CN111242051B - 一种车辆识别优化方法、装置及存储介质 - Google Patents
一种车辆识别优化方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111242051B CN111242051B CN202010045759.7A CN202010045759A CN111242051B CN 111242051 B CN111242051 B CN 111242051B CN 202010045759 A CN202010045759 A CN 202010045759A CN 111242051 B CN111242051 B CN 111242051B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- frame
- movement area
- inter
- vehicle movement
- 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
- G06V20/40—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
-
- 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
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种车辆识别优化方法、装置及存储介质,该方法包括步骤:获取预设路段车流的待识别图像或待识别视频,将待识别图像或待识别视频进行预处理,得到若干帧源图像;分别采用帧间差分累积方法和背景差分方法对源图像进行处理,对应得到帧间差分累积结果和背景差分结果;根据预设的阈值对帧间差分累积结果进行二值化处理,得到第一车辆运动区域;根据阈值对背景差分结果进行二值化处理,得到第二车辆运动区域;根据第一车辆运动区域和第二车辆运动区域得到完整车辆运动区域;采用二次扫描方法对完整车辆运动区域进行扫描,得到车辆掩模,根据车辆掩模确定路段的车辆数量。本发明能准确统计车辆数量,而且该方法成本低,技术简单。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种车辆识别优化方法、装置及存储介质。
背景技术
随着汽车保有量不断增长,道路的交通压力不断加大,与汽车相关的安全管理问题也日益凸显,为了实现对运行汽车的优化管理和调度,可通过对汽车特征的有效检测和识别,从而获取车辆数量情况,为驾驶员和车辆管理调度中心提供可视化的信息参考。
现有的车辆识别方法有采用车辆卫星定位技术,对需要统计的区域进行预处理,生成区域栅格索引文件;然后,卫星定位数据接收存储服务模块通过Socke接收实时发送的运输车辆定位数据,并发送给运输车辆区域统计服务模块。接下来,运输车辆区域统计服务模块读取区域栅格索引文件,将从卫星定位数据接收服务中接收到的GPS数据,匹配自区域。但该方法成本较高且技术相对复杂,在统计车辆数量的精度上也有一定的损失。
发明内容
本发明实施例的目的是提供一种车辆识别优化方法、装置及存储介质,通过帧间差分累积法和背景差分法相结合有效识别车辆特征,从而能准确统计车辆数量,而且该方法成本低,技术简单。
为实现上述目的,本发明一实施例提供了一种车辆识别优化方法,包括以下步骤:
获取预设路段车流的待识别图像或待识别视频,将所述待识别图像或所述待识别视频进行预处理,得到若干帧源图像;
采用帧间差分累积方法对所述源图像进行处理,得到帧间差分累积结果;
采用背景差分方法对所述源图像进行处理,得到背景差分结果;
根据预设的阈值对所述帧间差分累积结果进行二值化处理,得到第一车辆运动区域;
根据所述阈值对所述背景差分结果进行二值化处理,得到第二车辆运动区域;
根据所述第一车辆运动区域和所述第二车辆运动区域得到完整车辆运动区域;
采用二次扫描方法对所述完整车辆运动区域进行扫描,得到车辆掩模,根据所述车辆掩模确定所述路段的车辆数量。
优选地,所述采用帧间差分累积方法对所述源图像进行处理,得到帧间差分累积结果,具体包括:
计算每帧所述源图像的邻帧源图像的第一绝对差分灰度图像;
计算每帧所述源图像的隔帧源图像的第二绝对差分灰度图像;
将所述第一绝对差分灰度图像和所述第二绝对差分灰度图像进行“与”运算,得到每帧所述源图像的帧间差分结果;
将所有帧的所述源图像对应的所述帧间差分结果进行累积,得到所述帧间差分累积结果。
优选地,所述采用背景差分方法对所述源图像进行处理,得到背景差分结果,具体包括:
将首帧所述源图像作为初始背景模板;
根据所述初始背景模板求取每一帧所述源图像的背景模板;
根据每一帧所述源图像以及其对应的背景模板,得到所述背景差分结果。
优选地,所述预设的阈值是根据函数 的最小函数值确定的;其中,T为所述阈值,E(T)是所述阈值T的分布函数,s是积分变量;第一模式是根据贝叶斯统计定律的推断得出第一先验概率,P1为所述第一先验概率,μ1和σ1分别表示第一模式的第一平均偏差和第一标准偏差;第二模式是根据主观经验来判断得出第二先验概率,P2为所述第二先验概率,μ2和σ2分别表示第二模式的第二平均偏差和第二标准偏差。
优选地,所述根据预设的阈值对所述帧间差分累积结果进行二值化处理,得到第一车辆运动区域,具体包括:
将大于或等于所述阈值的所述帧间差分累积结果进行保留,得到所述第一车辆运动区域。
优选地,所述根据所述阈值对所述背景差分结果进行二值化处理,得到第二车辆运动区域,具体包括:
将大于或等于所述阈值的所述背景差分结果进行保留,得到所述第二车辆运动区域。
优选地,所述采用二次扫描方法对所述完整车辆运动区域进行扫描,得到车辆掩模,根据所述车辆掩模确定所述路段的车辆数量,具体包括:
对所述完整车辆运动区域的每一行进行按行扫描,得到每一行的行运动区域;
对所述完整车辆运动区域的每一列进行按列扫描,得到每一列的列运动区域;
将所述行运动区域和所述列运动区域进行“与”运算,得到车辆掩模;
根据所述源图像,填充所述车辆掩模的灰度值,得到车辆分割图像;
统计所述车辆分割图像的数量,得到所述路段的车辆数量。
本发明另一实施例提供了一种车辆识别优化装置,所述装置包括:
源图像获取模块,用于获取预设路段车流的待识别图像或待识别视频,将所述待识别图像或所述待识别视频进行预处理,得到若干帧源图像;
帧间差分累积处理模块,用于采用帧间差分累积方法对所述源图像进行处理,得到帧间差分累积结果;
背景差分处理模块,用于采用背景差分方法对所述源图像进行处理,得到背景差分结果;
第一二值化处理模块,用于根据预设的阈值对所述帧间差分累积结果进行二值化处理,得到第一车辆运动区域;
第二二值化处理模块,用于根据所述阈值对所述背景差分结果进行二值化处理,得到第二车辆运动区域;
车辆运动区域获取模块,用于根据所述第一车辆运动区域和所述第二车辆运动区域得到完整车辆运动区域;
车辆数量确定模块,用于采用二次扫描方法对所述完整车辆运动区域进行扫描,得到车辆掩模,根据所述车辆掩模确定所述路段的车辆数量。
本发明另一实施例对应提供了一种使用车辆识别优化方法的装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一项所述的车辆识别优化方法。
本发明还有一实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一项所述的车辆识别优化方法。
与现有技术相比,本发明实施例所提供的一种车辆识别优化方法、装置及存储介质,通过帧间差分累积法和背景差分法相结合有效识别车辆特征,从而能准确统计车辆数量,而且该方法成本低,技术简单。
附图说明
图1是本发明一实施例提供的一种车辆识别优化方法的流程示意图;
图2是本发明一实施例提供的一种车辆识别优化装置的结构示意图;
图3是本发明一实施例提供的一种使用车辆识别优化方法的装置的示意图。
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,所描述的实施例仅仅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。
参见图1,是本发明一实施例提供的一种车辆识别优化方法的流程示意图,所述方法包括步骤S1至步骤S7:
S1、获取预设路段车流的待识别图像或待识别视频,将所述待识别图像或所述待识别视频进行预处理,得到若干帧源图像;
S2、采用帧间差分累积方法对所述源图像进行处理,得到帧间差分累积结果;
S3、采用背景差分方法对所述源图像进行处理,得到背景差分结果;
S4、根据预设的阈值对所述帧间差分累积结果进行二值化处理,得到第一车辆运动区域;
S5、根据所述阈值对所述背景差分结果进行二值化处理,得到第二车辆运动区域;
S6、根据所述第一车辆运动区域和所述第二车辆运动区域得到完整车辆运动区域;
S7、采用二次扫描方法对所述完整车辆运动区域进行扫描,得到车辆掩模,根据所述车辆掩模确定所述路段的车辆数量。
需要说明的是,帧间差分法和背景差分法是常用的图像视频分割方法,车辆图像/视频分割是指对路段图像或路段监控视频序列按一定的标准分割成区域。帧间差分法实现起来比较简单,对环境变化适应性较强,但是由于车辆图像/视频上的像素、纹理等信息比较接近,因此不能检测出完整的车辆图像/视频;背景差分法可以得到比较理想的分割结果,但是对光照引起的动态场的变化非常敏感,运动目标的阴影也影响了分割结果的准确性。本发明结合了帧间差分法和背景差分法两种方法的优势,可减小环境变化对背景法的影响,同时对不同运动速度的车辆适应性更强。
由于本发明只针对获取车辆数量,因此只需要对比两帧车辆图像/视频的像素,用两帧车辆图像/视频中同一位置的像素点的值进行减运算,若该点颜色是一样的,则其像素值也是一样的,相减则为零,即前后两帧的车辆为同一车辆;若该点颜色不一样,像素值也必然不同,则相减为非零值,即前后两帧的车辆为不同车辆。从而获得更加准确的分割效果。
具体地,获取预设路段车流的待识别图像或待识别视频,将待识别图像或待识别视频进行预处理,得到若干帧源图像。预处理的目的是为了去除原始帧的噪声,所以要对原始帧的滤波去噪。为了保证滤波后边缘的完整性,该实施例采用中值滤波。
采用帧间差分累积方法对源图像进行处理,得到帧间差分累积结果。该实施例用到的帧间差分累积方法相对于现有的帧间差分法有所改进,对帧图像既求出邻帧差分又求出隔帧差分,再进行“与”运算,之后再累积,这样就可以充分利用各帧图像以取得更好的差分效果。
采用背景差分方法对源图像进行处理,得到背景差分结果,即为每一帧源图像求得一个背景模板,以备后用。
根据预设的阈值对帧间差分累积结果进行二值化处理,得到第一车辆运动区域,这是为了除去源图像内在噪声产生的帧差图像的非零差值。同理,根据阈值对背景差分结果进行二值化处理,得到第二车辆运动区域。
根据第一车辆运动区域和第二车辆运动区域得到完整车辆运动区域。因为第一车辆运动区域和第二车辆运动区域对应是不同方法得到的,均有可取之处,所以要进行“或”运算再加以处理。
采用二次扫描方法对完整车辆运动区域进行扫描,得到车辆掩模,根据车辆掩模确定路段的车辆数量。扫描是指遍历所有像素点,读取各像素点的值。根据运动区域的像素值不同于非运动区域,从而确定运动区域,运动区域的运动对象即为车辆,从而可以得到车辆的图像,也就得到车辆数量。
本发明实施例1提供的一种车辆识别优化方法,通过帧间差分累积法和背景差分法相结合有效识别车辆特征,从而能准确统计车辆数量,而且该方法成本低,技术简单。
作为上述方案的改进,所述采用帧间差分累积方法对所述源图像进行处理,得到帧间差分累积结果,具体包括:
计算每帧所述源图像的邻帧源图像的第一绝对差分灰度图像;
计算每帧所述源图像的隔帧源图像的第二绝对差分灰度图像;
将所述第一绝对差分灰度图像和所述第二绝对差分灰度图像进行“与”运算,得到每帧所述源图像的帧间差分结果;
将所有帧的所述源图像对应的所述帧间差分结果进行累积,得到所述帧间差分累积结果。
具体地,计算每帧源图像的邻帧源图像的第一绝对差分灰度图像;计算每帧源图像的隔帧源图像的第二绝对差分灰度图像;将第一绝对差分灰度图像和第二绝对差分灰度图像进行“与”运算,得到每帧源图像的帧间差分结果;将所有帧的源图像对应的帧间差分结果进行累积,得到帧间差分累积结果。
为了更清楚地说明帧间差分累积方法的操作过程,以源图像的左下角为原点,建立坐标轴,x为横坐标,y为纵坐标,那么待识别图像或待识别视频对应的连续三帧源图像设为f(k-1)(x,y),f(k)(x,y)和f(k+1)(x,y),则有,邻帧源图像的第一绝对差分灰度图像为D(k,k-1)=|f(k)(x,y)-f(k-1)(x,y)|,隔帧源图像的第二绝对差分灰度图像为D(k+1,k-1)=|f(k+1)(x,y)-f(k-1)(x,y)|,前n帧图像帧间差分累积结果为
作为上述方案的改进,所述采用背景差分方法对所述源图像进行处理,得到背景差分结果,具体包括:
将首帧所述源图像作为初始背景模板;
根据所述初始背景模板求取每一帧所述源图像的背景模板;
根据每一帧所述源图像以及其对应的背景模板,得到所述背景差分结果。
具体地,将首帧源图像作为初始背景模板,即其中,/>为初始背景模板,f(1)为首帧源图像。
根据初始背景模板求取每一帧源图像的背景模板,后续每一帧源图像的背景模板由公式确定;其中,/>为第k+1帧源图像的背景模板,/>为第k帧源图像的背景模板,fk+1(x,y)为第k+1帧源图像;α为加权值,0<α<1,优选地,α为0.2。
根据每一帧源图像以及其对应的背景模板,得到背景差分结果,则背景差分结果为
作为上述方案的改进,所述预设的阈值是根据函数的最小函数值确定的;其中,T为所述阈值,E(T)是所述阈值T的分布函数,s是积分变量;第一模式是根据贝叶斯统计定律的推断得出第一先验概率,P1为所述第一先验概率,μ1和σ1分别表示第一模式的第一平均偏差和第一标准偏差;第二模式是根据主观经验来判断得出第二先验概率,P2为所述第二先验概率,μ2和σ2分别表示第二模式的第二平均偏差和第二标准偏差。
需要说明的是,二值化处理的阈值的选取是得到准确的车辆运动区域的重要前提。一般地,阈值T服从正态分布,可根据函数的最小函数值确定的,也就是说,当E(T)最小时,T为最佳值。其中,T为阈值,E(T)是阈值T的分布函数,s是积分变量;第一模式是根据贝叶斯统计定律的推断得出第一先验概率,贝叶斯统计定律也可以是其他现有的统计学定律,P1为第一先验概率,μ1和σ1分别表示第一模式的第一平均偏差和第一标准偏差;第二模式是根据主观经验来判断得出第二先验概率,P2为第二先验概率,μ2和σ2分别表示第二模式的第二平均偏差和第二标准偏差。平均偏差和标准偏差可以通过数值计算法求得。该步骤确定预设阈值的原理就是通过使关于T的整个误差概率最小,从而找出二值化问题的最佳阈值。
作为上述方案的改进,所述根据预设的阈值对所述帧间差分累积结果进行二值化处理,得到第一车辆运动区域,具体包括:
将大于或等于所述阈值的所述帧间差分累积结果进行保留,得到所述第一车辆运动区域。
具体地,将大于或等于阈值的帧间差分累积结果进行保留,得到第一车辆运动区域,在数学上表示为,其中,D1为帧间差分累积方法得到的第一车辆运动区域。
作为上述方案的改进,所述根据所述阈值对所述背景差分结果进行二值化处理,得到第二车辆运动区域,具体包括:
将大于或等于所述阈值的所述背景差分结果进行保留,得到所述第二车辆运动区域。
具体地,将大于或等于阈值的背景差分结果进行保留,得到第二车辆运动区域,在数学上表示为,其中,D2为背景差分方法得到的第二车辆运动区域。
作为上述方案的改进,所述采用二次扫描方法对所述完整车辆运动区域进行扫描,得到车辆掩模,根据所述车辆掩模确定所述路段的车辆数量,具体包括:
对所述完整车辆运动区域的每一行进行按行扫描,得到每一行的行运动区域;
对所述完整车辆运动区域的每一列进行按列扫描,得到每一列的列运动区域;
将所述行运动区域和所述列运动区域进行“与”运算,得到车辆掩模;
根据所述源图像,填充所述车辆掩模的灰度值,得到车辆分割图像;
统计所述车辆分割图像的数量,得到所述路段的车辆数量。
需要说明的是,完整车辆运动区域为D0=D1∪D2,也就是说,完整车辆运动区域为第一车辆运动区域和第二车辆运动区域的“或”运算结果。
具体地,对完整车辆运动区域的每一行进行按行扫描,得到每一行的第一个和最后一个属于运动区域的像素,两者之间的像素就属于运动区域,从而得到每一行的行运动区域,用255的灰度值填充这些行运动区域得到水平方向上的候选分割区域。
为了消除按行扫描得到的车辆运动区域的误差,对完整车辆运动区域的每一列进行按列扫描,类似的操作得到每一列的列运动区域,同样可以得到一个垂直方向上的候选分割区域。
将行运动区域和列运动区域进行“与”运算,得到车辆掩模,即提取的运动对象,均由二进制“1”表示。
根据源图像,填充车辆掩模的灰度值,即填充图像中为“1”的部分,得到车辆分割图像;
最后统计车辆分割图像的数量,得到路段的车辆数量。
参见图2,是本发明一实施例提供的一种车辆识别优化装置的结构示意图,所述装置包括:
源图像获取模块11,用于获取预设路段车流的待识别图像或待识别视频,将所述待识别图像或所述待识别视频进行预处理,得到若干帧源图像;
帧间差分累积处理模块12,用于采用帧间差分累积方法对所述源图像进行处理,得到帧间差分累积结果;
背景差分处理模块13,用于采用背景差分方法对所述源图像进行处理,得到背景差分结果;
第一二值化处理模块14,用于根据预设的阈值对所述帧间差分累积结果进行二值化处理,得到第一车辆运动区域;
第二二值化处理模块15,用于根据所述阈值对所述背景差分结果进行二值化处理,得到第二车辆运动区域;
车辆运动区域获取模块16,用于根据所述第一车辆运动区域和所述第二车辆运动区域得到完整车辆运动区域;
车辆数量确定模块17,用于采用二次扫描方法对所述完整车辆运动区域进行扫描,得到车辆掩模,根据所述车辆掩模确定所述路段的车辆数量。
优选地,所述帧间差分累积处理模块12具体包括:
第一绝对差分灰度图像计算单元,用于计算每帧所述源图像的邻帧源图像的第一绝对差分灰度图像;
第二绝对差分灰度图像计算单元,用于计算每帧所述源图像的隔帧源图像的第二绝对差分灰度图像;
帧间差分结果计算单元,用于将所述第一绝对差分灰度图像和所述第二绝对差分灰度图像进行“与”运算,得到每帧所述源图像的帧间差分结果;
帧间差分累积结果计算单元,用于将所有帧的所述源图像对应的所述帧间差分结果进行累积,得到所述帧间差分累积结果。
优选地,所述背景差分处理模块13具体包括:
初始背景模板确定单元,用于将首帧所述源图像作为初始背景模板;
后续背景模板确定单元,用于根据所述初始背景模板求取每一帧所述源图像的背景模板;
背景差分结果获取单元,用于根据每一帧所述源图像以及其对应的背景模板,得到所述背景差分结果。
优选地,所述预设的阈值是根据函数 的最小函数值确定的;其中,T为所述阈值,E(T)是所述阈值T的分布函数,s是积分变量;第一模式是根据贝叶斯统计定律的推断得出第一先验概率,P1为所述第一先验概率,μ1和σ1分别表示第一模式的第一平均偏差和第一标准偏差;第二模式是根据主观经验来判断得出第二先验概率,P2为所述第二先验概率,μ2和σ2分别表示第二模式的第二平均偏差和第二标准偏差。
优选地,所述第一二值化处理模块14具体用于:
将大于或等于所述阈值的所述帧间差分累积结果进行保留,得到所述第一车辆运动区域。
优选地,所述第二二值化处理模块15具体用于:
将大于或等于所述阈值的所述背景差分结果进行保留,得到所述第二车辆运动区域。
优选地,所述车辆数量确定模块17具体包括:
行运动区域获取单元,用于对所述完整车辆运动区域的每一行进行按行扫描,得到每一行的行运动区域;
列运动区域获取单元,用于对所述完整车辆运动区域的每一列进行按列扫描,得到每一列的列运动区域;
车辆掩模获取单元,用于将所述行运动区域和所述列运动区域进行“与”运算,得到车辆掩模;
车辆分割图像获取单元,用于根据所述源图像,填充所述车辆掩模的灰度值,得到车辆分割图像;
统计单元,用于统计所述车辆分割图像的数量,得到所述路段的车辆数量。
本发明实施例所提供的一种车辆识别优化装置能够实现上述任一实施例所述的车辆识别优化方法的所有流程,装置中的各个模块、单元的作用以及实现的技术效果分别与上述实施例所述的车辆识别优化方法的作用以及实现的技术效果对应相同,这里不再赘述。
参见图3,是本发明实施例提供的一种使用车辆识别优化方法的装置的示意图,所述使用车辆识别优化方法的装置包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序,所述处理器10执行所述计算机程序时实现上述任一实施例所述的车辆识别优化方法。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器20中,并由处理器10执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在一种车辆识别优化方法中的执行过程。例如,计算机程序可以被分割成源图像获取模块、帧间差分累积处理模块、背景差分处理模块、第一二值化处理模块、第二二值化处理模块、车辆运动区域获取模块和车辆数量确定模块,各模块具体功能如下:
源图像获取模块11,用于获取预设路段车流的待识别图像或待识别视频,将所述待识别图像或所述待识别视频进行预处理,得到若干帧源图像;
帧间差分累积处理模块12,用于采用帧间差分累积方法对所述源图像进行处理,得到帧间差分累积结果;
背景差分处理模块13,用于采用背景差分方法对所述源图像进行处理,得到背景差分结果;
第一二值化处理模块14,用于根据预设的阈值对所述帧间差分累积结果进行二值化处理,得到第一车辆运动区域;
第二二值化处理模块15,用于根据所述阈值对所述背景差分结果进行二值化处理,得到第二车辆运动区域;
车辆运动区域获取模块16,用于根据所述第一车辆运动区域和所述第二车辆运动区域得到完整车辆运动区域;
车辆数量确定模块17,用于采用二次扫描方法对所述完整车辆运动区域进行扫描,得到车辆掩模,根据所述车辆掩模确定所述路段的车辆数量。
所述使用车辆识别优化方法的装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述使用车辆识别优化方法的装置可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,示意图3仅仅是一种使用车辆识别优化方法的装置的示例,并不构成对所述使用车辆识别优化方法的装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述使用车辆识别优化方法的装置还可以包括输入输出设备、网络接入设备、总线等。
处理器10可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者处理器10也可以是任何常规的处理器等,处理器10是所述使用车辆识别优化方法的装置的控制中心,利用各种接口和线路连接整个使用车辆识别优化方法的装置的各个部分。
存储器20可用于存储所述计算机程序和/或模块,处理器10通过运行或执行存储在存储器20内的计算机程序和/或模块,以及调用存储在存储器20内的数据,实现所述使用车辆识别优化方法的装置的各种功能。存储器20可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据程序使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述使用车辆识别优化方法的装置集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一实施例所述的车辆识别优化方法。
综上,本发明实施例所提供的一种车辆识别优化方法、装置及存储介质,结合帧间差分累积法和背景差分法两种图像视频分割方法的优势,可减小环境变化对背景法的影响,同时对不同运动速度的车辆适应性更强,能有效识别车辆特征,对于低比特率的视频监控序列均能取得较好的分割效果,而且由于算法相对简单,在实时性方面也具有一定的优势。本发明的成本低且算法简单,技术难度相对简单,还能准确地统计车辆数量。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种车辆识别优化方法,其特征在于,包括以下步骤:
获取预设路段车流的待识别图像或待识别视频,将所述待识别图像或所述待识别视频进行预处理,得到若干帧源图像;
采用帧间差分累积方法对所述源图像进行处理,得到帧间差分累积结果;
采用背景差分方法对所述源图像进行处理,得到背景差分结果;
根据预设的阈值对所述帧间差分累积结果进行二值化处理,得到第一车辆运动区域;
根据所述阈值对所述背景差分结果进行二值化处理,得到第二车辆运动区域;
根据所述第一车辆运动区域和所述第二车辆运动区域得到完整车辆运动区域;
采用二次扫描方法对所述完整车辆运动区域进行扫描,得到车辆掩模,根据所述车辆掩模确定所述路段的车辆数量;
其中,所述预设的阈值是根据函数
的最小函数值确定的;其中,T为所述阈值,E(T)是所述阈值T的分布函数,s是积分变量;第一模式是根据贝叶斯统计定律的推断得出第一先验概率,P1为所述第一先验概率,μ1和σ1分别表示第一模式的第一平均偏差和第一标准偏差;第二模式是根据主观经验来判断得出第二先验概率,P2为所述第二先验概率,μ2和σ2分别表示第二模式的第二平均偏差和第二标准偏差。
2.如权利要求1所述的车辆识别优化方法,其特征在于,所述采用帧间差分累积方法对所述源图像进行处理,得到帧间差分累积结果,具体包括:
计算每帧所述源图像的邻帧源图像的第一绝对差分灰度图像;
计算每帧所述源图像的隔帧源图像的第二绝对差分灰度图像;
将所述第一绝对差分灰度图像和所述第二绝对差分灰度图像进行“与”运算,得到每帧所述源图像的帧间差分结果;
将所有帧的所述源图像对应的所述帧间差分结果进行累积,得到所述帧间差分累积结果。
3.如权利要求1所述的车辆识别优化方法,其特征在于,所述采用背景差分方法对所述源图像进行处理,得到背景差分结果,具体包括:
将首帧所述源图像作为初始背景模板;
根据所述初始背景模板求取每一帧所述源图像的背景模板;
根据每一帧所述源图像以及其对应的背景模板,得到所述背景差分结果。
4.如权利要求1所述的车辆识别优化方法,其特征在于,所述根据预设的阈值对所述帧间差分累积结果进行二值化处理,得到第一车辆运动区域,具体包括:
将大于或等于所述阈值的所述帧间差分累积结果进行保留,得到所述第一车辆运动区域。
5.如权利要求1所述的车辆识别优化方法,其特征在于,所述根据所述阈值对所述背景差分结果进行二值化处理,得到第二车辆运动区域,具体包括:
将大于或等于所述阈值的所述背景差分结果进行保留,得到所述第二车辆运动区域。
6.如权利要求1所述的车辆识别优化方法,其特征在于,所述采用二次扫描方法对所述完整车辆运动区域进行扫描,得到车辆掩模,根据所述车辆掩模确定所述路段的车辆数量,具体包括:
对所述完整车辆运动区域的每一行进行按行扫描,得到每一行的行运动区域;
对所述完整车辆运动区域的每一列进行按列扫描,得到每一列的列运动区域;
将所述行运动区域和所述列运动区域进行“与”运算,得到车辆掩模;
根据所述源图像,填充所述车辆掩模的灰度值,得到车辆分割图像;
统计所述车辆分割图像的数量,得到所述路段的车辆数量。
7.一种车辆识别优化装置,其特征在于,包括:
源图像获取模块,用于获取预设路段车流的待识别图像或待识别视频,将所述待识别图像或所述待识别视频进行预处理,得到若干帧源图像;
帧间差分累积处理模块,用于采用帧间差分累积方法对所述源图像进行处理,得到帧间差分累积结果;
背景差分处理模块,用于采用背景差分方法对所述源图像进行处理,得到背景差分结果;
第一二值化处理模块,用于根据预设的阈值对所述帧间差分累积结果进行二值化处理,得到第一车辆运动区域;
第二二值化处理模块,用于根据所述阈值对所述背景差分结果进行二值化处理,得到第二车辆运动区域;
车辆运动区域获取模块,用于根据所述第一车辆运动区域和所述第二车辆运动区域得到完整车辆运动区域;
车辆数量确定模块,用于采用二次扫描方法对所述完整车辆运动区域进行扫描,得到车辆掩模,根据所述车辆掩模确定所述路段的车辆数量;
其中,所述预设的阈值是根据函数
的最小函数值确定的;其中,T为所述阈值,E(T)是所述阈值T的分布函数,s是积分变量;第一模式是根据贝叶斯统计定律的推断得出第一先验概率,P1为所述第一先验概率,μ1和σ1分别表示第一模式的第一平均偏差和第一标准偏差;第二模式是根据主观经验来判断得出第二先验概率,P2为所述第二先验概率,μ2和σ2分别表示第二模式的第二平均偏差和第二标准偏差。
8.一种使用车辆识别优化方法的装置,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的车辆识别优化方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的车辆识别优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010045759.7A CN111242051B (zh) | 2020-01-16 | 2020-01-16 | 一种车辆识别优化方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010045759.7A CN111242051B (zh) | 2020-01-16 | 2020-01-16 | 一种车辆识别优化方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242051A CN111242051A (zh) | 2020-06-05 |
CN111242051B true CN111242051B (zh) | 2023-09-15 |
Family
ID=70874696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010045759.7A Active CN111242051B (zh) | 2020-01-16 | 2020-01-16 | 一种车辆识别优化方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242051B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232285A (zh) * | 2020-11-05 | 2021-01-15 | 浙江点辰航空科技有限公司 | 一种高速公路急车道巡检的无人机系统 |
CN114842430B (zh) * | 2022-07-04 | 2022-09-09 | 江苏紫琅汽车集团股份有限公司 | 一种用于道路监测的车辆信息识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136537A (zh) * | 2012-12-12 | 2013-06-05 | 惠州学院 | 一种基于支持向量机的车型识别方法 |
CN106846359A (zh) * | 2017-01-17 | 2017-06-13 | 湖南优象科技有限公司 | 基于视频序列的运动目标快速检测方法 |
CN107169985A (zh) * | 2017-05-23 | 2017-09-15 | 南京邮电大学 | 一种基于对称帧间差分和背景更新的运动目标检测方法 |
CN109035287A (zh) * | 2018-07-02 | 2018-12-18 | 广州杰赛科技股份有限公司 | 前景图像提取方法和装置、运动车辆识别方法和装置 |
-
2020
- 2020-01-16 CN CN202010045759.7A patent/CN111242051B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136537A (zh) * | 2012-12-12 | 2013-06-05 | 惠州学院 | 一种基于支持向量机的车型识别方法 |
CN106846359A (zh) * | 2017-01-17 | 2017-06-13 | 湖南优象科技有限公司 | 基于视频序列的运动目标快速检测方法 |
CN107169985A (zh) * | 2017-05-23 | 2017-09-15 | 南京邮电大学 | 一种基于对称帧间差分和背景更新的运动目标检测方法 |
CN109035287A (zh) * | 2018-07-02 | 2018-12-18 | 广州杰赛科技股份有限公司 | 前景图像提取方法和装置、运动车辆识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111242051A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027546B (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
CN111242051B (zh) | 一种车辆识别优化方法、装置及存储介质 | |
CN113538491B (zh) | 一种基于自适应阈值的边缘识别方法、系统及存储介质 | |
Azad et al. | New method for optimization of license plate recognition system with use of edge detection and connected component | |
CN114387591A (zh) | 车牌识别方法、系统、设备及存储介质 | |
CN114127784A (zh) | 用于生成相机流的掩模的方法、计算机程序产品和计算机可读介质 | |
CN113362238A (zh) | 测试图像处理方法、装置、电子设备及存储介质 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN111488762A (zh) | 一种车道级定位方法、装置及定位设备 | |
CN112837384A (zh) | 车辆标记方法、装置和电子设备 | |
Zhu et al. | Optimization of image processing in video-based traffic monitoring | |
CN108510636B (zh) | 图像分割方法、图像分割装置及终端设备 | |
CN116152758A (zh) | 一种智能实时事故检测及车辆跟踪方法 | |
CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 | |
CN116403200A (zh) | 基于硬件加速的车牌实时识别系统 | |
CN112052859B (zh) | 一种自由场景下的车牌精准定位方法及装置 | |
Muzammil et al. | Application of image processing techniques for the extraction of vehicle number plates over ARM target board | |
CN111027560B (zh) | 文本检测方法以及相关装置 | |
CN114758268A (zh) | 手势识别方法、装置及智能设备 | |
CN116152127A (zh) | 一种3d点云处理方法、装置、设备和介质 | |
CN111242054B (zh) | 一种检测器的捕获率的检测方法及装置 | |
CN116542998B (zh) | 用于光刻薄膜电感的轮廓检测方法、装置、设备及介质 | |
CN109271986B (zh) | 一种基于Second-Confirm的数字识别方法 | |
CN112686246B (zh) | 一种车牌字符分割方法、装置、存储介质及终端设备 | |
CN116863458A (zh) | 车牌识别方法、装置、系统及存储介质 |
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 |