CN114463973B - 一种基于影像的交通状态检测方法 - Google Patents
一种基于影像的交通状态检测方法 Download PDFInfo
- Publication number
- CN114463973B CN114463973B CN202210109951.7A CN202210109951A CN114463973B CN 114463973 B CN114463973 B CN 114463973B CN 202210109951 A CN202210109951 A CN 202210109951A CN 114463973 B CN114463973 B CN 114463973B
- Authority
- CN
- China
- Prior art keywords
- image
- traffic
- road
- vehicle
- determining
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 230000009466 transformation Effects 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012544 monitoring process Methods 0.000 claims description 57
- 230000011218 segmentation Effects 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000003709 image segmentation Methods 0.000 claims description 23
- 238000006243 chemical reaction Methods 0.000 claims description 21
- 230000003595 spectral effect Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000003032 molecular docking Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 12
- 238000007726 management method Methods 0.000 abstract description 12
- 238000012423 maintenance Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000009434 installation Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 238000011160 research Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000011426 transformation method Methods 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于影像的交通状态检测方法。本发明利用交通影像，通过影像处理，特征提取，投影变换等方法估算道路空间占有率，并判断交通拥堵状态。因为传统的视频交通检测技术需要进行摄像机标定，这对于摄像机的安装和调试都有很高的精度要求。本发明利用投影变换来代替摄像机标定，对传统方法进行了改进和提高。此外，本发明充分利用交通影像作为数据源。这些影像可以监控视频获取，不需要任何附加的数据采集设备和维护费用。由于这些数据分布广泛，对于缺少交通数据采集设备的城市路段，可以为交通管理部门提供交通规划和研究数据。
Description
技术领域
本发明涉及交通检测技术领域，特别涉及一种基于影像的交通状态检测方法。
背景技术
目前，交通实时数据的采集为解决交通安全和拥堵提供重要的数据，也是城市交通规划和管理的基础依据。随着智能交通系统的发展，新的交通数据采集技术和设备得到不断发展和应用。在目前众多的交通采集技术(感应线圈，微波雷达，红外探测仪，GPS等)中，基于视频的交通监控和管理得到越来越广泛的应用。
自90年代以来，国内外很多交通管理部门都在主要高速路段和城市重要交叉路口安装了交通摄像头。交通视频数据通过光缆传回主控中心，为交通管理人员提供实时的交通流可视信息。这些数据分布广泛，不需要任何附加的数据采集设备和维护费用。
但是，这些数据源的作用上，现有技术只是作为可视信息来利用，还没有一种充分利用这些新的数据源的技术方案。
因而，如何充分利用这些新的数据源提取交通状态信息，将有重要的研究意义和实用价值。
发明内容
本发明提供一种基于影像的交通状态检测方法，用以解决国内外很多交通管理部门都在主要高速路段和城市重要交叉路口安装了交通摄像头，采集的数据利用率低，现有技术只是作为可视信息来利用，还没有一种充分利用这些新的数据源的技术方案的情况。
一种基于影像的交通状态检测方法，包括：
获取交通监控视频，按照分辨率进行划分，确定达到预设分辨率的视频片段；
将所述视频片段通过灰度影响检测和影像二值化，确定待探测的路段区域；
将所述视频片段通过多尺度影像分割，确定车辆特征，并构建车辆的三维模型，确定车辆底面区域；
通过投影变换将所述车辆底面区域投影至待探测的路段区域，确定交通空间占有率。
优选的，所述方法还包括：
与交通监控视频的数据源对接；其中，
所述数据源包括：道路监控系统、私人路测监控设备和交通监控卫星；
通过所述数据源，获取不同渠道的交通监控视频；其中，
所述交通监控视频包括：隧道视频、公路视频、桥梁视频；
对不同渠道的交通监控视频进行。
优选的，所述方法还包括：
根据所述交通监控视频，确定道路上的车辆信息和道路路面标准；其中，
所述车辆信息包括：车辆数量、车辆位置、车辆类型和车辆体积；
所述道路路面标准包括：道路宽度、道路车道类型和道路分道标准；
根据所述道路上的车辆信息和道路路面标准，确定道路信息。
优选的，所述将所述视频片段通过灰度影响检测和影像二值化，确定待探测的路段区域，包括：
步骤1：确定所述视频片段的三色谱值，根据所述三色谱值进行灰度影像变换，生成灰度图；
步骤2：基于Otsu阀值法设置所述灰度图像的前景图阀值和背景图阀值；
步骤3：根据所述背景图区域，确定道路区域的探测结果。
优选的，所述灰度影像变换符合下式：
Y＝0.299*R+0.587*G+0.114*B
其中，
Y表示灰度值；R表示三色谱值中红色的谱值；G表示三色谱值中绿色的谱值；B表示三色谱值中蓝色的谱值。
优选的，所述Otsu阀值法进行前景图阀值和背景图阀值设置符合下式：
σ2B(t)＝σ2-σ2w(t)＝wf(t)wb(t)[μb(t)-μf(t)]2
其中，σ2w(t)表示类间方差；σ2f(t)表示前景方差；σ2b(t)表示背景方差；t表示阈值；wf(t)表示前景类的概率；wb(t)表示背景率的概率；μb(t)表示背景类均值；μf(t)表示前景类均值；σ2表示组合方差。
优选的，所述将所述视频片段通过多尺度影像分割，确定车辆特征，并构建车辆的三维模型，确定车辆底面区域，包括：
步骤10：对所述视频片段进行影像梯度计算和影像幅度计算，确定影像梯度值和幅度密度值；
步骤11：根据所述影像梯度值和幅度密度值，确定梯度影像分割尺度，生成梯度图像；其中，
所述梯度图像上设置有区域最小值点、集水盆地某点会滑落到区域最小值的点和地形表面上的分界线或分水岭线对应的点；
步骤12：基于分水岭算法对所述梯度图像进行分割，并判断是否分割过度；
步骤13：当存在分割过度时，通过Lambda-Schedule合并算法来消除过度分割，并在消除过度分割后，合并分割结果，生成分割标记，确定影像分割图像；当不存在过度分割时，直接合并分割结果，生成分割标记，确定影像分割图像
步骤14：根据所述影像分割图像，确定所述视频片段中不同物体的影像特征和物体属性：
步骤15：根据所述影像特征和物体属性，确定车辆特征；
步骤16：通过所述车辆特征搭建车辆三维模型；
步骤17：根据所述车辆三维特征，对车辆底面区域进行横向和纵向投影特征，确定车辆底面区域。
优选的，所述Lambda-Schedule合并算法如下式所示：
确定过度分割的相邻区域，并设定相邻区域为区域i和区域j；
其中，
Oi表示区域i的图像区域；|Oi|表示区域i的面积；ui表示区域i的平均值；Oj表示区域j的图像区域；|Oj|表示区域j的面积；uj表示区域j的平均值；||ui-uj||是区域i和区域j的光谱之之间的欧几里得距离；
是区域i和区域j的共同边界长度。
优选的，所述通过投影变换将所述车辆底面区域投影至待探测的路段区域，确定交通空间占有率，包括：
通过所述待探测的路段区域，确定道路坐标系下的坐标(x'，y'，z)；
根据所述坐标，确定所述待探测的路段区域的车辆区域；
通过下式将所述车辆区域通过投影转换矩阵进行投影转换，；其中，
所述投影变换为，透视投影转换为正射投影：
所述投影转换如下式：
其中，式中,x′、y′和z代表道路坐标系统下某点坐标，x、y、z表示影像坐标系统下对应的某点坐标，Hn*n表示n*n投影转换矩阵，aij代表转换矩阵中的参数；
根据所述投影转换，确定最优参数；
根据所述最优转换参数，确定所述待探测的路段区域车辆总长和路段长度之比，确定交通空间占有率。
将所述具体坐标通过投影转换矩阵进行转换，确定最优转换参数；
根据所述最有转换参数，确定所述待探测的路段区域车辆总长和路段长度之比，确定交通空间占有率。
优选的，所述方法还包括：
根据所述交通空间占有率，设定交通拥堵程度标准；其中，
所述交通拥堵程度包括：畅通、中等和拥堵。
本发明的有益效果体现在如下四个方面：
1.充分利用交通监控视频和影像作为新的交通数据源
交通数据采集设备的安装和维护需要大量资金，目前多数采集设备只安装在高速公路上。在城市路段和低等级道路没有任何数据采集设备。同时，CCTV交通视频监控系统已经成为国内外交通管理和监控的重要技术手段。在高速公路和城市主要路段都安装了视频监控设备。
这些影像利用CCTV现有视频数据，广泛分布，不需要额外的投入和维护费用。本发明充分利用这些数据提供实时的交通状态信息。
2.提出了一种采集道路空间占有率的方法；
道路空间占有率的定义为：检测路段中车辆的总长度和路段的长度(需要乘以车道数)之比。道路占有率是一种交通流密度的量度。路段中车辆的总长度和路段的长度从影像中直接获取，不需要考虑实际对应的真实长度。目前通用的交通数据采集设备还无法获取道路空间占有率这一交通参数。线圈探测器可以获取的占有率是基于时间的，又称为道路时间占有率。但是相对于道路时间占有率，空间占有率作为反映交通状态的数据信息更为可靠和稳定。
3.车辆识别算法采用多尺度影像分割和特征提取方法；
本系统所用的数据源为影像，传统的交通视频检测方法不适用。本发明综合考虑道路和车辆的空间和光谱特征，采用多尺度影像分割和特征提取方法，通过建立3维车辆模型来估算车辆长度并消除阴影的影响。
多尺度影像分割算法，最佳分割尺度的选择由影像梯度和幅度来确定，结合形态学分水岭法和Lambda-Schedule合并算法进行影像分割。综合考虑影像中车辆，道路，车道和周边环境背景的各自特征和属性，通过这些特征和属性值建立物体识别规则。建立3维车辆模型，利用横向和纵向投影特征提取车辆底面区域，估算车辆长度并消除阴影的影响。
4.投影变换替代摄像机标定方法；
交通影像由于透视投影的影响，会产生影像几何形变。传统的交通视频检测通常利用摄像机标定来消除形变影响。本系统采用投影变换的方式，直接从影像入手，将透视投影转变为正射投影来消除几何形变，改进了传统的摄像机标定标定模式。
透视投影和正射投影之间的关系可以由一个3*3投影转换矩阵来表示。投影变换的转换规则为：使道路边缘平行，同时，道路中的前后车辆尺寸保持一致。校正投影转换矩阵参数以确定最优转换矩阵，通过投影转换矩阵将透视投影转换为正射投影，从而消除影像几何形变。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图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，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于影像的交通状态检测方法的方法架构图；
图2为本发明实施例中交通影像系统获取的交通监控影像；
图3为本发明实施例中交通原始影像；
图4为本发明实施例中灰度转化后的灰度影像；
图5为本发明实施例中二值影像；
图6为本发明实施例中道路区域的影像图；
图7为本发明实施例中Otsu图；
图8为本发明实施例中影像多尺度分割算法流程；
图9为本发明实施例中车辆识别算法流程图；
图10为本发明实施例中投影变换图；
图11为本发明实施例中道路空间占有率的实时显示图；
图12为本发明实施例中交通拥挤程度表。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明提出的基于影像检测交通流参数的方法，借鉴基于视频的交通检测研究成果，引入影像处理和投影变换的算法，给出了道路空间占有率的定义和估算方法。目前通用的交通数据采集设备无法获取这项交通参数。该系统主要包括三个功能模块：道路区域探测，车辆识别和投影变换。该发明充分利用交通监控影像数据，通过影像处理，特征提取，投影变换等技术估算道路空间占有率，并判断交通拥堵状态。这些影像数据分布广泛，不需要任何附加的数据采集设备和维护费用。对于城市交通规划和数据分析将是有益的补充。对于缺少交通数据采集设备的城市路段，是潜在的新的交通数据源。同时，传统的视频交通检测技术需要进行摄像机标定，这对于摄像机的安装和调试都有很高的精度要求。本发明利用投影变换来代替摄像机标定，对传统方法进行了改进和提高，具有较高的实用价值。
实施例1：
一种基于影像的交通状态检测方法，包括：
获取交通监控视频，按照分辨率进行划分，确定达到预设分辨率的视频片段；
将所述视频片段通过灰度影响检测和影像二值化，确定待探测的路段区域；
将所述视频片段通过多尺度影像分割，确定车辆特征，并构建车辆的三维模型，确定车辆底面区域；
通过投影变换将监控视频的透视投影转换为正射投影(一般监控视频位于道路侧前方，拍摄影像有几何形变。投影变换是将影像变换为垂直上方拍摄效果，消除道路和车辆形变带领的估算误差)，根据车辆底面区域占路段区域比例，确定交通空间占有率。
上述技术方案的原理在于：如附图1所示，本发明充分利用分布广泛的交通影像，通过影像特征提取，投影变换等方法估算道路空间占有率，提取交通信息并判断交通拥堵状态。首先，本发明充分利用分布广泛的交通影像作为数据源。这些影像从现有的CCTV交通监控视频中获取，不需要任何附加的数据采集设备和维护费用。此外，这些数据分布广泛，对于缺少交通数据采集设备的城市路段，可以为交通管理部门提供交通规划和研究数据。其次，本发明提出了一种估算道路空间占有率的方法，目前通用的交通数据采集设备无法提供这项交通参数。本发明的车辆提取算法采用多尺度分割和特征提取方法，通过建立3维车辆模型来估算车辆长度并消除阴影的影响。本发明采用投影变换方法消除透视投影带来的影像形变，改进了传统的摄像机标定模式。本发明可以是独立运行的模块，也可以与现有的CCTV视频监控系统集成，但不影响其它系统的运行效率和功能。
本发明的有益效果体现在如下四个方面：
1.充分利用交通监控视频和影像作为新的交通数据源
交通数据采集设备的安装和维护需要大量资金，目前多数采集设备只安装在高速公路上。在城市路段和低等级道路没有任何数据采集设备。同时，CCTV交通视频监控系统已经成为国内外交通管理和监控的重要技术手段。在高速公路和城市主要路段都安装了视频监控设备。
这些影像利用CCTV现有视频数据，广泛分布，不需要额外的投入和维护费用。本发明充分利用这些数据提供实时的交通状态信息。
2.提出了一种采集道路空间占有率的方法；
道路空间占有率的定义为：检测路段中车辆的总长度和路段的长度(需要乘以车道数)之比。道路占有率是一种交通流密度的量度。路段中车辆的总长度和路段的长度从影像中直接获取，不需要考虑实际对应的真实长度。目前通用的交通数据采集设备还无法获取道路空间占有率这一交通参数。线圈探测器可以获取的占有率是基于时间的，又称为道路时间占有率。但是相对于道路时间占有率，空间占有率作为反映交通状态的数据信息更为可靠和稳定。
3.车辆识别算法采用多尺度影像分割和特征提取方法；
本系统所用的数据源为影像，传统的交通视频检测方法不适用。本发明综合考虑道路和车辆的空间和光谱特征，采用多尺度影像分割和特征提取方法，通过建立3维车辆模型来估算车辆长度并消除阴影的影响。
多尺度影像分割算法，最佳分割尺度的选择由影像梯度和幅度来确定，结合形态学分水岭法和Lambda-Schedule合并算法进行影像分割。综合考虑影像中车辆，道路，车道和周边环境背景的各自特征和属性，通过这些特征和属性值建立物体识别规则。建立3维车辆模型，利用横向和纵向投影特征提取车辆底面区域，估算车辆长度并消除阴影的影响。
4.投影变换替代摄像机标定方法；
交通影像由于透视投影的影响，会产生影像几何形变。传统的交通视频检测通常利用摄像机标定来消除形变影响。本系统采用投影变换的方式，直接从影像入手，将透视投影转变为正射投影来消除几何形变，改进了传统的摄像机标定模式。
透视投影和正射投影之间的关系可以由一个3*3投影转换矩阵来表示。投影变换的转换规则为：使道路边缘平行，同时，道路中的前后车辆尺寸保持一致。校正投影转换矩阵参数以确定最优转换矩阵，通过投影转换矩阵将透视投影转换为正射投影，从而消除影像几何形变。
实施例2：
优选的，所述方法还包括：
与交通监控视频的数据源对接；其中，
所述数据源包括：道路监控系统、私人路测监控设备和交通监控卫星；
通过所述数据源，获取不同渠道的交通监控视频；其中，
所述交通监控视频包括：隧道视频、公路视频、桥梁视频；
对不同渠道的交通监控视频进行。
上述技术方案的原理在于：本发明的数据采集利用交通监控视频和影像作为数据源，如附图2所示，但是附图2采集影像是原始交通影像，分辨率比较低。对于影像中的远处无法进行检测，所以需要对影像进行截取，确定检测的路段区域，截取后的图像如图3所示。而交通视频主要就是上述隧道视频、公路视频、桥梁视频，采集方式上道路监控系统是束流手段，而私人路测监控设备和交通监控卫星；也是辅助性质的数据源。其次，本发明在具体实施中主要采用交通视频监控系统，已经成为国内外交通管理和监控的重要技术手段。交通管理部门采集的监控视频或影像，数据量庞大，分布广泛，可作为交通大数据有力支撑，提供交通流量、拥堵状态等交通信息。
本发明的有益效果：充分利交通影像作为数据源。这些影像从现有的CCTV交通监控视频中获取，不需要任何附加的数据采集设备和维护费用。此外，这些数据分布广泛，对于缺少交通数据采集设备的城市路段，可以为交通管理部门提供交通规划和研究数据。交通视频监控系统已经非常普及，成为交通监管的重要技术。由于交通视频数据庞大，除了交通事故和突发事件监控，还可以作为交通数据源，经过影像处理提供交通流参数和拥堵状态估计。
实施例3：
优选的，所述方法还包括：
根据所述交通监控视频，确定道路上的车辆信息和道路路面标准；其中，
所述车辆信息包括：车辆数量、车辆位置、车辆类型和车辆体积；
所述道路路面标准包括：道路宽度、道路车道类型和道路分道标准；
根据所述道路上的车辆信息和道路路面标准，确定道路信息。
上述技术方案的原理在于：本发明主要是通过交通监控的视频去计算交通的拥挤程度，所以，最主要的是对道路上的车辆信息和道路标准能够明确的熟知；通过车辆信息和道路标准，去计算道路的空间占有率，以及交通的拥挤程度。道路空间占有率的定义为：检测路段中车辆的总长度和路段的长度(需要乘以车道数)之比，所以需要知道道路的标准数据和车辆的数据。道路空间占有率是一个比值，路段中车辆的总长度和路段的长度从影像中直接获取，不需要考虑实际对应的真实长度。道路占有率是一种密度的量度。目前通用的交通数据采集设备，线圈探测器可以获取的道路占有率是基于时间的，又称为时间占有率。但是相对于道路时间占有率，道路空间占有率作为反映交通状态的数据信息更为可靠和稳定。
上述技术方案的有益效果在于：能够基于交通监控视频，确定道路的信息以及路上车辆的信息，从而实现投影变换进行拥挤度计算。
实施例4：
优选的，所述将所述视频片段通过灰度影响检测和影像二值化，确定待探测的路段区域，包括：
步骤1：确定所述视频片段的三色谱值，根据所述三色谱值进行灰度影像变换，生成灰度图；
步骤2：基于Otsu阀值法设置所述灰度图像的前景图阀值和背景图阀值；
步骤3：根据所述背景图区域，确定道路区域的探测结果。
上述技术方案的原理在于：本发明在道路探测上，利用影像灰度阀值法，二值化和数学形态学等算法，提取待探测的路段区域。具体包括三个步骤，确定待探测的路段区域，转换成灰度影像，但是这个路段区域一定要是有效的路段区域。基于二值影像的生成采用Otsu阀值法，最后通过数学形态学可以去除道路上的车辆和少许噪声。最终道路区域探测结果。
上述技术方案的有益效果在于：本发明的灰度化，可以实现道路数据的提取，二值影像可以实现前景和背景的划分，从而利用这些元素确定道路的最终探测结果。
实施例5：
优选的，所述灰度影像变换符合下式：
Y＝0.299*R+0.587*G+0.114*B
其中，
Y表示灰度值；R表示三色谱值中红色的谱值；G表示三色谱值中绿色的谱值；B表示三色谱值中蓝色的谱值。
上述技术方案的原理在于：本发明在进行道路探测的算法是一种基于三色谱的灰度影像变换法，如附图4所示，灰度影像的变换也是为了能够更准确的检测出灰度影像。
实施例6：
优选的，所述Otsu阀值法进行前景图阀值和背景图阀值设置符合下式：
σ2B(t)＝σ2-σ2w(t)＝wf(t)wb(t)[μb(t)-μf(t)]2
其中，σ2w(t)表示类间方差；σ2f(t)表示前景方差；σ2b(t)表示背景方差；t表示阈值；wf(t)表示前景类的概率；wb(t)表示背景率的概率；μb(t)表示背景类均值；μf(t)表示前景类均值；σ2表示组合方差。
上述技术方案的原理在于：本发明最重要的是进行前景图和背景图的识别，前景显示车辆，而背景显示道路，二值影像的生成采用Otsu阀值法。Otsu对图像(前景和背景)进行阈值处理，计算每个强度级别的直方图和概率，然后计算分离这两个类别的最佳阈值，以区分图像的前景和背景。
上述技术方案的有益效果在于：如附图5、图6所示，图7显示的是二值影像的生成采用Otsu阀值，道路区域已经很明显，利用数学形态学可以去除道路上的车辆和少许噪声；白色区域代表最终道路区域探测结果。
实施例7：
优选的，所述将所述视频片段通过多尺度影像分割，确定车辆特征，并构建车辆的三维模型，确定车辆底面区域，包括：
步骤10：对所述视频片段进行影像梯度计算和影像幅度计算，确定影像梯度值和幅度密度值；
步骤11：根据所述影像梯度值和幅度密度值，确定梯度影像分割尺度，生成梯度图像；其中，
所述梯度图像上设置有区域最小值点、集水盆地某点会滑落到区域最小值的点和地形表面上的分界线或分水岭线对应的点；
步骤12：基于分水岭算法对所述梯度图像进行分割，并判断是否分割过度；
步骤13：当存在分割过度时，通过Lambda-Schedule合并算法来消除过度分割，并在消除过度分割后，合并分割结果，生成分割标记，确定影像分割图像；当不存在过度分割时，直接合并分割结果，生成分割标记，确定影像分割图像
步骤14：根据所述影像分割图像，确定所述视频片段中不同物体的影像特征和物体属性：
步骤15：根据所述影像特征和物体属性，确定车辆特征；
步骤16：通过所述车辆特征搭建车辆三维模型；
步骤17：根据所述车辆三维特征，对车辆底面区域进行横向和纵向投影特征，确定车辆底面区域。
上述技术方案的原理在于：如附图8所示，在进行车辆识别上，车辆识别采用多尺度影像分割和特征提取方法，通过建立3维车辆模型来估算车辆长度并消除阴影的影响。具体体现在三个步骤，利用多尺度影像分割算法确定最佳影像分割尺度，通过道路和车辆的空间和光谱特征检测车辆，建立3维车辆模型，利用横向和纵向投影特征提取车辆底面区域，估算车辆长度并消除阴影的影响。在通过多尺度影像分割算法和特征提取上，尺度的选择由影响梯度和幅度来确定；
影像梯度通过建立坐标系，计算影像中横轴和纵轴方向的一阶导数得到，如下式所示：
其中，
表示横轴方向的梯度；
表示纵轴方向的梯度；
而在梯度影像中，影像幅度表示梯度影像中会度变化率的程度，由下式来计算：
通过影像梯度和幅度密度累计可以选择最佳的影像分割尺度，结合形态学分水岭法进行影像分割。该算法不是处理图像本身，而是应用于上面生成的梯度图像。梯度图像中存在梯度点，这个梯度图像中的点分为三种，分别是：
(1)区域最小值；
(2)集水盆地某点会滑落到区域最小值；
(3)地形表面上的分界线或分水岭线；
该算法用于识别所有三类点并进行分割。将M1,M2,…,MR表示为梯度图像g(x,y)的区域最小值中点的坐标集。设C(Mi)是与区域最小值Mi相关的流域中点的坐标。g(x,y)的最小和最大梯度级别为min和max。将T[n]定义为一组坐标(s,t)，其中g(s,t)<n，梯度图像中的地形min+1增加到max+1。
由于分水岭算法有时会产生过度分割，可以采用Lambda-Schedule合并算法来消除过度分割。
合并级别参数表示阈值lambda值，范围从0.0到100.0。Lambda-Schedule算法基于光谱和空间信息的组合迭代合并相邻区域。
上述技术方案的有益效果在于：在本发明的图9b中，会设置轮廓线，现有技术中采用的是绿色轮廓线，其显示了影像分割结果。图中主要包括车辆，道路，车道和周边环境背景。每种物体都有各自的特征和属性。比如道路是狭长的，面积相对车辆很大。车辆是接近长方形的(没有阴影的情况下)。通过这些特征和估算值可以建立物体识别规则。图9c中，灰色目标代表检测到的车辆结果。
由于车辆是立体目标，在计算车辆长度时，通过建立车辆3维模型来估算车辆长度并消除阴影的影响。在图9e中，ABCD代表要提取的车辆底面区域。利用横向和纵向投影特征可以提取构成车辆底面区域的特征点ABCD的坐标，从而得到车辆底面区域，如图9f上的小方块所示。
实施例8：
优选的，所述Lambda-Schedule合并算法如下式所示：
确定过度分割的相邻区域，并设定相邻区域为区域i和区域j；
其中，
Oi表示区域i的图像区域；|Oi|表示区域i的面积；ui表示区域i的平均值；Oj表示区域j的图像区域；|Oj|表示区域j的面积；uj表示区域j的平均值；||ui-uj||是区域i和区域j的光谱之间的欧几里得距离；
是区域i和区域j的共同边界长度。
实施例9：
优选的，所述通过投影变换将所述车辆底面区域投影至待探测的路段区域，确定交通空间占有率，包括：
通过所述待探测的路段区域，确定道路坐标系下的坐标(x'，y'，z)；
根据所述坐标，确定所述待探测的路段区域的车辆区域；
通过下式将所述车辆区域通过投影转换矩阵进行投影转换，；其中，
所述投影变换为，透视投影转换为正射投影：
所述投影转换如下式：
其中，式中,x′、y′和z′代表道路坐标系统下某点坐标，x、y、z表示影像坐标系统下对应的某点坐标，Hn*n表示n*n投影转换矩阵，aij代表转换矩阵中的参数；
根据所述投影转换，确定最优参数；
根据所述最优转换参数，确定所述待探测的路段区域车辆总长和路段长度之比，确定交通空间占有率。
上述技术方案的原理在于：本发明的首先通过建立透视投影和正射投影之间的转换关系矩阵。设定投影转换规则：使道路边缘平行，同时，道路中的前后车辆尺寸保持一致。然后通过投影转换矩阵参数校正，确定最优参数。最后通过投影转换矩阵将透视投影转换为正射投影，消除由于透视投影带来的影像几何形变。
交通影像由于透视投影的影响，会产生影像形变。传统的交通视频检测通常利用摄像机标定来消除形变影响。本发明采用投影变换的方式，直接从影像入手，将透视投影转变为正射投影来消除几何形变，估算交通参数。透视投影和正射投影之间的关系可以由下式来表示：
式中,x’和y’代表道路坐标系统下某点坐标，x和y表示影像坐标系统下对应的某点坐标，H3*3代表3*3投影转换矩阵，aij代表转换矩阵中的参数，分别代表影像旋转，缩放，平移等功能。经过参数调试，下式为进行投影变换的矩阵：
投影变换的转换规则为：使道路边缘平行，同时，道路中的前后车辆尺寸保持一致。通过校正投影转换矩阵以确定最优参数，图10a透视投影影像，转换为图10b正射投影影像。图10c和10d分别显示了经过投影变换后的道路区域和车辆。由此可以估算道路空间占有率，提供交通状态信息。
上述技术方案的有益效果在于：采用投影变换方法消除透视投影带来的影像形变，改进了传统的摄像机标定模式。传统的视频交通检测技术需要进行摄像机标定，这对于摄像机的安装和调试都有很高的精度要求。利用投影变换来代替摄像机标定，是基于透视投影和正摄投影之间的转换关系，仅对影像进行投影变换来消除影像形变。投影转换矩阵参数校正，确定最优参数。对检测的道路和车辆底面区域进行投影变换，由透视投影转换为正射投影，进而估算道路空间占有率。
实施例10：
优选的，所述方法还包括：
根据所述交通空间占有率，设定交通拥堵程度标准；其中，
所述交通拥堵程度包括：畅通、中等和拥堵。
上述技术方案的原理在于：本发明中，计算交通拥挤状况的前提是计算道路空间占有率；道路道路空间占有率的定义为：检测路段中车辆的总长度和路段的长度(需要乘以车道数)之比，实际实施时，如附图。用公式表述如下：
式中,
代表影像上路段长度，a表示第a条车道，m是路段上车道数目，
为影像上第i条车辆长度，n代表车辆数目。
上述技术方案的有益效果在于：道路空间占有率是一个比值，路段中车辆的总长度和路段的长度可以从影像中直接获取，不需要考虑实际对应的真实长度。目前通用的交通数据采集设备还无法获取道路空间占有率。线圈探测器可以获取的占有率是基于时间的，又称为道路时间占有率。交通拥堵程度估算：通过获取的道路空间占有率，我们可以估算交通拥堵的程度，为交通管理者和出行者提供实时交通状态信息。如附图12所示，本发明提供了根据道路空间占有率定义的交通拥堵状况。通常，道路空间占有率低于10％为交通畅通状态。介于10％和30％之间，车速会相对减缓，不是自由流状态。当道路空间占有率高于30％时，将出现交通拥堵，车速明显减慢，甚至出现停滞状态。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于影像的交通状态检测方法，其特征在于，包括：
获取交通监控视频，按照分辨率进行划分，确定达到预设分辨率的视频片段；
将所述视频片段通过灰度影像检测和影像二值化，确定待探测的路段区域；
将所述视频片段通过多尺度影像分割，确定车辆特征，并构建车辆的三维模型，确定车辆底面区域；
通过投影变换将监控视频的透视投影转换为正射投影，根据所述车辆底面区域占路段区域比例，确定交通空间占有率；
其中，所述将所述视频片段通过灰度影像检测和影像二值化，确定待探测的路段区域，包括：
步骤1：确定所述视频片段的三色谱值，根据所述三色谱值进行灰度影像变换，生成灰度图；
步骤2：基于Otsu阈值法设置所述灰度图像的前景图阈值和背景图阈值；
步骤3：根据所述背景图区域，确定道路区域的探测结果；
其中，所述将所述视频片段通过多尺度影像分割，确定车辆特征，并构建车辆的三维模型，确定车辆底面区域，包括：
步骤10：对所述视频片段进行影像梯度计算和影像幅度计算，确定影像梯度值和幅度密度值；
步骤11：根据所述影像梯度值和幅度密度值，确定梯度影像分割尺度，生成梯度图像；其中，
所述梯度图像上设置有区域最小值点、集水盆地某点会滑落到区域最小值的点和地形表面上的分界线或分水岭线对应的点；
步骤12：基于分水岭算法对所述梯度图像进行分割，并判断是否分割过度；
步骤13：当存在分割过度时，通过Lambda-Schedule合并算法来消除过度分割，并在消除过度分割后，合并分割结果，生成分割标记，确定影像分割图像；当不存在过度分割时，直接合并分割结果，生成分割标记，确定影像分割图像
步骤14：根据所述影像分割图像，确定所述视频片段中不同物体的影像特征和物体属性：
步骤15：根据所述影像特征和物体属性，确定车辆特征；
步骤16：通过所述车辆特征搭建车辆三维模型；
步骤17：根据所述车辆三维特征，对车辆底面区域进行横向和纵向投影特征，确定车辆底面区域；
其中，所述Lambda-Schedule合并算法如下式所示：
确定过度分割的相邻区域，并设定相邻区域为区域i和区域j；
其中，
Oi表示区域i的图像区域；|Oi|表示区域i的面积；ui表示区域i的平均值；Oj表示区域j的图像区域；|Oj|表示区域j的面积；uj表示区域j的平均值；||ui-uj||是区域i和区域j的光谱之之间的欧几里得距离；
是区域i和区域j的共同边界长度；
其中，所述通过投影变换将所述车辆底面区域投影由透视投影变换为正射投影，消除几何形变带领的误差，根据车辆底面区域占路段区域的比例，确定交通空间占有率，包括：
通过所述待探测的路段区域，确定道路坐标系下的坐标(x’，y’，z)；
根据所述坐标，确定所述待探测的路段区域的车辆区域；
通过下式将所述车辆区域通过投影转换矩阵进行投影转换，其中，
所述投影变换为，透视投影转换为正射投影：
所述投影转换如下式：
其中，式中,x'、y'和z代表道路坐标系统下某点坐标，x、y、z表示影像坐标系统下对应的某点坐标，Hn*n表示n*n投影转换矩阵，aij代表转换矩阵中的参数；
根据所述投影转换，确定最优参数；
根据所述最优转换参数，确定所述待探测的路段区域车辆总长和路段长度之比，确定交通空间占有率。
2.如权利要求1所述的一种基于影像的交通状态检测方法，其特征在于，所述方法还包括：
与交通监控视频的数据源对接；其中，
所述数据源包括：道路监控系统、私人路测监控设备和交通监控卫星；
通过所述数据源，获取不同渠道的交通监控视频；其中，
所述交通监控视频包括：隧道视频、公路视频、桥梁视频；
对不同渠道的交通监控视频进行。
3.如权利要求1所述的一种基于影像的交通状态检测方法，其特征在于，所述方法还包括：
根据所述交通监控视频，确定道路上的车辆信息和道路路面标准；其中，
所述车辆信息包括：车辆数量、车辆位置、车辆类型和车辆体积；
所述道路路面标准包括：道路宽度、道路车道类型和道路分道标准；
根据所述道路上的车辆信息和道路路面标准，确定道路信息。
4.如权利要求1所述的一种基于影像的交通状态检测方法，其特征在于，所述灰度影像变换符合下式：
Y＝0.299*R+0.587*G+0.114*B
其中，
Y表示灰度值；R表示三色谱值中红色的谱值；G表示三色谱值中绿色的谱值；B表示三色谱值中蓝色的谱值。
5.如权利要求1所述的一种基于影像的交通状态检测方法，其特征在于，所述Otsu阈值法进行前景图阈值和背景图阈值设置符合下式：
σ2B(t)＝σ2-σ2w(t)＝wf(t)wb(t)[μb(t)-μf(t)]2
其中，σ2w(t)表示类间方差；σ2f(t)表示前景方差；σ2b(t)表示背景方差；t表示阈值；wf(t)表示前景类的概率；wb(t)表示背景率的概率；μb(t)表示背景类均值；μf(t)表示前景类均值；σ2表示组合方差。
6.如权利要求1所述的一种基于影像的交通状态检测方法，其特征在于，所述方法还包括：
根据所述交通空间占有率，设定交通拥堵程度标准；其中，所述交通拥堵程度包括：畅通、中等和拥堵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210109951.7A CN114463973B (zh) | 2022-01-29 | 2022-01-29 | 一种基于影像的交通状态检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210109951.7A CN114463973B (zh) | 2022-01-29 | 2022-01-29 | 一种基于影像的交通状态检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114463973A CN114463973A (zh) | 2022-05-10 |
| CN114463973B true CN114463973B (zh) | 2022-10-04 |
Family
ID=81411642
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210109951.7A Active CN114463973B (zh) | 2022-01-29 | 2022-01-29 | 一种基于影像的交通状态检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114463973B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102136194A (zh) * | 2011-03-22 | 2011-07-27 | 浙江工业大学 | 基于全景计算机视觉的道路交通状态检测装置 |
| CN102136195A (zh) * | 2011-03-28 | 2011-07-27 | 长安大学 | 一种基于图像纹理检测道路交通状况的方法 |
| CN105513354A (zh) * | 2015-12-22 | 2016-04-20 | 电子科技大学 | 基于视频的城市道路交通拥堵检测系统 |
| JP2016218760A (ja) * | 2015-05-20 | 2016-12-22 | 株式会社日立製作所 | 物体検出システム、物体検出方法、ｐｏｉ情報作成システム、警告システム、及び誘導システム |
| CN112215109A (zh) * | 2020-09-29 | 2021-01-12 | 中科劲点（北京）科技有限公司 | 基于场景分析的车辆检测方法及系统 |
-
2022
- 2022-01-29 CN CN202210109951.7A patent/CN114463973B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102136194A (zh) * | 2011-03-22 | 2011-07-27 | 浙江工业大学 | 基于全景计算机视觉的道路交通状态检测装置 |
| CN102136195A (zh) * | 2011-03-28 | 2011-07-27 | 长安大学 | 一种基于图像纹理检测道路交通状况的方法 |
| JP2016218760A (ja) * | 2015-05-20 | 2016-12-22 | 株式会社日立製作所 | 物体検出システム、物体検出方法、ｐｏｉ情報作成システム、警告システム、及び誘導システム |
| CN105513354A (zh) * | 2015-12-22 | 2016-04-20 | 电子科技大学 | 基于视频的城市道路交通拥堵检测系统 |
| CN112215109A (zh) * | 2020-09-29 | 2021-01-12 | 中科劲点（北京）科技有限公司 | 基于场景分析的车辆检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114463973A (zh) | 2022-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Luvizon et al. | A video-based system for vehicle speed measurement in urban roadways | |
| CN108320510B (zh) | 一种基于无人机航拍视频交通信息统计方法及系统 | |
| Riveiro et al. | Automatic segmentation and shape-based classification of retro-reflective traffic signs from mobile LiDAR data | |
| CN105718870B (zh) | 自动驾驶中基于前向摄像头的道路标线提取方法 | |
| US8379926B2 (en) | Vision based real time traffic monitoring | |
| Wang et al. | Review on vehicle detection based on video for traffic surveillance | |
| Hautière et al. | Real-time disparity contrast combination for onboard estimation of the visibility distance | |
| CN111626277B (zh) | 一种基于治超站交调指标分析的车辆跟踪方法及装置 | |
| CN105654073B (zh) | 一种基于视觉检测的速度自动控制方法 | |
| CN102915433B (zh) | 基于字符组合的车牌定位和识别方法 | |
| CN106156752B (zh) | 一种基于逆投影三视图的车型识别方法 | |
| Wicaksono et al. | Speed estimation on moving vehicle based on digital image processing | |
| WO2013186662A1 (en) | Multi-cue object detection and analysis | |
| CN103310435B (zh) | 将垂直投影和最优路径相结合对车牌字符进行分割的方法 | |
| CN108921076B (zh) | 基于图像的道面裂缝病害自适应恒虚警检测方法 | |
| CN112070756B (zh) | 一种基于无人机倾斜摄影的路面立体病害测量方法 | |
| CN111259796A (zh) | 一种基于图像几何特征的车道线检测方法 | |
| Larsen et al. | Traffic monitoring using very high resolution satellite imagery | |
| Senthilnath et al. | Automatic road extraction using high resolution satellite image based on texture progressive analysis and normalized cut method | |
| Aijazi et al. | Automatic detection of vehicles at road intersections using a compact 3D Velodyne sensor mounted on traffic signals | |
| CN113221739B (zh) | 基于单目视觉的车距测量方法 | |
| CN114463973B (zh) | 一种基于影像的交通状态检测方法 | |
| CN107066929B (zh) | 一种融合多种特征的高速公路隧道停车事件分级识别方法 | |
| CN110852208B (zh) | 一种人群密度估计方法及可读存储介质 | |
| KR100532058B1 (ko) | 카메라 캘리브레이션을 이용한 교통정보 추출 방법 및 장치 |
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 |