CN112967511A - 一种基于视频车流量的智能路网指挥方法和系统 - Google Patents
一种基于视频车流量的智能路网指挥方法和系统 Download PDFInfo
- Publication number
- CN112967511A CN112967511A CN202110216239.2A CN202110216239A CN112967511A CN 112967511 A CN112967511 A CN 112967511A CN 202110216239 A CN202110216239 A CN 202110216239A CN 112967511 A CN112967511 A CN 112967511A
- Authority
- CN
- China
- Prior art keywords
- video
- shadow
- module
- video data
- background
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/14—Picture signal circuitry for video frequency region
- H04N5/21—Circuitry for suppressing or minimising disturbance, e.g. moiré or halo
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视频车流量的智能路网指挥方法和系统,其中,所述方法包括:获取待指挥道路上的视频数据;将所述视频数据划分成N帧视频帧数据;利用ViBe算法对所述视频数据进行背景建模;利用自适应阈值的混合色度空间阴影消除算法对所述视频数据进行阴影消除;根据背景建模和阴影消除处理后的视频数据获取车流量;通过获取的车流量进行智能路网指挥。该方法克服现有技术中对于车流量信息的获取准确度无法保证,对于视频数据处理后易出现鬼影和阴影问题,严重影响车辆的检测,从而影响后期分析决策的合理性的问题。
Description
技术领域
本发明涉及智能交通控制技术领域,具体地,涉及一种基于视频车流量的智能路网指挥方法和系统。
背景技术
城市地面交通控制主要依靠交通信号灯,即通常所说的红绿灯。但随着城市车辆的增长,许多时段车流路状复杂化了,路段内拥挤的车辆已超出了“红绿灯”所能控制的范围,城市车辆的拥堵已成为普遍的现象。智能交通控制技术应运而生,对道路上的车流量进行获取,通过分析处理车流量数据利用训练的模型进行路况分析决策以指挥交通达到缓解交通阻塞问题的目的。
但是现有技术中对于车流量信息的获取准确度无法保证,对于视频数据处理后易出现鬼影和阴影问题,严重影响车辆的检测,从而影响后期分析决策的合理性。
因此,提供一种在使用过程中可以对道路交通视频数据进行合理分析,避免出现鬼影和阴影问题以准确地获取车流量数据,保证后期分析决策合理性的基于视频车流量的智能路网指挥方法和系统是本发明亟需解决的问题。
发明内容
针对上述技术问题,本发明的目的是克服现有技术中对于车流量信息的获取准确度无法保证,对于视频数据处理后易出现鬼影和阴影问题,严重影响车辆的检测,从而影响后期分析决策的合理性的问题,从而提供一种在使用过程中可以对道路交通视频数据进行合理分析,避免出现鬼影和阴影问题以准确地获取车流量数据,保证后期分析决策合理性的基于视频车流量的智能路网指挥方法和系统。
为了实现上述目的,本发明提供了一种基于视频车流量的智能路网指挥方法,所述方法包括:
获取待指挥道路上的视频数据;
将所述视频数据划分成N帧视频帧数据;
利用ViBe算法对所述视频数据进行背景建模;
利用自适应阈值的混合色度空间阴影消除算法对所述视频数据进行阴影消除;
根据背景建模和阴影消除处理后的视频数据获取车流量;
通过获取的车流量进行智能路网指挥。
优选地,所述利用ViBe算法对所述视频数据进行背景建模包括:
对N帧视频帧数据求其平均值;
将计算出平均值的图像作为参考背景模型;
将像素点为的23-25邻域作为背景模型样本选取范围以建立背景模型。
优选地,所述利用ViBe算法对所述视频数据进行背景建模还包括:对建立后的背景模型进行背景更新;其中,
当连续9-12帧未检测到动态目标时,以当前图像作为新的背景模型,从而进行后面的目标检测。
优选地,所述利用自适应阈值的混合色度空间阴影消除算法对所述视频数据进行阴影消除包括:
读取所述N帧视频帧数据,将其转换至HSV色度空间;
根据阴影判断公式判断出阴影像素点;其中,阴影判断公式为:
其中,Sp(x,y)=1为像素点判断为阴影,IH(x,y)、Is(x,y)、IV(x,y)、BH(x,y)、BS(x,y)以及BV(x,y)为当前视频帧与背景图像在(x,y)位置的像素在HSV色度空间的分量;α和β为自设的阈值;其中,
对判断出的阴影像素点进行消除。
优选地,所述利用自适应阈值的混合色度空间阴影消除算法对所述视频数据进行阴影消除之后,所述方法还包括:
消除视频帧数据中的噪音点。
本发明还提供了一种基于视频车流量的智能路网指挥系统,所述系统包括:
视频获取模块,用于获取待指挥道路上的视频数据;
视频预处理模块,用于将所述视频数据划分成N帧视频帧数据;
背景建模模块,用于利用ViBe算法对所述视频数据进行背景建模;
图像阴影消除模块,用于利用自适应阈值的混合色度空间阴影消除算法对所述视频数据进行阴影消除;
车流量获取模块,用于根据背景建模和阴影消除处理后的视频数据获取车流量;
指挥模块,用于通过获取的车流量进行智能路网指挥。
优选地,所述背景建模模块包括:
视频帧数据预处理模块,用于对N帧视频帧数据求其平均值;
参考模块确定模块,用于将计算出平均值的图像作为参考背景模型;
背景模型建立模块,用于将像素点为的23-25邻域作为背景模型样本选取范围以建立背景模型。
优选地,所述背景建模模块还包括:
背景更新模块,用于对建立后的背景模型进行背景更新;其中,
当连续9-12帧未检测到动态目标时,以当前图像作为新的背景模型,从而进行后面的目标检测。
优选地,所述图像阴影消除模块包括:
色度空间转换模块,用于读取所述N帧视频帧数据,将其转换至HSV色度空间;
阴影判断模块,用于根据阴影判断公式判断出阴影像素点;其中,阴影判断公式为:
其中,Sp(x,y)=1为像素点判断为阴影,IH(x,y)、IS(x,y)、IV(x,y)、BH(x,y)、BS(x,y)以及BV(x,y)为当前视频帧与背景图像在(x,y)位置的像素在HSV色度空间的分量;α和β为自设的阈值;其中,
阴影消除模块,用于对判断出的阴影像素点进行消除。
优选地,所述系统还包括:
噪音点消除模块,用于消除视频帧数据中的噪音点。
根据上述技术方案,本发明提供的基于视频车流量的智能路网指挥方法和系统在使用时的有益效果为:通过ViBe算法对所述视频数据进行背景建模,配合自适应阈值的混合色度空间阴影消除算法对所述视频数据进行阴影消除,可以有效的去除掉视频帧数据中的鬼影和阴影问题,有利于准确地获取车流量数据,从而提高智能路网指挥的合理性,以有效的缓解交通压力。
本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1是本发明的一种优选的实施方式中提供的基于视频车流量的智能路网指挥方法的流程图;
图2是本发明的一种优选的实施方式中提供的利用ViBe算法对所述视频数据进行背景建模的流程图;
图3是本发明的一种优选的实施方式中提供的基于视频车流量的智能路网指挥系统的结构框图;
图4是本发明的一种优选的实施方式中提供的背景建模模块的结构框图;
图5是本发明的一种优选的实施方式中提供的图像阴影消除模块的结构框图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
如图1和图2所示,本发明提供了一种基于视频车流量的智能路网指挥方法,所述方法包括:
获取待指挥道路上的视频数据;
将所述视频数据划分成N帧视频帧数据;
利用ViBe算法对所述视频数据进行背景建模;
利用自适应阈值的混合色度空间阴影消除算法对所述视频数据进行阴影消除;
根据背景建模和阴影消除处理后的视频数据获取车流量;
通过获取的车流量进行智能路网指挥。
在上述方案中,通过ViBe算法对所述视频数据进行背景建模,配合自适应阈值的混合色度空间阴影消除算法对所述视频数据进行阴影消除,可以有效的去除掉视频帧数据中的鬼影和阴影问题,有利于准确地获取车流量数据,从而提高智能路网指挥的合理性,以有效的缓解交通压力。
在本发明的一种优选的实施方式中,所述利用ViBe算法对所述视频数据进行背景建模包括:
对N帧视频帧数据求其平均值;
将计算出平均值的图像作为参考背景模型;
将像素点为的23-25邻域作为背景模型样本选取范围以建立背景模型。
在上述方案中,常规的ViBe算法是使用视频序列的第一帧图像进行背景模型初始化,当第一帧图像存在运动目标时,处理后的结果中会出现所谓的“鬼影”,严重影响后期的车流量获取结果的准确度;
而在本发明中,是对N帧视频帧数据求其平均值,结合均值背景建模构建了ViBe算法的初始化背景,这样就会消除前期检测的“鬼影”现象,以保证车流量检测的准确性;而且23-25邻域作为背景模型样本选取范围以建立背景模型的方式可以有效的降低样本重选取的概率,从而降低误判的概率。
在本发明的一种优选的实施方式中,所述利用ViBe算法对所述视频数据进行背景建模还包括:对建立后的背景模型进行背景更新;其中,
当连续9-12帧未检测到动态目标时,以当前图像作为新的背景模型,从而进行后面的目标检测。
在上述方案中,本发明中还会对背景模型进行更新,以保证后期车流量检测的准确性,更新的逻辑就是当连续9-12帧未检测到动态目标时,以当前图像作为新的背景模型,优选地,是连续10帧未检测到动态目标的情况。
在本发明的一种优选的实施方式中,所述利用自适应阈值的混合色度空间阴影消除算法对所述视频数据进行阴影消除包括:
读取所述N帧视频帧数据,将其转换至HSV色度空间;
根据阴影判断公式判断出阴影像素点;其中,阴影判断公式为:
其中,Sp(x,y)=1为像素点判断为阴影,IH(x,y)、IS(x,y)、IV(x,y)、BH(x,y)、BS(x,y)以及BV(x,y)为当前视频帧与背景图像在(x,y)位置的像素在HSV色度空间的分量;α和β为自设的阈值;其中,
对判断出的阴影像素点进行消除。
在上述方案中,HSV更加贴近人眼的色彩感知方式,当阴影覆盖背景像素时,只有亮度会明显的降低,所以本发明根据亮度来判断像素点是否为阴影点,获取像素点亮度分量公式为:
其中,II(x,y)为图像(x,y)位置的像素点在HIS色度空间中的亮度分量,
在本发明的一种优选的实施方式中,所述利用自适应阈值的混合色度空间阴影消除算法对所述视频数据进行阴影消除之后,所述方法还包括:消除视频帧数据中的噪音点。
在上述方案中,视频数据经过运动目标提取和阴影消除后,还会存在未消除的噪音点,本发明还对该噪音点进行消除,之后再对取出的目标车辆进行填充,以获得完整的运动目标,保证车流量获取结果的准确性。
如图3-5所示,本发明还提供了一种基于视频车流量的智能路网指挥系统,是上述方法对应的系统权利要求,所述系统包括:
视频获取模块,用于获取待指挥道路上的视频数据;
视频预处理模块,用于将所述视频数据划分成N帧视频帧数据;
背景建模模块,用于利用ViBe算法对所述视频数据进行背景建模;
图像阴影消除模块,用于利用自适应阈值的混合色度空间阴影消除算法对所述视频数据进行阴影消除;
车流量获取模块,用于根据背景建模和阴影消除处理后的视频数据获取车流量;
指挥模块,用于通过获取的车流量进行智能路网指挥。
在本发明的一种优选的实施方式中,所述背景建模模块包括:
视频帧数据预处理模块,用于对N帧视频帧数据求其平均值;
参考模块确定模块,用于将计算出平均值的图像作为参考背景模型;
背景模型建立模块,用于将像素点为的23-25邻域作为背景模型样本选取范围以建立背景模型。
在本发明的一种优选的实施方式中,所述背景建模模块还包括:
背景更新模块,用于对建立后的背景模型进行背景更新;其中,
当连续9-12帧未检测到动态目标时,以当前图像作为新的背景模型,从而进行后面的目标检测。
在本发明的一种优选的实施方式中,所述图像阴影消除模块包括:
色度空间转换模块,用于读取所述N帧视频帧数据,将其转换至HSV色度空间;
阴影判断模块,用于根据阴影判断公式判断出阴影像素点;其中,阴影判断公式为:
其中,Sp(x,y)=1为像素点判断为阴影,IH(x,y)、IS(x,y)、IV(x,y)、BH(x,y)、BS(s,y)以及BV(x,y)为当前视频帧与背景图像在(x,y)位置的像素在HSV色度空间的分量;α和β为自设的阈值;其中,
阴影消除模块,用于对判断出的阴影像素点进行消除。
在本发明的一种优选的实施方式中,所述系统还包括:
噪音点消除模块,用于消除视频帧数据中的噪音点。
综上所述,本发明提供的基于视频车流量的智能路网指挥方法和系统克服现有技术中对于车流量信息的获取准确度无法保证,对于视频数据处理后易出现鬼影和阴影问题,严重影响车辆的检测,从而影响后期分析决策的合理性的问题。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (10)
1.一种基于视频车流量的智能路网指挥方法,其特征在于,所述方法包括:
获取待指挥道路上的视频数据;
将所述视频数据划分成N帧视频帧数据;
利用ViBe算法对所述视频数据进行背景建模;
利用自适应阈值的混合色度空间阴影消除算法对所述视频数据进行阴影消除;
根据背景建模和阴影消除处理后的视频数据获取车流量;
通过获取的车流量进行智能路网指挥。
2.根据权利要求1所述的基于视频车流量的智能路网指挥方法,其特征在于,所述利用ViBe算法对所述视频数据进行背景建模包括:
对N帧视频帧数据求其平均值;
将计算出平均值的图像作为参考背景模型;
将像素点为的23-25邻域作为背景模型样本选取范围以建立背景模型。
3.根据权利要求2所述的基于视频车流量的智能路网指挥方法,其特征在于,所述利用ViBe算法对所述视频数据进行背景建模还包括:对建立后的背景模型进行背景更新;其中,
当连续9-12帧未检测到动态目标时,以当前图像作为新的背景模型,从而进行后面的目标检测。
5.根据权利要求1所述的基于视频车流量的智能路网指挥方法,其特征在于,所述利用自适应阈值的混合色度空间阴影消除算法对所述视频数据进行阴影消除之后,所述方法还包括:
消除视频帧数据中的噪音点。
6.一种基于视频车流量的智能路网指挥系统,其特征在于,所述系统包括:
视频获取模块,用于获取待指挥道路上的视频数据;
视频预处理模块,用于将所述视频数据划分成N帧视频帧数据;
背景建模模块,用于利用ViBe算法对所述视频数据进行背景建模;
图像阴影消除模块,用于利用自适应阈值的混合色度空间阴影消除算法对所述视频数据进行阴影消除;
车流量获取模块,用于根据背景建模和阴影消除处理后的视频数据获取车流量;
指挥模块,用于通过获取的车流量进行智能路网指挥。
7.根据权利要求6所述的基于视频车流量的智能路网指挥系统,其特征在于,所述背景建模模块包括:
视频帧数据预处理模块,用于对N帧视频帧数据求其平均值;
参考模块确定模块,用于将计算出平均值的图像作为参考背景模型;
背景模型建立模块,用于将像素点为的23-25邻域作为背景模型样本选取范围以建立背景模型。
8.根据权利要求7所述的基于视频车流量的智能路网指挥系统,其特征在于,所述背景建模模块还包括:
背景更新模块,用于对建立后的背景模型进行背景更新;其中,
当连续9-12帧未检测到动态目标时,以当前图像作为新的背景模型,从而进行后面的目标检测。
10.根据权利要求6所述的基于视频车流量的智能路网指挥系统,其特征在于,所述系统还包括:
噪音点消除模块,用于消除视频帧数据中的噪音点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110216239.2A CN112967511A (zh) | 2021-02-26 | 2021-02-26 | 一种基于视频车流量的智能路网指挥方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110216239.2A CN112967511A (zh) | 2021-02-26 | 2021-02-26 | 一种基于视频车流量的智能路网指挥方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112967511A true CN112967511A (zh) | 2021-06-15 |
Family
ID=76276054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110216239.2A Pending CN112967511A (zh) | 2021-02-26 | 2021-02-26 | 一种基于视频车流量的智能路网指挥方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112967511A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025862A (zh) * | 2007-02-12 | 2007-08-29 | 吉林大学 | 基于视频的混合交通流参数的检测方法 |
CN101075376A (zh) * | 2006-05-19 | 2007-11-21 | 北京微视新纪元科技有限公司 | 基于多视点的智能视频交通监控系统及方法 |
CN101231756A (zh) * | 2008-01-30 | 2008-07-30 | 安防科技(中国)有限公司 | 运动目标阴影检测方法及装置 |
CN101286239A (zh) * | 2008-04-22 | 2008-10-15 | 北京航空航天大学 | 航拍交通视频车辆快速检测方法 |
CN103971347A (zh) * | 2014-06-04 | 2014-08-06 | 深圳市赛为智能股份有限公司 | 视频图像中阴影的处理方法及装置 |
CN108537821A (zh) * | 2018-04-18 | 2018-09-14 | 电子科技大学 | 一种基于视频的运动目标检测方法 |
-
2021
- 2021-02-26 CN CN202110216239.2A patent/CN112967511A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101075376A (zh) * | 2006-05-19 | 2007-11-21 | 北京微视新纪元科技有限公司 | 基于多视点的智能视频交通监控系统及方法 |
CN101025862A (zh) * | 2007-02-12 | 2007-08-29 | 吉林大学 | 基于视频的混合交通流参数的检测方法 |
CN101231756A (zh) * | 2008-01-30 | 2008-07-30 | 安防科技(中国)有限公司 | 运动目标阴影检测方法及装置 |
CN101286239A (zh) * | 2008-04-22 | 2008-10-15 | 北京航空航天大学 | 航拍交通视频车辆快速检测方法 |
CN103971347A (zh) * | 2014-06-04 | 2014-08-06 | 深圳市赛为智能股份有限公司 | 视频图像中阴影的处理方法及装置 |
CN108537821A (zh) * | 2018-04-18 | 2018-09-14 | 电子科技大学 | 一种基于视频的运动目标检测方法 |
Non-Patent Citations (1)
Title |
---|
井倩倩: "基于视频车流量的智能路网指挥系统研究与设计", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107680056B (zh) | 一种图像处理方法及装置 | |
CN103093429B (zh) | 图像增强方法 | |
CN109087254B (zh) | 无人机航拍图像雾霾天空和白色区域自适应处理方法 | |
CN109785240B (zh) | 一种低照度图像增强方法、装置及图像处理设备 | |
CN109816608B (zh) | 一种基于噪声抑制的低照度图像自适应亮度增强方法 | |
CN107958465A (zh) | 一种基于深度卷积神经网络的单幅图像去雾方法 | |
CN103714520A (zh) | 基于fpga实现数字视频图像增强系统及其方法 | |
CN108711160B (zh) | 一种基于hsi增强性模型的目标分割方法 | |
CN107392879B (zh) | 一种基于参考帧的低照度监控图像增强方法 | |
CN101599171A (zh) | 自动对比度增强方法和装置 | |
CN110223253B (zh) | 一种基于图像增强的去雾方法 | |
CN111476744A (zh) | 一种基于分类及大气成像模型的水下图像增强方法 | |
CN108965749B (zh) | 基于纹理识别的缺陷像素检测和校正装置及方法 | |
CN114037641A (zh) | 一种低照度图像增强方法、装置、设备及介质 | |
CN105184758A (zh) | 一种图像去雾增强的方法 | |
CN113920476A (zh) | 一种基于分割和颜色相结合的图像识别方法及系统 | |
CN112967511A (zh) | 一种基于视频车流量的智能路网指挥方法和系统 | |
CN111881924A (zh) | 结合光照不变性与短曝光光照增强的暗光车照识别方法 | |
EP1342367B1 (en) | Spatial smoothing process and device for dark regions of an image | |
CN112819843B (zh) | 一种夜间电力线的提取方法及系统 | |
CN116309093A (zh) | 一种类背腹侧注意机制的视频降噪方法和系统 | |
CN112686825A (zh) | 一种基于fpga的地面浓雾场景灰度图像去雾方法 | |
CN109741350B (zh) | 基于形态学变化与活动点填充的交通视频背景提取方法 | |
CN112422940A (zh) | 一种自适应颜色校正方法 | |
JP2013156676A (ja) | 画像処理装置、方法、及びプログラム |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210615 |
|
RJ01 | Rejection of invention patent application after publication |