CN111161545A - 基于视频的交叉口区域交通参数统计方法 - Google Patents

Abstract

本发明公开了一种基于视频的交叉口区域交通参数统计方法，该方法包括：车辆检测、判断用户需求、在线交通参数统计、离线交通参数统计、信息发送和冗余信息删除五个主要阶段。本发明可以根据用户在线与离线的不同需求，提供来源于视频且基于元胞传输模型的交通参数统计数据。本发明采用模式识别和计算机快速统计代替人工统计的方法，解决人工统计数据应用于交叉口状态估计的不适应性，时效性不能保证等问题，提高了效率，节约了成本。本发明可以为交通状态监测、交通状态估计、交通状态预测、感应式交通控制、交通出行分析、交通流规律分析提供数据支撑，同时离线统计的交通参数数据也可用于土地利用、交通设施使用情况的分析。

Description

基于视频的交叉口区域交通参数统计方法

技术领域

本发明属于智能交通系统领域，具体涉及一种基于视频的交叉口区域交通参数统计方法。

背景技术

交叉口是城市道路中多股交通流的交汇处，一个交叉口的通行顺畅可以有效提高多条道路的交通效率。新的交通设施建设需要大量的时间和资金投入，不能快速地弥补交通需求的差额，同时由于司机不能及时得知道路拥堵信息，即加剧了部分道路的拥堵程度，又造成部分交通设置的闲置。智能交通系统正是通过系统内的传感器，如地磁线圈、摄像机、雷达等，快速获取道路交通系统中的多种数据，此类在线数据的高效分析将可以服务于交通状态识别、交通状态估计、交通状态预测、感应时交通控制及交通诱导，从而缓解交通拥堵，提高运输效率；另外，对于反复拥堵的地区，需要大量交通参数数据对已有交通设施的利用效率，交通设施设置的合理性，交通流规律，出行者的出行需求进行离线分析，从而提出切实可行的交通管理策略，而对检测数据的离线统计可以给出一种解决方案。

在智能交通系统的诸多数据采集手段中，视频采集是一种较为便捷廉价的采集方式，视频数据中可以包含多种信息，而且视频数据可以直观的向交通管理者展示实时的交通状态。但通过人工计数法统计交通视频中的交通参数如交通量、密度等并不现实，因为用于在线的交通状态数据具有很高的时效性，人工统计消耗的时间有可能会超过应用于在线的交通状态数据的有效时间，所以不能用于在线交通服务，而用于离线的交通参数数据，数据量大，长时间的工作会使工作人员疲惫，从而影响统计精度和效率，同时长时间低效的人工统计占用了大量的人力劳动时间，浪费人力资本。因此需要依托于计算机系统的配套方法来代替人工统计，实现在线离线统计形式高效的同时执行，从而即满足了用户对交通参数的不同需求，又避免了人工统计的弊端，还在很大程度上节省人力成本，合理化了劳动力分工。

目前，针对短时交通状态估计、预测问题和长期拥堵问题的研究，元胞传输模型都可以给出比较满意的解答，但目前的交通参数统计方法并没有按照元胞传输模型的基本条件划分区域并采集数据，不利于元在交叉口范围内应用。

发明内容

本发明提供了基于视频的交叉口区域交通参数统计方法，该方法通过使用背景差分法、二值化处理、形态学开运算及卡尔曼滤波进行车辆检测和跟踪，对检测后的车辆编号并获取位置数据，然后依据用户需求和区域划分，进行在线交通参数统计和离线交通参数统计，完成统计后发送交通参数的统计信息，删除产生的冗余数据。

本发明所述交叉口区域包括交叉口进口道区域、交叉口出口道区域、交叉口内部区域及区域连接处,所述交叉口进口道区域为交叉口进口道停车线沿车辆行驶方向反向推进至摄像机拍摄边界并结合交叉口进口路段围成的封闭区域，所述交叉口进口道区域为交叉口出口道与反向进口道停车线平行的直线沿车辆行驶方向正向推进至摄像机拍摄边界并结合交叉口出口路段围成的封闭区域，交叉口内部区域指图像中非交叉口进口道和交叉口出口道的道路区域。

本发明所述交通参数包括通行时间、交通流量、交通密度；所述交通密度指交叉口进口道和出口道对应区域的交通密度，交通流量指交叉口进口道与交叉口内部区域交界处进入交叉口的流量和交叉口出口道与交叉口内部区域交界处离开交叉口的流量，通信时间指通过交叉口各区域的时间段。

本发明所述方法需要一套配套系统作为运行的支撑，该系统包括视频采集装置、图形处理器、数据存储装置、中央处理器和通信装置。

本发明依托的系统中视频采集装置包含一个或多个高分辨率摄像机，智能补光设备，高分辨率摄像机的摄像角度为鸟瞰高点摄像，其摄像范围包括这个交叉口区域及各个交叉口进口道和出口道，智能补光设备的数据来源为高分辨率摄像机，智能补光设备包含图像处理单元、光线识别单元、灯光控制单元和照明单元，智能补光设备中的图像处理单元、光线识别单元及灯光控制单元与所述视频采集装置外的其他系统装置间无信息交互，智能补光设备放置位置为交叉口进口道及出口道道路两侧柱式支架上方，或者为交叉口进口道及出口道上方的门式支架的门架上面，或者为悬臂式支架的悬臂上面。

本发明依托的系统中数据存储装置包含内存和硬盘。

本发明依托的系统中通信装置的通信形式包含有线形式和无线形式。

本发明依托的系统中各个装置之间的连接方式为：视频采集装置与图形处理器间为双向连接，视频采集装置与数据存储装置间为双向连接，图形处理器与视频采集装置间为双向连接，图形处理器与数据存储装置间为双向连接，图形处理器与中央处理器之间为单向连接，图像处理器与中央处理器的连接方式为中央处理器的输出端连接图形处理器的输入端，中央处理器与数据存储装置间为双向连接，中央处理器与通信装置间为双向连接，中央处理器与图形处理器间为单向连接，图像处理器与中央处理器的连接方式为中央处理器的输出端连接图形处理器的输入端，通信装置与中央处理器间为双向连接，通信装置与数据存储装置间为双向连接，数据存储装置与视频采集装置间为双向连接，数据存储装置与图形处理器间为双向连接，数据存储装置与通信装置间为双向连接，数据存储装与中央处理器间为双向连接，装置间的双向连接指信息在两个装置间传输，发送方和接收方可以是两设备中的任意一个设备，装置间的单向连接指信息在两个设备间传输，发送方当且仅当为两设备中指定的一个设备，接收方为非发送方的另一个设备。

本发明的技术方案：

一种基于视频的交叉口区域交通参数统计方法，其特征在于：包括如下步骤：

步骤1：输入视频，进行车辆检测。

步骤2：判断用户需求类型，如果用户存在在线交通参数需求，执行步骤3，否则执行步骤4。

步骤3：在线交通参数统计。

步骤4：离线交通参数统计。

步骤5：发送统计结果，删除冗余的交通参数数据，如果统计结果已经满足用户的交通参数统计需求，结束程序，否则返回步骤1。

其中，步骤1中输入视频为高点拍摄的鸟瞰视频，视频区域应涵盖交叉口的各进口道和交叉口区域。

步骤2中所述用户需求为用户对交叉口区域交通流参数的需求，需求类型分为在线交通参数和离线交通参数，当数据作为区域传输模型的状态变量和输入变量时，主要统计在线交通参数，当数据用于获取区域传输模型中基本图的参数时，主要统计离线交通参数。

所述车辆检测包括以下步骤：

步骤1.1：接收视频数据，判断该场景是否为首次输入，如果是首次输入，从视频中选取的若干帧早上、中午、下午及晚上的无车图像，根据时间段分别取同一时间段内各张无车图片的各像素点灰度平均值，构建图像的灰度值矩阵B_m，B_n，B_a，B_e分别作为早上、中午、下午及晚上背景图像的灰度值数据矩阵，同时设定各进出口道的车道数α，否则，进行步骤1.2。

步骤1.2：取当前帧图像与背景图像作灰度减运算，并取绝对值，数学表达为：

g(x,y)＝|t(x,y)-b_u(x,y)|,u∈{m,n,a,e} (1)

式中，t(x,y)表示当前第t帧图片灰度值矩阵T中像素坐标(x,y)处元素的灰度值，b_u(x,y)表示背景图片的灰度值矩阵中(x,y)处元素的灰度值，g(x,y)表示当前第t帧图片与背景图片中像素坐标(x,y)处元素的灰度值差值；

步骤1.3：设置步骤b中所述灰度值差值的阈值I，如果g(x,y)＞I，将(x,y)处元素的灰度值改为κ，并且κ＞0，否则，将(x,y)处元素的灰度值改为0；

步骤1.4：对图像进行一次形态学开运算，设定图像中的每一个连续的灰度值为κ的区域为一辆车，根据拍摄角度和道路坡度定义该场景中的车辆坐标，如果图像为第1帧图片，按照由上到下，由左至右的顺序对图中所有车辆进行编号，编号记为n，n的取值为正整数，记录位置(x,y)，否则，对新出现的轮廓区域进行编号，并记录位置，对原有的车辆更新位置；

步骤1.5：对已经检验的每帧的图像进行编号，形成的序列为[p₁,…,p_t,…,p_n]，其中，处理图像p_t时，利用卡尔曼滤波法计算图像p_t-1中车辆n的位置估计值，卡尔曼滤波法的状态转移方程和观测方程为：

式中

表示图像p_t中车辆n的预测的观测位置向量，

表示图像p_t中车辆n的预测位置向量，

表示图像p_t中车辆n的预测x轴坐标，

表示图像p_t中车辆n的预测y轴坐标，A为系统矩阵，B为输入矩阵，

图像p_t-1中车辆n的位置向量，x_t-1n表示图像p_t-1中车辆n的x轴坐标，y_t-1n表示图像p_t-1中车辆n的y轴坐标，

表示图像p_t-1中影响车辆n位置的相关因素向量，其物理意义根据场景选取速度、加速度，u_xt-1n表示图像p_t-1中影响车辆n x轴坐标的相关因素，u_yt-1n表示图像p_t-1中影响车辆n y轴坐标的相关因素。

步骤1.6：融合先验位置信息和当前的观测信息，如果图像p_t中车辆n的观测向量Z_tn对应多个预测的观测位置向量

依照预测的观测位置向量

对观测向量Z_tn进行平均，产生多个新的最终观测位置向量，根据预测的观测位置向量

确定多个新的最终观测位置向量

所对应的车辆编号，如果一个预测的观测位置向量

对应多个观测向量Z_tn，则根据预测的观测位置向量

与多个观测向量Z_tn进行平均，获得唯一的最终观测位置向量，根据预测的观测位置向量

确定最终观测位置向量

对应的车辆编号。

步骤1.7：将车辆编号，拍摄时间，位置数据x轴方向像素坐标，位置数据y轴方向像素坐标汇总为结构化数据，根据时间依次进行存储，进行步骤2。

所述在线交通参数统计包括以下步骤：

步骤3.1：利用存储的背景图片，根据交叉口结构、交通参数的类型、元胞传输模型的基本假设和摄像机拍摄角度对交叉口的各进出口区域，连接处和交叉口区域进行区域划分，并对进出口区域和交叉口区域编号，记为i区域，计算进口道和出口道数量之和为λ。

步骤3.2：依照区域i的形状依次设计覆盖区域i的覆盖图形，所有覆盖图形区域内的灰度值为ω，并且ω＞0，同时，进行储存。

步骤3.3：如果算法在初始时接收到信息中心或用户发送的检测周期设置指令，按照设置指令设置在线检测周期Δt_s和在线起止时间t_s0、t_se，并从步骤1.7中调用对应于周期j的结构化数据，否则按照默认设置对短周期交通参数的检测周期Δt_s和起止时间t_s0、t_se进行初始化，并调用步骤1中周期j对应的结构化数据。

步骤3.4：用覆盖图形依次覆盖对应区域i，从存储装置中调用已经经过步骤1车辆检测后的结构化数据，筛选出结构化数据中的最终观测位置向量Z_tn,如果最终观测位置向量所对应的像素灰度值为ω，则认为位置向量对应的车辆位于区域i，统计周期j各帧中i区域的车辆数，将第t帧中i区域的车辆数记为N^t _si。

步骤3.5：判断N^t _si＝0是否成立，如果其成立，根据周期中每帧图像的间隔时间、车辆在第t帧和第t-1帧间的行驶距离d_nt及i区域的像素道路长度d_i，获取第t帧中车辆n通过区域i的时间Δt_nti，Δt_nti的数学表达为：

则在周期j通过区域i的平均时间Δt_ij表示为：

其中，n_l表示在第t帧中最小的车辆编号，n_l+N^t _si-1表示在第t帧中最大的车辆编号，N^t _sm指周期j中每帧中的平均车辆数，否则，令

v_lim为以像素为单位的道路限速。

步骤3.6：根据Δt_s、第j周期的起始时间t_j，对步骤3.4中i区域的第j周期的N^t _si进行求和获得i区域第j周期的累积交通量Q_sij。

步骤3.7：选择j周期对应的起始时间t_j，采用步骤d中获得的周期起始时间t_j对应的i区域的车辆数

将

与i区域的实际道路长度l_i相除获得t_j对应i区域的占有率O_sij，其数学表述为：

其中，l_i的数学表述为：

l_i＝d_i×θ (6)

其中d_i为第i区域的像素距离，θ为比例尺系数。

步骤3.8：中央处理器通过数值计算将步骤3.7获得的i区域的占有率O_sij转化成i区域的密度ρ_sij，其数值计算过程为：

其中，α为车道数。

步骤3.9：如果i≥λ，执行步骤3.10，否则i+1执行步骤3.2。

步骤3.10：将交通参数的统计结果N^t _si、Δt_ij、Q_sij、O_sij和ρ_sij进行储存，执行步骤5。

所述离线交通参数统计包括以下步骤：

步骤4.1：如果收到信息中心或用户发送的检测周期设置指令，中央处理器就按照设置指令设置离线统计周期Δt_l和离线起止时间t_l0、t_le，并调用从步骤1.7中获取的、对应周期j的的结构化数据，否则按照默认设置离线统计周期Δt_l和线起止时间t_l0、t_le进行初始化，并调用步骤1中获取周期j对应的结构化数据。

步骤4.2：根据交叉口结构、交通参数的类型、元胞传输模型的基本假设和摄像机拍摄角度对交叉口的各进出口区域，并对进出口区域和交叉口区域编号，记为i区域，计算进口道和出口道数量之和为λ。

步骤4.3：从区域i提取边界点的位置坐标，将取其中一点β，寻找距离β最近的两个点χ和δ，将β和χ连线，将β和δ连线，如此遍历所有边界点，将区域i拟合成一个m边形。

步骤4.4：根据m边形的m条边，设置由m个不等式方程构成的不等式组来筛选j周期i区域的车辆位置信息，其中不等式的表现形式为：

其中，a_ik表示第i区域的第k条边的斜率，b_ik表示第i区域的第k条边的截距，x_j表示第j周期中对应车辆的x轴方向的像素坐标，y_j表示第j周期中对应车辆的y轴方向的像素坐标，如果x_j和y_j满足不等式的关系就认为其所对应的车辆n在第j周期时位于区域i，否则认为车辆n不在第j周期时位于区域i。

步骤4.5：采用步骤4.4遍历所有车辆，判断区域i在离线起止时间t_l0、t_le之间是否存在车辆，如果存在，在离线起止时间t_l0、t_le之间所有出现在区域i的车辆记录其第一次在区域i出现的起始位置为(x_ni0,y_ni0)，最后一次出现的消失位置为(x_nie,y_nie)，定义两点之间的行驶时间为Δt_ne，定义起始和消失两个点的欧式距离为d_n，d_n的数学表达为：

定义车辆n在区域i的通行时间为Δt_ni，Δt_ni的数学表达为：

步骤4.6：根据Δt_l、第j周期的起始时间t_j，统计t_j和t_j+Δt_l周期内t帧图像中区域i的车辆数N^t _li。

步骤4.7：对i区域第j周期的每帧中i区域的车辆数N^t _li进行求和获得i区域第j周期的累积交通量Q_lij。

步骤4.8：选择j周期对应的起始时间t_j，采用步骤4.4中获得的周期起始时间t_j对应的i区域的车辆数

将

与i区域的实际道路长度l_i相除获得t_j和t_j+Δt_l对应i区域的占有率i区域的占有率O_lij，其数学表述为：

其中，l_i的数学表述为：

l_i＝d_i×θ (12)

其中d_i为第i区域的像素距离，θ为比例尺系数。

步骤4.9：通过数值计算将i区域的占有率O_lij转化成i区域的密度ρ_lij，其数值计算过程为：

其中，α为车道数。

步骤4.10：对起止时间t_l0、t_le内的Q_lij进行汇总求和获得i区域总交通量Q_li，对ρ_lij求其期望获得i区域平均密度ρ_mi。

步骤4.11：根据Q_li，获得i区域的平均通行时间，数学表述为：

步骤4.12：如果i≥λ，执行步骤4.13，否则i+1执行步骤4.3。

步骤4.13：将交通参数的统计结果N^t _li，O_lij，Q_lij、Q_li、ρ_lij、ρ_mi和Δt_im进行储存，执行步骤5。

有益效果：

本发明应用于智能交通系统领域，实时获取交叉口的视频，并根据用户需求统计在线交通参数和离线交通参数，在线交通参数适用于基于区域传输模型的交叉口交通状态观测、交叉口交通状态估计、交叉口交通状态预测，同时，统计数据也可以作为交叉口感应式信息号控制、车辆路径规划、车辆路径诱导等方面的数据支撑,离线交通参数数据可以用来标定区域传输模型基本图中的各项参数，同时，离线统计数据也适用于交通设施评估、交通出行分析、土地利用分析，交通等方面的需求。通过车辆检测，本发明通过车辆检测可以快速获得实时的车辆位置数据，通过基于图像的区域划分方法可以快速获得统计数据，通过基于元胞传输模型的区域代数运算划分方法获得的离线数据，可以高效的分析长周期的交通数据，同时区域区域划分的代数表示可以长期储存，占用的存储空间小，并且该表示形式对应的区域划分框架可以用于分析非视频数据如GPS轨迹数据等非视频数据。本发明的在线统计数据可以发送给有需求的驾驶员、导航设备和交通诱导装置，帮助导航装置利用元包传输模型，合理安排出行路径；本发明的离线数据可以发送给交通管理机构和研究机构，帮助管理者和研究者发现该交叉口的交通规律、连接道路的出行特征及潜在的交通异常特征，从而提出合理的交通管理方案及交通控制方法。本发明对应的方法主要依托计算机进行实现，节约人力资本，合理化了劳动分工。

附图说明

图1是本发明具体实施方式的基于视频的交叉口区域交通参数统计方法所依托的系统框架图；

图2是本发明具体实施方式的交叉口范围及区域划分示意图；

图3是本发明具体实施方式的基于视频的交叉口区域交通参数统计方法流程图；

图4是本发明具体实施方式的车辆检测结果示意图；

图5是本发明具体实施方式中7号区域的覆盖图形示意图；

其中，1-区域编号，2-编号所对应的区域划分区域，3-区域的连接处，4-交叉口道路边缘线，5-图像的边缘

具体实施方式

为了使本技术领域的人员更好地理解本发明，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晰、完整地描述，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应当在本发明的保护范围之内。

特别说明，本发明的说明书和权利要求及上述附图中的术语“i区域”、“第j周期”、“车辆数n_si”等是用于泛指符合特定条件下的对象，不是特指一个对象，同时应当理解为该类对象使用的数据在适当情况下可以在顺序等方面发生变化，以便这里描述的本发明实施例能够在图示或描述以外的类似场景中实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，本发明中交叉口交通参数泛指交叉口及交叉口进出口道范围内的累积交通量和交通密度。

根据本发明实施例，提供了一种基于视频的交叉口交通参数动态统计方法，需要说明的是，附图中的系统框架图的系统框架和统计方法可以在诸如一组计算机可执行指令的计算机系统中执行，在使用计算机模拟的交通系统中执行，在嵌入式设备中执行，在一套互联的智能设备中执行。

基于视频的交叉口交通参数动态统计系统包括：视频采集装置、图形处理器、数据存储装置、中央处理器和通信装置，如图1所示。

视频采集装置是用来获取统计所需的视频数据，其拍摄范围应包含整个交叉口区域和所有交叉口的进出口道，拍摄角度为俯角拍摄，本实例的拍摄范围如图2所示。

本实施例中视频采集装置的摄像头采用DS-2CD3T25-I3型200万像素高分辨率摄像机，视频图像大小为1920×1080，供电方式采用PoE供电，最大功率为5W，通信接口为自适应以太网口，适应环境要求温度区间为-30℃～60℃，湿度小于95％。

本实施例中视频采集装置的补光设备光源为LED灯，为了防止对司机造成眩光，补光设备添加了光栅，补光设备的供电电压为220V，采用市政供电，平均功率为21W，补光范围为半径10-15米区域，工作环境温度为-40℃-60℃。

本实施例中以服务器显卡作为图形处理器，其型号为Tesla T4，功率为40w，显卡接口为PCI Express3.0×16。

本实施例的中央处理器型号为E5-2630V4，其架构为64位，内核数量为10，功率85W，线程数量为20，支持超线程和虚拟化技术。

本实施例中数据存储装置的结构为分布集中式，其中内存部分可以和其他设备进行统一封装，硬盘部分进行独立封装，硬盘数量为4，硬盘型号为WD40EFRX，硬盘类型为NAS硬盘，存储容量4TB，功率为18W。

本实施例中通信装置主要服务于用户或信息中心与基于视频的交叉口交通参数动态统计系统之间的通信，对于短距离需求如交叉口附近车辆使用wifi或者4G/5G通信，如果视频采集装置安装的建筑内有信息中心可以采用网线进行通信，对于长距离通信可以综合考虑通信成本，通信效率，丢包率等因素，再确定采用4G，5G或光纤进行通信。

本实施例中视频采集装置中的补光设备采用220V市政供电外，其他装置及设备均需要采用集中式电源将交流电转换成直流电后进行供电，如果各设备之间距离较远可以采用分布式电源进行供电。

如图2所示本实施例的交叉口区域范围为4条交叉口道路边缘线包裹区域，其中各区域有对应编号，编号1,3,5,7对应交叉口的进口道区域，编号2,4,6,8对应交叉口的出口道区域，9号为交叉口内部区域，另外，图片边缘线内为视频拍摄区域。

如图3所示，基于视频的交叉口交通参数动态统计方法流程主包括：

步骤1：输入视频，进行车辆检测。

步骤2：本实施例对周期为5s的交通参数和周期为1小时的交通参数进行统计，因此，先执行步骤3再执行步骤4。

步骤3：在线交通参数统计。

步骤4：离线交通参数统计。

步骤5：发送统计结果，删除冗余的交通参数数据，如果统计结果已经满足用户的交通参数统计需求，结束程序，否则返回步骤1。

其中，步骤1中输入视频为高点拍摄的鸟瞰视频，视频区域应涵盖交叉口的各进口道和交叉口区域。

步骤2中所述用户需求为用户对交叉口区域交通流参数的需求，需求类型分为在线交通参数和离线交通参数，当数据作为区域传输模型的状态变量和输入变量时，主要统计在线交通参数，当数据用于获取区域传输模型中基本图的参数时，主要统计离线交通参数。

如图2所示，本实施例中子流程车辆检测的步骤如下：

步骤1.1：首先接收视频数据，本实施例中场景如图2，其中视频拍摄时间为下午，同时本场景为首次输入，从视频中选取的50帧无车图像构建图像的灰度值矩阵B_a，同时采用车道识别标定南北向各进出口道的车道数为4，东西向各进出口车道数为3，随后，进行步骤1.2。

步骤1.2：取当前帧图像与背景图像作灰度减运算，并取绝对值，数学表达为：

g(x,y)＝|t(x,y)-b_a(x,y)| (1)

式中，t(x,y)表示当前第t帧图片灰度值矩阵T中像素坐标(x,y)处元素的灰度值，b_a(x,y)表示下午背景图片的灰度值矩阵中(x,y)处元素的灰度值，g(x,y)表示当前第t帧图片与背景图片中像素坐标(x,y)处元素的灰度值差值。

步骤1.3：设置步骤1.2中所述灰度值差值的阈值35，如果g(x,y)＞35，将(x,y)处元素的灰度值改为255，否则，将(x,y)处元素的灰度值改为0。

步骤1.4：对图像进行一次形态学开运算，设定图像中的每一个连续的灰度值为255的区域为一辆车，根据拍摄角度和道路坡度定义该场景中的车辆坐标，如果图像为第1帧图片，按照由上到下，由左至右的顺序对图中所有车辆进行编号，编号记为n，n的取值为正整数，起始编号为1，记录位置(x_n,y_n)，否则，对新出现的轮廓区域进行编号，并记录位置，对原有的车辆更新位置。

步骤1.5：对已经检验的每帧的图像进行编号，形成的序列为[p₁,…,p_t,…,p_n]，其中，处理图像p_t时，利用卡尔曼滤波法计算图像p_t-1中车辆n的位置估计值，卡尔曼滤波法的状态转移方程和观测方程为：

式中

表示图像p_t中车辆n的预测的观测位置向量，

表示图像p_t中车辆n的预测位置向量，

表示图像p_t中车辆n的预测x轴坐标，

表示图像p_t中车辆n的预测y轴坐标，

图像p_t-1中车辆n的位置向量，x_t-1n表示图像p_t-1中车辆n的x轴坐标，y_t-1n表示图像p_t-1中车辆n的y轴坐标，

表示图像p_t-1中车辆n的速度向量，u_xt-1n表示图像p_t-1中车辆n x轴方向的速度分量，u_yt-1n表示图像p_t-1中车辆n y轴方向的速度分量，u_xt-1n和u_yt-1n的计算公式为：

式中，x_i为第i帧中车辆n的x轴坐标，x_i+1为第i+1帧中车辆n的x轴坐标，τ为两帧图像间的时间间隔，本实施例中τ＝0.04s，y_i为第i帧中车辆n的y轴坐标，y_i+1为第i+1帧中车辆n的y轴坐标。

步骤1.6：融合先验位置信息和当前的观测信息，如果图像p_t中车辆n的观测向量Z_tn对应多个预测的观测位置向量

依照预测的观测位置向量

对观测向量Z_tn进行平均，产生多个新的最终观测位置向量，根据预测的观测位置向量

确定多个新的最终观测位置向量

所对应的车辆编号，如果一个预测的观测位置向量

对应多个观测向量Z_tn，则根据预测的观测位置向量

与多个观测向量Z_tn进行平均，获得唯一的最终观测位置向量，根据预测的观测位置向量

确定最终观测位置向量

对应的车辆编号，其中车辆的最终检测结果如图4所示。

步骤1.7：将车辆编号，拍摄时间，位置数据x轴方向像素坐标，位置数据y轴方向像素坐标汇总为结构化数据，根据时间依次进行存储，进行步骤2。

在本实施例中所述在线交通参数统计包括以下步骤：

步骤3.1：如图2所示，根据交叉口结构,交通参数的类型和摄像机拍摄角度对交叉口的各进出口区域，连接处和交叉口区域进行区域划分，并对进出口区域和交叉口区域编号，图4中将由北向南进口道记为1号区域，区域的编号按照顺时针方向递增，计算进口道和出口道数量之和为8。

步骤3.2：图5所示，本实例以统计区域7一周期内的交通参数作为算例，依照区域7的形状依次设计覆盖区域7的覆盖图形，所有覆盖图形区域内的灰度值为255，储存覆盖图片。

步骤3.3：如果算法在初始时接收到信息中心或用户发送的检测周期设置指令，按照设置指令设置在线检测周期Δt_s＝1s和在线起止时间t_s0＝17:00:00、t_se＝17:01:00，并调用步骤1.7中、周期1对应的结构化数据，否则按照默认设置对短周期交通参数的检测周期Δt_s＝5s和起止时间t_s0＝17:00:00、t_se＝17:05:00进行初始化，并调用步骤1.7中、周期1对应的结构化数据，本实施例按照有设置指令执行。

步骤3.4：用覆盖图形依次覆盖对应区域7，从存储装置中调用已经经过步骤1车辆检测后的结构化数据，筛选出结构化数据中的最终观测位置向量

如果最终观测位置向量所对应的像素灰度值为255，则认为位置向量对应的车辆位于区域7，统计周期1各帧中7区域的车辆数，将第t帧中7区域的车辆数记为N^t _s7，其中1≤t≤25，且t是整数，也就说明本实施例中一个周期有25帧图像。

步骤3.5：因为第1周期中区域7的图像中都没有检测到车辆，所以，区域7在第1周期的通行时间计算方式为：

其中，d_i为第7区域的像素距离，d_i＝1011.34像素，v_lim为区域7以像素为单位的道路限速，v_lim＝114.55像素/s，Δt_ij＝8.83s

步骤3.6：根据Δt_s＝5s、第1周期的起始时间t_j＝17:00:00，对步骤3.4中7区域的第1周期的N^t _s7进行求和获得7区域第1周期的Q_s71＝0pcu。

步骤3.7：选择1周期对应的起始时间t_j，采用步骤3.4中获得的周期起始时间t_j对应的7区域的车辆数

将

与i区域的实际道路长度l_i＝98.1m相除获得t_j对应7区域的占有率O_sij＝0pcu/km，其数学表述为：

其中，l_i的数学表述为：

l_i＝d_i×θ (6)

其中d_i为第7区域的像素距离，d_i＝1011.34像素，θ为比例尺系数，θ＝0.097。

步骤3.8：中央处理器通过数值计算将步骤3.7获得的7区域的占有率O_sij＝0pcu/m转化成i区域的密度ρ_sij＝0pcu/km·车道，其数值计算过程为：

其中，α为车道数，α＝2。

步骤3.9：7＜8，7+1执行步骤3.2。

步骤3.10：完成第8个区域的统计后，将交通参数的统计结果N^t _si、Δt_ij、Q_sij、O_sij和ρ_sij进行储存，执行步骤5。

所述离线交通参数统计包括以下步骤：

步骤4.1：如果收到信息中心或用户发送的检测周期设置指令，中央处理器就按照设置指令设置离线统计周期Δt_l＝1h和离线起止时间t_l0＝17:00:00、t_le＝19:00:00，并调用步骤1.7中、周期1对应的结构化数据，否则按照默认设置离线统计周期Δt_l和线起止时间t_l0、t_le进行初始化，并调用步骤1.7中，周期1对应的结构化数据。

步骤4.2：沿用步骤3中的各区域标号及计算进口道和出口道数量之和，特别说明，本实施例中该步骤仍以区域7中的一个周期作为算例。

步骤4.3：从区域7提取边界点的位置坐标分别为A点(318,898),B点(628,771),C点(354,969),D点(665,836)，将取其中一点A，寻找距离A最近的两个点B和C，将A和B连线，将A和C连线，如此遍历所有边界点，将区域7拟合成一个4边形。

步骤4.4：根据4边形的4条边，设置由4个不等式方程构成的不等式组来筛选j周期i区域的车辆位置信息，其中不等式的表现形式为：

其中，x_j表示第j周期中对应车辆的x轴方向的像素坐标，y_j表示第j周期中对应车辆的y轴方向的像素坐标，如果x_j和y_j满足不等式的关系就认为其所对应的车辆n在第j周期时位于区域i，否则认为车辆n不经过第j周期时位于区域i。

步骤4.5：采用步骤遍历所有车辆，发现区域7中在起止时间t_l0＝17:00:00、t_le＝19:00:00之间存在车辆，本实施例在该步骤中以车辆163的位置进行举例，车辆在区域7的起始位置(x₁₆₃₇₀＝353,y₁₆₃₇₀＝914)和的消失位置为(x_1637e＝663,y_1637e＝806)由步骤1获得，两点之间的行驶时间为Δt_163e＝3.24s，车辆163在区域7的行驶距离d₁₆₃₇计算公式如下：

其中，d₁₆₃₇＝328.27像素，由d₁₆₃₇可以计算车辆163在区域7的通行时间为Δt₁₆₃₇，其计算公式如下：

则Δt₁₆₃₇＝9.98s。

步骤4.6：根据Δt_l＝1h、第1周期的起始时间t_j＝17:00:00，统计t_j和t_j+Δt_l周期内t帧图像中区域7的车辆数N^t _l7。

步骤4.7：对7区域第1周期的每帧中7区域的车辆数N^t _li进行求和获得7区域第1周期的累积交通量Q_lij＝379pcu。

步骤4.8：选择1周期对应的起始时间t_j，采用步骤4.4中获得的周期起始时间t_j对应的7区域的车辆数

将

与7区域的实际道路长度l_i＝98.1m相除获得t_j对应7区域的占有率O_l71＝0pcu/m，其数学表述为：

其中，l_i的数学表述为：

l_i＝d_i×θ (12)

其中d_i为第7区域的像素距离，d_i＝1011.34像素，θ为比例尺系数，θ＝0.097。

步骤4.9：通过数值计算将7区域的占有率O_l71＝0pcu/m转化成7区域的密度ρ_lij＝0pcu/km·车道，其数值计算过程为：

其中，α为车道数。

步骤4.10：对起止时间t_l0、t_le内的Q_l7j进行汇总求和获得7区域总交通量Q_l7＝748pcu，对ρ_l7j求其期望获得7区域平均密度ρ_m7＝6.11pcu/km·车道。

步骤4.11：根据Q_l7＝748pcu，获得7区域的平均通行时间Δt_7m＝7.21s，其计算公式如下：

步骤4.12：由于7＜8，7+1执行步骤4.3。

步骤4.13：完成第8个区域的统计后，将交通参数的统计结果N^t _li，O_lij，Q_lij、Q_li、ρ_lij、ρ_mi和Δt_im进行储存，执行步骤5。

Claims (2)

1.一种基于视频的交叉口区域交通参数统计方法，其特征在于：

包括如下步骤：

步骤1：输入视频，进行车辆检测；

步骤2：判断用户需求类型，如果用户存在在线交通参数需求，执行步骤3，否则执行步骤4；

步骤3：在线交通参数统计；

步骤4：离线交通参数统计；

步骤5：发送统计结果，删除冗余的交通参数数据，如果统计结果已经满足用户的交通参数统计需求，结束程序，否则返回步骤1；

其中，步骤1中所述输入视频为高点拍摄的鸟瞰视频，视频区域应涵盖交叉口的各进口道和交叉口区域；

所述车辆检测包括以下步骤：

步骤1.1：接收视频数据，判断该场景是否为首次输入，如果是首次输入，从视频中选取的若干帧早上、中午、下午及晚上的无车图像，根据时间段分别取同一时间段内各张无车图片的各像素点灰度平均值，构建图像的灰度值矩阵B_m，B_n，B_a，B_e分别作为早上、中午、下午及晚上背景图像的灰度值数据矩阵，同时设定各进出口道的车道数α，否则，进行步骤1.2

步骤1.2：取当前帧图像与背景图像作灰度减运算，并取绝对值，数学表达为：

g(x,y)＝|t(x,y)-b_u(x,y)|,u∈{m,n,a,e} (1)

式中，t(x,y)表示当前第t帧图片灰度值矩阵T中像素坐标(x,y)处元素的灰度值，b_u(x,y)表示背景图片的灰度值矩阵中(x,y)处元素的灰度值，g(x,y)表示当前第t帧图片与背景图片中像素坐标(x,y)处元素的灰度值差值；

步骤1.3：设置步骤b中所述灰度值差值的阈值I，如果g(x,y)＞I，将(x,y)处元素的灰度值改为κ，并且κ＞0，否则，将(x,y)处元素的灰度值改为0；

步骤1.4：对图像进行一次形态学开运算，设定图像中的每一个连续的灰度值为κ的区域为一辆车，根据拍摄角度和道路坡度定义该场景中的车辆坐标，如果图像为第1帧图片，按照由上到下，由左至右的顺序对图中所有车辆进行编号，编号记为n，n的取值为正整数，记录位置(x,y)，否则，对新出现的轮廓区域进行编号，并记录位置，对原有的车辆更新位置；

步骤1.5：对已经检验的每帧的图像进行编号，形成的序列为[p₁,…,p_t,…,p_n]，其中，处理图像p_t时，利用卡尔曼滤波法计算图像p_t-1中车辆n的位置估计值，卡尔曼滤波法的状态转移方程和观测方程为：

式中

表示图像p_t中车辆n的预测的观测位置向量，

表示图像p_t中车辆n的预测位置向量，

表示图像p_t中车辆n的预测x轴坐标，

表示图像p_t中车辆n的预测y轴坐标，A为系统矩阵，B为输入矩阵，

图像p_t-1中车辆n的位置向量，x_t-1n表示图像p_t-1中车辆n的x轴坐标，y_t-1n表示图像p_t-1中车辆n的y轴坐标，

表示图像p_t-1中影响车辆n位置的相关因素向量，其物理意义根据场景选取速度、加速度，u_xt-1n表示图像p_t-1中影响车辆n x轴坐标的相关因素，u_yt-1n表示图像p_t-1中影响车辆n y轴坐标的相关因素；

步骤1.6：融合先验位置信息和当前的观测信息，如果图像p_t中车辆n的观测向量Z_tn对应多个预测的观测位置向量

依照预测的观测位置向量

对观测向量Z_tn进行平均，产生多个新的最终观测位置向量，根据预测的观测位置向量

确定多个新的最终观测位置向量

所对应的车辆编号，如果一个预测的观测位置向量

对应多个观测向量Z_tn，则根据预测的观测位置向量

与多个观测向量Z_tn进行平均，获得唯一的最终观测位置向量，根据预测的观测位置向量

确定最终观测位置向量

对应的车辆编号；

步骤1.7：将车辆编号，拍摄时间，位置数据x轴方向像素坐标，位置数据y轴方向像素坐标汇总为结构化数据，根据时间依次进行存储，进行步骤2；

步骤2中所述用户需求为用户对交叉口区域交通流参数的需求，需求类型分为在线交通参数和离线交通参数；

所述在线交通参数统计包括以下步骤：

步骤3.1：利用存储的背景图片，根据交叉口结构、交通参数的类型、元胞传输模型的基本假设和摄像机拍摄角度对交叉口的各进出口区域，连接处和交叉口区域进行区域划分，并对进出口区域和交叉口区域编号，记为i区域，计算进口道和出口道数量之和为λ；

步骤3.2：依照区域i的形状依次设计覆盖区域i的覆盖图形，所有覆盖图形区域内的灰度值为ω，并且ω＞0，同时，进行储存；

步骤3.3：如果算法在初始时接收到信息中心或用户发送的检测周期设置指令，按照设置指令设置在线检测周期Δt_s和在线起止时间t_s0、t_se，并调用步骤1.7中、周期j对应的结构化数据，否则按照默认设置对短周期交通参数的检测周期Δt_s和起止时间t_s0、t_se进行初始化，并调用步骤1.7中获得的、周期j对应的结构化数据；

步骤3.4：用覆盖图形依次覆盖对应区域i，从存储装置中调用已经经过步骤1车辆检测后的结构化数据，筛选出结构化数据中的最终观测位置向量

如果最终观测位置向量所对应的像素灰度值为ω，则认为位置向量对应的车辆位于区域i，统计周期j各帧中i区域的车辆数，将第t帧中i区域的车辆数记为N^t _si；

步骤3.5：判断N^t _si＝0是否成立，如果其成立，根据周期中每帧图像的间隔时间、车辆在第t帧和第t-1帧间的行驶距离d_nt及i区域的像素道路长度d_i，获取第t帧中车辆n通过区域i的时间Δt_nti，Δt_nti的数学表达为：

则在周期j通过区域i的平均时间Δt_ij表示为：

其中，n_l表示在第t帧中最小的车辆编号，n_l+N^t _si-1表示在第t帧中最大的车辆编号，N^t _sm指周期j中每帧中的平均车辆数，否则，令

v_lim为以像素为单位的道路限速；

步骤3.6：根据Δt_s、第j周期的起始时间t_j，对步骤3.4中i区域的第j周期的N^t _si进行求和获得i 区域第j周期的累计交通量Q_sij；

步骤3.7：选择j周期对应的起始时间t_j，采用步骤3.4中获得的周期起始时间t_j对应的i区域的车辆数

将

与i区域的实际道路长度l_i相除获得t_j对应i区域的占有率O_sij，其数学表述为：

其中，l_i的数学表述为：

l_i＝d_i×θ (6)

其中d_i为第i区域的像素距离，θ为比例尺系数；

步骤3.8：中央处理器通过数值计算将步骤3.7获得的i区域的占有率O_sij转化成i区域的密度ρ_sij，其数值计算过程为：

其中，α为车道数；

步骤3.9：如果i≥λ，执行步骤3.10，否则i+1执行步骤3.2；

步骤3.10：将交通参数的统计结果N^t _si、Δt_ij、Q_sij、O_sij和ρ_sij进行储存，执行步骤5；

所述离线交通参数统计包括以下步骤：

步骤4.1：如果收到信息中心或用户发送的检测周期设置指令，中央处理器就按照设置指令设置离线统计周期Δt_l和离线起止时间t_l0、t_le，并调用步骤1.7中的、周期j对应的结构化数据，否则按照默认设置离线统计周期Δt_l和线起止时间t_l0、t_le进行初始化，并调用步骤1.7中获取的、周期j对应的结构化数据；

步骤4.2：根据交叉口结构、交通参数的类型、元胞传输模型的基本假设和摄像机拍摄角度对交叉口的各进出口区域，并对进出口区域和交叉口区域编号，记为i区域，计算进口道和出口道数量之和为λ；

步骤4.3：从区域i提取边界点的位置坐标，将取其中一点β，寻找距离β最近的两个点χ和δ，将β和χ连线，将β和δ连线，如此遍历所有边界点，将区域i拟合成一个m边形；

步骤4.4：根据m边形的m条边，设置由m个不等式方程构成的不等式组来筛选j周期i区域的车辆位置信息，其中不等式的表现形式为：

其中，a_ik表示第i区域的第k条边的斜率，b_ik表示第i区域的第k条边的截距，x_j表示第j周期中对应车辆的x轴方向的像素坐标，y_j表示第j周期中对应车辆的y轴方向的像素坐标，如果x_j和y_j满足不等式的关系就认为其所对应的车辆n在第j周期时位于区域i，否则认为车辆n不在第j周期时位于区域i；

步骤4.5：采用步骤4.4遍历所有车辆，判断区域i在离线起止时间t_l0、t_le之间是否存在车辆，如果存在，在离线起止时间t_l0、t_le之间所有出现在区域i的车辆记录其第一次在区域i出现的起始位置为(x_ni0,y_ni0)，最后一次出现的消失位置为(x_nie,y_nie)，定义两点之间的行驶时间为Δt_ne，定义起始和消失两个点的欧式距离为d_n，d_n的数学表达为：

定义车辆n在区域i的通行时间为Δt_ni，Δt_ni的数学表达为：

步骤4.6：根据Δt_l、第j周期的起始时间t_j，统计t_j和t_j+Δt_l周期内t帧图像中区域i的车辆数N^t _li；

步骤4.7：对i区域第j周期的每帧中i区域的车辆数N^t _li进行求和获得i区域第j周期的累积交通量Q_lij；

步骤4.8：选择j周期对应的起始时间t_j，采用步骤4.4中获得的周期起始时间t_j对应的i区域的车辆数

将

与i区域的实际道路长度l_i相除获得t_j和t_j+Δt_l对应i区域的占有率i区域的占有率O_lij，其数学表述为：

其中，l_i的数学表述为：

l_i＝d_i×θ (12)

其中d_i为第i区域的像素距离，θ为比例尺系数；

步骤4.9：通过数值计算将i区域的占有率O_lij转化成i区域的密度ρ_lij，其数值计算过程为：

其中，α为车道数；

步骤4.10：对起止时间t_l0、t_le内的Q_lij进行汇总求和获得i区域总交通量Q_li，对ρ_lij求其期望获得i区域平均密度ρ_mi；

步骤4.11：根据Q_li，获得i区域的平均通行时间，数学表述为：

步骤4.12：如果i≥λ，执行步骤4.13，否则i+1执行步骤4.3；

步骤4.13：将交通参数的统计结果N^t _li，O_lij，Q_lij、Q_li、ρ_lij、ρ_mi和Δt_im进行储存，执行步骤5。

2.如权利要求1所述的一种基于视频的交叉口区域交通参数统计方法，其特征在于：用于交通参数动态统计的系统包括：视频采集装置、图形处理器、数据存储装置、中央处理器和通信装置；

各装置之间的连接方式为：视频采集装置与图形处理器间为双向连接，视频采集装置与数据存储装置间为双向连接，图形处理器与视频采集装置间为双向连接，图形处理器与数据存储装置间为双向连接，图形处理器与中央处理器之间为单向连接，图像处理器与中央处理器的连接方式为中央处理器的输出端连接图形处理器的输入端，中央处理器与数据存储装置间为双向连接，中央处理器与通信装置间为双向连接，中央处理器与图形处理器间为单向连接，图像处理器与中央处理器的连接方式为中央处理器的输出端连接图形处理器的输入端，通信装置与中央处理器间为双向连接，通信装置与数据存储装置间为双向连接，数据存储装置与视频采集装置间为双向连接，数据存储装置与图形处理器间为双向连接，数据存储装置与通信装置间为双向连接，数据存储装与中央处理器间为双向连接，装置间的双向连接指信息在两个装置间传输，发送方和接收方可以是两设备中的任意一个设备，装置间的单向连接指信息在两个设备间传输，发送方当且仅当为两设备中指定的一个设备，接收方为非发送方的另一个设备。

Images