CN111178184B - 基于背景建模的车位区域车辆检测方法及装置 - Google Patents
基于背景建模的车位区域车辆检测方法及装置 Download PDFInfo
- Publication number
- CN111178184B CN111178184B CN201911298017.9A CN201911298017A CN111178184B CN 111178184 B CN111178184 B CN 111178184B CN 201911298017 A CN201911298017 A CN 201911298017A CN 111178184 B CN111178184 B CN 111178184B
- Authority
- CN
- China
- Prior art keywords
- video image
- area
- parking space
- point
- gradient histogram
- 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
Classifications
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明提供了基于背景建模的车位区域车辆检测方法,包括:通过安装在高位的相机,获取视频图像,获取视频图像中车位的四边形区域,标记为建模区域;给定每个车位区域的初始车位状态,获取背景视频图像的梯度直方图模型;获取当前帧视频图像的梯度直方图模型、极值点;计算当前帧梯度直方图模型极值点的直方图相似度值,获取小于相似阈值的极值点集,获取对应的运动区域和运动区域对应的车位号;根据当前车位区域的车位状态和运动区域持续的累计时间,获取变化区域,更新车位状态;如果车位状态有更新,更新背景视频图像的梯度直方图模型。与现有技术相比,本发明有效地对路侧的车位状态进行识别,克服相机晃动、目标遮挡等非确定性问题。
Description
技术领域
本发明涉及图像处理、视频监控以及安防,特别涉及路侧停车检测方法及装置。
背景技术
近年来随着机动车数量的迅速增加,同时与之配套的停车场数量却增长缓慢。在没有足够的场地停放机动车时,机动车开始转向马路两侧停放。由于机动车数量过于庞大,同时也由于目前的没有相关部门对路边停车进行合理的规范和制约,从而出现了路边停车秩序混乱,严重时会影响动态交通,使得城市道路上的机动车车速普遍较低,有时还会发生严重的交通堵塞。如何充分使用现有的道路闲散资源,以及合理的科学的规范路边停车秩序,同时要保证二十四小时不间断的工作,从而引导机动车合理有效的停放。
目前,通用的车位区域车辆检测方法存在不鲁棒的问题,因为车位管理系统的应用场景中普遍存在车牌车辆互遮挡、非正常出车、出车入车较快等问题,传统方法不能够在算力确定的情况下处理好这几种情况下的车辆检测和跟踪问题,这进一步增加了人工干预的成本。
综上所述,目前迫切需要提出基于背景建模的车位区域车辆检测方法及装置。
发明内容
有鉴于此,本发明的主要目的在于提供路侧停车检测方案,可以有效解决车牌遮挡和无牌车问题。
为达到上述目的,按照本发明的第一个方面,提供了基于背景建模的车位区域车辆检测方法,该方法包括:
第一步骤,通过安装在高位的相机,获取视频图像,对视频图像内的车位区域进行标记,获取视频图像中车位的四边形区域,标记为建模区域;
第二步骤,选取背景视频图像,给定背景视频图像的每个车位区域的初始车位状态,采用梯度直方图建模法,获取背景视频图像的梯度直方图模型;
第三步骤,采用梯度直方图建模法,获取当前帧视频图像的梯度直方图模型、极值点的位置;计算当前帧视频图像与背景视频图像的梯度直方图模型中所有极值点的直方图相似度值,获取直方图相似度值低阈值小于相似阈值的极值点集,获取对应的运动区域和运动区域对应的车位号;
第四步骤,如果当前车位区域的车位状态为空,并且运动区域持续的累计时间不小于第一累计时间阈值,则将运动区域标记为变化区域,将车位状态更新为占用;如果当前车位区域的车位状态为占用,并且运动区域持续的累计时间不小于第二累计时间阈值,则将运动区域标记为变化区域,将车位状态更新为空;如果车位状态有更新,如果存在变化区域以外的其他运动区域,则只对变化区域的背景视频图像的梯度直方图模型进行更新,否则更新背景视频图像的梯度直方图模型;
第五步骤,如果车位区域内不存在运动区域持续的累计时间不小于第三累计时间阈值,则更新背景视频图像的梯度直方图模型。
其中,所述第一步骤包括:采用安装在距离地面高度H处的相机,采集包含车位区域的视频图像;对视频图像内的车位区域进行人工标记,以获得视频图像中车位区域的位置坐标,将车位区域标记为建模区域,其中H的取值范围为3~8米,相机的镜头朝向路侧停车车位,能够同时采集包括2个车位以上的车位区域图像。
其中,所述第二步骤中背景视频图像通过人为选择;所述给定背景视频图像的每个车位区域的初始车位状态包括:根据背景视频图像中的车位状态,人为的进行标记。
进一步地,所述梯度直方图建模法包括:
建模区域向垂直线段投影步骤,将建模区域R1中的梯度向垂直线段L上投影,线段L上的点P1在图像中的坐标为(x1,y1),建模区域的两个边界点Pa和Pb与点P1的Y坐标相同,计算线段PaPb上每个投影点的梯度值Vgradi=αXgradi+(1-α)Ygradi,其中α为X方向梯度的权重,Xgradi和Ygradi分别表示线段PaPb上第i个投影点在图像中水平方向和垂直方向的梯度值,i={1,2,3,…,n1},n1表示线段PaPb上投影点的数量;
投影点强度计算步骤,计算线段PaPb上所有投影点的梯度值的平均值将Vgrad作为线段L上投影点P1对应的强度;
梯度直方图模型获取步骤,将垂直线段L上所有投影点对应的强度序列存储为图像的梯度直方图模型;
极值点位置获取步骤,计算图像的梯度直方图模型上每个投影点的一阶导数值,将一阶导数值为0的点作为极值点,存储极值点的位置。
进一步地,所述投影点强度计算步骤包括:计算线段PaPb上所有投影点的梯度值的平均值如果Vgrad大于255,则Vgrad将设置为255,将Vgrad作为线段L上投影点P1对应的强度。
进一步地,所述极值点位置获取步骤包括:对垂直线段L上的每个投影点进行K次平滑处理;将经过K次平滑处理后的垂直线段L上所有投影点对应的强度序列存储为图像的平滑梯度直方图模型;计算图像的平滑梯度直方图模型上每个点的一阶导数值,将一阶导数值为0的点作为极值点,存储极值点的位置;其中所述平滑处理包括:针对垂直线段L上的投影点,计算投影点前k1点、投影点、投影点后k1点的强度的平均值作为投影点的强度。
进一步地,所述第三步骤包括:
视频图像的梯度直方图模型获取步骤,获取当前帧视频图像,采用梯度直方图建模法,获取当前帧视频图像的梯度直方图模型、极值点的位置;
直方图相似度计算步骤,将当前帧视频图像的梯度直方图模型记为Mj,选取第s个极值点前相邻k2个极值点、第s个极值点、第s个极值点相邻k2个极值点之间的梯度直方图模型片段作为第s个极值点的片段seg(s);计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值,其中s={1,2,…,n2},n2表示当前帧视频图像的梯度直方图模型中极值点的数量;
运动目标分割步骤,采用分水岭分割方法,将直方图相似度值小于相似阈值ST的片段seg对应的极值点作为下方极值点,将直方图相似度值不小于相似阈值ST的片段seg对应的极值点作为上方极值点;选取相邻2个以上的下方极值点作为一个低阈值极限点集;合并每一个低阈值极限点集所在的片段seg内的所有极值点,根据合并极值点的Y坐标确定运动目标的上、下边界;根据运动目标的上、下边界,从建模区域中获取对应的运动区域,并获取运动区域所在车位区域的车位号。
进一步地,所述直方图相似度计算步骤包括:
片段获取步骤,将当前帧视频图像的梯度直方图模型记为Mj,选取第s个极值点前相邻k2个极值点、第s个极值点、第s个极值点后相邻k2个极值点之间的梯度直方图模型片段作为第s个极值点的片段seg(s),获取片段seg(s)在背景视频图像的梯度直方图模型M1中对应位置的片段seg(s′);
极值点的直方图相似度计算步骤,计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值其中/> H1(I)表示当前帧视频图像中片段seg(s)中第I个投影点的强度,H2(I)表示背景视频图像中片段seg(s′)中第I个投影点的强度,N表示当前帧视频图像中片段seg(s)中投影点的数量,将d(H1,H2)作为当前帧视频图像的梯度直方图模型Mj中第s个极值点的直方图相似度值。
进一步地,所述极值点的直方图相似度计算步骤包括:计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值d(H1,H2);计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)向前偏移k3个点后的直方图相似度值d′(H1,H2);计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)向后偏移k3个点后的直方图相似度值d″(H1,H2);将d(H1,H2)、d′(H1,H2)、d″(H1,H2)中最大值作为当前帧视频图像的梯度直方图模型Mj中第s个极值点的直方图相似度值。
进一步地,所述第四步骤包括:
第一车位状态检测步骤,如果当前车位区域的车位状态为空,针对每个运动区域,统计运动区域持续的累计时间,如果运动区域持续的累计时间≥第一累计时间阈值T1,则认为车辆入车稳定,将对应的运动区域标记为变化区域,将车位状态更新为占用;
第二车位状态检测步骤,如果当前车位区域的车位状态为占用,针对每个运动区域,统计运动区域持续的累计时间,如果运动区域持续的累计时间≥第二累计时间阈值T2,则认为车辆出车稳定,将对应的运动区域标记为变化区域,将车位状态更新为空;
背景视频图像的梯度直方图模型第一更新步骤,如果当前车位区域的车位状态进行了更新,则判断当前车位区域内除了变化区域之外,是否存在其他运动区域,如果存在,只对变化区域对应的背景视频图像的梯度直方图模型进行更新,否则将背景视频图像的梯度直方图模型更新为当前帧视频图像的梯度直方图模型。
按照本发明的另一个方面,提供了基于背景建模的车位区域车辆检测装置,该装置包括:
建模区域标记模块,用于通过安装在高位的相机,获取视频图像,对视频图像内的车位区域进行标记,获取视频图像中车位的四边形区域,标记为建模区域;
背景视频图像的梯度直方图模型获取模块,用于选取背景视频图像,给定背景视频图像的每个车位区域的初始车位状态,采用梯度直方图建模模块,获取背景视频图像的梯度直方图模型;
当前帧视频图像的梯度直方图模型和运动区域获取模块,用于采用梯度直方图建模模块,获取当前帧视频图像的梯度直方图模型、极值点的位置;计算当前帧视频图像与背景视频图像的梯度直方图模型中所有极值点的直方图相似度值,获取直方图相似度值低阈值小于相似阈值的极值点集,获取对应的运动区域和运动区域对应的车位号;
车位状态更新和背景视频图像的梯度直方图模型第一更新模块,用于如果当前车位区域的车位状态为空,并且运动区域持续的累计时间不小于第一累计时间阈值,则将运动区域标记为变化区域,将车位状态更新为占用;如果当前车位区域的车位状态为占用,并且运动区域持续的累计时间不小于第二累计时间阈值,则将运动区域标记为变化区域,将车位状态更新为空;如果车位状态有更新,如果存在变化区域以外的其他运动区域,则只对变化区域的背景视频图像的梯度直方图模型进行更新,否则更新背景视频图像的梯度直方图模型;
背景视频图像的梯度直方图模型第二更新模块,用于如果车位区域内不存在运动区域持续的累计时间不小于第三累计时间阈值,则更新背景视频图像的梯度直方图模型。
其中,所述建模区域标记模块包括:用于采用安装在距离地面高度H处的相机,采集包含车位区域的视频图像;对视频图像内的车位区域进行人工标记,以获得视频图像中车位区域的位置坐标,将车位区域标记为建模区域。
进一步地,所述梯度直方图建模模块包括:
建模区域向垂直线段投影模块,用于将建模区域R1中的梯度向垂直线段L上投影,线段L上的点P1在图像中的坐标为(x1,y1),建模区域的两个边界点Pa和Pb与点P1的Y坐标相同,计算线段PaPb上每个投影点的梯度值Vgradi=αXgradi+(1-α)Ygradi,其中α为X方向梯度的权重,Xgradi和Ygradi分别表示线段PaPb上第i个投影点在图像中水平方向和垂直方向的梯度值,i={1,2,3,…,n1},n1表示线段PaPb上投影点的数量;
投影点强度计算模块,用于计算线段PaPb上所有投影点的梯度值的平均值将Vgrad作为线段L上投影点P1对应的强度;
梯度直方图模型获取模块,用于将垂直线段L上所有投影点对应的强度序列存储为图像的梯度直方图模型;
极值点位置获取模块,用于计算图像的梯度直方图模型上每个投影点的一阶导数值,将一阶导数值为0的点作为极值点,存储极值点的位置。
进一步地,所述投影点强度计算模块包括:用于计算线段PaPb上所有投影点的梯度值的平均值如果Vgrad大于255,则Vgrad将设置为255,将Vgrad作为线段L上投影点P1对应的强度。
进一步地,所述极值点位置获取模块包括:用于对垂直线段L上的每个投影点进行K次平滑处理;将经过K次平滑处理后的垂直线段L上所有投影点对应的强度序列存储为图像的平滑梯度直方图模型;计算图像的平滑梯度直方图模型上每个点的一阶导数值,将一阶导数值为0的点作为极值点,存储极值点的位置;其中所述平滑处理包括:针对垂直线段L上的投影点,计算投影点前k1点、投影点、投影点后k1点的强度的平均值作为投影点的强度。
进一步地,所述当前帧视频图像的梯度直方图模型和运动区域获取模块包括:
视频图像的梯度直方图模型获取模块,用于获取当前帧视频图像,采用梯度直方图建模法,获取当前帧视频图像的梯度直方图模型、极值点的位置;
直方图相似度计算模块,用于将当前帧视频图像的梯度直方图模型记为Mj,选取第s个极值点前相邻k2个极值点、第s个极值点、第s个极值点相邻k2个极值点之间的梯度直方图模型片段作为第s个极值点的片段seg(s);计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值,其中s={1,2,…,n2},n2表示当前帧视频图像的梯度直方图模型中极值点的数量;
运动目标分割模块,用于采用分水岭分割方法,将直方图相似度值小于相似阈值ST的片段seg对应的极值点作为下方极值点,将直方图相似度值不小于相似阈值ST的片段seg对应的极值点作为上方极值点;选取相邻2个以上的下方极值点作为一个低阈值极限点集;合并每一个低阈值极限点集所在的片段seg内的所有极值点,根据合并极值点的Y坐标确定运动目标的上、下边界;根据运动目标的上、下边界,从建模区域中获取对应的运动区域,并获取运动区域所在车位区域的车位号。
进一步地,所述直方图相似度计算模块包括:
片段获取模块,用于将当前帧视频图像的梯度直方图模型记为Mj,选取第s个极值点前相邻k2个极值点、第s个极值点、第s个极值点后相邻k2个极值点之间的梯度直方图模型片段作为第s个极值点的片段seg(s),获取片段seg(s)在背景视频图像的梯度直方图模型M1中对应位置的片段seg(s′);
极值点的直方图相似度计算模块,用于计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值其中/> H1(I)表示当前帧视频图像中片段seg(s)中第I个投影点的强度,H2(I)表示背景视频图像中片段seg(s′)中第I个投影点的强度,N表示当前帧视频图像中片段seg(s)中投影点的数量,将d(H1,H2)作为当前帧视频图像的梯度直方图模型Mj中第s个极值点的直方图相似度值。
进一步地,所述极值点的直方图相似度计算模块包括:用于计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值d(H1,H2);计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)向前偏移k3个点后的直方图相似度值d′(H1,H2);计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)向后偏移k3个点后的直方图相似度值d″(H1,H2);将d(H1,H2)、d′(H1,H2)、d″(H1,H2)中最大值作为当前帧视频图像的梯度直方图模型Mj中第s个极值点的直方图相似度值。
进一步地,所述车位状态更新和背景视频图像的梯度直方图模型第一更新模块包括:
第一车位状态检测模块,用于如果当前车位区域的车位状态为空,针对每个运动区域,统计运动区域持续的累计时间,如果运动区域持续的累计时间≥第一累计时间阈值T1,则认为车辆入车稳定,将对应的运动区域标记为变化区域,将车位状态更新为占用;
第二车位状态检测模块,用于如果当前车位区域的车位状态为占用,针对每个运动区域,统计运动区域持续的累计时间,如果运动区域持续的累计时间≥第二累计时间阈值T2,则认为车辆出车稳定,将对应的运动区域标记为变化区域,将车位状态更新为空;
背景视频图像的梯度直方图模型第一更新模块,用于如果当前车位区域的车位状态进行了更新,则判断当前车位区域内除了变化区域之外,是否存在其他运动区域,如果存在,只对变化区域对应的背景视频图像的梯度直方图模型进行更新,否则将背景视频图像的梯度直方图模型更新为当前帧视频图像的梯度直方图模型。
与现有的路侧停车检测技术相比,本发明的基于背景建模的车位区域车辆检测方法及装置的有益之处在于:可以同时对路侧多个车位内的车辆目标进行入车、出车检测,并确定车辆所在的车位号,能够很大程度克服相机晃动、光照变化、目标遮挡等非确定性问题。
附图说明
图1示出了按照本发明的基于背景建模的车位区域车辆检测方法的流程图。
图2示出了按照本发明的第二步骤获取建模区域梯度直方图的实施例。
图3示出了按照本发明的基于背景建模的车位区域车辆检测装置的框架图。
具体实施方式
为使本领域的技术人员能进一步了解本发明的结构、特征及其他目的,现结合所附较佳实施例详细说明如下,所说明的较佳实施例仅用于说明本发明的技术方案,并非限定本发明。
图1给出了按照本发明的基于背景建模的车位区域车辆检测方法的流程图。如图1所示,按照本发明的基于背景建模的车位区域车辆检测方法包括:
第一步骤S1,通过安装在高位的相机,获取视频图像,对视频图像内的车位区域进行标记,获取视频图像中车位的四边形区域,标记为建模区域;
第二步骤S2,选取背景视频图像,给定背景视频图像的每个车位区域的初始车位状态,采用梯度直方图建模法,获取背景视频图像的梯度直方图模型;
第三步骤S3,采用梯度直方图建模法,获取当前帧视频图像的梯度直方图模型、极值点的位置;计算当前帧视频图像与背景视频图像的梯度直方图模型中所有极值点的直方图相似度值,获取直方图相似度值低阈值小于相似阈值的极值点集,获取对应的运动区域和运动区域对应的车位号;
第四步骤S4,如果当前车位区域的车位状态为空,并且运动区域持续的累计时间不小于第一累计时间阈值,则将运动区域标记为变化区域,将车位状态更新为占用;如果当前车位区域的车位状态为占用,并且运动区域持续的累计时间不小于第二累计时间阈值,则将运动区域标记为变化区域,将车位状态更新为空;如果车位状态有更新,如果存在变化区域以外的其他运动区域,则只对变化区域的背景视频图像的梯度直方图模型进行更新,否则更新背景视频图像的梯度直方图模型;
第五步骤S5,如果车位区域内不存在运动区域持续的累计时间不小于第三累计时间阈值,则更新背景视频图像的梯度直方图模型。
其中,所述第一步骤S1包括:采用安装在距离地面高度H处的相机,采集包含车位区域的视频图像;对视频图像内的车位区域进行人工标记,以获得视频图像中车位区域的位置坐标,将车位区域标记为建模区域,其中H的取值范围为3~8米,相机的镜头朝向路侧停车车位,能够同时采集包括2个车位以上的车位区域图像。
其中,所述第二步骤S2中背景视频图像通过人为选择;所述给定背景视频图像的每个车位区域的初始车位状态包括:根据背景视频图像中的车位状态,人为的进行标记。
图2给出了按照本发明的梯度直方图建模法的实施例。如图2所示,按照本发明的梯度直方图建模法包括:
建模区域向垂直线段投影步骤S21,将建模区域R1中的梯度向垂直线段L上投影,线段L上的点P1在图像中的坐标为(x1,y1),建模区域的两个边界点Pa和Pb与点P1的Y坐标相同,计算线段PaPb上每个投影点的梯度值Vgradi=αXgradi+(1-α)Ygradi,其中α为X方向梯度的权重,Xgradi和Ygradi分别表示线段PaPb上第i个投影点在图像中水平方向和垂直方向的梯度值,i={1,2,3,…,n1},n1表示线段PaPb上投影点的数量;
投影点强度计算步骤S22,计算线段PaPb上所有投影点的梯度值的平均值将Vgrad作为线段L上投影点P1对应的强度;
梯度直方图模型获取步骤S23,将垂直线段L上所有投影点对应的强度序列存储为图像的梯度直方图模型;
极值点位置获取步骤S24,计算图像的梯度直方图模型上每个投影点的一阶导数值,将一阶导数值为0的点作为极值点,存储极值点的位置。
进一步地,所述投影点强度计算步骤S22包括:计算线段PaPb上所有投影点的梯度值的平均值如果Vgrad大于255,则Vgrad将设置为255,将Vgrad作为线段L上投影点P1对应的强度。
进一步地,所述极值点位置获取步骤S24包括:对垂直线段L上的每个投影点进行K次平滑处理;将经过K次平滑处理后的垂直线段L上所有投影点对应的强度序列存储为图像的平滑梯度直方图模型;计算图像的平滑梯度直方图模型上每个点的一阶导数值,将一阶导数值为0的点作为极值点,存储极值点的位置;其中所述平滑处理包括:针对垂直线段L上的投影点,计算投影点前k1点、投影点、投影点后k1点的强度的平均值作为投影点的强度。
进一步地,所述K的取值范围为1~6次,所述k1的取值范围为1~2。示例性地,选取K为3,k1为1,所述极值点位置获取步骤S23为:针对垂直线段L上的投影点,计算投影点前一点、投影点、投影点后一点的强度的平均值作为投影点的强度,重复操作3次,获得投影点经过3次平滑处理后的强度;将经过3次平滑处理后的垂直线段L上所有投影点对应的强度序列存储为图像的平滑梯度直方图模型;计算图像的平滑梯度直方图模型上每个点的一阶导数值,将一阶导数值为0的点作为极值点,存储极值点的位置。
进一步地,所述第三步骤S3包括:
视频图像的梯度直方图模型获取步骤S31,获取当前帧视频图像,采用梯度直方图建模法,获取当前帧视频图像的梯度直方图模型、极值点的位置;
直方图相似度计算步骤S32,将当前帧视频图像的梯度直方图模型记为Mj,选取第s个极值点前相邻k2个极值点、第s个极值点、第s个极值点相邻k2个极值点之间的梯度直方图模型片段作为第s个极值点的片段seg(s);计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值,其中s={1,2,…,n2},n2表示当前帧视频图像的梯度直方图模型中极值点的数量;
运动目标分割步骤S33,采用分水岭分割方法,将直方图相似度值小于相似阈值ST的片段seg对应的极值点作为下方极值点,将直方图相似度值不小于相似阈值ST的片段seg对应的极值点作为上方极值点;选取相邻2个以上的下方极值点作为一个低阈值极限点集;合并每一个低阈值极限点集所在的片段seg内的所有极值点,根据合并极值点的Y坐标确定运动目标的上、下边界;根据运动目标的上、下边界,从建模区域中获取对应的运动区域,并获取运动区域所在车位区域的车位号。
进一步地,所述直方图相似度计算步骤S32包括:
片段获取步骤S321,将当前帧视频图像的梯度直方图模型记为Mj,选取第s个极值点前相邻k2个极值点、第s个极值点、第s个极值点后相邻k2个极值点之间的梯度直方图模型片段作为第s个极值点的片段seg(s),获取片段seg(s)在背景视频图像的梯度直方图模型M1中对应位置的片段seg(s′);
极值点的直方图相似度计算步骤S322,计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值其中/> H1(I)表示当前帧视频图像中片段seg(s)中第I个投影点的强度,H2(I)表示背景视频图像中片段seg(s′)中第I个投影点的强度,N表示当前帧视频图像中片段seg(s)中投影点的数量,将d(H1,H2)作为当前帧视频图像的梯度直方图模型Mj中第s个极值点的直方图相似度值。
其中,所述k2的取值范围为1~2,所述相似阈值ST的取值范围为0.7~0.85。
示例性地,所述运动目标分割步骤S33包括:当前帧视频图像的梯度直方图模型Mj中有11个极值点{p1,p2,…,p11},选取相似阈值ST为0.8,其中极值点{p1,p2,p3,p4,p5,p9,p10,p11}的直方图相似度值≥0.8,极值点{p6,p7,p8}的直方图相似度值<0.8,则认为极值点{p6,p7,p8}为一个低阈值极限点集,将极值点p6、p7、p8所在的片段seg(6)、seg(7)、seg(8)中的所有极值点进行合并,将合并的极值点的Y坐标最小值和Y坐标最大值分别作为运动目标的上、下边界;根据运动目标的上、下边界,从建模区域中获取对应的运动区域,并获取运动区域所在车位区域的车位号。
进一步地,所述极值点的直方图相似度计算步骤S322包括:计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值d(H1,H2);计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)向前偏移k3个点后的直方图相似度值d′(H1,H2);计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)向后偏移k3个点后的直方图相似度值d″(H1,H2);将d(H1,H2)、d′(H1,H2)、d″(H1,H2)中最大值作为当前帧视频图像的梯度直方图模型Mj中第s个极值点的直方图相似度值。
进一步地,所述k3的取值范围为1~10。
进一步地,所述第四步骤S4包括:
第一车位状态检测步骤S41,如果当前车位区域的车位状态为空,针对每个运动区域,统计运动区域持续的累计时间,如果运动区域持续的累计时间≥第一累计时间阈值T1,则认为车辆入车稳定,将对应的运动区域标记为变化区域,将车位状态更新为占用;
第二车位状态检测步骤S42,如果当前车位区域的车位状态为占用,针对每个运动区域,统计运动区域持续的累计时间,如果运动区域持续的累计时间≥第二累计时间阈值T2,则认为车辆出车稳定,将对应的运动区域标记为变化区域,将车位状态更新为空;
背景视频图像的梯度直方图模型第一更新步骤S43,如果当前车位区域的车位状态进行了更新,则判断当前车位区域内除了变化区域之外,是否存在其他运动区域,如果存在,只对变化区域对应的背景视频图像的梯度直方图模型进行更新,否则将背景视频图像的梯度直方图模型更新为当前帧视频图像的梯度直方图模型。
进一步地,所述第一累计时间阈值T1的取值范围为30~360秒,所述第二累计时间阈值T2的取值范围为20~40秒。
示例性地,所述背景视频图像的梯度直方图模型第一更新步骤S43包括:如果当前帧视频图像中车位区域存在两个运动区域,即第一运动区域和第二运动区域,其中第一运动区域标记为变化区域,则对背景视频图像的梯度直方图模型更新第一运动区域所对应当前帧视频图像的梯度直方图模型部分;如果当前帧视频图像中车位区域只存在一个运动区域,即第一运动区域,其中第一运动区域标记为变化区域,则将背景视频图像的梯度直方图模型更新为当前帧视频图像的梯度直方图模型。
进一步地,所述第五步骤S5包括:针对每个车位区域,统计车位区域内不存在运动区域持续的累计时间,如果车位区域内不存在运动区域持续的累计时间≥第三累计时间阈值T3,则将背景视频图像的梯度直方图模型更新为当前帧视频图像的梯度直方图模型。
进一步地,所述第三累计时间阈值T3的取值范围为300~600秒。
图2给出了按照本发明的基于背景建模的车位区域车辆检测装置的框架图。如图2所示,按照本发明的基于背景建模的车位区域车辆检测装置包括:
建模区域标记模块1,用于通过安装在高位的相机,获取视频图像,对视频图像内的车位区域进行标记,获取视频图像中车位的四边形区域,标记为建模区域;
背景视频图像的梯度直方图模型获取模块2,用于选取背景视频图像,给定背景视频图像的每个车位区域的初始车位状态,采用梯度直方图建模模块,获取背景视频图像的梯度直方图模型;
当前帧视频图像的梯度直方图模型和运动区域获取模块3,用于采用梯度直方图建模模块,获取当前帧视频图像的梯度直方图模型、极值点的位置;计算当前帧视频图像与背景视频图像的梯度直方图模型中所有极值点的直方图相似度值,获取直方图相似度值低阈值小于相似阈值的极值点集,获取对应的运动区域和运动区域对应的车位号;
车位状态更新和背景视频图像的梯度直方图模型第一更新模块4,用于如果当前车位区域的车位状态为空,并且运动区域持续的累计时间不小于第一累计时间阈值,则将运动区域标记为变化区域,将车位状态更新为占用;如果当前车位区域的车位状态为占用,并且运动区域持续的累计时间不小于第二累计时间阈值,则将运动区域标记为变化区域,将车位状态更新为空;如果车位状态有更新,如果存在变化区域以外的其他运动区域,则只对变化区域的背景视频图像的梯度直方图模型进行更新,否则更新背景视频图像的梯度直方图模型;
背景视频图像的梯度直方图模型第二更新模块5,用于如果车位区域内不存在运动区域持续的累计时间不小于第三累计时间阈值,则更新背景视频图像的梯度直方图模型。
其中,所述建模区域标记模块1包括:用于采用安装在距离地面高度H处的相机,采集包含车位区域的视频图像;对视频图像内的车位区域进行人工标记,以获得视频图像中车位区域的位置坐标,将车位区域标记为建模区域,其中H的取值范围为3~8米,相机的镜头朝向路侧停车车位,能够同时采集包括2个车位以上的车位区域图像。
其中,所述背景视频图像的梯度直方图模型获取模块2中背景视频图像通过人为选择;所述给定背景视频图像的每个车位区域的初始车位状态包括:根据背景视频图像中的车位状态,人为的进行标记。
其中,所述梯度直方图建模模块包括:
建模区域向垂直线段投影模块21,用于将建模区域R1中的梯度向垂直线段L上投影,线段L上的点P1在图像中的坐标为(x1,y1),建模区域的两个边界点Pa和Pb与点P1的Y坐标相同,计算线段PaPb上每个投影点的梯度值Vgradi=αXgradi+(1-α)Ygradi,其中α为X方向梯度的权重,Xgradi和Ygradi分别表示线段PaPb上第i个投影点在图像中水平方向和垂直方向的梯度值,i={1,2,3,…,n1},n1表示线段PaPb上投影点的数量;
投影点强度计算模块22,用于计算线段PaPb上所有投影点的梯度值的平均值将Vgrad作为线段L上投影点P1对应的强度;
梯度直方图模型获取模块23,用于将垂直线段L上所有投影点对应的强度序列存储为图像的梯度直方图模型;
极值点位置获取模块24,用于计算图像的梯度直方图模型上每个投影点的一阶导数值,将一阶导数值为0的点作为极值点,存储极值点的位置。
进一步地,所述投影点强度计算模块22包括:用于计算线段PaPb上所有投影点的梯度值的平均值如果Vgrad大于255,则Vgrad将设置为255,将Vgrad作为线段L上投影点P1对应的强度。
进一步地,所述极值点位置获取模块24包括:用于对垂直线段L上的每个投影点进行K次平滑处理;将经过K次平滑处理后的垂直线段L上所有投影点对应的强度序列存储为图像的平滑梯度直方图模型;计算图像的平滑梯度直方图模型上每个点的一阶导数值,将一阶导数值为0的点作为极值点,存储极值点的位置;其中所述平滑处理包括:针对垂直线段L上的投影点,计算投影点前k1点、投影点、投影点后k1点的强度的平均值作为投影点的强度。
进一步地,所述K的取值范围为1~6次,所述k1的取值范围为1~2。
进一步地,所述当前帧视频图像的梯度直方图模型和运动区域获取模块3包括:
视频图像的梯度直方图模型获取模块31,用于获取当前帧视频图像,采用梯度直方图建模法,获取当前帧视频图像的梯度直方图模型、极值点的位置;
直方图相似度计算模块32,用于将当前帧视频图像的梯度直方图模型记为Mj,选取第s个极值点前相邻k2个极值点、第s个极值点、第s个极值点相邻k2个极值点之间的梯度直方图模型片段作为第s个极值点的片段seg(s);计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值,其中s={1,2,…,n2},n2表示当前帧视频图像的梯度直方图模型中极值点的数量;
运动目标分割模块33,用于采用分水岭分割方法,将直方图相似度值小于相似阈值ST的片段seg对应的极值点作为下方极值点,将直方图相似度值不小于相似阈值ST的片段seg对应的极值点作为上方极值点;选取相邻2个以上的下方极值点作为一个低阈值极限点集;合并每一个低阈值极限点集所在的片段seg内的所有极值点,根据合并极值点的Y坐标确定运动目标的上、下边界;根据运动目标的上、下边界,从建模区域中获取对应的运动区域,并获取运动区域所在车位区域的车位号。
进一步地,所述直方图相似度计算模块32包括:
片段获取模块321,用于将当前帧视频图像的梯度直方图模型记为Mj,选取第s个极值点前相邻k2个极值点、第s个极值点、第s个极值点后相邻k2个极值点之间的梯度直方图模型片段作为第s个极值点的片段seg(s),获取片段seg(s)在背景视频图像的梯度直方图模型M1中对应位置的片段seg(s′);
极值点的直方图相似度计算模块322,用于计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值其中/> H1(I)表示当前帧视频图像中片段seg(s)中第I个投影点的强度,H2(I)表示背景视频图像中片段seg(s′)中第I个投影点的强度,N表示当前帧视频图像中片段seg(s)中投影点的数量,将d(H1,H2)作为当前帧视频图像的梯度直方图模型Mj中第s个极值点的直方图相似度值。
其中,所述k2的取值范围为1~2,所述相似阈值ST的取值范围为0.7~0.85。
进一步地,所述极值点的直方图相似度计算模块322包括:用于计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值d(H1,H2);计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)向前偏移k3个点后的直方图相似度值d′(H1,H2);计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)向后偏移k3个点后的直方图相似度值d″(H1,H2);将d(H1,H2)、d′(H1,H2)、d″(H1,H2)中最大值作为当前帧视频图像的梯度直方图模型Mj中第s个极值点的直方图相似度值。
进一步地,所述车位状态更新和背景视频图像的梯度直方图模型第一更新模块4包括:
第一车位状态检测模块41,用于如果当前车位区域的车位状态为空,针对每个运动区域,统计运动区域持续的累计时间,如果运动区域持续的累计时间≥第一累计时间阈值T1,则认为车辆入车稳定,将对应的运动区域标记为变化区域,将车位状态更新为占用;
第二车位状态检测模块42,用于如果当前车位区域的车位状态为占用,针对每个运动区域,统计运动区域持续的累计时间,如果运动区域持续的累计时间≥第二累计时间阈值T2,则认为车辆出车稳定,将对应的运动区域标记为变化区域,将车位状态更新为空;
背景视频图像的梯度直方图模型第一更新模块43,用于如果当前车位区域的车位状态进行了更新,则判断当前车位区域内除了变化区域之外,是否存在其他运动区域,如果存在,只对变化区域对应的背景视频图像的梯度直方图模型进行更新,否则将背景视频图像的梯度直方图模型更新为当前帧视频图像的梯度直方图模型。
进一步地,所述第一累计时间阈值T1的取值范围为30~360秒,所述第二累计时间阈值T2的取值范围为20~40秒。
进一步地,所述背景视频图像的梯度直方图模型第二更新模块5包括:用于针对每个车位区域,统计车位区域内不存在运动区域持续的累计时间,如果车位区域内不存在运动区域持续的累计时间≥第三累计时间阈值T3,则将背景视频图像的梯度直方图模型更新为当前帧视频图像的梯度直方图模型。
进一步地,所述第三累计时间阈值T3的取值范围为300~600秒。
与现有的路侧停车检测技术相比,本发明的基于背景建模的车位区域车辆检测方法及装置的有益之处在于:可以同时对路侧多个车位内的车辆目标进行入车、出车检测,并确定车辆所在的车位号,能够很大程度克服相机晃动、光照变化、目标遮挡等非确定性问题。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,应当理解,本发明并不限于这里所描述的实现方案,这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善,因此本发明只受到本发明权利要求的内容和范围的限制,其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。
Claims (15)
1.基于背景建模的车位区域车辆检测方法,其特征在于,该方法包括:
第一步骤,采用安装在距离地面高度H处的相机,采集包含车位区域的视频图像;对视频图像内的车位区域进行人工标记,以获得视频图像中车位区域的位置坐标,将车位区域标记为建模区域;
第二步骤,选取背景视频图像,给定背景视频图像的每个车位区域的初始车位状态,采用梯度直方图建模法,获取背景视频图像的梯度直方图模型;
第三步骤,采用梯度直方图建模法,获取当前帧视频图像的梯度直方图模型、极值点的位置;计算当前帧视频图像与背景视频图像的梯度直方图模型中所有极值点的直方图相似度值,获取直方图相似度值低阈值小于相似阈值的极值点集,获取对应的运动区域和运动区域对应的车位号;
第四步骤,如果当前车位区域的车位状态为空,并且运动区域持续的累计时间不小于第一累计时间阈值,则将运动区域标记为变化区域,将车位状态更新为占用;如果当前车位区域的车位状态为占用,并且运动区域持续的累计时间不小于第二累计时间阈值,则将运动区域标记为变化区域,将车位状态更新为空;如果车位状态有更新,如果存在变化区域以外的其他运动区域,则只对变化区域的背景视频图像的梯度直方图模型进行更新,否则更新背景视频图像的梯度直方图模型;进一步地,相机的镜头朝向路侧停车车位,能够同时采集包括2个车位以上的车位区域图像;
第五步骤,针对每个车位区域,统计车位区域内不存在运动区域持续的累计时间,如果车位区域内不存在运动区域持续的累计时间≥第三累计时间阈值T3,则将背景视频图像的梯度直方图模型更新为当前帧视频图像的梯度直方图模型;
所述梯度直方图建模法包括:
建模区域向垂直线段投影步骤,将建模区域R1中的梯度向垂直线段L上投影,垂直线段L上的点P1在图像中的坐标为(x1,y1),建模区域的两个边界点Pa和Pb与点P1的Y坐标相同,计算线段PaPb上每个投影点的梯度值Vgradi=αXgradi+(1-α)Ygradi,其中α为X方向梯度的权重,Xgradi和Ygradi分别表示线段PaPb上第i个投影点在图像中水平方向和垂直方向的梯度值,i={1,2,3,…,n1},n1表示线段PaPb上投影点的数量;
投影点强度计算步骤,计算线段PaPb上所有投影点的梯度值的平均值将Vgrad作为垂直线段L上投影点P1对应的强度;
梯度直方图模型获取步骤,将垂直线段L上所有投影点对应的强度序列存储为图像的梯度直方图模型;
极值点位置获取步骤,计算图像的梯度直方图模型上每个投影点的一阶导数值,将一阶导数值为0的点作为极值点,存储极值点的位置;
进一步地,所述H的取值范围为3~8米;所述第三累计时间阈值T3的取值范围为300~600秒。
2.如权利要求1所述的方法,其特征在于,所述投影点强度计算步骤包括:计算线段PaPb上所有投影点的梯度值的平均值如果Vgrad大于255,则Vgrad将设置为255,将Vgrad作为垂直线段L上投影点P1对应的强度。
3.如权利要求1所述的方法,其特征在于,所述极值点位置获取步骤包括:对垂直线段L上的每个投影点进行K次平滑处理;将经过K次平滑处理后的垂直线段L上所有投影点对应的强度序列存储为图像的平滑梯度直方图模型;计算图像的平滑梯度直方图模型上每个点的一阶导数值,将一阶导数值为0的点作为极值点,存储极值点的位置;其中所述平滑处理包括:针对垂直线段L上的投影点,计算投影点前k1点、投影点、投影点后k1点的强度的平均值作为投影点的强度;进一步地,所述K的取值范围为1~6次,所述k1的取值范围为1~2。
4.如权利要求1所述的方法,其特征在于,所述第三步骤包括:
视频图像的梯度直方图模型获取步骤,获取当前帧视频图像,采用梯度直方图建模法,获取当前帧视频图像的梯度直方图模型、极值点的位置;
直方图相似度计算步骤,将当前帧视频图像的梯度直方图模型记为Mj,选取第s个极值点前相邻k2个极值点、第s个极值点、第s个极值点相邻k2个极值点之间的梯度直方图模型片段作为第s个极值点的片段seg(s);计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值,其中s={1,2,…,n2},n2表示当前帧视频图像的梯度直方图模型中极值点的数量;
运动目标分割步骤,采用分水岭分割方法,将直方图相似度值小于相似阈值ST的片段seg对应的极值点作为下方极值点,将直方图相似度值不小于相似阈值ST的片段seg对应的极值点作为上方极值点;选取相邻2个以上的下方极值点作为一个低阈值极限点集;合并每一个低阈值极限点集所在的片段seg内的所有极值点,根据合并极值点的Y坐标确定运动目标的上、下边界;根据运动目标的上、下边界,从建模区域中获取对应的运动区域,并获取运动区域所在车位区域的车位号;
进一步地,所述相似阈值ST的取值范围为0.7~0.85。
5.如权利要求4所述的方法,其特征在于,所述直方图相似度计算步骤包括:片段获取步骤,将当前帧视频图像的梯度直方图模型记为Mj,选取第s个极值点前相邻k2个极值点、第s个极值点、第s个极值点后相邻k2个极值点之间的梯度直方图模型片段作为第s个极值点的片段seg(s),获取片段seg(s)在背景视频图像的梯度直方图模型M1中对应位置的片段seg(s′);
极值点的直方图相似度计算步骤,计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值其中/> H1(I)表示当前帧视频图像中片段seg(s)中第I个投影点的强度,H2(I)表示背景视频图像中片段seg(s′)中第I个投影点的强度,N表示当前帧视频图像中片段seg(s)中投影点的数量,将d(H1,H2)作为当前帧视频图像的梯度直方图模型Mj中第s个极值点的直方图相似度值。
6.如权利要求5所述的方法,其特征在于,所述极值点的直方图相似度计算步骤包括:计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值d(H1,H2);计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)向前偏移k3个点后的直方图相似度值d′(H1,H2);计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)向后偏移k3个点后的直方图相似度值d″(H1,H2);将d(H1,H2)、d′(H1,H2)、d″(H1,H2)中最大值作为当前帧视频图像的梯度直方图模型Mj中第s个极值点的直方图相似度值;
进一步地,所述k3的取值范围为1~10。
7.如权利要求1所述的方法,其特征在于,所述第四步骤包括:
第一车位状态检测步骤,如果当前车位区域的车位状态为空,针对每个运动区域,统计运动区域持续的累计时间,如果运动区域持续的累计时间≥第一累计时间阈值T1,则认为车辆入车稳定,将对应的运动区域标记为变化区域,将车位状态更新为占用;
第二车位状态检测步骤,如果当前车位区域的车位状态为占用,针对每个运动区域,统计运动区域持续的累计时间,如果运动区域持续的累计时间≥第二累计时间阈值T2,则认为车辆出车稳定,将对应的运动区域标记为变化区域,将车位状态更新为空;
背景视频图像的梯度直方图模型第一更新步骤,如果当前车位区域的车位状态进行了更新,则判断当前车位区域内除了变化区域之外,是否存在其他运动区域,如果存在,只对变化区域对应的背景视频图像的梯度直方图模型进行更新,否则将背景视频图像的梯度直方图模型更新为当前帧视频图像的梯度直方图模型;
进一步地,所述第一累计时间阈值T1的取值范围为30~360秒,所述第二累计时间阈值T2的取值范围为20~40秒。
8.如权利要求4或5所述的方法,其特征在于,所述k2的取值范围为1~2。
9.基于背景建模的车位区域车辆检测装置,其特征在于,该装置包括:
建模区域标记模块,用于采用安装在距离地面高度H处的相机,采集包含车位区域的视频图像;对视频图像内的车位区域进行人工标记,以获得视频图像中车位区域的位置坐标,将车位区域标记为建模区域;
背景视频图像的梯度直方图模型获取模块,用于选取背景视频图像,给定背景视频图像的每个车位区域的初始车位状态,采用梯度直方图建模模块,获取背景视频图像的梯度直方图模型;
当前帧视频图像的梯度直方图模型和运动区域获取模块,用于采用梯度直方图建模模块,获取当前帧视频图像的梯度直方图模型、极值点的位置;计算当前帧视频图像与背景视频图像的梯度直方图模型中所有极值点的直方图相似度值,获取直方图相似度值低阈值小于相似阈值的极值点集,获取对应的运动区域和运动区域对应的车位号;
车位状态更新和背景视频图像的梯度直方图模型第一更新模块,用于如果当前车位区域的车位状态为空,并且运动区域持续的累计时间不小于第一累计时间阈值,则将运动区域标记为变化区域,将车位状态更新为占用;如果当前车位区域的车位状态为占用,并且运动区域持续的累计时间不小于第二累计时间阈值,则将运动区域标记为变化区域,将车位状态更新为空;如果车位状态有更新,如果存在变化区域以外的其他运动区域,则只对变化区域的背景视频图像的梯度直方图模型进行更新,否则更新背景视频图像的梯度直方图模型;
背景视频图像的梯度直方图模型第二更新模块,用于针对每个车位区域,统计车位区域内不存在运动区域持续的累计时间,如果车位区域内不存在运动区域持续的累计时间≥第三累计时间阈值T3,则将背景视频图像的梯度直方图模型更新为当前帧视频图像的梯度直方图模型;
其中,所述梯度直方图建模模块包括:
建模区域向垂直线段投影模块,用于将建模区域R1中的梯度向垂直线段L上投影,垂直线段L上的点P1在图像中的坐标为(x1,y1),建模区域的两个边界点Pa和Pb与点P1的Y坐标相同,计算线段PaPb上每个投影点的梯度值Vgradi=αXgradi+(1-α)Ygradi,其中α为X方向梯度的权重,Xgradi和Ygradi分别表示线段PaPb上第i个投影点在图像中水平方向和垂直方向的梯度值,i={1,2,3,…,n1},n1表示线段PaPb上投影点的数量;
投影点强度计算模块,用于计算线段PaPb上所有投影点的梯度值的平均值将Vgrad作为垂直线段L上投影点P1对应的强度;
梯度直方图模型获取模块,用于将垂直线段L上所有投影点对应的强度序列存储为图像的梯度直方图模型;
极值点位置获取模块,用于计算图像的梯度直方图模型上每个投影点的一阶导数值,将一阶导数值为0的点作为极值点,存储极值点的位置。
10.如权利要求9所述的装置,其特征在于,所述投影点强度计算模块包括:用于计算线段PaPb上所有投影点的梯度值的平均值如果Vgrad大于255,则Vgrad将设置为255,将Vgrad作为垂直线段L上投影点P1对应的强度。
11.如权利要求9所述的装置,其特征在于,所述极值点位置获取模块包括:用于对垂直线段L上的每个投影点进行K次平滑处理;将经过K次平滑处理后的垂直线段L上所有投影点对应的强度序列存储为图像的平滑梯度直方图模型;计算图像的平滑梯度直方图模型上每个点的一阶导数值,将一阶导数值为0的点作为极值点,存储极值点的位置;其中所述平滑处理包括:针对垂直线段L上的投影点,计算投影点前k1点、投影点、投影点后k1点的强度的平均值作为投影点的强度。
12.如权利要求9所述的装置,其特征在于,所述当前帧视频图像的梯度直方图模型和运动区域获取模块包括:
视频图像的梯度直方图模型获取模块,用于获取当前帧视频图像,采用梯度直方图建模法,获取当前帧视频图像的梯度直方图模型、极值点的位置;
直方图相似度计算模块,用于将当前帧视频图像的梯度直方图模型记为Mj,选取第s个极值点前相邻k2个极值点、第s个极值点、第s个极值点相邻k2个极值点之间的梯度直方图模型片段作为第s个极值点的片段seg(s);计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值,其中s={1,2,…,n2},n2表示当前帧视频图像的梯度直方图模型中极值点的数量;
运动目标分割模块,用于采用分水岭分割方法,将直方图相似度值小于相似阈值ST的片段seg对应的极值点作为下方极值点,将直方图相似度值不小于相似阈值ST的片段seg对应的极值点作为上方极值点;选取相邻2个以上的下方极值点作为一个低阈值极限点集;合并每一个低阈值极限点集所在的片段seg内的所有极值点,根据合并极值点的Y坐标确定运动目标的上、下边界;根据运动目标的上、下边界,从建模区域中获取对应的运动区域,并获取运动区域所在车位区域的车位号。
13.如权利要求12所述的装置,其特征在于,所述直方图相似度计算模块包括:片段获取模块,用于将当前帧视频图像的梯度直方图模型记为Mj,选取第s个极值点前相邻k2个极值点、第s个极值点、第s个极值点后相邻k2个极值点之间的梯度直方图模型片段作为第s个极值点的片段seg(s),获取片段seg(s)在背景视频图像的梯度直方图模型M1中对应位置的片段seg(s′);
极值点的直方图相似度计算模块,用于计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值其中/> H1(I)表示当前帧视频图像中片段seg(s)中第I个投影点的强度,H2(I)表示背景视频图像中片段seg(s′)中第I个投影点的强度,N表示当前帧视频图像中片段seg(s)中投影点的数量,将d(H1,H2)作为当前帧视频图像的梯度直方图模型Mj中第s个极值点的直方图相似度值。
14.如权利要求13所述的装置,其特征在于,所述极值点的直方图相似度计算模块包括:用于计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值d(H1,H2);计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)向前偏移k3个点后的直方图相似度值d′(H1,H2);计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)向后偏移k3个点后的直方图相似度值d″(H1,H2);将d(H1,H2)、d′(H1,H2)、d″(H1,H2)中最大值作为当前帧视频图像的梯度直方图模型Mj中第s个极值点的直方图相似度值。
15.如权利要求9所述的装置,其特征在于,所述车位状态更新和背景视频图像的梯度直方图模型第一更新模块包括:
第一车位状态检测模块,用于如果当前车位区域的车位状态为空,针对每个运动区域,统计运动区域持续的累计时间,如果运动区域持续的累计时间≥第一累计时间阈值T1,则认为车辆入车稳定,将对应的运动区域标记为变化区域,将车位状态更新为占用;
第二车位状态检测模块,用于如果当前车位区域的车位状态为占用,针对每个运动区域,统计运动区域持续的累计时间,如果运动区域持续的累计时间≥第二累计时间阈值T2,则认为车辆出车稳定,将对应的运动区域标记为变化区域,将车位状态更新为空;
背景视频图像的梯度直方图模型第一更新模块,用于如果当前车位区域的车位状态进行了更新,则判断当前车位区域内除了变化区域之外,是否存在其他运动区域,如果存在,只对变化区域对应的背景视频图像的梯度直方图模型进行更新,否则将背景视频图像的梯度直方图模型更新为当前帧视频图像的梯度直方图模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911298017.9A CN111178184B (zh) | 2019-12-17 | 2019-12-17 | 基于背景建模的车位区域车辆检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911298017.9A CN111178184B (zh) | 2019-12-17 | 2019-12-17 | 基于背景建模的车位区域车辆检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178184A CN111178184A (zh) | 2020-05-19 |
CN111178184B true CN111178184B (zh) | 2023-08-18 |
Family
ID=70653914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911298017.9A Active CN111178184B (zh) | 2019-12-17 | 2019-12-17 | 基于背景建模的车位区域车辆检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178184B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113810847B (zh) * | 2021-10-29 | 2024-03-19 | 蓝色创源(北京)科技有限公司 | 一种位置计算方法、装置、系统、设备及可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868700A (zh) * | 2016-03-25 | 2016-08-17 | 哈尔滨工业大学深圳研究生院 | 一种基于监控视频的车型识别与跟踪方法及系统 |
CN109308809A (zh) * | 2017-07-29 | 2019-02-05 | 周晓辉 | 一种基于动态图像特征处理的隧道车辆监控装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9317752B2 (en) * | 2013-06-20 | 2016-04-19 | Xerox Corporation | Method for detecting large size and passenger vehicles from fixed cameras |
US20150086071A1 (en) * | 2013-09-20 | 2015-03-26 | Xerox Corporation | Methods and systems for efficiently monitoring parking occupancy |
-
2019
- 2019-12-17 CN CN201911298017.9A patent/CN111178184B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868700A (zh) * | 2016-03-25 | 2016-08-17 | 哈尔滨工业大学深圳研究生院 | 一种基于监控视频的车型识别与跟踪方法及系统 |
CN109308809A (zh) * | 2017-07-29 | 2019-02-05 | 周晓辉 | 一种基于动态图像特征处理的隧道车辆监控装置 |
Non-Patent Citations (1)
Title |
---|
基于超像素信息反馈的视觉背景提取算法;陈海永;郄丽忠;杨德东;刘坤;李练兵;;光学学报(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111178184A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107688764B (zh) | 检测车辆违章的方法及装置 | |
CN110287905B (zh) | 一种基于深度学习的交通拥堵区域实时检测方法 | |
CN104509090B (zh) | 车载用图像识别装置 | |
EP1796043B1 (en) | Object detection | |
US8666117B2 (en) | Video-based system and method for detecting exclusion zone infractions | |
CN106373426A (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
CN111292353B (zh) | 一种停车状态变化识别方法 | |
CN112258668A (zh) | 基于高位摄像头对路边车辆停车行为的检测方法 | |
CN104509102A (zh) | 三维物体检测装置和异物检测装置 | |
Sen et al. | Accurate speed and density measurement for road traffic in India | |
CN106297278A (zh) | 一种用于查询抛洒物车辆的方法和系统 | |
CN104012081A (zh) | 三维物体检测装置 | |
CN114037924A (zh) | 一种基于图像识别技术的车辆过闸判断方法及相关装置 | |
CN108154146A (zh) | 一种基于图像识别的车辆追踪方法 | |
JP2020035362A (ja) | 画像処理装置、車軸数検出システム、料金設定装置、料金設定システム及びプログラム | |
CN106650730A (zh) | 汽车变道过程中的转向灯检测方法和系统 | |
WO2023179416A1 (zh) | 确定车辆进出泊位的方法、装置、设备和存储介质 | |
CN106023594A (zh) | 一种车位遮挡的判定方法、装置及车辆管理系统 | |
CN107506753B (zh) | 一种面向动态视频监控的多车辆跟踪方法 | |
CN113903008A (zh) | 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法 | |
CN111178184B (zh) | 基于背景建模的车位区域车辆检测方法及装置 | |
CN114708533A (zh) | 目标跟踪方法、装置、设备及存储介质 | |
Kotha et al. | Potsense: Pothole detection on indian roads using smartphone sensors | |
CN111753579A (zh) | 指定代步工具的检测方法及装置 | |
JP2020095623A (ja) | 画像処理装置および画像処理方法 |
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 |