CN112802348B - 一种基于混合Gaussian模型的车流量计数方法 - Google Patents

Abstract

本发明公开了一种基于混合Gaussian模型的车流量计数方法，包括如下步骤：步骤一、在公路监控区域的车道上设置检测区域；步骤二、采集所述检测区域中的视频数据并进行预处理；步骤三、利用混合Gaussian模型进行背景建模，从原始图像分离出背景像素；步骤四、从监控视频图像中提取运动目标；步骤五、记录运动目标的轨迹信息，从而识别出车辆信息，并进行标记；步骤六、对标记的车辆进行跟踪和统计，从而计算车流量。本发明运用Gaussian混合模型的优势对检测带进行背景建模，通过背景差法提取运动目标，实现了多车道车流量检测，能够适用于复杂场景，检测准确度高，实时性好，具有实用价值。

Description

一种基于混合Gaussian模型的车流量计数方法

技术领域

本发明涉及安防监控技术领域，更具体的是，本发明涉及一种基于混合Gaussian模型的车流量计数方法。

背景技术

随着现代经济的高速发展，公路运输成为运输业的重要交通方式。为了保障交通顺畅以及行车安全，从而改善环境质量，交通信息的采集是智能交通系统的基础，而公路的车流量作为智能交通系统的重要组成部分，车流量的检测就显得尤为重要。

当前交通信息中现有的车流量检测方法主要分为三个部分：从图像序列中提取运动目标、对所提取的目标进行识别以及车流量的计数。

传统提取运动目标的方法是背景差分法，其利用加权平均法进行背景更新，但是容易将背景显露区域检测为前景，即当前背景还留有上一帧的运动目标信息，但运动目标此时已不在该区域，出现“影子”现象，且在有树枝摆动等复杂场景中对噪声的处理效果不佳，对环境的适应性较差，更新效果不理想，导致运动车辆提取不完整，影响了车辆检测的准确率。

因此，亟需提出一种能够精准统计车流量的方法，改善智能交通系统。

发明内容

本发明的目的是设计开发了一种基于混合Gaussian模型的车流量计数方法，运用Gaussian混合模型的优势对检测区域进行背景建模，通过背景差法提取运动目标，并通过划分车道实现了多车道车流量检测，能够适用于复杂场景，检测准确度高，实时性好。

本发明提供的技术方案为：

一种基于混合Gaussian模型的车流量计数方法，包括如下步骤：

步骤一、在公路监控区域的车道上设置检测区域；

步骤二、采集所述检测区域中的视频数据并进行预处理；

步骤三、利用混合Gaussian模型进行背景建模，从原始图像分离出背景像素：

将K个Gaussian分布模型按照ω_k/σ_k从大到小排序，前面b个Gaussian分布模型为背景，所述背景满足：

式中，ω_j,t为t时刻第j个Gaussian分布模型的权值，σ_k为t时刻第k个Gaussian分布模型的方差，B为背景像素，Y为背景分布的阈值；

所述背景分布的阈值满足：

式中，ξ为权重系数，ξ＝0.005-0.01，σ_k-1为t-1时刻第k个Gaussian分布模型的方差；

步骤四、从监控视频图像中提取运动目标；

步骤五、记录所述运动目标的轨迹信息，从而识别出车辆信息并进行标记；

步骤六、对标记的车辆进行跟踪和统计，从而计算车流量。

优选的是，所述检测区域为距离公路监控区域3-5米内设置1×0.5m的矩形区域。

优选的是，所述步骤二通过全方位视觉传感器采集检测区域的视频数据。

优选的是，所述预处理包括图像的灰度转换和图像的去噪。

优选的是，所述图像的灰度转换满足：

Y＝0.2126R+0.7152G+0.0722B；

式中，Y为灰度图像灰度值，R为彩色图像红色值，G为彩色图像绿色值，B为彩色图像蓝色值。

优选的是，所述图像的去噪可以通过均值滤波法、加权平均法、中值滤波法、最小均方滤波法和/或Gaussian低通滤波法中的任意一种或者多种。

优选的是，所述提取运动目标满足：

式中，D_t(x,y)为t时刻背景差分图像，I_t(x,y)为t时刻图像序列中的图像，B_t(x,y)为t时刻的背景图像，T为图像二值化的阈值。

优选的是，所述识别车辆信息包括如下过程：

统计当前图像中所述检测区域内前景点的数目，若所述前景点的数目大于所述检测区域面积的50％，则当前图像检测区域内有车，具体包括：

若检测区域中从无车到无车，则检测区域没有车辆通过；

若检测区域从无车到有车，则检测区域有车辆驶入且没有离开；

若检测区域从有车到有车，则检测区域内有车辆且没有离开；

若检测区域从有车到无车，则检测区域内的车辆驶出检测区域。

优选的是，所述步骤六具体包括如下过程：

根据车道线划分车道，设定每一个车道处理的范围，只统计每一个车道上的检测区域从无车到有车或者有车到无车的数目就能够统计出该车道的车流量。

本发明所述的有益效果：

本发明设计开发的一种基于混合Gaussian模型的车流量计数方法，通过对道路交通流的实时监控，能够全方位、实时准确和高效地对路面上的车辆进行检测、跟踪和计数，能够实时检测公路上的车流量情况，有利于缓解交通拥堵和对路面车辆进行实时监控，能够适用于复杂场景，检测准确度高，实时性好，极大降低了各种成本，充分满足用户的需求，具有重要的应用价值。

附图说明

图1为本发明所述基于混合Gaussian模型的车流量计数方法的流程示意图。

具体实施方式

下面结合对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

如图1所示，本发明提供的一种基于混合Gaussian模型的车流量计数方法包括如下步骤：

步骤S101、在公路监控区域的车道上设置检测区域；

其中，所述检测区域为距离公路监控区域3-5米内设置1×0.5m的矩形区域，所述检测区域可以为单独车道单独设置，也可以将所有车道一起设置；

在本实施例中，检测区域为所有车道一起设置。

步骤S102、采集所述检测区域中的视频数据并进行预处理；

其中，通过全方位视觉传感器采集检测区域的视频数据，所述预处理包括图像的灰度转换和图像的去噪，从全方位视觉传感器所获取的视频是连续的RGB颜色空间的彩色图像序列，其运算量比灰度图像大很多，为满足车辆检测的实时性要求，彩色图像灰度转换是必要的，RGB彩色图像的灰度转换满足：

Y＝0.2126R+0.7152G+0.0722B；

式中，Y为灰度图像灰度值，R为彩色图像红色值，G为彩色图像绿色值，B为彩色图像蓝色值。

所述图像的去噪可以通过均值滤波法、加权平均法、中值滤波法、最小均方滤波法和/或Gaussian低通滤波法中的任意一种或者多种。

步骤S103、利用混合Gaussian模型进行背景建模，从原始图像分离出背景像素；

用K个模型对场景中的每个像素点构建Gaussian分布模型，并用这K个模型个Gaussian分布的加权和来描述场景，K越大，处理场景波动的能力就越强，在本实施例中，K＝3-7；

如果t时刻场景中某点的观测值用X_t表示，则其概率密度函数可以表示为：

其中，ω_k为t时刻第k个Gaussian分布的权值，η(X_t；μ_k,∑_k)为t时刻第k个Gaussian分布的概率密度，且t时刻第k个Gaussian分布的权值满足：

所述t时刻第k个Gaussian分布的概率密度满足：

式中，∑_k为t时刻第k个Gaussian分布的协方差矩阵，μ_k为t时刻第k个Gaussian分布的均值矩阵，n为X_t的维数；

将K个Gaussian分布模型按照ω_k/σ_k从大到小排序，前面b个Gaussian分布模型为背景，所述背景满足：

式中，ω_j,t为t时刻第j个Gaussian分布模型的权值，σ_k为t时刻第k个Gaussian分布模型的方差，B为背景像素，Y为背景分布的阈值；

所述背景分布的阈值满足：

式中，ξ为权重系数，ξ＝0.005-0.01，σ_k-1为t-1时刻第k个Gaussian分布模型的方差；

步骤S104、从监控视频图像中提取运动目标；

本实施例采用背景差分法首先获取一个参考背景图像，将当前帧图像和参考背景图像做差分，然后利用阈值分割方法将前景运动目标提取出来，所述提取运动目标满足：

式中，D_t(x,y)为t时刻背景差分图像，I_t(x,y)为t时刻图像序列中的图像，B_t(x,y)为t时刻的背景图像，T为图像二值化的阈值。

步骤S105、记录所述运动目标的轨迹信息，从而识别出车辆信息并进行标记；

其中，所述识别车辆信息包括如下过程：

统计当前图像中所述检测区域内前景点的数目，若所述前景点的数目大于所述检测区域面积的50％，则当前图像检测区域内有车，具体包括：

若检测区域中从无车到无车，则检测区域没有车辆通过；

若检测区域从无车到有车，则检测区域有车辆驶入且没有离开；

若检测区域从有车到有车，则检测区域内有车辆且没有离开；

若检测区域从有车到无车，则检测区域内的车辆驶出检测区域。

所述标记是在识别出车辆之后，对识别出的车辆做矩形框标记。

步骤S106、对标记的车辆进行跟踪和统计，从而计算车流量，具体包括如下过程：

根据车道线划分车道，设定每一个车道处理的范围，只统计每一个车道上的检测区域从无车到有车或者有车到无车的数目就能够统计出该车道的车流量。

实施例1

在晴朗天气的城市快速路上，车流量比较大的情况下，检测时长为203秒，帧率为25fps下，设置检测区域、K＝5、Y＝0.7，获得B＝97，因此将视频的前97帧进行背景建模，通过本发明所述的方法对车道上的车流量进行检测，并通过人工统计各车道上的车流量，将其与本发明所述的方法统计的车流量进行对比，统计本发明所述的方法漏检和多检测的车辆数，检测结果如表一所示：

表一晴朗天气的城市快速路车流量检测结果

本实施例中，光线比较好，光照的变化较为明显，本发明所述的方法能够完整的检测出车辆的同时，检测车流量的准确率能够达到97％以上。

实施例2

在雨雪天气的城市快速路上，车流量比较大的情况下，检测时长为203秒，帧率为25fps下，设置检测区域、K＝5、Y＝0.7，获得B＝97，因此将视频的前97帧进行背景建模，通过本发明所述的方法对车道上的车流量进行检测，并通过人工统计各车道上的车流量，将其与本发明所述的方法统计的车流量进行对比，统计本发明所述的方法漏检和多检测的车辆数，检测结果如表二所示：

表二雨雪天气的城市快速路车流量检测结果

本实施例中，光线比较暗，雨雪天气影响比较大，本发明所述的方法能够完整的检测出车辆的同时，检测车流量的准确率也能够达到95％以上。

实施例3

在晴朗天气的普通十字路口上，车流量比较大的情况下，检测时长为306秒，帧率为25fps下，设置检测区域、K＝7、Y＝0.5，获得B＝107，因此将视频的前107帧进行背景建模，通过本发明所述的方法对车道上的车流量进行检测，并通过人工统计各车道上的车流量，将其与本发明所述的方法统计的车流量进行对比，统计本发明所述的方法漏检和多检测的车辆数，检测结果如表三所示：

表三晴朗天气的城市快速路车流量检测结果

本实施例中，场景环境较为复杂，人流量较大，客观因素(行人、单车)影响比较大，对车辆的检测造成的影响较为严重，但检测车流量的准确率也能够达到95％以上。

通过实施例1-3能够看出，本发明所述的方法再满足实时处理需要的同时，检测车流量的准确率能够达到95％以上，比传统的算法所达到的85％有了较大的提高。

本发明设计开发的一种基于混合Gaussian模型的车流量计数方法，运用Gaussian混合模型的优势对检测带进行背景建模，通过背景差法提取运动目标，通过划分车道解决车辆粘连的问题，实现了多车道车流量检测，能够适用于复杂场景，检测准确度高，实时性好，具有实用价值。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的实施例。

Claims (9)

1.一种基于混合Gaussian模型的车流量计数方法，其特征在于，包括如下步骤：

步骤一、在公路监控区域的车道上设置检测区域；

步骤二、采集所述检测区域中的视频数据并进行预处理；

步骤三、利用混合Gaussian模型进行背景建模，从原始图像分离出背景像素：

将K个Gaussian分布模型按照ω_k/σ_k从大到小排序，前面b个Gaussian分布模型为背景，所述背景满足：

式中，ω_j,t为t时刻第j个Gaussian分布模型的权值，σ_k为t时刻第k个Gaussian分布模型的方差，B为背景像素，Y为背景分布的阈值；

所述背景分布的阈值满足：

式中，ξ为权重系数，ξ＝0.005-0.01，σ_k-1为t-1时刻第k个Gaussian分布模型的方差，X_t为t时刻场景中某点的观测值，η(X_t；μ_k,∑_k)为t时刻第k个Gaussian分布的概率密度，μ_k为t时刻第k个Gaussian分布的均值矩阵；

步骤四、从监控视频图像中提取运动目标；

步骤五、记录所述运动目标的轨迹信息，从而识别出车辆信息并进行标记；

步骤六、对标记的车辆进行跟踪和统计，从而计算车流量。

2.如权利要求1所述的基于混合Gaussian模型的车流量计数方法，其特征在于，所述检测区域为距离公路监控区域3-5米内设置1×0.5m的矩形区域。

3.如权利要求1所述的基于混合Gaussian模型的车流量计数方法，其特征在于，所述步骤二通过全方位视觉传感器采集检测区域的视频数据。

4.如权利要求1所述的基于混合Gaussian模型的车流量计数方法，其特征在于，所述预处理包括图像的灰度转换和图像的去噪。

5.如权利要求4所述的基于混合Gaussian模型的车流量计数方法，其特征在于，所述图像的灰度转换满足：

Y＝0.2126R+0.7152G+0.0722B；

式中，Y为灰度图像灰度值，R为彩色图像红色值，G为彩色图像绿色值，B为彩色图像蓝色值。

6.如权利要求5所述的基于混合Gaussian模型的车流量计数方法，其特征在于，所述图像的去噪可以通过均值滤波法、加权平均法、中值滤波法、最小均方滤波法和/或Gaussian低通滤波法中的任意一种或者多种。

7.如权利要求6所述的基于混合Gaussian模型的车流量计数方法，其特征在于，所述提取运动目标满足：

式中，D_t(x,y)为t时刻背景差分图像，I_t(x,y)为t时刻图像序列中的图像，B_t(x,y)为t时刻的背景图像，T为图像二值化的阈值。

8.如权利要求7所述的基于混合Gaussian模型的车流量计数方法，其特征在于，所述步骤五中识别出车辆信息包括如下过程：

统计当前图像中所述检测区域内前景点的数目，若所述前景点的数目大于所述检测区域面积的50％，则当前图像检测区域内有车，具体包括：

若检测区域中从无车到无车，则检测区域没有车辆通过；

若检测区域从无车到有车，则检测区域有车辆驶入且没有离开；

若检测区域从有车到有车，则检测区域内有车辆且没有离开；

若检测区域从有车到无车，则检测区域内的车辆驶出检测区域。

9.如权利要求8所述的基于混合Gaussian模型的车流量计数方法，其特征在于，所述步骤六具体包括如下过程：

根据车道线划分车道，设定每一个车道处理的范围，只统计每一个车道上的检测区域从无车到有车或者有车到无车的数目就能够统计出该车道的车流量。

Images