CN112598009A - 基于运动分析的车辆分类方法及系统 - Google Patents

基于运动分析的车辆分类方法及系统 Download PDF

Info

Publication number
CN112598009A
CN112598009A CN202011058216.5A CN202011058216A CN112598009A CN 112598009 A CN112598009 A CN 112598009A CN 202011058216 A CN202011058216 A CN 202011058216A CN 112598009 A CN112598009 A CN 112598009A
Authority
CN
China
Prior art keywords
classification
target
vehicle
threshold
motion
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.)
Granted
Application number
CN202011058216.5A
Other languages
English (en)
Other versions
CN112598009B (zh
Inventor
刘军发
郑爱兵
刘宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Genepoint Beijing Technology Co ltd
Original Assignee
Genepoint Beijing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Genepoint Beijing Technology Co ltd filed Critical Genepoint Beijing Technology Co ltd
Priority to CN202011058216.5A priority Critical patent/CN112598009B/zh
Publication of CN112598009A publication Critical patent/CN112598009A/zh
Application granted granted Critical
Publication of CN112598009B publication Critical patent/CN112598009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于运动分析的车辆分类方法及系统，该方法包括：获取图像中的前景目标区域；针对前景目标区域，提取其中的连通区域的几何特征，进行目标的初步分类；基于初步分类的结果，对二值边缘图像提取直线，基于横向直线、纵向直线及第二类阈值，进行目标的二次分类；基于二次分类的结果，估计目标的运动方向，进行目标的三次分类，将目标区分为车辆和非车辆。本方案对复杂交通场景中的车辆和非车辆的识别准确率明显提高，整体方案对硬件资源的消耗小，识别速度快，在交通监控视频等场景有广泛的应用前景。

Description

基于运动分析的车辆分类方法及系统
技术领域
本发明涉及智能交通领域，以及物联网通信与智能交通的结合领域，尤其 涉及一种基于运动分析的车辆的智能分类相关的方法以及系统。
背景技术
交通监控场景的摄像头位置大多固定，拍摄的场景背景变化相对缓慢。一 般系统常采用构建背景模型，然后利用当前帧图像和背景模型进行差值，得到 前景区域的方法来检测运动前景信息。但是不同于高速路，或者交通主干道的 车辆信息，交通路口场景相对更复杂，运动目标除车辆之外还有行人、自行车、 电动车、摩托车等，对不同运动物体的交通规范是不同的。因此，迅速准确的 对运动目标分类识别是后续目标跟踪和智能分析的前提，例如，只有将人和车 分类识别后才能判断是否有错道行驶、闯红灯或者车辆逆行等违反交通规则的 行为。
目前对运动目标分类识别的方法有基于几何特征的分类方法、基于直线特 征的分类方法和基于运动特征的分类方法，这三种方法各自有不同的局限性， 例如：基于几何特征的方法不能处理粘连的人群；基于Hough线性特征的方法 不能很好地处理横向运动的摩托尤其不能处理当两辆摩托或自行车相向行驶发 生粘连的情况；基于运动特征的方法所不能处理的纵向行驶的非车辆目标。
因此，针对复杂路口的交通监控场景视频，更加需要一种高效准确的车辆 分类识别相关的检测分析方法，以有效区分场景中的不同目标。
发明内容
有鉴于此，综合考虑运动目标的几何特征、边缘直线特征和运动特征，本 发明将基于几何特征的分类方法、基于直线特征的分类方法和基于运动特征的 分类方法三种方法有机的结合，提出了基于分层特征的目标分类方法，对交通 路口运动目标进行分类，相对于基于单特征的分类方法，该方法提高了分类的 准确性。能有效地区分车辆和非车辆目标，比如行人，摩托车等。具体而言， 本发明提供了以下技术方案：
一方面，本发明实施例提供了一种基于运动分析的车辆分类方法，该方法 包括：
S1、获取图像中的前景目标区域；
S2、针对所述前景目标区域，提取其中的连通区域的几何特征，基于所述 几何特征及预设的第一类阈值，进行目标的初步分类；
S3、基于所述初步分类的结果，提取前景目标区域的灰度子图像，针对灰 度子图像提取图像的边缘，得到二值边缘图像，对所述二值边缘图像提取直线， 将所述直线分类为横向直线和纵向直线，基于所述横向直线、纵向直线及第二 类阈值，进行目标的二次分类；
S4、基于所述二次分类的结果，针对前景目标区域，基于当前帧和前一帧 图像，估计前景目标区域中目标的运动方向，基于所述运动方向，进行目标的 三次分类，将目标区分为车辆和非车辆。
优选的，所述S2中，所述几何特征包括前景目标区域的面积、宽度、长宽 比；所述第一类阈值包括面积阈值、宽度阈值、长宽比阈值。
优选的，所述初步分类的方式为：
Figure BDA0002711471140000021
其中，area，width，ratio依次为运动目标的面积、宽度和长宽比；V为 分类结果：V＝1为车辆，否则为非车辆；T1为面积阈值，T2为宽度阈值，T3为 长宽比阈值。
优选的，所述S3中，所述纵向直线为与纵向方向的夹角在一定范围内的直 线，所述横向直线为与横向方向的夹角在一定范围内的直线；
所述纵向方向为沿着车道延伸的方向，所述横向方向为与车道相垂直的方 向。
优选的，所述二次分类方式为：
Figure BDA0002711471140000031
Ra＝CH/(CH+CV)
其中，CH为横向直线的个数，CV为纵向直线的个数；
Th是第二类阈值；V为分类结果：V＝1为车辆，否则为非车辆。
优选的，通过直线的斜率k判断其属于横向直线或纵向直线：若 k∈(-∞，kV1]∪[kV2，+∞)则为纵向直线，若k∈(kH1，kH2)则为横向直线，其中，kV1、 kV2为纵向直线的斜率阈值，kH1、kH2为横向直线的斜率阈值。
优选的，所述S4中，估计前景目标区域中目标的运动方向方式为：提取前 后连续两帧的前景目标区域的灰度图像，在前一帧的灰度图像中提取在两个正 交方向上有明显导数的点作为角点，通过计算该角点的光流矢量方向，得到角 点的运动方向；统计前景目标区域中的所有角点的光流矢量方向，将大多数角 点的运动方向作为前景目标区域中目标的运动方向。
此外，本发明还提供了一种基于运动分析的车辆分类系统，该系统包括：
目标获取模块，用于获取图像中的前景目标区域；
几何分类模块，用于针对所述前景目标区域，提取其中的连通区域的几何 特征，基于所述几何特征及预设的第一类阈值，进行目标的初步分类；
直线分类模块，用于基于所述几何分类模块的初步分类的结果，提取前景 目标区域的灰度子图像，针对灰度子图像提取图像的边缘，得到二值边缘图像， 对所述二值边缘图像提取直线，将所述直线分类为横向直线和纵向直线，基于 所述横向直线、纵向直线及第二类阈值，进行目标的二次分类；
运动分类模块，用于基于所述直线分类模块的二次分类的结果，针对前景 目标区域，基于当前帧和前一帧图像，估计前景目标区域中目标的运动方向， 基于所述运动方向，进行目标的三次分类，将目标区分为车辆和非车辆。
输出模块，用于将所述运动分类模块获得的最终的分类结果输出。
优选的，所述几何特征包括前景目标区域的面积、宽度、长宽比；所述第 一类阈值包括面积阈值、宽度阈值、长宽比阈值。
优选的，所述纵向直线为与纵向方向的夹角在一定范围内的直线，所述横 向直线为与横向方向的夹角在一定范围内的直线；
所述纵向方向为沿着车道延伸的方向，所述横向方向为与车道相垂直的方 向。
优选的，所述初步分类的方式为：
Figure BDA0002711471140000041
其中，area，width，ratio依次为运动目标的面积、宽度和长宽比；V为 分类结果：V＝1为车辆，否则为非车辆；T1为面积阈值，T2为宽度阈值，T3为 长宽比阈值。
优选的，所述纵向直线为与纵向方向的夹角在一定范围内的直线，所述横 向直线为与横向方向的夹角在一定范围内的直线；
所述纵向方向为沿着车道延伸的方向，所述横向方向为与车道相垂直的方 向。
优选的，所述二次分类方式为：
Figure BDA0002711471140000051
Ra＝CH/(CH+CV)
其中，CH为横向直线的个数，CV为纵向直线的个数；
Th是第二类阈值；V为分类结果：V＝1为车辆，否则为非车辆。
优选的，通过直线的斜率k判断其属于横向直线或纵向直线：若 k∈(-∞，kV1]∪[kV2，+∞)则为纵向直线，若k∈(kH1，kH2)则为横向直线，其中，kV1、 kV2为纵向直线的斜率阈值，kH1、kH2为横向直线的斜率阈值。
优选的，估计前景目标区域中目标的运动方向方式为：提取前后连续两帧 的前景目标区域的灰度图像，在前一帧的灰度图像中提取在两个正交方向上有 明显导数的点作为角点，通过计算该角点的光流矢量方向，得到角点的运动方 向；统计前景目标区域中的所有角点的光流矢量方向，将大多数角点的运动方 向作为前景目标区域中目标的运动方向。
此外，本发明还提供了一种基于运动分析的车辆分类装置，该装置至少包 括处理器及与处理器连接的存储装置，该存储装置中存储有可供处理器读取和 执行的指令，该指令可执行如上所述的一种基于运动分析的车辆分类方法。
与现有技术相比，本发明的技术方案针对交通场景视频，特别是十字路口 交通场景，利用前景区域的几何特征进行行人和车辆的分类，进一步结合直线 特征去除人群目标，最后利用运动特征去除移动的电动车和人群等目标，仅保 留车辆目标。本发明的方案对复杂交通场景中的车辆和非车辆的识别准确率明 显提高，整体方案对硬件资源的消耗小，识别速度快，在交通监控视频等场景 有广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述 中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付 出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例的分类方法流程图；
图2为本发明实施例的行人Hough线性特征示意图；
图3为本发明实施例的车辆Hough线性特征示意图；
图4为本发明实施例的运动目标速度矢量示意图，其中a为车辆的速度矢 量示意图，b和c分别为不同方向的电动车的速度矢量示意图；
图5为本发明实施例的车辆目标和非车辆目标分类结果示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。应当明确，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它实施例，都 属于本发明保护的范围。
本领域技术人员应当知晓，下述具体实施例或具体实施方式，是本发明为 进一步解释具体的发明内容而列举的一系列优化的设置方式，而该些设置方式 之间均是可以相互结合或者相互关联使用的，除非在本发明明确提出了其中某 些或某一具体实施例或实施方式无法与其他的实施例或实施方式进行关联设置 或共同使用。同时，下述的具体实施例或实施方式仅作为最优化的设置方式， 而不作为限定本发明的保护范围的理解。
在一个具体的实施例中，本发明所提供的技术方案，可以通过一系列的基 于目标运动的车辆分类方法来实现，具体而言，首先利用前景区域的几何特征 进行行人和车辆的分类，进一步结合直线特征去除人群目标，最后利用运动特 征去除移动的电动车和人群等目标，仅保留车辆目标。
以下结合附图对本方案涉及的实施例做详细阐述。结合图1所示，本发明 所提供的方法，可以通过以下优选的方式实现：
步骤101，通过相邻帧差分，或者背景减除等操作获得运动前景目标区域。 此处，对于相邻帧差分或者背景减除法，可以采用本领域中常用的方法，均可 以适用于本发明的方案之中，该步骤的主要目标，是获得运动前景目标区域， 从而为后续的分类识别提供基础。
在此之后执行步骤102，基于几何特征的目标分类。其中包含的方法如下：
在步骤101获取的前景区域中提取联通区域的几何特征，设置分类阈值， 首先对目标进行行人和车辆等目标的初步分类，分类策略如式所示。
Figure BDA0002711471140000071
其中，area，width，ratio依次为运动目标的面积、宽度和长宽比；V为 分类结果：V＝1为车辆，否则为非车辆。
分类结果表明，使用以上几何特征能将单个行人和纵向行驶(相对于摄相 机镜头)的自行车、摩托车等判定为非车辆。
然后执行步骤103，基于直线特征的目标分类。在步骤102中，基于几何特 征无法去除人群目标，针对步骤102中获得的车辆目标，再次进行基于直线特 征的目标分类。经过不同目标区域的观察，得出车辆目标和人群目标展现出来 不同的直线特征的结论，本发明利用快速的Hough直线变换从运动目标的边缘 图像中提取直线信息，对线性特征分析判断，得出目标分类策略对目标进行分 类。其中包含的方法如下：
首先，提取运动目标对应区域的灰度子图像，应用Canny算子提 取图像的边缘，然后在二值边缘图像上进行Hough变换提取直线，行 人和车辆的直线特征分别如图2和图3所示。在不同的场景中，可以 通过调整Canny算子和Hough变换过程的参数来控制所提取直线的 数量、长度和分布，调整得到最适合分类的效果。
交通路口的监控摄像机基本上是朝向车道的延伸方向，本发明称沿着车道 延伸的方向为“纵向”，称与车道相垂直的方向为“横向”。这样，在图像场景 中定义了两条相互垂直的参考方向。观察发现行人目标的Hough直线大都分布 在“纵向”方向的一定范围内，而车辆目标的Hough直线在两个参考方向范围 内都有一定分布。经过实验证明，在多个视频场景图像中，这样的直线分布特 征仍然存在。
本发明将得到的直线中与“纵向”方向的夹角在一定范围内的直线均称为 “纵线”，统计纵线的个数，记做CV；将与“横向”方向夹角在一定范围内的直 线均称为“横线”，统计横线的个数，记做CH。由于一般“纵向”方向(“横向” 方向)和垂直(水平)方向的夹角很小，实际操作中可以根据直线的斜率k将 直线分为“横线”和“纵线”，即若k∈(-∞，kV1]∪[kV2，+∞)则为纵线，若k∈(kH1，kH2) 则为横线。做出这样的规定后，可以将行人和车辆Hough直线分布特征归纳为， 行人的Hough直线大都是纵线，车辆的Hough直线中横线和纵线都有一定数量。
本发明定义Ra＝CH/(CH+CV)。根据直线分布特征的不同，按如下判定方式 对运动目标分类。
Figure BDA0002711471140000081
其中，Th是分类阈值；V为分类结果：V＝1为车辆，否则为非车辆。在本试 验中，取值kV1＝kH1＝-1，kV2＝kH2＝1，Th＝0.55，可以得到很好的分类结果， 而且能够将粘连的人群正确分类。在实验中发现，基于直线特征的方法，对于 某些横向行驶的摩托车电动车会误分类为车辆，由于拍摄角度的原因使得这些 目标的横线数量也很多，因此本发明进一步提出了基于运动特征的分类方法。
然后执行步骤104，基于运动特征的目标分类，该步骤主要针对步骤103中 分类结果中的车辆目标，再次进行运动特征的分类。在特定的场景中，行人和 车辆有各自特定的分布区域，如车辆主要行驶于机动车道，如图4(a)，行人和 非机动车辆主要出现在人行横道和非机动车道，如图4(b)、图4(c)。在某些 特定区域，比如十字路口区域，车辆和非车辆目标的行驶方向是不同的，例如 在人行横道上行人横向移动而车辆则垂直于人行横道纵向行驶等。基于这样的 特点，本发明提取运动目标的运动方向，设定判断条件，对目标进行分类。其 中包含的方法如下：
单独一帧图像中的像素是静止的无法获取任何运动信息，只有在连续的图 像序列中才能得到目标的运动信息。为了提高处理速度保证实时性，本发明只 考虑当前帧和前一帧图像，采用角点跟踪计算光流的方法估计目标的运动方向。
同基于Hough线性特征的方法一样，首先提取运动目标的前景灰度图像， 不同的是这里需要前后连续两帧的前景灰度图像。在前一帧图像中提取用于跟 踪的角点。角点是一类便于跟踪的点，是含有足够信息能够从前一帧和当前帧 中都能提取出来的点。本发明找出在两个正交方向上都有明显的导数的点作为 角点，通常这样的点易于区分和跟踪。本发明使用“金字塔Lucas-Kanade”的方 法跟踪角点，计算角点的光流，得到角点的运动方向，如图4。
然后执行步骤105，本发明统计目标上所有角点的光流失量方向，将大多数 角点的运动方向作为运动目标整体的运动方向。鉴于交通路口(尤其十字路口) 的摄像机总是朝向车道的延伸方向而垂直于人行横道这一特征，本发明将在人 行横道上横向行驶的目标分类为非车辆，将纵向行驶的目标分类为车辆。
实验表明分层的目标分类方法能够较好地对交通路口运动目标进行分类， 相对于基于单特征的分类方法，该方法提高了分类的准确性。图5展示了路口 视频中对车辆和行人的正确分区，可以看到提出方法能有效地区分车辆和非车 辆目标，比如行人，摩托车等。
此外，在另一个具体的实施方式中，本发明的技术方案还可以通过一种基 于运动分析的车辆分类系统来实现，这一系统可以嵌入交通监控系统，以实现 对路面交通的实时监控和车辆识别。
在具体实现时，该系统可以通过如下方式设置：
目标获取模块，用于获取图像中的前景目标区域；
几何分类模块，用于针对所述前景目标区域，提取其中的连通区域的几何 特征，基于所述几何特征及预设的第一类阈值，进行目标的初步分类；
直线分类模块，用于基于所述几何分类模块的初步分类的结果，提取前景 目标区域的灰度子图像，针对灰度子图像提取图像的边缘，得到二值边缘图像， 对所述二值边缘图像提取直线，将所述直线分类为横向直线和纵向直线，基于 所述横向直线、纵向直线及第二类阈值，进行目标的二次分类；
运动分类模块，用于基于所述直线分类模块的二次分类的结果，针对前景 目标区域，基于当前帧和前一帧图像，估计前景目标区域中目标的运动方向， 基于所述运动方向，进行目标的三次分类，将目标区分为车辆和非车辆。
输出模块，用于将所述运动分类模块获得的最终的分类结果输出。
几何分类模块主要是针对目标区域的几何特征进行分类识别，所述几何特 征包括前景目标区域的面积、宽度、长宽比；所述第一类阈值包括面积阈值、 宽度阈值、长宽比阈值。
在几何分类模块中，所述初步分类的方式可以通过以下优选的方式实现：
Figure BDA0002711471140000111
其中，area，width，ratio依次为运动目标的面积、宽度和长宽比；V为 分类结果：V＝1为车辆，否则为非车辆；T1为面积阈值，T2为宽度阈值，T3为 长宽比阈值。
在直线分类模块进行直线类型判断中，所述纵向直线为与纵向方向的夹角 在一定范围内的直线，所述横向直线为与横向方向的夹角在一定范围内的直线；
所述纵向方向为沿着车道延伸的方向，所述横向方向为与车道相垂直的方 向。
在上述的直线分类方式中，所述纵向直线为与纵向方向的夹角在一定范围 内的直线，所述横向直线为与横向方向的夹角在一定范围内的直线；
所述纵向方向为沿着车道延伸的方向，所述横向方向为与车道相垂直的方 向。
而在基于纵向直线和横向直线的定义基础上，所述二次分类方式可以优选 为：
Figure BDA0002711471140000112
Ra＝CH/(CH+CV)
其中，CH为横向直线的个数，CV为纵向直线的个数；
Th是第二类阈值；V为分类结果：V＝1为车辆，否则为非车辆。
在直线分类中，实际的操作中，优选可以通过斜率的方式判断直线的类型， 即通过直线的斜率k判断其属于横向直线或纵向直线：若k∈(-∞，kV1]∪[kV2，+∞) 则为纵向直线，若k∈(kH1，kH2)则为横向直线，其中，kV1、kV2为纵向直线的斜率 阈值，kH1、kH2为横向直线的斜率阈值。
在运动分类模块中，估计前景目标区域中目标的运动方向方式为：提取前 后连续两帧的前景目标区域的灰度图像，在前一帧的灰度图像中提取在两个正 交方向上有明显导数的点作为角点，通过计算该角点的光流矢量方向，得到角 点的运动方向；统计前景目标区域中的所有角点的光流矢量方向，将大多数角 点的运动方向作为前景目标区域中目标的运动方向。
此外，本发明还提供了一种基于运动分析的车辆分类装置，该装置至少包 括处理器及与处理器连接的存储装置，该存储装置中存储有可供处理器读取和 执行的指令，该指令可执行如上所述的一种基于运动分析的车辆分类方法。
在一个更为具体的实施例中，本发明所提出的技术方案应用在了某市某十 字路口的交通检测及实施中。当车辆和非车辆进入此十字路口后：
(1)交通路口的摄像机开始采集视频图像；
(2)车辆分类系统利用前景区域的几何特征进行行人和车辆的分类；
(3)车辆分类系统结合直线特征去除人群目标；
(4)车辆分类系统利用运动特征去除移动的电动车和人群等目标，仅保留 车辆目标。
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流程， 是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算 机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。 其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory， ROM)或随机存储记忆体(RandomAccess Memory，RAM)等。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到 的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围 应以权利要求的保护范围为准。

Claims (10)

1.一种基于运动分析的车辆分类方法，其特征在于，所述方法包括：
S1、获取图像中的前景目标区域；
S2、针对所述前景目标区域，提取其中的连通区域的几何特征，基于所述几何特征及预设的第一类阈值，进行目标的初步分类；
S3、基于所述初步分类的结果，提取前景目标区域的灰度子图像，针对灰度子图像提取图像的边缘，得到二值边缘图像，对所述二值边缘图像提取直线，将所述直线分类为横向直线和纵向直线，基于所述横向直线、纵向直线及第二类阈值，进行目标的二次分类；
S4、基于所述二次分类的结果，针对前景目标区域，基于当前帧和前一帧图像，估计前景目标区域中目标的运动方向，基于所述运动方向，进行目标的三次分类，将目标区分为车辆和非车辆。
2.根据权利要求1所述的方法，其特征在于，所述S2中，所述几何特征包括前景目标区域的面积、宽度、长宽比；所述第一类阈值包括面积阈值、宽度阈值、长宽比阈值。
3.根据权利要求2所述的方法，其特征在于，所述初步分类的方式为：
Figure FDA0002711471130000011
其中，area，width，ratio依次为运动目标的面积、宽度和长宽比；V为分类结果：V＝1为车辆，否则为非车辆；T1为面积阈值，T2为宽度阈值，T3为长宽比阈值。
4.根据权利要求1所述的方法，其特征在于，所述S3中，所述纵向直线为与纵向方向的夹角在一定范围内的直线，所述横向直线为与横向方向的夹角在一定范围内的直线；
所述纵向方向为沿着车道延伸的方向，所述横向方向为与车道相垂直的方向。
5.根据权利要求1所述的方法，其特征在于，所述二次分类方式为：
Figure FDA0002711471130000021
Ra＝CH/(CH+CV)
其中，CH为横向直线的个数，CV为纵向直线的个数；
Th是第二类阈值；V为分类结果：V＝1为车辆，否则为非车辆。
6.根据权利要求4所述的方法，其特征在于，通过直线的斜率k判断其属于横向直线或纵向直线：若k∈(-∞，kV1]∪[kV2，+∞)则为纵向直线，若k∈(kH1，kH2)则为横向直线，其中，kV1、kV2为纵向直线的斜率阈值，kH1、kH2为横向直线的斜率阈值。
7.根据权利要求1所述的方法，其特征在于，所述S4中，估计前景目标区域中目标的运动方向方式为：提取前后连续两帧的前景目标区域的灰度图像，在前一帧的灰度图像中提取在两个正交方向上有明显导数的点作为角点，通过计算该角点的光流矢量方向，得到角点的运动方向；统计前景目标区域中的所有角点的光流矢量方向，将大多数角点的运动方向作为前景目标区域中目标的运动方向。
8.一种基于运动分析的车辆分类系统，其特征在于，所述系统包括：
目标获取模块，用于获取图像中的前景目标区域；
几何分类模块，用于针对所述前景目标区域，提取其中的连通区域的几何特征，基于所述几何特征及预设的第一类阈值，进行目标的初步分类；
直线分类模块，用于基于所述几何分类模块的初步分类的结果，提取前景目标区域的灰度子图像，针对灰度子图像提取图像的边缘，得到二值边缘图像，对所述二值边缘图像提取直线，将所述直线分类为横向直线和纵向直线，基于所述横向直线、纵向直线及第二类阈值，进行目标的二次分类；
运动分类模块，用于基于所述直线分类模块的二次分类的结果，针对前景目标区域，基于当前帧和前一帧图像，估计前景目标区域中目标的运动方向，基于所述运动方向，进行目标的三次分类，将目标区分为车辆和非车辆；
输出模块，用于将所述运动分类模块获得的最终的分类结果输出。
9.根据权利要求8所述的系统，其特征在于，所述几何特征包括前景目标区域的面积、宽度、长宽比；所述第一类阈值包括面积阈值、宽度阈值、长宽比阈值。
10.根据权利要求8所述的系统，其特征在于，所述纵向直线为与纵向方向的夹角在一定范围内的直线，所述横向直线为与横向方向的夹角在一定范围内的直线；
所述纵向方向为沿着车道延伸的方向，所述横向方向为与车道相垂直的方向。
CN202011058216.5A 2020-09-29 2020-09-29 基于运动分析的车辆分类方法及系统 Active CN112598009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011058216.5A CN112598009B (zh) 2020-09-29 2020-09-29 基于运动分析的车辆分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011058216.5A CN112598009B (zh) 2020-09-29 2020-09-29 基于运动分析的车辆分类方法及系统

Publications (2)

Publication Number Publication Date
CN112598009A true CN112598009A (zh) 2021-04-02
CN112598009B CN112598009B (zh) 2024-07-26

Family

ID=75180503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011058216.5A Active CN112598009B (zh) 2020-09-29 2020-09-29 基于运动分析的车辆分类方法及系统

Country Status (1)

Country Link
CN (1) CN112598009B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5487116A (en) * 1993-05-25 1996-01-23 Matsushita Electric Industrial Co., Ltd. Vehicle recognition apparatus
CN102063726A (zh) * 2010-12-31 2011-05-18 中国科学院计算技术研究所 一种运动目标分类方法和系统
CN103927549A (zh) * 2014-04-14 2014-07-16 江南大学 基于斑点及直方图分析的车辆检测判别方法
CN104021375A (zh) * 2014-05-29 2014-09-03 银江股份有限公司 一种基于机器学习的车型识别方法
CN104036288A (zh) * 2014-05-30 2014-09-10 宁波海视智能系统有限公司 一种基于视频的车型分类方法
CN104050684A (zh) * 2014-05-27 2014-09-17 华中科技大学 一种基于在线训练的视频运动目标分类方法与系统
US20140348390A1 (en) * 2013-05-21 2014-11-27 Peking University Founder Group Co., Ltd. Method and apparatus for detecting traffic monitoring video
CN104200490A (zh) * 2014-08-14 2014-12-10 华南理工大学 一种复杂环境下的快速逆行检测跟踪监控方法
EP2821935A2 (en) * 2013-07-01 2015-01-07 Ricoh Company, Ltd. Vehicle detection method and device
CN104469299A (zh) * 2014-12-02 2015-03-25 柳州市瑞蚨电子科技有限公司 网络摄像装置
US20150347840A1 (en) * 2014-05-27 2015-12-03 Murata Machinery, Ltd. Autonomous vehicle, and object recognizing method in autonomous vehicle
CN105701479A (zh) * 2016-02-26 2016-06-22 重庆邮电大学 基于目标特征的智能车辆多激光雷达融合识别方法
CN108459311A (zh) * 2018-03-22 2018-08-28 三明学院 基于Hough变换的卷积神经网络下微多普勒目标分类方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5487116A (en) * 1993-05-25 1996-01-23 Matsushita Electric Industrial Co., Ltd. Vehicle recognition apparatus
CN102063726A (zh) * 2010-12-31 2011-05-18 中国科学院计算技术研究所 一种运动目标分类方法和系统
US20140348390A1 (en) * 2013-05-21 2014-11-27 Peking University Founder Group Co., Ltd. Method and apparatus for detecting traffic monitoring video
EP2821935A2 (en) * 2013-07-01 2015-01-07 Ricoh Company, Ltd. Vehicle detection method and device
CN103927549A (zh) * 2014-04-14 2014-07-16 江南大学 基于斑点及直方图分析的车辆检测判别方法
US20150347840A1 (en) * 2014-05-27 2015-12-03 Murata Machinery, Ltd. Autonomous vehicle, and object recognizing method in autonomous vehicle
CN104050684A (zh) * 2014-05-27 2014-09-17 华中科技大学 一种基于在线训练的视频运动目标分类方法与系统
CN104021375A (zh) * 2014-05-29 2014-09-03 银江股份有限公司 一种基于机器学习的车型识别方法
CN104036288A (zh) * 2014-05-30 2014-09-10 宁波海视智能系统有限公司 一种基于视频的车型分类方法
CN104200490A (zh) * 2014-08-14 2014-12-10 华南理工大学 一种复杂环境下的快速逆行检测跟踪监控方法
CN104469299A (zh) * 2014-12-02 2015-03-25 柳州市瑞蚨电子科技有限公司 网络摄像装置
CN105701479A (zh) * 2016-02-26 2016-06-22 重庆邮电大学 基于目标特征的智能车辆多激光雷达融合识别方法
CN108459311A (zh) * 2018-03-22 2018-08-28 三明学院 基于Hough变换的卷积神经网络下微多普勒目标分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KLAUDIUS WERBER，等: "Association of Straight Radar Landmarks for Vehicle Self-Localization", 《IEEE XPLORE》, 29 August 2019 (2019-08-29), pages 736 - 743 *
李宏，等: "《舰载飞机飞行试验测试工程》", vol. 1, 31 March 2019, 航空工业出版社, pages: 113 - 114 *
郭佳佳: "智能视频监控中的运动目标检测与分类算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 02, 15 February 2019 (2019-02-15), pages 136 - 1169 *

Also Published As

Publication number Publication date
CN112598009B (zh) 2024-07-26

Similar Documents

Publication Publication Date Title
CN108230254B (zh) 一种自适应场景切换的高速交通全车道线自动检测方法
Shen et al. A robust video based traffic light detection algorithm for intelligent vehicles
CN103366154B (zh) 可重配置的畅通路径检测系统
Kowsari et al. Real-time vehicle detection and tracking using stereo vision and multi-view AdaBoost
Liu et al. A survey of vision-based vehicle detection and tracking techniques in ITS
EP2813973B1 (en) Method and system for processing video image
Panev et al. Road curb detection and localization with monocular forward-view vehicle camera
Ghahremannezhad et al. Robust road region extraction in video under various illumination and weather conditions
Rabiu Vehicle detection and classification for cluttered urban intersection
Poggenhans et al. A universal approach to detect and classify road surface markings
Ghahremannezhad et al. A new adaptive bidirectional region-of-interest detection method for intelligent traffic video analysis
Harianto et al. Data augmentation and faster rcnn improve vehicle detection and recognition
Rahaman et al. Lane detection for autonomous vehicle management: PHT approach
CN112598009B (zh) 基于运动分析的车辆分类方法及系统
Guo et al. Vehicle detection and tracking based on optical field
Tourani et al. Challenges of video-based vehicle detection and tracking in intelligent transportation systems
CN112215109B (zh) 基于场景分析的车辆检测方法及系统
Merugu et al. Multi lane detection, curve fitting and lane type classification
Vijverberg et al. High-level traffic-violation detection for embedded traffic analysis
Slimani et al. Traffic Monitoring System for Vehicle Detection in Day and Night Conditions
CN113850111A (zh) 基于语义分割和神经网络技术的路况识别方法和系统
Wu et al. A new vehicle detection approach in traffic jam conditions
Kiro et al. Road Lane Line Detection using Machine Learning
Feather et al. Activity analysis in wide-area aerial surveillance video
Nava et al. A two-wheeled vehicle oriented lane detection algorithm

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