度级的差值;将Δhn(x,y)>0,位于检测线上(x,y)的像素点作为有效像素点;
4.4)不同帧数的图像基础上,根据下式计算检测线上同一像素点在不同帧之间的标准灰度级差值,进入步骤4.5):
其中,分别表示检测线上,坐标为(x,y)的像素点在第n帧及n+j帧时的标准灰度级,表示坐标为(x,y)的像素点在第n帧及n+j帧时标准灰度级的差值,将位于检测线上(x,y)的像素点作为有效像素点,R表示帧间插值阈值;
4.6)统计同一帧内检测线L1上所有有效像素点的数量Num1,同一帧内检测线L2上所有有效像素点的数量Num2;
4.7)定义灰度变化阈值:
其中,lx表示交通视频中标准小汽车在宽度上所占的像素点数量,dx表示交通视频中单个车道宽度上所占的像素点数量,M表示灰度变化阈值;
4.8)若在给定帧数内Num1≥M·dx、Num2≥M·dx同时成立,则记车辆通过一次,同时记录Num1、Num2由小于M·d变化为大于M·d的时刻t1、t2,也即车辆通过检测线L1、L2的时刻;
4.9)统计单位时间T内t1或t2出现的次数Q,即为交通流量数据;
式中,T表示单位时间,一般取1小时。
本发明主要包括:1)对交通视频按固定的帧数进行图像获取,再基于加权平均法对图像进行灰度化处理,获取灰度图像;2)基于直方图均衡法的图像增强,获取增强图像;3)对于需要进行二值化处理的增强图像,先依据增强图像上各标准灰度级的像素点数量绘制直方图,对标准灰度级进行二值化处理,再借助中值滤波法对二值化图像进行降噪,获取降噪图像;对于不需要进行二值化处理的增强图像,直接在增强图像基础上,借助中值滤波法对图像进行降噪,获取降噪图像;;4)在降噪图像基础上,结合帧间插差值及二值化方法实现车辆的识别并进行交通数据的获取。
进一步的,本发明还可以在获取的交通数据基础上,依据获取到的车速、流量及时间占用率,进行交通拥堵区域识别。
第一步,图像灰度化。图像灰度化采用加权平均法,用于将彩色图像转化为灰度图像。在视频中获取各像素点红(R)、绿(G)、蓝(B)三种颜色的分量值,依据加权平均法计算各像素点灰度级:k(x,y)=INT[0.30R(x,y)+0.59G(x,y)+0.11B(x,y)],其中,k(x,y)表示坐标为(x,y)的像素点的灰度级,取0~255的整数;INT表示向下取整函数;R(x,y)、G(x,y)、B(x,y)分别表示坐标为(x,y)的像素点的红色分量值、绿色分量值、蓝色分量值,各分量值可直接通过视频或图像处理软件中获取。将灰度转换后的所有像素点进行组合即可获取灰度图像。
第二步,图像增强。借助直方图均衡法扩展灰度的取值范围,使图像的对比度更强烈,包含各灰度级出现概率计算、灰度累积分布函数构建及标准灰度级获取三个步骤,可将各灰度级映射为标准灰度级。
其中,各灰度级出现的概率计算如下:
式中,k表示灰度级,取0~255的整数;p(k)表示灰度图像中,k级灰度出现的概率;tk表示灰度图像中,处于k级灰度上的像素点数量;N表示灰度图像的像素点总数量。
其中,灰度累积分布概率计算如下:
式中,Sk表示k级灰度累积出现的概率;i取0~k的整数;p(i)表示灰度图像中,i级灰度出现的概率。
其中,灰度变换方法如下:
gk(x,y)=INT[255·Sk(x,y)]
式中,k(x,y)表示坐标为(x,y)的像素点的灰度级,取0~255的整数;Sk(x,y)表示k(x,y)级灰度累积出现的概率;gk(x,y)表示坐标为(x,y)的像素点的标准灰度级,INT表示向下取整函数。
最后,将标准灰度转换后的所有像素点进行组合即可获取增强图像。
第三步,对于需要进行二值化处理的增强图像,可先依据各标准灰度级的像素点数量绘制直方图,对标准灰度级进行二值化处理,再借助中值滤波法对二值化图像进行降噪,获取降噪图像,以此压缩图像中的灰度级范围,减小数据量,凸显车辆轮廓。对于不需要进行二值化处理的增强图像,直接在增强图像基础上,借助中值滤波法对图像进行降噪,获取降噪图像。前者特点在于压缩了数据量但获取的交通数据精度较低,后者特点在于获取的交通数据精度较高但需要处理的数据量较大。
其中,图像二值化方法如下:
Step 1以标准灰度级为横坐标,增强图像中各标准灰度级的像素点数量为纵坐标,绘制标准灰度直方图;
Step 2初始化,令m=1;
Step 5令m=m+1,若m已达到最大迭代次数,则输出最终标准灰度阈值K并进入步骤Step6,否则,返回步骤Step3;
Step 6对增强图像中各像素点的标准灰度级进行二值化处理以获取二值化图像,方法为:
式中,h(x,y)表示坐标为(x,y)的像素点的二值化灰度级。
最后,将二值化转换后的所有像素点进行组合即可获取二值化图像。
其中,图像降噪方法如下:
Step 1在二值化图像或增强图像中,构造滑动窗口,窗口可以是线状,圆形,十字形,圆环形等不同形状;
Step 2滑动窗口在二值化图像或增强图像中进行不重复扫描,对于二值化图像,读取窗口内各个像素点的二值化灰度级,对于增强图像,读取窗口内各个像素点的标准化灰度级;
Step 3取窗口内各个像素点灰度级的中位数作为该窗口内所有像素点的灰度级;
Step 4滑动窗口遍历增强图像中的所有像素点后,输出降噪图像。
第四步,车辆识别及交通数据获取建立在在图像去噪基础上,主要包含两个步骤:1)在降噪图像基础上进行帧间差值,获取检测线上的有效像素点;2)将有效像素点数量与灰度变化阈值进行对比,借助二值化实现车辆识别,获取交通数据。
其中,有效像素点的获取方法如下:
Step 1在交通视频界面上设置一垂直于道路通行方向的检测线;
Step 2对于增强图像先进行二值化再进行降噪,得到的降噪图像,进入步骤Step3,对于增强图像直接进行降噪,得到的降噪图像,进入步骤Step4;
Step 3在不同帧数的图像基础上,计算检测线上同一像素点在不同帧之间的二值化灰度级差值:
Δhn(x,y)=|hn(x,y)-hn+j(x,y)|
式中,Δhn(x,y)、hn+j(x,y)分别表示检测线上,坐标为(x,y)的像素点在第n帧及n+j帧时的二值化灰度级,取0或1,Δhn(x,y)表示坐标为(x,y)的像素点在第n帧及n+j帧时二值化灰度级的差值;将Δhn(x,y)>0时,位于检测线上(x,y)的像素点称为有效像素点,进入步骤Step5;
Step 4不同帧数的图像基础上,计算检测线上同一像素点在不同帧之间的标准灰度级差值:
式中,分别表示检测线上,坐标为(x,y)的像素点在第n帧及n+j帧时的标准灰度级,表示坐标为(x,y)的像素点在第n帧及n+j帧时标准灰度级的差值;将时,位于检测线上(x,y)的像素点称为有效像素点,R表示帧间插值阈值,进入Step5;
Step 6统计在同一帧内检测线上所有有效像素点的数量Num。
其中,车辆识别及交通参数获取方法如下:
Step 1在交通视频界面上设置一对垂直于道路通行方向且间距为D、宽为d的检测线L1、L2;
Step 2统计同一帧内检测线L1上所有有效像素点的数量Num1,同一帧内检测线L2上所有有效像素点的数量Num2;
Step 3定义灰度变化阈值:
式中,lx表示交通视频中标准小汽车在宽度上所占的像素点数量,dx表示交通视频中单个车道宽度上所占的像素点数量,M表示灰度变化阈值;
Step 4若在给定帧数内Num1≥M·dx、Num2≥M·dx同时成立,则记车辆通过一次,同时记录Num1、Num2由小于M·d变化为大于M·d的时刻t1、t2,也即车辆通过检测线L1、L2的时刻;
Step 5统计单位时间T内t1或t2出现的次数Q,即为交通流量数据;
有益效果:当前视频监控作为当前获取交通数据方法的重要途径,具有占用存储空间大、处理过程复杂、车辆行为识别难度大等特点,在实际应用中受到了诸多的限制。本发明能够有效地对交通视频进行灰度化处理、图像增强、二值化处理及图像去噪,压缩了视频的数据量、凸显出车辆的轮廓,避免了交通视频数据占用存储空间大、车辆行为分析困难的弊端,可简单、高效地从交通视频中进行车辆识别并获取关键交通数据。进一步地,借助交通视频灰度化处理方法获取的交通数据,可进行拥堵区域识别、交通诱导、道路优化设计及限速管理,确保了相关方案的正确性、合理性并符合实际交通状况。
附图说明
图1为本发明的总体流程图;
图2为图像灰度流程图;
图3为图像增强流程图;
图4为图像二值化流程图;
图5为图像去噪流程图;
图6为车辆识别流程图;
图7为虚拟线圈设置示意图;
图8为交通参数获取流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供了一种基于灰度转换的交通视频数据获取方法,包含交通视频的灰度化处理、交通数据获取及拥堵区域识别三个方面。
其中,交通视频灰度化处理包含四部分内容,首先,对交通视频按固定的帧数进行图像获取,借助加权平均法将彩色图像进行灰度化处理;然后,在灰度化图像基础上依据直方图均值法对图像进行增强;最后,对于需要进行二值化处理的增强图像,先依据增强图像上各标准灰度级的像素点数量绘制直方图,对标准灰度级进行二值化处理,再借助中值滤波法对二值化图像进行降噪,获取降噪图像。对于不需要进行二值化处理的增强图像,直接在增强图像基础上,借助中值滤波法对图像进行降噪,获取降噪图像。交通参数获取包含两步,首先,在降噪图像基础上进行帧间差值,获取检测线上的有效像素点;然后,将有效像素点数量与灰度变化阈值进行对比,借助二值化实现车辆识别,获取交通数据。借助获取的车速、流量、时间占用率等交通数据进行拥堵区域识别。
当前采用的交通视频检测器绝大部分采集的是彩色图像,而大部分的彩色图像都是采用RGB颜色模式,实际上RGB并不能反映图像的形态特征,只是从光学的原理上进行颜色的调配,为便捷后续图像识别和图像分析、降低视频图像处理难度、减小存储空间,需对彩色视频进行灰度化处理。如图2所示,本发明运用加权均值法对彩色交通视频进行处理,在视频中获取各像素点红(R)、绿(G)、蓝(B)三种颜色的分量值,依据加权平均法计算各像素点灰度级:
k(x,y)=INT[0.30R(x,y)+0.59G(x,y)+0.11B(x,y)]
式中,k(x,y)表示坐标为(x,y)的像素点的灰度级,取0~255的整数;INT表示向下取整函数;R(x,y)、G(x,y)、B(x,y)分别表示坐标为(x,y)的像素点的红色分量值、绿色分量值、蓝色分量值,各分量值可直接通过视频或图像处理软件中获取。将灰度转换后的所有像素点进行组合即可获取灰度图像。
在图像的灰度化处理过程中,图像的某些关键信息有可能被削弱,因此需在图像灰度化基础上通过图像增强技术增强构成图像的像素,从而加强人和机器对图像的识别能力。直方图均衡化可将图像中像素个数多的灰度级进行展宽,对像素个数少的灰度级进行压缩,从而扩展灰度的取值范围,自动达到提高原图像对比度及灰度色调变化,使得图像的对比度更强烈。如图3所示,基于直方图均衡法的图像增强包含三个步骤:1)各灰度级出现概率的计算;2)灰度累积分布函数的构建;3)将各灰度级映射为标准灰度级,获取增强图像。最后,将灰度转换后的所有像素点进行组合即可获取灰度图像。
第一步,计算各灰度级出现概率:
式中,k表示灰度级,取0~255的整数;p(k)表示灰度图像中,k级灰度出现的概率;tk表示灰度图像中,处于k级灰度上的像素点数量;N表示灰度图像的像素点总数量。
第二步,构建灰度累积分布函数:
式中,Sk表示k级灰度累积出现的概率;i取0~k的整数;p(i)表示灰度图像中,i级灰度出现的概率。
第三步,灰度变换,将各灰度级映射为标准灰度级:
gk(x,y)=INT[255·Sk(x,y)]
式中,k(x,y)表示坐标为(x,y)的像素点的灰度级,取0~255的整数;Sk(x,y)表示k(x,y)级灰度累积出现的概率;gk(x,y)表示坐标为(x,y)的像素点的标准灰度级,INT表示向下取整函数。
最后,将标准灰度转换后的所有像素点进行组合即可获取增强图像。
当对获取的流量、车速、时间占用率等数据精度要求较低时,为减少数据量并凸显出车辆轮廓,可在图像增强基础上进行二值化处理。图像二值化将原图像中所有像素点的标准灰度值设置为0或255,整个图像呈现出明显的黑白效果。在处理过程中,选取适当的灰度阈值K,将所有灰度值大于或等于K的像素点判定为目标物体,并令其标准灰度值等于255,将所有灰度值小于K的像素点判定为背景或噪声,并令其标准灰度值等于0。如图4所示,图像二值化步骤如下:
Step 1以标准灰度级为横坐标,增强图像中各标准灰度级的像素点数量为纵坐标,绘制标准灰度直方图;
Step 2初始化,令m=1;
Step 5令m=m+1,若m已达到最大迭代次数,则输出最终标准灰度阈值K并进入步骤Step6,否则,返回步骤Step3;
Step 6对增强图像中各像素点的标准灰度级进行二值化处理以获取二值化图像,方法为:
式中,h(x,y)表示坐标为(x,y)的像素点的二值化灰度级。
最后,将二值化转换后的所有像素点进行组合即可获取二值化图像。
交通视频图像的采集过程以、图像增强处理过程及图像二值化处理过程往往会伴随着噪声的产生,应尽量避免噪声数据引起的干扰。对于交通数据精度要求较低的情况,图像降噪建立在二值化图像基础上;对于交通数据精度要求较高的情况,图像降噪建立在增强图像基础上。如图5所示,本发明采用滑动窗口中值滤波法实施图像去噪,通过中值滤波法将图像中某些像素点的标准灰度级或二值化灰度级用该点的邻域像素点的灰度值代替,让各像素点的灰度值更接近真实值,从而消除孤立的噪声点。滑动窗口中值滤波法步骤如下:
Step 1在二值化图像或增强图像中,构造滑动窗口,窗口可以是线状,圆形,十字形,圆环形等不同形状;
Step 2滑动窗口在二值化图像或增强图像中进行不重复扫描,对于二值化图像,读取窗口内各个像素点的二值化灰度级,对于增强图像,读取窗口内各个像素点的标准化灰度级;
Step 3取窗口内各个像素点灰度级的中位数作为该窗口内所有像素点的灰度级;
Step 4滑动窗口遍历增强图像中的所有像素点后,输出降噪图像。
通过前述步骤实现了对交通视频的灰度化处理,在此基础上可进行车辆的识别,为关键交通参数的获取提供基础。如图6所示,车辆识别建立在在图像去噪基础上,借助帧间差值法进行车辆识别,获取检测线上的有效像素点数量,并与灰度变化阈值进行对比来实现车辆的识别。
其中,有效像素点的获取方法如下:
Step 1在交通视频界面上设置一垂直于道路通行方向的检测线;
Step 2对于增强图像先进行二值化再进行降噪,得到的降噪图像,进入步骤Step3,对于增强图像直接进行降噪,得到的降噪图像,进入步骤Step5;
Step 3在不同帧数的图像基础上,计算检测线上同一像素点在不同帧之间的二值化灰度级差值:
Δhn(x,y)=|hn(x,y)-hn+j(x,y)|
式中,Δhn(x,y)、hn+j(x,y)分别表示检测线上,坐标为(x,y)的像素点在第n帧及n+j帧时的二值化灰度级,取0或1,Δhn(x,y)表示坐标为(x,y)的像素点在第n帧及n+j帧时二值化灰度级的差值;
Step 4将Δhn(x,y)>0时,位于检测线上(x,y)的像素点称为有效像素点,进入步骤Step7;
Step 5不同帧数的图像基础上,计算检测线上同一像素点在不同帧之间的标准灰度级差值:
Step 8统计在同一帧内检测线上所有有效像素点的数量Num。
交通参数的获取以车辆识别的帧间插值法为基础,设置一垂直于道路通行方向的检测线,检测线长度为单个车道的宽度d,各检测线间隔D根据需求进行设置,间隔D越密集获取的交通数据越详细,检测线设置示意图见附图7。
如图8所示,当车辆经过虚拟检测线圈时,即可引起像素点的帧间插值变化,从而产生有效像素点,将有效像素点数量与灰度变化阈值进行对比,实现车辆的识别,并在车辆识别基础上实现对车速、流量及时间占用率三项交通参数,方法如下:
Step 1在交通视频界面上设置一对垂直于道路通行方向且间距为D、宽为d的检测线L1、L2;
Step 2统计同一帧内检测线L1上所有有效像素点的数量Num1,同一帧内检测线L2上所有有效像素点的数量Num2;
Step 3定义灰度变化阈值:
式中,lx表示交通视频中标准小汽车在宽度上所占的像素点数量,dx表示交通视频中单个车道宽度上所占的像素点数量,M表示灰度变化阈值;
Step 4若在给定帧数内Num1≥M·dx、Num2≥M·dx同时成立,则记车辆通过一次,同时记录Num1、Num2由小于M·d变化为大于M·d的时刻t1、t2,也即车辆通过检测线L1、L2的时刻;
Step 5统计单位时间T内t1或t2出现的次数Q,即为交通流量数据;
本发明中,通过对交通视频按照一定的帧数进行灰度化处理,实现了图像的增强、二值化及降噪处理、压缩视频数据量、凸显车辆轮廓,一定程度上缓解了视频数据占用存储空间大、分析困难的弊端,可便捷地实现车辆的识别及交通数据的获取,对交通管理与控制措施的制定有一定的指导作用。
在城市路段布设视频监控实现对原始视频数据的获取,借助前述交通视频灰度化处理方法获取的交通数据,可进行拥堵区域识别、交通诱导、道路优化设计及限速管理,避免了交通视频数据占用存储空间大、车辆行为分析困难的弊端,确保了方案的正确性、合理性并符合实际交通状况。
进一步地,车速、时间占用率、流量进行拥堵区域识别,本发明可以采用包括以下步骤的方法进行识别:
Step 1给定需要进行拥堵区域识别的时段,借助该时段内的平均车速、平均时间占用率、平均流量,再结合检测线所处路段的通行能力及平均流量计算交通负荷。其中,路段通行能力依据其等级、车道数,结合规范获取;
Step 2将平均车速小于拥堵车速或时间占用率大于拥堵占用率或交通负荷大于拥堵负荷的检测线所处的位置称为拥堵点。其中,拥堵负荷取相关规范中四级服务水平所对应的交通负荷,拥堵车速取相关规范中四级服务水平所对应的车速,拥堵占用率取0.4~0.6;
Step 3获取城市中研究区域内所有拥堵点,借助DBSCAN空间聚类算法获取主要拥堵区域。
本发明的主要发明点和创新在于得到交通视频数据。上述Step 1至Step 3对拥堵区域进行识别的步骤是现有常规技术手段,本发明除了采用这一方式进行识别过程,还可以采用其他现有已知的方法,只要能实现对拥堵区域的识别即可。
进一步的,本发明中可以在上述拥堵区域的识别基础上,对于拥堵区域,交通管理部门可借助周边道路制定交通诱导方案,并通过广播告知驾驶员。
同时,本发明中还可以依据流量数据进行道路优化设计,包括以下三个步骤:
Step 1对于拥堵区域内的道路,依据道路等级、车道数,结合规范获取道路设计通行能力值;
Step 2将道路设计通行能力与流量数据进行对比,若设计通行能力大于流量,则无需进行道路优化;若通行能力小于流量,则现有道路不能满足通行需求,需要进行优化设计;
Step 3对于需要进行优化的道路,取流量与设计通行能力的差值,并与单个车道的设计通行能力做比,获取需要进行优化时拓宽的合理车道数量。
最后应说明的是:尽管本发明对灰度转换的交通视频数据获取方法进行了示意和描述,但本领域的技术人员应当理解,只要不超出本发明的权利要求所限定的范围,可以对本发明进行各种变化和修改,这些对本发明权利要求进行改进的技术方案,均落入本发明的保护范围。
Claims (7)
1.一种基于灰度转换的交通视频数据获取方法,其特征在于,该方法包括以下步骤:
1)对交通视频按固定的帧数进行图像获取,再基于加权平均法对图像进行灰度化处理,获取灰度图像;
2)基于直方图均衡法进行图像增强,即在灰度图像基础上,依据直方图均衡法将各灰度级映射为标准灰度级,获取增强图像;
3)对于需要进行二值化处理的增强图像,先依据增强图像上各标准灰度级的像素点数量绘制直方图,采用二值化方法减少数据量并凸显出车辆轮廓,再通过中值滤波法对二值化图像进行降噪,获取降噪图像;对于不需要进行二值化处理的增强图像,直接在增强图像基础上,通过中值滤波法对图像进行降噪,获取降噪图像;所述二值化方法如下:
3.1)以标准灰度级为横坐标,增强图像中各标准灰度级的像素点数量为纵坐标,绘制标准灰度直方图;
3.2)初始化,令m=1;
3.5)令m=m+1,若m已达到最大迭代次数,则输出最终标准灰度阈值K并进入步骤3.6),否则,返回步骤3.3);
4)在降噪图像基础上,结合帧间插差值及二值化方法实现车辆的识别并获取基于视频质量优化的交通数据,即为交通视频数据,车辆识别的方法如下:在降噪图像基础上进行帧间差值,获取检测线上的有效像素点;然后将有效像素点数量与灰度变化阈值进行对比,按照如下方法结合二值化方法实现车辆识别,获取交通数据:
4.1)在交通视频界面上设置一对垂直于道路通行方向且间距为D、宽为d的检测线L1、L2;
4.2)对于增强图像先进行二值化再进行降噪,得到的降噪图像,进入步骤4.3),对于增强图像直接进行降噪,得到的降噪图像,进入步骤4.4);
4.3)在不同帧数的图像基础上,根据下式计算检测线上同一像素点在不同帧之间的二值化灰度级差值,进入步骤4.5):
Δhn(x,y)=|hn(x,y)-hn+j(x,y)|
其中,hn(x,y)、hn+j(x,y)分别表示检测线上,坐标为(x,y)的像素点在第n帧及n+j帧时的二值化灰度级,取0或1,Δhn(x,y)表示坐标为(x,y)的像素点在第n帧及n+j帧时二值化灰度级的差值;将Δhn(x,y)>0,位于检测线上(x,y)的像素点作为有效像素点;
4.4)不同帧数的图像基础上,根据下式计算检测线上同一像素点在不同帧之间的标准灰度级差值,进入步骤4.5):
其中,分别表示检测线上,坐标为(x,y)的像素点在第n帧及n+j帧时的标准灰度级,表示坐标为(x,y)的像素点在第n帧及n+j帧时标准灰度级的差值,将位于检测线上(x,y)的像素点作为有效像素点,R表示帧间插值阈值;
4.6)统计同一帧内检测线L1上所有有效像素点的数量Num1,同一帧内检测线L2上所有有效像素点的数量Num2;
4.7)定义灰度变化阈值:
其中,lx表示交通视频中标准小汽车在宽度上所占的像素点数量,dx表示交通视频中单个车道宽度上所占的像素点数量,M表示灰度变化阈值;
4.8)若在给定帧数内Num1≥M·dx、Num2≥M·dx同时成立,则记车辆通过一次,同时记录Num1、Num2由小于M·dx变化为大于M·dx的时刻t1、t2,也即车辆通过检测线L1、L2的时刻;
4.9)统计单位时间T内t1或t2出现的次数Q,即为交通流量数据;
2.根据权利要求1所述的一种基于灰度转换的交通视频数据获取方法,其特征在于,所述步骤1)中依据加权平均法计算每个像素点的灰度级,将灰度转换后的所有像素点进行组合即可获取灰度图像,对位于坐标为(x,y)的像素点,依据加权平均法计算的灰度级为:
k(x,y)=INT[0.30R(x,y)+0.59G(x,y)+0.11B(x,y)]
其中,k(x,y)表示坐标为(x,y)的像素点的灰度级,取0~255的整数;INT表示向下取整函数;R(x,y)、G(x,y)、B(x,y)分别表示坐标为(x,y)的像素点的红色分量值、绿色分量值、蓝色分量值,各分量值通过视频或图像处理软件获取。
3.根据权利要求1所述的一种基于灰度转换的交通视频数据获取方法,其特征在于,所述步骤2)中按照如下方式进行图像增强:
2.1)计算各灰度级出现概率;
2.2)构建灰度累积分布函数;
2.3)通过灰度变换计算,将各灰度级映射为标准灰度级,获取增强图像。
6.根据权利要求3所述的一种基于灰度转换的交通视频数据获取方法,其特征在于,所述步骤2.3)中,对位于坐标为(x,y)的像素点,其标准灰度级为:
gk(x,y)=INT[255·Sk(x,y)]
其中,k(x,y)表示坐标为(x,y)的像素点的灰度级,取0~255的整数;Sk(x,y)表示k(x,y)级灰度累积出现的概率;gk(x,y)表示坐标为(x,y)的像素点的标准灰度级,INT表示向下取整函数。
7.根据权利要求1、2、3、4、5或6所述的一种基于灰度转换的交通视频数据获取方法,其特征在于,所述步骤3)中,中值滤波法的图像去噪的方法如下:
a)在二值化图像或增强图像中,构造滑动窗口,窗口是线状,圆形,十字形或圆环形;
b)滑动窗口在二值化图像或增强图像中进行不重复扫描,并保持窗口的中心与图像中像素点位置重合,对于二值化图像,读取窗口内各个像素点的二值化灰度级,对于增强图像,读取窗口内各个像素点的标准化灰度级;
c)取窗口内各个像素点灰度级的中位数作为该窗口内所有像素点的灰度级;
d)滑动窗口遍历增强图像中的所有像素点后,输出降噪图像。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2018114667362 | 2018-12-03 | ||
CN201811466736 | 2018-12-03 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919883A CN109919883A (zh) | 2019-06-21 |
CN109919883B true CN109919883B (zh) | 2021-06-22 |
Family
ID=66961427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910109038.5A Active CN109919883B (zh) | 2018-12-03 | 2019-02-03 | 一种基于灰度转换的交通视频数据获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919883B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516549B (zh) * | 2019-07-25 | 2021-11-09 | 同济大学 | 一种基于二值化时域图的交通流参数获取方法 |
CN110704649B (zh) * | 2019-08-29 | 2022-09-02 | 南京邮电大学 | 一种用于构建流量图像数据集的方法及系统 |
CN110991265B (zh) * | 2019-11-13 | 2022-03-04 | 四川大学 | 一种火车票图像的版面提取方法 |
CN111553517A (zh) * | 2020-04-17 | 2020-08-18 | 平安科技(深圳)有限公司 | 道路优化方法、系统、终端及计算机可读存储介质 |
CN111861947B (zh) * | 2020-06-24 | 2023-09-22 | 江苏理工学院 | 提高直方图技术增强图像的信息熵的方法、装置 |
CN112508024A (zh) * | 2020-11-11 | 2021-03-16 | 广西电网有限责任公司南宁供电局 | 一种变压器电气铭牌钢印字体智能识别方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840638A (zh) * | 2010-05-13 | 2010-09-22 | 杭州普乐科技有限公司 | 一种交通信号控制器及控制方法 |
CN102682602A (zh) * | 2012-05-15 | 2012-09-19 | 华南理工大学 | 一种基于视频技术的道路交通参数采集方法 |
CN102930735A (zh) * | 2012-10-25 | 2013-02-13 | 安徽科力信息产业有限责任公司 | 一种基于交通视频的城市实时交通路况信息发布方法 |
CN103235940A (zh) * | 2013-05-06 | 2013-08-07 | 南京新奕天智能视频技术有限公司 | 一种高分辨率图像序列中多车牌检测的方法 |
CN103605960A (zh) * | 2013-11-15 | 2014-02-26 | 长安大学 | 一种基于不同焦距视频图像融合的交通状态识别方法 |
CN103985250A (zh) * | 2014-04-04 | 2014-08-13 | 浙江工业大学 | 轻量级的全息道路交通状态视觉检测装置 |
CN104504913A (zh) * | 2014-12-25 | 2015-04-08 | 珠海高凌环境科技有限公司 | 视频车流检测方法及装置 |
CN104778846A (zh) * | 2015-03-26 | 2015-07-15 | 南京邮电大学 | 一种基于计算机视觉的交通信号灯控制方法 |
CN104851086A (zh) * | 2015-04-17 | 2015-08-19 | 武汉恒兴通检测有限公司 | 一种针对缆索表面缺陷的图像检测方法 |
CN105046954A (zh) * | 2015-06-18 | 2015-11-11 | 无锡华通智能交通技术开发有限公司 | 基于视频智能分析的路口通行状态动态检测系统及方法 |
CN105427626A (zh) * | 2015-12-19 | 2016-03-23 | 长安大学 | 一种基于视频分析的车流量统计方法 |
CN105550999A (zh) * | 2015-12-09 | 2016-05-04 | 西安邮电大学 | 一种基于背景复用的视频图像增强处理方法 |
CN105898221A (zh) * | 2016-04-25 | 2016-08-24 | 深圳市双赢伟业科技股份有限公司 | 车联视频处理方法和装置 |
CN106060486A (zh) * | 2016-07-29 | 2016-10-26 | 电子科技大学 | 一种基于DirectShow技术的智能视频监控系统 |
CN106710228A (zh) * | 2016-12-21 | 2017-05-24 | 南京大学镇江高新技术研究院 | 一种客货分道交通参数监测系统的实现方法 |
KR20170070382A (ko) * | 2015-12-14 | 2017-06-22 | 현대모비스 주식회사 | 2차 사고 방지를 위한 긴급제동 장치 및 방법 |
CN107301388A (zh) * | 2017-06-16 | 2017-10-27 | 重庆交通大学 | 一种车辆自动识别方法及装置 |
DE102017220104A1 (de) * | 2016-11-23 | 2018-05-24 | Mitutoyo Corporation | Linsensystem mit variabler Brennweite mit Mehrebenen-Bildverarbeitung mit erweiterter Tiefenschärfe |
-
2019
- 2019-02-03 CN CN201910109038.5A patent/CN109919883B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840638A (zh) * | 2010-05-13 | 2010-09-22 | 杭州普乐科技有限公司 | 一种交通信号控制器及控制方法 |
CN102682602A (zh) * | 2012-05-15 | 2012-09-19 | 华南理工大学 | 一种基于视频技术的道路交通参数采集方法 |
CN102930735A (zh) * | 2012-10-25 | 2013-02-13 | 安徽科力信息产业有限责任公司 | 一种基于交通视频的城市实时交通路况信息发布方法 |
CN103235940A (zh) * | 2013-05-06 | 2013-08-07 | 南京新奕天智能视频技术有限公司 | 一种高分辨率图像序列中多车牌检测的方法 |
CN103605960A (zh) * | 2013-11-15 | 2014-02-26 | 长安大学 | 一种基于不同焦距视频图像融合的交通状态识别方法 |
CN103985250A (zh) * | 2014-04-04 | 2014-08-13 | 浙江工业大学 | 轻量级的全息道路交通状态视觉检测装置 |
CN104504913A (zh) * | 2014-12-25 | 2015-04-08 | 珠海高凌环境科技有限公司 | 视频车流检测方法及装置 |
CN104778846A (zh) * | 2015-03-26 | 2015-07-15 | 南京邮电大学 | 一种基于计算机视觉的交通信号灯控制方法 |
CN104851086A (zh) * | 2015-04-17 | 2015-08-19 | 武汉恒兴通检测有限公司 | 一种针对缆索表面缺陷的图像检测方法 |
CN105046954A (zh) * | 2015-06-18 | 2015-11-11 | 无锡华通智能交通技术开发有限公司 | 基于视频智能分析的路口通行状态动态检测系统及方法 |
CN105550999A (zh) * | 2015-12-09 | 2016-05-04 | 西安邮电大学 | 一种基于背景复用的视频图像增强处理方法 |
KR20170070382A (ko) * | 2015-12-14 | 2017-06-22 | 현대모비스 주식회사 | 2차 사고 방지를 위한 긴급제동 장치 및 방법 |
CN105427626A (zh) * | 2015-12-19 | 2016-03-23 | 长安大学 | 一种基于视频分析的车流量统计方法 |
CN105898221A (zh) * | 2016-04-25 | 2016-08-24 | 深圳市双赢伟业科技股份有限公司 | 车联视频处理方法和装置 |
CN106060486A (zh) * | 2016-07-29 | 2016-10-26 | 电子科技大学 | 一种基于DirectShow技术的智能视频监控系统 |
DE102017220104A1 (de) * | 2016-11-23 | 2018-05-24 | Mitutoyo Corporation | Linsensystem mit variabler Brennweite mit Mehrebenen-Bildverarbeitung mit erweiterter Tiefenschärfe |
CN106710228A (zh) * | 2016-12-21 | 2017-05-24 | 南京大学镇江高新技术研究院 | 一种客货分道交通参数监测系统的实现方法 |
CN107301388A (zh) * | 2017-06-16 | 2017-10-27 | 重庆交通大学 | 一种车辆自动识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109919883A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919883B (zh) | 一种基于灰度转换的交通视频数据获取方法 | |
CN109829403B (zh) | 一种基于深度学习的车辆防碰撞预警方法及系统 | |
CN109740465B (zh) | 一种基于实例分割神经网络框架的车道线检测算法 | |
CN111008562B (zh) | 一种特征图深度融合的人车目标检测方法 | |
WO2021208275A1 (zh) | 一种交通视频背景建模方法及系统 | |
CN110210475B (zh) | 一种非二值化和边缘检测的车牌字符图像分割方法 | |
CN106971155B (zh) | 一种基于高度信息的无人车车道场景分割方法 | |
CN106128121B (zh) | 基于局部特征分析的车辆排队长度快速检测算法 | |
CN103971128A (zh) | 一种面向无人驾驶车的交通标志识别方法 | |
CN113378641B (zh) | 基于深度神经网络和注意力机制的手势识别方法 | |
CN111563516B (zh) | 行人掩码与三维场景融合显示的方法、终端及存储介质 | |
CN102457724B (zh) | 一种图像运动检测系统及方法 | |
CN112819000A (zh) | 街景图像语义分割系统及分割方法、电子设备及计算机可读介质 | |
CN104537342A (zh) | 一种结合山脊边界检测及霍夫变换的快速车道线检测方法 | |
CN111652033A (zh) | 基于OpenCV的车道线检测方法 | |
CN111047603A (zh) | 一种基于新型马尔可夫随机场和区域合并的航拍图像混合分割算法 | |
CN111462140A (zh) | 一种基于区块拼接的实时图像实例分割方法 | |
CN110782409A (zh) | 一种去除多运动物体阴影的方法 | |
CN110969164A (zh) | 基于深度学习端对端的低照度成像车牌识别方法及装置 | |
CN116052090A (zh) | 图像质量评估方法、模型训练方法、装置、设备及介质 | |
CN111583357A (zh) | 一种基于matlab系统的物体运动图像捕捉合成方法 | |
CN116071374B (zh) | 一种车道线实例分割方法及系统 | |
CN110503049B (zh) | 基于生成对抗网络的卫星视频车辆数目估计方法 | |
CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 | |
CN112150828B (zh) | 基于图像识别技术的防抖动干扰动态调控红绿灯的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |