CN111797738A - 基于视频识别的多目标交通行为快速提取方法 - Google Patents
基于视频识别的多目标交通行为快速提取方法 Download PDFInfo
- Publication number
- CN111797738A CN111797738A CN202010581647.3A CN202010581647A CN111797738A CN 111797738 A CN111797738 A CN 111797738A CN 202010581647 A CN202010581647 A CN 202010581647A CN 111797738 A CN111797738 A CN 111797738A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- video
- contour
- traffic
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000009499 grossing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000003287 optical effect Effects 0.000 claims abstract description 6
- 238000012937 correction Methods 0.000 claims abstract description 5
- 239000000203 mixture Substances 0.000 claims abstract description 5
- 238000000926 separation method Methods 0.000 claims abstract description 5
- 238000012805 post-processing Methods 0.000 claims abstract description 4
- 230000006399 behavior Effects 0.000 claims description 51
- 230000008569 process Effects 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 239000011800 void material Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- 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
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于视频识别的多目标交通行为快速提取方法,包括如下步骤:前景目标提取,利用混合高斯模型训练待处理视频的部分图像得到初始背景,并使用视觉背景提取方法对该初始背景进行训练,进一步利用背景差分法根据训练完成的初始背景提取前景中目标的轮廓,并对该轮廓进行滤波与形态学处理;轮廓目标跟踪,利用角点检测器提取待处理视频中各个目标的特征点并利用KLT光流算法对各个目标进行跟踪生成对应的图像轨迹;轮廓轨迹后处理,对各个目标的图像轨迹进行分离修正和平滑处理,根据透视变换原理将待处理视频的每一帧中各个目标的图像坐标转换为真实坐标;结果输出,获取其对应的包括速度在内的交通参数,并判断目标所属的类别。
Description
技术领域
本发明属于道路交通安全技术领域,具体涉及一种基于视频识别的多目标交通行为快速提取方法。
背景技术
随着城市建设的不断发展,居民出行日益增多,各类道路交通问题也愈发凸显。目前,研究交通行为与安全问题需要大量的实测数据,这些实测数据的质量会直接影响交通行为描述模型的准确性。在采集交通数据方面,通常采用基于线圈、GPS或人工点选视频的方法来获取交通参数。但是,传统人工观测或录像观测的手段获取的数据频率低、误差大,只能支持较为宏观的统计分析研究;利用线圈来获取交通参数只适用于车辆,且成本较高;利用GPS获取数据的方法安置设备较为困难,且精度较差。
近年来随着计算机视觉技术的飞速发展,视频作为一种新兴的交通数据来源,由于具有信息量大、可溯源、鲁棒性强等特点,因此,可获得高频率、低误差的数据,能准确直观地描述交通行为,在近些年得到了愈加广泛的应用。
中国专利CN110310494A公开了一种基于视频图像的交通参数检测方法,通过在摄像设备下方车道上分别设定两块虚拟检测区域、背景提取、差分处理等步骤获取车流量参数以及通过该区域的目标车辆速度,并将处理后的数据信息传入交通控制中心。该发明安装简单,易于维护,使用成本低,可以广泛的应用于各级别道路,提取的数据易于传输、储存和管理。但该方法采集的是区段平均速度,无法采集目标车辆在目标区域内的瞬时速度以及轨迹数据。
中国专利CN103456172A公开了一种基于视频的交通参数测量方法。该方法采用一整套合理有效的摄像机坐标定位、车辆跟踪、车辆记数等方法,测量范围大,车辆轨迹判断准确快捷,设备安装方便,测量简捷可靠,所测量得到的交通参数准确、即时,在视频交通参数的检测中,有突出的技术特点。但是该方法只能检测车辆,提取的目标对象类型单一,且对停滞车辆的跟踪效果一般。
发明内容
为解决上述问题,提供一种基于视频识别的多目标交通行为快速提取方法,本发明采用了如下技术方案:
本发明提供了一种基于视频识别的多目标交通行为快速提取方法,其特征在于,包括如下步骤:前景目标提取,利用混合高斯模型训练待处理视频的部分图像得到初始背景,并使用视觉背景提取方法对该初始背景进行训练,进一步利用背景差分法根据训练完成的初始背景提取前景中目标的轮廓,并对该轮廓进行滤波与形态学处理;轮廓目标跟踪,利用角点检测器提取待处理视频中各个目标的特征点并利用KLT光流算法对各个目标进行跟踪生成对应的图像轨迹;轮廓轨迹后处理,对各个目标的图像轨迹进行分离修正和平滑处理,根据透视变换原理将待处理视频的每一帧中各个目标的图像坐标转换为真实坐标;结果输出,根据目标每一帧的真实坐标获取其对应的包括速度在内的交通参数,并根据各个目标对应的图像轨迹、速度以及图像面积判断该目标所属的类别。
本发明提供的基于视频识别的多目标交通行为快速提取方法,还可以具有这样的特征,其中,对轮廓进行滤波与形态学处理的具体过程为:轮廓使用高斯滤波器去除轮廓中由于环境变化和算法局限性产生的噪声点,轮廓通过形态学闭运算填补轮廓的空洞点。轮廓
本发明提供的基于视频识别的多目标交通行为快速提取方法,还可以具有这样的特征,其中,目标跟踪的具体过程如下:轮廓目标初始化,对待处理视频中的第一帧图像中各个目标的编号、时间序列、图像中心序列、图像面积以及特征点集合进行初始化,轮廓特征点提取与跟踪,利用角点检测器提取待处理视频中各个目标的特征点,并利用KLT光流算法对各个目标进行跟踪,轮廓目标点轮廓匹配,以特征点为媒介使用目标点轮廓匹配对待处理视频每一帧生成的轮廓与对应的目标相匹配,对于第n+1帧图像,获得第n帧图像中各个目标与特征点的对应关系,n为大于零的整数,进一步根据第n+1帧图像提取新的特征点并将该新的特征点分配给对应的各个目标,再根据轮廓内的特征点对应的目标,判断轮廓与目标的匹配情况,目标参数序列更新,获取各个目标在每一帧中的中心位置和面积,并将该中心位置和面积添加至该目标对应的参数序列中,重复特征点提取与跟踪、目标点轮廓匹配以及目标参数序列更新从而获取目标的图像轨迹。
本发明提供的基于视频识别的多目标交通行为快速提取方法,还可以具有这样的特征,其中,交通参数包括目标的速度、加速度、车头时距以及碰撞时间。
本发明提供的基于视频识别的多目标交通行为快速提取方法,还可以具有这样的特征,其中,判断目标所属的类别的具体过程如下:轮廓当目标的交通行为为该目标在对应的区域内活动的一般交通行为时,根据目标对应的图像轨迹的分布情况判断目标的类别,轮廓当目标的交通行为属于除一般交通行为以外的非一般交通行为时,利用目标经过平滑后的图像轨迹与经过平滑前的图像轨迹之间的差异性以及目标的速度特征判断目标的类别。
本发明提供的基于视频识别的多目标交通行为快速提取方法,还可以具有这样的特征,其中,目标的类别包括机动车、非机动车以及行人,一般交通行为为机动车、非机动车以及行人分别在对应的机动车道、非机动车道以及人行道所在区域内活动的行为。
本发明提供的基于视频识别的多目标交通行为快速提取方法,还可以具有这样的特征,其中,在前景目标提取前还包括如下步骤:区域划分,设定用于划分目标的活动范围的感兴趣区域掩模图像。
发明作用与效果
根据本发明的基于视频识别的多目标交通行为快速提取方法,利用混合高斯模型、视觉背景提取方法以及背景差分法提取前景中目标的轮廓,然后采用目标跟踪算法对目标进行跟踪生成对应的图像轨迹,进一步对不同目标的图像轨迹进行分离修正与平滑处理,并根据透视变换原理,将轨迹坐标转换为真实坐标,再根据真实坐标获取目标的速度、加速度、车头时距以及碰撞时间,最后根据目标活动区域与特征信息判断交通对象所属类别。该方法操作简单,使用成本低,能同时提取不同目标的交通参数识别准确率较高,对遮挡现象鲁棒性强。
附图说明
图1是本发明实施例中基于视频识别的多目标交通行为快速提取方法的流程图;
图2是本发明实施例中从待处理视频内截取的一帧图像;
图3是本发明实施例中设置的感兴趣区域(ROI)的掩模图;
图4是本发明实施例中OPC匹配的原理图;
图5是本发明实施例中目标跟踪可视化效果图。
具体实施方式
以下结合附图以及实施例来说明本发明的具体实施方式。
<实施例>
图1是本发明实施例中基于视频识别的多目标交通行为快速提取方法的流程图。
如图1所示,本实施例提供一种基于视频识别的多目标交通行为快速提取方法,用于对视频中的包含机动车、非机动车以及行人在内的目标的交通行为进行采集,该交通行为可以通过目标的速度、加速度、坐标轨迹、车头时距以及碰撞时间进行描述。
图2是本发明实施例中从待处理视频内截取的一帧图像
选取一段拍摄某一道路的视频作为待处理视频,该待处理视频的分辨率为1920x1080,帧数为30帧/s。从待处理视频找那个截取的某一帧图像如图2所示。
图3是本发明实施例中设置的感兴趣区域(ROI)的掩模图。
根据图2截图的图像,用户可以设置一个如图3所示的感兴趣区域(ROI)的掩模图像。本实施例中,感兴趣区域为图2中公路所在的区域,掩模图像中空白部分也即公路所在的区域。为了提高处理效率,本实施例提供的方法仅针对待处理视频与掩模图像的空白部分重合的区域进行多目标交通行为提取。
基于视频识别的多目标交通行为快速提取方法包括如下步骤:
步骤S1,前景目标提取,具体过程如下:
步骤S1.1,使用混合高斯模型训练待处理视频的部分图像得到初始背景。本实施中,部分图像为待处理视频的前500帧图像;
步骤S1.2,以初始背景作为首帧输入,使用视觉背景提取方法(ViBe)对初始背景重新进行训练背景;
步骤S1.3,使用背景差分法根据步骤S1.2中训练完成的初始背景提取获得前景中目标的轮廓;
步骤S1.4,使用高斯滤波器去除轮廓中由于环境变化和算法局限性产生的噪声点;
步骤S1.5,通过形态学闭运算填补轮廓的空洞点,让轮廓中的目标更为明显从而实现运动中的目标的逐帧识别。
步骤S2,目标跟踪,具体过程如下:
步骤S2.1,对待处理视频中的第一帧图像中各个目标的编号、时间序列、图像中心序列、图像面积以及特征点集合进行初始化,即:
Ok=(k,Fk,Ck,Ak,{Pn(Ok)|n∈fk})
式中,Ok表示第k个目标;k为目标的编号,初始化后不可改变;Fk,Ck,Ak,为动态数组,分别表示目标Ok出现的帧数,中心位置和面积,随后续跟踪增加长度,且三者长度一致;Pn(Ok)表示目标Ok在第n帧的特征点集合,通过角点检测器提取。
本实施例中,第一帧默认不存在遮挡与分离现象,因此,目标与轮廓的关系一一对应。
步骤S2.2,利用KLT光流法对特征点进行跟踪,更新特征点的位置,以特征点为媒介使用目标点轮廓匹配(OPC,即Object-Point-Contour)对待处理视频每一帧生成的轮廓与对应的目标相匹配。
图4是本发明实施例中OPC匹配的原理图。
如图4所示,以1个特征点作为媒介对本实施例中的目标点轮廓匹配(OPC)的匹配过程进行说明,对于第n+1帧图像,获得第n帧图像中各个目标与特征点的对应关系,n为大于零的整数,然后根据第n+1帧图像提取新的特征点并将该新的特征点分配给对应的各个目标,再根据轮廓内的特征点对应的目标,判断轮廓与目标的匹配情况。
步骤S2.3,获取各个目标在每一帧中的中心位置和面积参数,并将其添加至目标对应的中心位置序列和参数序列中。。
当轮廓仅包含对应的一个目标时,将轮廓内所有特征点均重新分配给对应的目标,并根据轮廓的中心位置和面积更新目标的中心位置和面积。
当轮廓包含多个目标时,若特征点所属目标仍在轮廓内,则将该特征点分配给该目标,若特征点所属目标不在轮廓内或特征点为新检提取的特征点,则利用动态规划思想按最小距离进行分配,即,将该特征点分配给与其距离最近的特征点所属的目标,若不存在,则寻找与最近点最近的特征点,如此递归直至所有特征点均被分配给对应的目标。然后根据目标前两帧的运动状态推演得到该目标的中心位置。
根据每一帧中各个目标的参数即可得到与各个目标对应的图像轨迹。
图5是本发明实施例中目标跟踪可视化效果图。
如图5所示,通过对比前后3帧的目标参数变化情况判断目标是否处于稳定跟踪装填,图中白色框W中的目标表示处于稳定跟踪状态,黑色B框中的目标表示处于非稳定跟踪状态。目标跟踪结束后可输出跟踪视频和图像坐标文件。
步骤S3,轨迹后处理,具体过程如下:
步骤S3.1,对图像轨迹进行平滑滤波处理,
步骤S3.2,根据透视变换原理将待处理视频的每一帧中各个目标的图像坐标转换为真实坐标。
在待处理视频的图像中选取4个标定点,并输入这4个标定点的真实坐标。根据透视变换原理4个标定点的真实坐标将图像坐标转换为真实坐标,转换公式为:
其中,(u,v)为图像坐标;(x’,y’)为真实坐标;x,y,w为透视变换计算的中间量;A为转换矩阵,三个子矩阵T1,T2,T3分别表示图像的线性变换、旋转和平移。待定元素apq(p,q=1,2,3)可通过代入4个标定点的真实坐标后计算获得。标定点选取彼此距离较远且可覆盖较多图像面积的四个点,用于提高坐标转换的精度。
步骤S4,结果输出,具体过程如下:
步骤S4.1,根据目标每一帧的真实坐标,计算其速度、加速度,并进一步得到车头时距以及碰撞时间。
步骤S4.2,根据各个目标的图像轨迹、速度以及面积判断该目标所属的类别。
当目标的交通行为为该目标在对应的区域内活动的一般交通行为时,根据目标对应的图像轨迹的分布情况判断目标的类别。一般交通行为为机动车、非机动车以及行人分别在对应的机动车道、非机动车道以及人行道所在区域内活动的行为。
当目标的交通行为属于除一般交通行为以外的非一般交通行为时,利用目标经过平滑后的图像轨迹与经过平滑前的图像轨迹之间的差异性以及目标的速度特征判断目标的类别,分类公式如下:
式中,O表示待分类目标,xoi、yoi表示目标在第i帧的图像坐标,diff(O)表示目标的图像轨迹使用局部加权回归法(Lowess)进行平滑处理前后的差异性大小;εd、εvel、εarea分别表示轨迹差异性大小、速度、面积的判别阈值,O.type、O.vel、O.area分别表示目标的类型、速度和面积;当diff(O)小于轨迹差异性阈值εd且速度小于速度阈值3m/s时,将目标判定为行人p,对于机动车和车机动车,当目标的面积小于面积阈值εarea时,将目标判定为非机动车b,否则为机动车v。轨迹差异性阈值εd与面积阈值εarea需根据待处理视频拍摄角度和高度进行标定。
步骤S4.3输出各个目标的速度、加速度、车头时距以及碰撞时间等交通参数以及所述类别。
实施例作用与效果
本实施例提供一种基于视频识别的多目标交通行为快速提取方法,利用混合高斯模型、视觉背景提取方法以及背景差分法提取前景中目标的轮廓,然后采用目标跟踪算法对目标尽心关跟踪生成赌赢的图像轨迹,进一步对不同目标的图像轨迹进行分离修正与平滑处理,并根据目标活动区域与特征信息判断交通对象所属类别以及根据透视变换原理,将轨迹坐标转换为真实坐标,最后根据真实坐标获取目标的速度、加速度、车头时距以及碰撞时间。该方法操作简单,使用成本低,能同时提取不同目标的交通参数识别准确率较高,对遮挡现象鲁棒性强。
本实施例提供一种基于视频识别的多目标交通行为快速提取方法,避免了传统检测方法对道路设施或者车辆的改造,操作简单,使用成本低;视频图像信息直观,提取的数据易于传输和存储,同时可进一步挖掘交通冲突等信息。
本实施例提供一种基于视频识别的多目标交通行为快速提取方法,通过目标的轨迹、速度和图像面积等参数判断目标属于机动车、非机动车或行人,能够同时提取不同道路参与目标的交通参数。
上述实施例仅用于举例说明本发明的具体实施方式,而本发明不限于上述实施例的描述范围。
Claims (7)
1.一种基于视频识别的多目标交通行为快速提取方法,用于对待处理视频中的目标的交通行为进行采集,其特征在于,包括如下步骤:
前景目标提取,利用混合高斯模型训练所述待处理视频的部分图像得到初始背景,并使用视觉背景提取方法对该初始背景进行训练,进一步利用背景差分法根据训练完成的所述初始背景提取前景中所述目标的轮廓,并对该轮廓进行滤波与形态学处理;
目标跟踪,利用角点检测器提取所述待处理视频中各个所述目标的特征点并利用KLT光流算法对各个所述目标进行跟踪生成对应的图像轨迹;
轨迹后处理,对各个所述目标的所述图像轨迹进行分离修正和平滑处理,根据透视变换原理将所述待处理视频的每一帧中各个所述目标的图像坐标转换为真实坐标;
结果输出,根据所述目标每一帧的所述真实坐标获取其对应的包括速度在内的交通参数,并根据各个所述目标对应的所述图像轨迹、所述速度以及图像面积判断该目标所属的类别。
2.根据权利要求1所述的基于视频识别的多目标交通行为快速提取方法,其特征在于:
其中,对所述轮廓进行所述滤波与所述形态学处理的具体过程为:
使用高斯滤波器去除所述轮廓中由于环境变化和算法局限性产生的噪声点,
通过形态学闭运算填补所述轮廓的空洞点。
3.根据权利要求1所述的基于视频识别的多目标交通行为快速提取方法,其特征在于,所述目标跟踪的具体过程如下:
目标初始化,对所述待处理视频中的第一帧图像中各个所述目标的编号、时间序列、图像中心序列、图像面积以及特征点集合进行初始化,
特征点提取与跟踪,利用角点检测器提取所述待处理视频中各个所述目标的所述特征点,并利用KLT光流算法对各个所述目标进行跟踪,
目标点轮廓匹配,以所述特征点为媒介使用目标点轮廓匹配对所述待处理视频每一帧生成的所述轮廓与对应的所述目标相匹配,对于第n+1帧图像,获得第n帧图像中各个所述目标与所述特征点的对应关系,n为大于零的整数,进一步根据第n+1帧图像提取新的特征点并将该新的特征点分配给对应的各个所述目标,再根据所述轮廓内的所述特征点对应的所述目标,判断轮廓与所述目标的匹配情况,
目标参数序列更新,获取各个所述目标在每一帧中的中心位置和面积,并将该中心位置和面积添加至该目标对应的参数序列中,
重复所述特征点提取与跟踪、所述目标点轮廓匹配以及所述目标参数序列更新从而获取所述目标的所述图像轨迹。
4.根据权利要求1所述的基于视频识别的多目标交通行为快速提取方法,其特征在于:
其中,所述交通参数包括所述目标的速度、加速度、车头时距以及碰撞时间。
5.根据权利要求1所述的基于视频识别的多目标交通行为快速提取方法,其特征在于,判断所述目标所属的类别的具体过程如下:
当所述目标的所述交通行为为该目标在对应的区域内活动的一般交通行为时,根据所述目标对应的所述图像轨迹的分布情况判断所述目标所述的类别,
当所述目标的所述交通行为属于除一般交通行为以外的非一般交通行为时,利用所述目标经过平滑后的所述图像轨迹与经过平滑前的所述图像轨迹之间的差异性以及所述目标的速度特征判断所述目标所述的类别。
6.根据权利要求5所述的基于视频识别的多目标交通行为快速提取方法,其特征在于:
其中,所述目标的类别包括机动车、非机动车以及行人,
所述一般交通行为为所述机动车、所述非机动车以及所述行人分别在对应的机动车道、非机动车道以及人行道所在区域内活动的行为。
7.根据权利要求1所述的基于视频识别的多目标交通行为快速提取方法,其特征在于,在所述前景目标提取前还包括如下步骤:
区域划分,设定用于划分所述目标的活动范围的感兴趣区域掩模图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010581647.3A CN111797738A (zh) | 2020-06-23 | 2020-06-23 | 基于视频识别的多目标交通行为快速提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010581647.3A CN111797738A (zh) | 2020-06-23 | 2020-06-23 | 基于视频识别的多目标交通行为快速提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111797738A true CN111797738A (zh) | 2020-10-20 |
Family
ID=72803048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010581647.3A Pending CN111797738A (zh) | 2020-06-23 | 2020-06-23 | 基于视频识别的多目标交通行为快速提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797738A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128342A (zh) * | 2021-03-19 | 2021-07-16 | 中国人民解放军战略支援部队信息工程大学 | 航迹数据预处理方法及空中目标识别方法 |
CN114023062A (zh) * | 2021-10-27 | 2022-02-08 | 河海大学 | 一种基于深度学习和边缘计算的交通流信息监测方法 |
CN114998999A (zh) * | 2022-07-21 | 2022-09-02 | 之江实验室 | 一种基于多帧输入与轨迹平滑的多目标跟踪方法和装置 |
CN115472014A (zh) * | 2022-09-16 | 2022-12-13 | 苏州映赛智能科技有限公司 | 一种交通追溯方法、系统、服务器及计算机存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785363A (zh) * | 2018-12-29 | 2019-05-21 | 中国电子科技集团公司第五十二研究所 | 一种无人机航拍视频运动小目标实时检测与跟踪方法 |
CN110348332A (zh) * | 2019-06-24 | 2019-10-18 | 长沙理工大学 | 一种交通视频场景下机非人多目标实时轨迹提取方法 |
-
2020
- 2020-06-23 CN CN202010581647.3A patent/CN111797738A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785363A (zh) * | 2018-12-29 | 2019-05-21 | 中国电子科技集团公司第五十二研究所 | 一种无人机航拍视频运动小目标实时检测与跟踪方法 |
CN110348332A (zh) * | 2019-06-24 | 2019-10-18 | 长沙理工大学 | 一种交通视频场景下机非人多目标实时轨迹提取方法 |
Non-Patent Citations (1)
Title |
---|
杨轸等: "基于视频的交叉口目标轨迹自动采集", 《同济大学学报(自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128342A (zh) * | 2021-03-19 | 2021-07-16 | 中国人民解放军战略支援部队信息工程大学 | 航迹数据预处理方法及空中目标识别方法 |
CN114023062A (zh) * | 2021-10-27 | 2022-02-08 | 河海大学 | 一种基于深度学习和边缘计算的交通流信息监测方法 |
CN114998999A (zh) * | 2022-07-21 | 2022-09-02 | 之江实验室 | 一种基于多帧输入与轨迹平滑的多目标跟踪方法和装置 |
CN114998999B (zh) * | 2022-07-21 | 2022-12-06 | 之江实验室 | 一种基于多帧输入与轨迹平滑的多目标跟踪方法和装置 |
CN115472014A (zh) * | 2022-09-16 | 2022-12-13 | 苏州映赛智能科技有限公司 | 一种交通追溯方法、系统、服务器及计算机存储介质 |
CN115472014B (zh) * | 2022-09-16 | 2023-10-10 | 苏州映赛智能科技有限公司 | 一种交通追溯方法、系统、服务器及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986064B (zh) | 一种人流量统计方法、设备及系统 | |
CN111797738A (zh) | 基于视频识别的多目标交通行为快速提取方法 | |
CN105718870B (zh) | 自动驾驶中基于前向摄像头的道路标线提取方法 | |
CN104200657B (zh) | 一种基于视频和传感器的交通流量参数采集方法 | |
CN111369541B (zh) | 一种智能汽车恶劣天气条件下车辆检测方法 | |
CN102044151B (zh) | 基于光照可见度辨识的夜间车辆视频检测方法 | |
CN108681693B (zh) | 基于可信区域的车牌识别方法 | |
CN110619279B (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
US20140348390A1 (en) | Method and apparatus for detecting traffic monitoring video | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN106682586A (zh) | 一种复杂光照条件下基于视觉的实时车道线检测的方法 | |
CN108830246B (zh) | 一种交通环境行人多维运动特征视觉提取方法 | |
CN111340855A (zh) | 一种基于轨迹预测的道路移动目标检测方法 | |
CN106128121B (zh) | 基于局部特征分析的车辆排队长度快速检测算法 | |
CN110334692B (zh) | 一种基于图像处理的盲道识别方法 | |
CN108645375B (zh) | 一种用于车载双目系统快速车辆测距优化方法 | |
CN107808524B (zh) | 一种基于无人机的道路交叉口车辆检测方法 | |
CN109791607A (zh) | 借助单应矩阵从摄像机的一系列图像中探测和验证对象 | |
CN113221648A (zh) | 一种基于移动测量系统的融合点云序列影像路牌检测方法 | |
CN116503818A (zh) | 一种多车道车速检测方法及系统 | |
CN113516853B (zh) | 一种针对复杂监控场景的多车道车流量检测方法 | |
CN117636268A (zh) | 一种面向冰雪环境的无人机航拍自然驾驶数据集构建方法 | |
CN113221739B (zh) | 基于单目视觉的车距测量方法 | |
CN111597992B (zh) | 一种基于视频监控的场景物体异常的识别方法 | |
CN109817009A (zh) | 一种获取无人驾驶所需动态交通信息的方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201020 |
|
WD01 | Invention patent application deemed withdrawn after publication |