CN112597806A - 基于样本背景减法和阴影检测的车辆计数方法和装置 - Google Patents
基于样本背景减法和阴影检测的车辆计数方法和装置 Download PDFInfo
- Publication number
- CN112597806A CN112597806A CN202011377384.0A CN202011377384A CN112597806A CN 112597806 A CN112597806 A CN 112597806A CN 202011377384 A CN202011377384 A CN 202011377384A CN 112597806 A CN112597806 A CN 112597806A
- Authority
- CN
- China
- Prior art keywords
- background
- pixels
- shadow
- model
- pixel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000004590 computer program Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种基于样本的背景减法和阴影检测进行车辆计数的方法和装置,涉及车辆计数领域。该方法包括:预先基于样本建立背景模型和阴影模型,并根据摄像机视场设置虚拟检测区域,从输入的车辆视频数据中获取当前帧,将当前帧在虚拟检测区域内的所有像素与背景模型进行比较,将与背景模型匹配的像素分类为背景像素,将所有像素中的非背景像素与阴影模型进行比较,将与阴影模型匹配的像素分类为阴影像素,将非背景也非阴影的其余像素分类为前景像素,确定属于车辆,进行实时计数。该装置包括:建立模块、获取模块、背景模块、阴影模块和前景模块。本申请极大地节省了带宽,复杂度较低,可在低成本的嵌入式平台上运行。
Description
技术领域
本申请涉及车辆计数领域,特别是涉及一种基于样本背景减法和阴影检测的车辆计数方法和装置。
背景技术
目前,基于视频对车辆进行计数的系统中,典型的方法是将摄像机信号传输到一个中央控制站,在那里手动或通过运行在桌面计算机上的算法进行分析。这种方法的主要缺点是视频数据的传输需要相当大的功率和带宽。另一种新兴的方法是使用智能相机的概念,将相机与计算平台集成,以便在本地的相机节点上执行视频内容分析进行计数,但是更占用带宽,而且鲁棒性也差。
发明内容
本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。
根据本申请的一个方面,提供了一种基于样本背景减法和阴影检测的车辆计数方法,包括:
预先基于样本建立背景模型和阴影模型,并根据摄像机视场设置虚拟检测区域;
从输入的车辆视频数据中获取当前帧;
将所述当前帧在所述虚拟检测区域内的所有像素与所述背景模型进行比较,将与所述背景模型匹配的像素分类为背景像素;
将所述所有像素中的非背景像素与所述阴影模型进行比较,将与所述阴影模型匹配的像素分类为阴影像素;
将非背景也非阴影的其余像素分类为前景像素,确定属于车辆,进行实时计数。
可选地,将所述当前帧在所述虚拟检测区域内的所有像素与所述背景模型进行比较,将与所述背景模型匹配的像素分类为背景像素,包括:
将所述当前帧在所述虚拟检测区域内的每一像素与所述背景模型进行比较,判断当前像素与所述背景模型中最小数量的样本之间的距离是否小于第一阈值,如果是,则将所述当前像素分类为背景像素,否则分类为非背景像素。
可选地,将所述所有像素中的非背景像素与所述阴影模型进行比较,将与所述阴影模型匹配的像素分类为阴影像素,包括:
将所述所有像素中属于非背景像素的每一像素与所述阴影模型进行比较,判断当前像素与所述阴影模型中最小数量的样本之间的距离是否小于第二阈值,如果是,则将所述当前像素分类为阴影像素,否则分类为非背景且非阴影像素。
可选地,预先基于样本建立背景模型和阴影模型,包括:
基于样本通过在每个像素处用概率密度函数来分别进行背景建模和阴影建模,得到背景模型和阴影模型。
可选地,根据摄像机视场设置虚拟检测区域,包括:
在摄像机视场的近端设置与其垂直的虚拟检测区域。
根据本申请的另一个方面,提供了一种基于样本背景减法和阴影检测的车辆计数装置,包括:
建立模块,其配置成预先基于样本建立背景模型和阴影模型,并根据摄像机视场设置虚拟检测区域;
获取模块,其配置成从输入的车辆视频数据中获取当前帧;
背景模块,其配置成将所述当前帧在所述虚拟检测区域内的所有像素与所述背景模型进行比较,将与所述背景模型匹配的像素分类为背景像素;
阴影模块,其配置成将所述所有像素中的非背景像素与所述阴影模型进行比较,将与所述阴影模型匹配的像素分类为阴影像素;
前景模块,其配置成将非背景也非阴影的其余像素分类为前景像素,确定属于车辆,进行实时计数。
可选地,所述背景模块具体配置成:
将所述当前帧在所述虚拟检测区域内的每一像素与所述背景模型进行比较,判断当前像素与所述背景模型中最小数量的样本之间的距离是否小于第一阈值,如果是,则将所述当前像素分类为背景像素,否则分类为非背景像素。
可选地,所述阴影模块具体配置成:
将所述所有像素中属于非背景像素的每一像素与所述阴影模型进行比较,判断当前像素与所述阴影模型中最小数量的样本之间的距离是否小于第二阈值,如果是,则将所述当前像素分类为阴影像素,否则分类为非背景且非阴影像素。
可选地,所述建立模块具体配置成:
基于样本通过在每个像素处用概率密度函数来分别进行背景建模和阴影建模,得到背景模型和阴影模型。
可选地,所述建立模块具体配置成:
在摄像机视场的近端设置与其垂直的虚拟检测区域。
根据本申请的又一个方面,提供了一种计算设备,包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上所述的方法。
根据本申请的又一个方面,提供了一种计算机可读存储介质,优选为非易失性可读存储介质,其内存储有计算机程序,所述计算机程序在由处理器执行时实现如上所述的方法。
根据本申请的又一个方面,提供了一种计算机程序产品,包括计算机可读代码,当所述计算机可读代码由计算机设备执行时,导致所述计算机设备执行上述的方法。
本申请提供的技术方案,通过预先基于样本建立背景模型和阴影模型,并根据摄像机视场设置虚拟检测区域,从输入的车辆视频数据中获取当前帧,将当前帧在虚拟检测区域内的所有像素与背景模型进行比较,将与背景模型匹配的像素分类为背景像素,将所有像素中的非背景像素与阴影模型进行比较,将与阴影模型匹配的像素分类为阴影像素,将非背景也非阴影的其余像素分类为前景像素,确定属于车辆,进行实时计数,由于只传输对场景的解释,而无需传输视频数据,因此可以极大地节省带宽。而且采用基于样本的背景减法和阴影检测进行车辆计数,算法性能优良,复杂度较低,具有速度优势,计算负荷足够轻,可以在低成本的嵌入式平台上运行。
根据下文结合附图对本申请的具体实施例的详细描述,本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1是根据本申请一个实施例的基于样本背景减法和阴影检测的车辆计数方法流程图;
图2是根据本申请另一个实施例的基于样本背景减法和阴影检测的车辆计数方法流程图;
图3是根据本申请另一个实施例的基于样本背景减法和阴影检测的车辆计数装置结构图;
图4是根据本申请另一个实施例的计算设备结构图;
图5是根据本申请另一个实施例的计算机可读存储介质结构图。
具体实施方式
图1是根据本申请一个实施例的基于样本背景减法和阴影检测的车辆计数方法流程图。参见图1,该方法包括:
101:预先基于样本建立背景模型和阴影模型,并根据摄像机视场设置虚拟检测区域;
102:从输入的车辆视频数据中获取当前帧;
103:将当前帧在虚拟检测区域内的所有像素与背景模型进行比较,将与背景模型匹配的像素分类为背景像素;
104:将所有像素中的非背景像素与阴影模型进行比较,将与阴影模型匹配的像素分类为阴影像素;
105:将非背景也非阴影的其余像素分类为前景像素,确定属于车辆,进行实时计数。
本实施例中,可选的,将当前帧在虚拟检测区域内的所有像素与背景模型进行比较,将与背景模型匹配的像素分类为背景像素,包括:
将当前帧在虚拟检测区域内的每一像素与背景模型进行比较,判断当前像素与背景模型中最小数量的样本之间的距离是否小于第一阈值,如果是,则将当前像素分类为背景像素,否则分类为非背景像素。
本实施例中,可选的,将所有像素中的非背景像素与阴影模型进行比较,将与阴影模型匹配的像素分类为阴影像素,包括:
将所有像素中属于非背景像素的每一像素与阴影模型进行比较,判断当前像素与阴影模型中最小数量的样本之间的距离是否小于第二阈值,如果是,则将当前像素分类为阴影像素,否则分类为非背景且非阴影像素。
本实施例中,可选的,预先基于样本建立背景模型和阴影模型,包括:
基于样本通过在每个像素处用概率密度函数来分别进行背景建模和阴影建模,得到背景模型和阴影模型。
本实施例中,可选的,根据摄像机视场设置虚拟检测区域,包括:
在摄像机视场的近端设置与其垂直的虚拟检测区域。
本实施例提供的上述方法,通过预先基于样本建立背景模型和阴影模型,并根据摄像机视场设置虚拟检测区域,从输入的车辆视频数据中获取当前帧,将当前帧在虚拟检测区域内的所有像素与背景模型进行比较,将与背景模型匹配的像素分类为背景像素,将所有像素中的非背景像素与阴影模型进行比较,将与阴影模型匹配的像素分类为阴影像素,将非背景也非阴影的其余像素分类为前景像素,确定属于车辆,进行实时计数,由于只传输对场景的解释,而无需传输视频数据,因此可以极大地节省带宽。而且采用基于样本的背景减法和阴影检测进行车辆计数,算法性能优良,复杂度较低,具有速度优势,计算负荷足够轻,可以在低成本的嵌入式平台上运行。
图2是根据本申请另一个实施例的基于样本背景减法和阴影检测的车辆计数方法流程图。参见图2,该方法包括:
201:基于样本通过在每个像素处用概率密度函数来分别进行背景建模和阴影建模,得到背景模型和阴影模型;
202:在摄像机视场的近端设置与其垂直的虚拟检测区域;
本实施例中,虚拟检测区域(VDR)模拟了感应环路检测器的行为,即检测通过VDR的车辆。VDR方法是虚检测线(VDL)方法的变体,该方法不需要借助于TSIs就可以获得车辆通过VDR的实时计数,从而保证了车辆的实时运行。
203:从输入的车辆视频数据中获取当前帧;
204:将当前帧在虚拟检测区域内的每一像素与背景模型进行比较,判断当前像素与背景模型中最小数量的样本之间的距离是否小于第一阈值,如果是,则将当前像素分类为背景像素,否则分类为非背景像素;
本步骤中使用了背景减法,它是一种非常有效的方法,在车辆检测中得到了广泛的应用。与最先进的对象检测器相比,背景减法计算成本低,并且具有很强的实时能力,而且能够适应天气和光照的缓慢变化,在夜间条件下,即使外观特征非常模糊也可以应用。本实施例中,背景减法只应用于VDR,进一步提高了效率。
其中,上述当前像素与背景模型中最小数量的样本之间的距离,是指在RGB空间中的L1距离(出租车几何或曼哈顿距离),第一阈值可以根据需要设置大小,具体不限定。
205:将所有像素中属于非背景像素的每一像素与阴影模型进行比较,判断当前像素与阴影模型中最小数量的样本之间的距离是否小于第二阈值,如果是,则将当前像素分类为阴影像素,否则分类为非背景且非阴影像素;
其中,上述当前像素与阴影模型中最小数量的样本之间的距离,是指在RGB空间中的L1距离,第二阈值可以根据需要设置大小,具体不限定。
206:将非背景也非阴影的其余像素分类为前景像素,确定属于车辆,进行实时计数。
本实施例提供的上述方法,通过预先基于样本建立背景模型和阴影模型,并根据摄像机视场设置虚拟检测区域,从输入的车辆视频数据中获取当前帧,将当前帧在虚拟检测区域内的所有像素与背景模型进行比较,将与背景模型匹配的像素分类为背景像素,将所有像素中的非背景像素与阴影模型进行比较,将与阴影模型匹配的像素分类为阴影像素,将非背景也非阴影的其余像素分类为前景像素,确定属于车辆,进行实时计数,由于只传输对场景的解释,而无需传输视频数据,因此可以极大地节省带宽。而且采用基于样本的背景减法和阴影检测进行车辆计数,算法性能优良,复杂度较低,具有速度优势,计算负荷足够轻,可以在低成本的嵌入式平台上运行。
图3是根据本申请另一个实施例的基于样本背景减法和阴影检测的车辆计数装置结构图。参见图3,该装置包括:
建立模块301,其配置成预先基于样本建立背景模型和阴影模型,并根据摄像机视场设置虚拟检测区域;
获取模块302,其配置成从输入的车辆视频数据中获取当前帧;
背景模块303,其配置成将当前帧在虚拟检测区域内的所有像素与背景模型进行比较,将与背景模型匹配的像素分类为背景像素;
阴影模块304,其配置成将所有像素中的非背景像素与阴影模型进行比较,将与阴影模型匹配的像素分类为阴影像素;
前景模块305,其配置成将非背景也非阴影的其余像素分类为前景像素,确定属于车辆,进行实时计数。
本实施例中,可选的,背景模块具体配置成:
将当前帧在虚拟检测区域内的每一像素与背景模型进行比较,判断当前像素与背景模型中最小数量的样本之间的距离是否小于第一阈值,如果是,则将当前像素分类为背景像素,否则分类为非背景像素。
本实施例中,可选的,阴影模块具体配置成:
将所有像素中属于非背景像素的每一像素与阴影模型进行比较,判断当前像素与阴影模型中最小数量的样本之间的距离是否小于第二阈值,如果是,则将当前像素分类为阴影像素,否则分类为非背景且非阴影像素。
本实施例中,可选的,建立模块具体配置成:
基于样本通过在每个像素处用概率密度函数来分别进行背景建模和阴影建模,得到背景模型和阴影模型。
本实施例中,可选的,建立模块具体配置成:
在摄像机视场的近端设置与其垂直的虚拟检测区域。
本实施例提供的上述装置,可以执行上述任一方法实施例提供的方法,详细过程详见方法实施例中的描述,此处不赘述。
本实施例提供的上述装置,通过预先基于样本建立背景模型和阴影模型,并根据摄像机视场设置虚拟检测区域,从输入的车辆视频数据中获取当前帧,将当前帧在虚拟检测区域内的所有像素与背景模型进行比较,将与背景模型匹配的像素分类为背景像素,将所有像素中的非背景像素与阴影模型进行比较,将与阴影模型匹配的像素分类为阴影像素,将非背景也非阴影的其余像素分类为前景像素,确定属于车辆,进行实时计数,由于只传输对场景的解释,而无需传输视频数据,因此可以极大地节省带宽。而且采用基于样本的背景减法和阴影检测进行车辆计数,算法性能优良,复杂度较低,具有速度优势,计算负荷足够轻,可以在低成本的嵌入式平台上运行。
根据下文结合附图对本申请的具体实施例的详细描述,本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
本申请实施例还提供了一种计算设备,参照图4,该计算设备包括存储器1120、处理器1110和存储在所述存储器1120内并能由所述处理器1110运行的计算机程序,该计算机程序存储于存储器1120中的用于程序代码的空间1130,该计算机程序在由处理器1110执行时实现用于执行任一项根据本发明的方法步骤1131。
本申请实施例还提供了一种计算机可读存储介质。参照图5,该计算机可读存储介质包括用于程序代码的存储单元,该存储单元设置有用于执行根据本发明的方法步骤的程序1131′,该程序被处理器执行。
本申请实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时,使得计算机执行根据本发明的方法步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、获取其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令处理器完成,所述的程序可以存储于计算机可读存储介质中,所述存储介质是非短暂性(英文:non-transitory)介质,例如随机存取存储器,只读存储器,快闪存储器,硬盘,固态硬盘,磁带(英文:magnetic tape),软盘(英文:floppy disk),光盘(英文:optical disc)及其任意组合。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于样本背景减法和阴影检测的车辆计数方法,其特征在于,包括:
预先基于样本建立背景模型和阴影模型,并根据摄像机视场设置虚拟检测区域;
从输入的车辆视频数据中获取当前帧;
将所述当前帧在所述虚拟检测区域内的所有像素与所述背景模型进行比较,将与所述背景模型匹配的像素分类为背景像素;
将所述所有像素中的非背景像素与所述阴影模型进行比较,将与所述阴影模型匹配的像素分类为阴影像素;
将非背景也非阴影的其余像素分类为前景像素,确定属于车辆,进行实时计数。
2.根据权利要求1所述的方法,其特征在于,将所述当前帧在所述虚拟检测区域内的所有像素与所述背景模型进行比较,将与所述背景模型匹配的像素分类为背景像素,包括:
将所述当前帧在所述虚拟检测区域内的每一像素与所述背景模型进行比较,判断当前像素与所述背景模型中最小数量的样本之间的距离是否小于第一阈值,如果是,则将所述当前像素分类为背景像素,否则分类为非背景像素。
3.根据权利要求1所述的方法,其特征在于,将所述所有像素中的非背景像素与所述阴影模型进行比较,将与所述阴影模型匹配的像素分类为阴影像素,包括:
将所述所有像素中属于非背景像素的每一像素与所述阴影模型进行比较,判断当前像素与所述阴影模型中最小数量的样本之间的距离是否小于第二阈值,如果是,则将所述当前像素分类为阴影像素,否则分类为非背景且非阴影像素。
4.根据权利要求1所述的方法,其特征在于,预先基于样本建立背景模型和阴影模型,包括:
基于样本通过在每个像素处用概率密度函数来分别进行背景建模和阴影建模,得到背景模型和阴影模型。
5.根据权利要求1-4中任一项所述的方法,其特征在于,根据摄像机视场设置虚拟检测区域,包括:
在摄像机视场的近端设置与其垂直的虚拟检测区域。
6.一种基于样本背景减法和阴影检测的车辆计数装置,其特征在于,包括:
建立模块,其配置成预先基于样本建立背景模型和阴影模型,并根据摄像机视场设置虚拟检测区域;
获取模块,其配置成从输入的车辆视频数据中获取当前帧;
背景模块,其配置成将所述当前帧在所述虚拟检测区域内的所有像素与所述背景模型进行比较,将与所述背景模型匹配的像素分类为背景像素;
阴影模块,其配置成将所述所有像素中的非背景像素与所述阴影模型进行比较,将与所述阴影模型匹配的像素分类为阴影像素;
前景模块,其配置成将非背景也非阴影的其余像素分类为前景像素,确定属于车辆,进行实时计数。
7.根据权利要求6所述的装置,其特征在于,所述背景模块具体配置成:
将所述当前帧在所述虚拟检测区域内的每一像素与所述背景模型进行比较,判断当前像素与所述背景模型中最小数量的样本之间的距离是否小于第一阈值,如果是,则将所述当前像素分类为背景像素,否则分类为非背景像素。
8.根据权利要求6所述的装置,其特征在于,所述阴影模块具体配置成:
将所述所有像素中属于非背景像素的每一像素与所述阴影模型进行比较,判断当前像素与所述阴影模型中最小数量的样本之间的距离是否小于第二阈值,如果是,则将所述当前像素分类为阴影像素,否则分类为非背景且非阴影像素。
9.根据权利要求6所述的装置,其特征在于,所述建立模块具体配置成:
基于样本通过在每个像素处用概率密度函数来分别进行背景建模和阴影建模,得到背景模型和阴影模型。
10.根据权利要求6-9中任一项所述的装置,其特征在于,所述建立模块具体配置成:
在摄像机视场的近端设置与其垂直的虚拟检测区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011377384.0A CN112597806A (zh) | 2020-11-30 | 2020-11-30 | 基于样本背景减法和阴影检测的车辆计数方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011377384.0A CN112597806A (zh) | 2020-11-30 | 2020-11-30 | 基于样本背景减法和阴影检测的车辆计数方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112597806A true CN112597806A (zh) | 2021-04-02 |
Family
ID=75187382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011377384.0A Pending CN112597806A (zh) | 2020-11-30 | 2020-11-30 | 基于样本背景减法和阴影检测的车辆计数方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597806A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101470809A (zh) * | 2007-12-26 | 2009-07-01 | 中国科学院自动化研究所 | 一种基于扩展混合高斯模型的运动目标检测方法 |
US20090316957A1 (en) * | 2008-06-23 | 2009-12-24 | Chao-Ho Chen | Method of vehicle segmentation and counting for nighttime video frames |
CN102568005A (zh) * | 2011-12-28 | 2012-07-11 | 江苏大学 | 一种基于混合高斯模型的运动目标检测方法 |
CN103268470A (zh) * | 2013-04-16 | 2013-08-28 | 东南大学 | 基于任意场景的视频对象实时统计方法 |
CN104299210A (zh) * | 2014-09-23 | 2015-01-21 | 同济大学 | 基于多特征融合的车辆阴影消除方法 |
US20150248590A1 (en) * | 2014-03-03 | 2015-09-03 | Xerox Corporation | Method and apparatus for processing image of scene of interest |
US20160180201A1 (en) * | 2014-12-22 | 2016-06-23 | International Business Machines Corporation | Image processing |
JP2017091534A (ja) * | 2015-11-09 | 2017-05-25 | 富士通株式会社 | 車両計数方法、車両計数装置及び電子機器 |
CN108205891A (zh) * | 2018-01-02 | 2018-06-26 | 霍锦涛 | 一种监控区域的车辆监测方法 |
CN110288538A (zh) * | 2019-05-23 | 2019-09-27 | 南京理工大学 | 一种多特征融合的运动目标阴影检测及消除方法 |
-
2020
- 2020-11-30 CN CN202011377384.0A patent/CN112597806A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101470809A (zh) * | 2007-12-26 | 2009-07-01 | 中国科学院自动化研究所 | 一种基于扩展混合高斯模型的运动目标检测方法 |
US20090316957A1 (en) * | 2008-06-23 | 2009-12-24 | Chao-Ho Chen | Method of vehicle segmentation and counting for nighttime video frames |
CN102568005A (zh) * | 2011-12-28 | 2012-07-11 | 江苏大学 | 一种基于混合高斯模型的运动目标检测方法 |
CN103268470A (zh) * | 2013-04-16 | 2013-08-28 | 东南大学 | 基于任意场景的视频对象实时统计方法 |
US20150248590A1 (en) * | 2014-03-03 | 2015-09-03 | Xerox Corporation | Method and apparatus for processing image of scene of interest |
CN104299210A (zh) * | 2014-09-23 | 2015-01-21 | 同济大学 | 基于多特征融合的车辆阴影消除方法 |
US20160180201A1 (en) * | 2014-12-22 | 2016-06-23 | International Business Machines Corporation | Image processing |
JP2017091534A (ja) * | 2015-11-09 | 2017-05-25 | 富士通株式会社 | 車両計数方法、車両計数装置及び電子機器 |
CN108205891A (zh) * | 2018-01-02 | 2018-06-26 | 霍锦涛 | 一种监控区域的车辆监测方法 |
CN110288538A (zh) * | 2019-05-23 | 2019-09-27 | 南京理工大学 | 一种多特征融合的运动目标阴影检测及消除方法 |
Non-Patent Citations (3)
Title |
---|
YUE CHEN等: "Robust Vehicle Detection and Counting Algorithm Adapted to Complex Traffic Environments with Sudden Illumination Changes and Shadows", 《SENSORS》, vol. 20, no. 9, 8 May 2020 (2020-05-08), pages 2686 - 1 * |
戴晶华等: "多车道视频车流量检测和计数", 《国外电子测量技术》, vol. 35, no. 10, 30 October 2016 (2016-10-30), pages 30 - 33 * |
王骁等: "基于DSP的地下停车场车流量视频检测的改进算法", 《电子器件》, vol. 39, no. 03, 30 June 2016 (2016-06-30), pages 741 - 745 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11216924B2 (en) | Method and apparatus for processing image | |
US20160210759A1 (en) | System and method of detecting moving objects | |
CN110647823A (zh) | 一种优化人脸底库的方法和装置 | |
CN112863187B (zh) | 感知模型的检测方法、电子设备、路侧设备和云控平台 | |
CN114449343A (zh) | 一种视频处理方法、装置、设备及存储介质 | |
CN111402301B (zh) | 积水检测方法及装置、存储介质及电子装置 | |
CN110895811B (zh) | 一种图像篡改检测方法和装置 | |
CN112528927A (zh) | 基于轨迹分析的置信度确定方法、路侧设备及云控平台 | |
CN115049954A (zh) | 目标识别方法、装置、电子设备和介质 | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
CN113822110B (zh) | 一种目标检测的方法和装置 | |
CN114445663A (zh) | 检测对抗样本的方法、装置及计算机程序产品 | |
CN113688839A (zh) | 视频处理方法及装置、电子设备、计算机可读存储介质 | |
CN114037087A (zh) | 模型训练方法及装置、深度预测方法及装置、设备和介质 | |
CN115083008A (zh) | 运动目标检测方法、装置、设备及存储介质 | |
CN113762027B (zh) | 一种异常行为的识别方法、装置、设备及存储介质 | |
CN112597806A (zh) | 基于样本背景减法和阴影检测的车辆计数方法和装置 | |
CN110634155A (zh) | 一种基于深度学习的目标检测方法和装置 | |
CN115147756A (zh) | 一种视频流处理方法、装置、电子设备及存储介质 | |
CN114419018A (zh) | 图像采样方法、系统、设备及介质 | |
CN110852252B (zh) | 一种基于最小距离、最大长宽比的车辆排重方法和装置 | |
CN112613516A (zh) | 用于航拍视频数据的语义分割方法 | |
CN112581492A (zh) | 一种运动目标检测方法和装置 | |
CN104700396B (zh) | 从图像中确定用于估计交通量的参数的方法和系统 | |
CN116156149B (zh) | 一种用于检测摄像头移动的检测方法及装置 |
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 |