CN115311631A - 一种隧道内的图像采集方法、设备及介质 - Google Patents
一种隧道内的图像采集方法、设备及介质 Download PDFInfo
- Publication number
- CN115311631A CN115311631A CN202210801486.3A CN202210801486A CN115311631A CN 115311631 A CN115311631 A CN 115311631A CN 202210801486 A CN202210801486 A CN 202210801486A CN 115311631 A CN115311631 A CN 115311631A
- Authority
- CN
- China
- Prior art keywords
- target
- sub
- pixel
- tunnel
- vehicle
- 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 43
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000005286 illumination Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种隧道内的图像采集方法、设备及介质,其中,方法包括:按照预设的时间间隔采集隧道内部的多帧图像;根据多帧图像包含的多个像素点分别对应的像素值,对多个像素点进行目标提取,以确定目标区域;对目标区域进行区域分割,并对分割后得到的多个子目标区域进行特征识别,以确定多个子目标区域中是否携带有无效特征;在多个子目标区域中存在无效特征的情况下,对目标区域进行区域重构,以从目标区域中剔除无效特征,得到最终的车辆目标;根据不同帧图像下的车辆目标,确定对应车辆的运动轨迹,并根据运动轨迹和多个时间间隔的总和,判断当前隧道内部是否存在拥堵,以对即将进入隧道内部的车辆进行预警。
Description
技术领域
本申请涉及图像识别技术领域,具体涉及一种隧道内的图像采集方法、设备及介质。
背景技术
隧道是国家基础建设中的重要设施,也是路网的重要组成部分。由于隧道的特殊环境,易引发拥堵以及交通事故,如若无法及时进行预警便会造成道路拥堵蔓延,因此,对隧道车辆的行进状态进行监测是隧道运营过程中的重要环节。
目前,通常采用设置于隧道内部的图像采集装置,比如摄像头等,对车辆的运行状态进行判断,然而该种方式大多是人工进行监测,准确度较低,且采集到的图像易受到隧道灯光的影响,增加了图像的识别难度。
发明内容
为了解决上述问题,本申请提出了一种隧道内的图像采集方法,包括:
通过隧道内部设置的多个图像采集装置,按照预设的时间间隔采集隧道内部的多帧图像;
根据所述多帧图像包含的多个像素点分别对应的像素值,对所述多个像素点进行目标提取,以确定目标区域;
对所述目标区域进行区域分割,并对分割后得到的多个子目标区域进行特征识别,以确定所述多个子目标区域中是否携带有无效特征;所述无效特征表示所述目标区域中除车辆特征之外的其他特征;
在所述多个子目标区域中存在所述无效特征的情况下,对所述目标区域进行区域重构,以从所述目标区域中剔除所述无效特征,得到最终的车辆目标;
根据不同帧图像下的车辆目标,确定对应车辆的运动轨迹,并根据所述运动轨迹和多个所述时间间隔的总和,判断当前所述隧道内部是否存在拥堵,以对即将进入所述隧道内部的车辆进行预警。
在本申请的一种实现方式中,根据所述多帧图像包含的多个像素点分别对应的像素值,对所述多个像素点进行目标提取,以得到目标区域,具体包括:
针对所述多帧图像中任意相邻两帧的第一图像,对所述第一图像进行灰度,得到灰度后的第二图像;
对所述第一图像和所述第二图像中相同像素点对应的像素值进行作差,并对作差后的结果取绝对值,得到所述像素点之间的像素差值;
根据所述像素差值与第一预设阈值之间的大小关系,确定所述像素点的像素点类型;所述像素点类型包括前景像素点和背景像素点;
遍历所述第二图像,对所述前景像素点进行目标提取,以得到目标区域。
在本申请的一种实现方式中,对所述目标区域进行区域分割,并对分割后得到的多个子目标区域进行特征识别,以确定所述多个子目标区域中是否携带有无效特征,具体包括:
提取所述目标区域对应的轮廓信息,并根据所述轮廓信息所在区域之间是否具有交集,对所述目标区域进行区域分割,得到分割后的多个子目标区域;
针对所述多个子目标区域,确定子目标区域分别对应的标准特征点,以及所述子目标区域中各像素点与所述标准特征点之间的第一距离;所述标准特征点对应的像素值与其对应背景像素的像素值之间的差值最大;
根据所述第一距离,计算各所述像素点所能产生的像素差,并根据各所述像素点对应的距离和像素差,拟合得到所述子目标区域对应的像素差趋势分布图;
根据所述像素差趋势分布图,确定所述子目标区域的集中度;
在所述集中度高于预设值的情况下,确定所述子目标区域中携带有无效特征。
在本申请的一种实现方式中,提取所述目标区域对应的轮廓信息,具体包括:
确定预设的检测窗口;所述检测窗口的宽度和长度相同;
将所述目标区域的角点作为标准位置,按照所述标准位置纵坐标递增的方向滑动所述检测窗口,遍历滑动后的各所述检测窗口中的像素点,以从各所述检测窗口中,确定灰度非零的像素点个数最多的目标检测窗口,并确定所述目标检测窗口的中心像素点为轮廓点;
将所述标准位置的横坐标依次进行递增,并重复上述过程,以生成相应的轮廓点序列;
对所述轮廓点序列进行滤波,并根据滤波后的所述轮廓点,拟合得到所述目标区域对应的轮廓信息。
在本申请的一种实现方式中,对所述目标区域进行区域重构,以从所述目标区域中剔除所述无效特征,得到最终的车辆目标,具体包括:
针对携带有无效特征的子目标区域,通过预设的图像梯度计算方法,计算所述子目标区域中各像素点的梯度值;
确定所述梯度值大于预设梯度的像素点集合,根据所述像素点集合,拟合生成所述子目标区域的目标覆盖层;
在所述子目标区域上叠加所述目标覆盖层以进行区域重构,并将重构后的子目标区域作为车辆目标所在区域。
在本申请的一种实现方式中,确定子目标区域分别对应的标准特征点,具体包括:
确定所述子目标区域的外接区域,所述外接区域能够覆盖所述子目标区域包含的全部像素点;
判断所述外接区域中的像素点是否属于所述子目标区域,若是,则判断结果记为1,若否,则判断结果记为0;
对所述外接区域中的像素点对应的判断结果进行求和,以得到所述子目标区域的面积;
根据所述子目标区域中的像素点的坐标值、所述面积,确定所述子目标区域对应的标准特征点的坐标。
在本申请的一种实现方式中,根据所述像素差趋势分布图,确定所述子目标区域的集中度,具体包括:
确定所述像素差趋势分布图的中心点,所述中心点的横坐标和纵坐标为各所述像素点横坐标和纵坐标的平均值;
确定各所述像素点与所述中心点之间的距离均值,以及原点与所述中心点之间的第二距离;
根据所述距离均值和所述第二距离之间的比值,确定所述子目标区域的集中度。
在本申请的一种实现方式中,根据所述运动轨迹和多个所述时间间隔的总和,判断当前所述隧道内部是否存在拥堵,具体包括:
根据所述多帧图像对应的多个时间间隔的总和,以及预设的车辆饱和速度之间的乘积,确定车辆的预计行进距离;
将所述预计行进距离与所述运动轨迹的长度进行对比,若所述长度小于所述预计行进距离,则确定当前所述隧道内部存在拥堵。
本申请实施例提供了一种隧道内的图像采集设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
通过隧道内部设置的多个图像采集装置,按照预设的时间间隔采集隧道内部的多帧图像;
根据所述多帧图像包含的多个像素点分别对应的像素值,对所述多个像素点进行目标提取,以确定目标区域;
对所述目标区域进行区域分割,并对分割后得到的多个子目标区域进行特征识别,以确定所述多个子目标区域中是否携带有无效特征;所述无效特征表示所述目标区域中除车辆特征之外的其他特征;
在所述多个子目标区域中存在所述无效特征的情况下,对所述目标区域进行区域重构,以从所述目标区域中剔除所述无效特征,得到最终的车辆目标;
根据不同帧图像下的车辆目标,确定对应车辆的运动轨迹,并根据所述运动轨迹和多个所述时间间隔的总和,判断当前所述隧道内部是否存在拥堵,以对即将进入所述隧道内部的车辆进行预警。
本申请实施例提供了一种非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
通过隧道内部设置的多个图像采集装置,按照预设的时间间隔采集隧道内部的多帧图像;
根据所述多帧图像包含的多个像素点分别对应的像素值,对所述多个像素点进行目标提取,以确定目标区域;
对所述目标区域进行区域分割,并对分割后得到的多个子目标区域进行特征识别,以确定所述多个子目标区域中是否携带有无效特征;所述无效特征表示所述目标区域中除车辆特征之外的其他特征;
在所述多个子目标区域中存在所述无效特征的情况下,对所述目标区域进行区域重构,以从所述目标区域中剔除所述无效特征,得到最终的车辆目标;
根据不同帧图像下的车辆目标,确定对应车辆的运动轨迹,并根据所述运动轨迹和多个所述时间间隔的总和,判断当前所述隧道内部是否存在拥堵,以对即将进入所述隧道内部的车辆进行预警。
通过本申请提出的一种隧道内的图像采集方法能够带来如下有益效果:
从采集的隧道内部图像中,提取出车辆所在的目标区域,通过对目标区域进行特征识别,以去除目标区域中携带的无效特征,从而根据得到的车辆目标得到车辆轨迹,进而判断出隧道内部是否存在拥堵,该过程不再需要人工介入,实现了隧道运行状态的自动监测,并且,在提取到目标区域之后,对目标区域进行特征的再识别,能够有效去除外界环境对于隧道图像的影响,提高了检测准确度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种隧道内的图像采集方法的流程示意图;
图2为本申请实施例提供的一种像素差趋势分布图;
图3为本申请实施例提供的一种隧道内的图像采集设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
如图1所示,本申请实施例提供的一种隧道内的图像采集方法,包括:
S101:通过隧道内部设置的多个图像采集装置,按照预设的时间间隔采集隧道内部的多帧图像。
隧道顶部按照预设间隔设置有多个图像采集装置,在隧道的日常使用过程中,图像采集装置可采集连续的多帧图像,并将采集到的多帧图像发送至监控平台,通过监控平台对采集到图像进行进一步的分析处理,以判断当前隧道内部是否存在拥堵。
S102:根据多帧图像包含的多个像素点分别对应的像素值,对多个像素点进行目标提取,以确定目标区域。
图像是由若干像素点构成的,每一像素点都具有其对应的像素值。在获取到连续多帧图像后,由于相邻帧的背景像素值相似度较高,而运动目标所在区域具有较为明显的差别,因此,可通过对相邻帧图像作差的方法,提取运动目标所在的目标区域。
具体地,在采集到多帧图像后,监控平台可针对多帧图像中任意相邻两帧的第一图像,对第一图像进行灰度,得到灰度后的第二图像。然后对第一图像和第二图像中相同像素点对应的像素值进行作差,并对作差后的结果取绝对值,得到像素点之间的像素差值。在得到像素差值之后,根据像素差值与第一预设阈值之间的大小关系,确定像素点的像素点类型。需要说明的是,像素点类型包括前景像素点和背景像素点,第一预设阈值为图像中前景像素点和背景像素点的像素值临界点,若像素差值小于第一预设阈值,则像素点为背景像素点,若像素差值大于第二预设阈值,则像素点为前景像素点,该第一预设阈值与隧道内的光照强度成正比。最后,遍历第二图像,对前景像素点进行目标提取,从而得到目标区域。
S103:对目标区域进行区域分割,并对分割后得到的多个子目标区域进行特征识别,以确定多个子目标区域中是否携带有无效特征;无效特征表示目标区域中除车辆特征之外的其他特征。
由于隧道内部设置有多个照明装置,且车辆在隧道前进过程中也会打开车灯,其所产生的光照均可以对采集的图像产生影响,因此,通过S102得到的目标区域中通常情况下既携带有车辆特征,也携带有部分无效特征,比如光照等。因此,在对图像进行分析识别时,需检测图像中是否携带有除车辆特征之外的无效特征,并且,在进行上述过程时,可将目标区域分割为多个子目标区域分别进行特征识别,以提高准确度。
具体地,提取目标区域对应的轮廓信息,并根据轮廓信息所在区域之间是否具有交集,对目标区域进行区域分割,若存在交集,则将具备交集的轮廓连接起来作为一个子目标区域,至此,便能够得到分割后的多个子目标区域。
在一个实施例中,提取目标区域的轮廓信息,可通过以下步骤实现:首先,确定预设的检测窗口,该检测窗口以像素点个数作为长宽的度量单位,长度和宽度均相同,通常情况下,为降低轮廓提取的难度,检测窗口的尺寸数据可设为奇数,比如,9x9,需要说明的是,检测窗口的长度和宽度均可根据实际的应用需求设置,本申请对此并不进行限制。之后,以目标区域的任意一个角点作为标准位置设置一检测窗口,从标准位置起,保持横坐标不变,按照标准位置纵坐标递增的方向依次滑动检测窗口,每滑动一次,便确定一次当前检测窗口内灰度非零的像素点个数Ni,直至检测窗口超出目标区域时停止。此时,从上述i个检测窗口中,确定灰度非零的像素点个数最多的窗口为目标检测窗口,并将该目标检测窗口的中心像素点为轮廓点。然后,将标准位置的横坐标依次进行递增,每递增一次,便重复一次上述按照纵坐标递增方向滑动检测窗口的过程,并得到相应的轮廓点,直至检测窗口超出目标区域时停止,这样便生成了由若干轮廓点组成的轮廓点序列。需要说明的是,检测窗口以一个像素点为单位间隔进行滑动。在得到轮廓点序列之后,对轮廓点序列进行滤波,以剔除掉轮廓点序列中较为分散的轮廓点,在对轮廓点序列完成滤波后,依次连接轮廓点,便可拟合得到目标区域对应的轮廓信息。上述提取轮廓的方式能够在隧道存在较强光照干扰时,保证轮廓的完整性,避免因无效特征的影响使得提取到的轮廓产生缺损。
进一步地,在分割出多个子目标区域之后,可通过各子目标区域像素点的像素值判断是否携带有无效特征。具体地,分别确定各子目标区域中的标准特征点,该标准特征点对应的像素值与其对应背景像素的像素值之间的差值最大,也就是光强最大的像素点。在得到标准特征点之后,计算子目标区域中各像素点与标准特征点之间的第一距离。确定距离该子目标区域最近的光源能够产生的像素差值以及子目标区域与光源之间的垂直距离,该垂直区域对于某一子目标区域来说为固定值,进而根据第一距离、垂直距离和光源能够产生的像素差值,确定子目标区域中各像素点所能产生的像素差。这样对于每个像素点来说,便得到了该像素点与标准特征点之间的距离及其所能产生的像素差之间的关系,根据上述关系,可拟合得到子目标区域对应的像素差趋势分布图,如图2所示的一种像素差趋势分布图,横坐标表示像素点与标准特征点之间的距离,纵坐标表示像素点所能产生的像素差,其中,距离与像素差呈反比,随着距离的不断增大,像素差逐渐降低。
在一个实施例中,对于子目标区域来说,其像素差呈中心向四周下降的趋势,因此,标准特征点作为像素差最大的像素点,通常情况下可通过求取子目标区域的中心点来得到。
确定子目标区域的标准特征点,可通过以下步骤实现:针对任意一个子目标区域,确定其对应的外接区域,该外接区域能够覆盖子目标区域包含的全部像素点,可以为圆形区域、矩形区域等。在确定出外接区域之后,针对外接区域中包含的全部像素点,依次确定其是否属于子目标区域,如果属于,那么该像素点对应的判断结果记为1,如果不属于,那么该像素点的判断结果记为0。对外接区域中的像素点对应的判断结果进行求和,便得到可该子目标区域的面积。具体可通过以下公式实现:
其中,Sj表示第j个子目标区域的面积,z(.)在像素点属于子目标区域时取1,在像素点不属于子目标区域时取0。
在得到子目标区域的面积之后,根据子目标区域中的像素点的坐标值、面积,确定子目标区域对应的标准特征点的坐标(mj,nj),可通过以下公式实现:
其中,x和y为像素点的坐标。
进一步地,在拟合得到像素差趋势分布图之后,根据该分布图,能够确定子目标区域的集中度,集中度用于表示像素点所能产生的像素差与距离之间的相关性,集中度越高,分布图中的各像素点分布则更为集中。在集中度高于预设值时,则说明各像素点的像素差与距离之间的相关性较高,符合光照变化规律,此时,可确定子目标区域携带有诸如光照的无效特征。
需要说明的是,在确定像素差趋势分布图的集中度时,可将其等效为计算像素点的延伸半径,延伸半径越大,集中度越小。如图2所示,确定像素差趋势分布图的中心点P,中心点P的横坐标和纵坐标为各像素点横坐标和纵坐标的平均值。在确定出中心点P之后,确定各像素点与中心点P之间的距离的平均值,以及原点与中心点P之间的第二距离OP。根据距离均值和第二距离OP之间的比值,可得到像素点的延伸半径PM,延伸半径越小,则说明像素点更为集中,其集中度越大。
S104:在多个子目标区域中存在无效特征的情况下,对目标区域进行区域重构,以从目标区域中剔除无效特征,得到最终的车辆目标。
在识别出子目标区域中存在无效特征的情况下,可通过预设的图像梯度计算方法,计算出各子目标区域中像素点的梯度值,梯度值用于表示像素点在梯度方向上像素值的变化率,梯度值越大,则说明像素点与其邻域像素点之间的差值越大。将像素点中梯度值大于预设梯度的像素点作为像素点集合,根据该像素点集合,可拟合得到子目标区域的目标覆盖层,可以理解的是,不携带有无效特征的像素点梯度值存在波动,而携带有无效特征的像素点由于光照是恒定的,梯度值趋于0。因此,上述得到的目标覆盖层为不携带有无效特征的区域,在子目标区域上叠加该目标覆盖层以进行区域重构,重构后的子目标区域便为剔除了无效特征的区域,也就是实际的车辆目标。
S105:根据不同帧图像下的车辆目标,确定对应车辆的运动轨迹,并根据运动轨迹和多个时间间隔的总和,判断当前隧道内部是否存在拥堵,以对即将进入隧道内部的车辆进行预警。
在识别出各帧图像中的车辆目标后,根据连续帧的图像,可得到该车辆目标对应的运动轨迹。运动轨迹的长度为车辆实际行进距离,将该实际车辆行进距离与预计行进距离进行对比,便可确定出当前隧道内部是否存在拥堵。
预计行进距离为车辆在饱和速度下对应的行进距离,饱和速度是车辆行进速度的临界值,一旦低于该饱和速度,便说明当前车辆数已经超出道路的通行能力范围内,可能发生拥堵。根据多帧图像对应的多个时间间隔的总和,以及预设的车辆饱和速度之间的乘积,便可得到车辆的预计行进距离。在得到预计行进距离之后,将该预计行进距离与运动轨迹的长度进行对比,若长度小于预计行进距离,则说明当前隧道内部存在拥堵。此时,监控平台可对即将进入隧道内部的车辆进行预警,以提示车辆绕行或减速慢行,提高隧道的出行效率和安全性。
以上为本申请提出的方法实施例。基于同样的思路,本申请的一些实施例还提供了上述方法对应的设备和非易失性计算机存储介质。
图3为本申请实施例提供的一种隧道内的图像采集设备的结构示意图。如图3所示,包括:
至少一个处理器;以及,
至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
通过隧道内部设置的多个图像采集装置,按照预设的时间间隔采集隧道内部的多帧图像;
根据所述多帧图像包含的多个像素点分别对应的像素值,对所述多个像素点进行目标提取,以确定目标区域;
对所述目标区域进行区域分割,并对分割后得到的多个子目标区域进行特征识别,以确定所述多个子目标区域中是否携带有无效特征;所述无效特征表示所述目标区域中除车辆特征之外的其他特征;
在所述多个子目标区域中存在所述无效特征的情况下,对所述目标区域进行区域重构,以从所述目标区域中剔除所述无效特征,得到最终的车辆目标;
根据不同帧图像下的车辆目标,确定对应车辆的运动轨迹,并根据所述运动轨迹和多个所述时间间隔的总和,判断当前所述隧道内部是否存在拥堵,以对即将进入所述隧道内部的车辆进行预警。
本申请实施例提供的一种非易失性计算机存储介质,存储有计算机可执行指令,计算机可执行指令设置为:
通过隧道内部设置的多个图像采集装置,按照预设的时间间隔采集隧道内部的多帧图像;
根据所述多帧图像包含的多个像素点分别对应的像素值,对所述多个像素点进行目标提取,以确定目标区域;
对所述目标区域进行区域分割,并对分割后得到的多个子目标区域进行特征识别,以确定所述多个子目标区域中是否携带有无效特征;所述无效特征表示所述目标区域中除车辆特征之外的其他特征;
在所述多个子目标区域中存在所述无效特征的情况下,对所述目标区域进行区域重构,以从所述目标区域中剔除所述无效特征,得到最终的车辆目标;
根据不同帧图像下的车辆目标,确定对应车辆的运动轨迹,并根据所述运动轨迹和多个所述时间间隔的总和,判断当前所述隧道内部是否存在拥堵,以对即将进入所述隧道内部的车辆进行预警。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种隧道内的图像采集方法,其特征在于,所述方法包括:
通过隧道内部设置的多个图像采集装置,按照预设的时间间隔采集隧道内部的多帧图像;
根据所述多帧图像包含的多个像素点分别对应的像素值,对所述多个像素点进行目标提取,以确定目标区域;
对所述目标区域进行区域分割,并对分割后得到的多个子目标区域进行特征识别,以确定所述多个子目标区域中是否携带有无效特征;所述无效特征表示所述目标区域中除车辆特征之外的其他特征;
在所述多个子目标区域中存在所述无效特征的情况下,对所述目标区域进行区域重构,以从所述目标区域中剔除所述无效特征,得到最终的车辆目标;
根据不同帧图像下的车辆目标,确定对应车辆的运动轨迹,并根据所述运动轨迹和多个所述时间间隔的总和,判断当前所述隧道内部是否存在拥堵,以对即将进入所述隧道内部的车辆进行预警。
2.根据权利要求1所述的一种隧道内的图像采集方法,其特征在于,根据所述多帧图像包含的多个像素点分别对应的像素值,对所述多个像素点进行目标提取,以得到目标区域,具体包括:
针对所述多帧图像中任意相邻两帧的第一图像,对所述第一图像进行灰度,得到灰度后的第二图像;
对所述第一图像和所述第二图像中相同像素点对应的像素值进行作差,并对作差后的结果取绝对值,得到所述像素点之间的像素差值;
根据所述像素差值与第一预设阈值之间的大小关系,确定所述像素点的像素点类型;所述像素点类型包括前景像素点和背景像素点;
遍历所述第二图像,对所述前景像素点进行目标提取,以得到目标区域。
3.根据权利要求1所述的一种隧道内的图像采集方法,其特征在于,对所述目标区域进行区域分割,并对分割后得到的多个子目标区域进行特征识别,以确定所述多个子目标区域中是否携带有无效特征,具体包括:
提取所述目标区域对应的轮廓信息,并根据所述轮廓信息所在区域之间是否具有交集,对所述目标区域进行区域分割,得到分割后的多个子目标区域;
针对所述多个子目标区域,确定子目标区域分别对应的标准特征点,以及所述子目标区域中各像素点与所述标准特征点之间的第一距离;所述标准特征点对应的像素值与其对应背景像素的像素值之间的差值最大;
根据所述第一距离,计算各所述像素点所能产生的像素差,并根据各所述像素点对应的距离和像素差,拟合得到所述子目标区域对应的像素差趋势分布图;
根据所述像素差趋势分布图,确定所述子目标区域的集中度;
在所述集中度高于预设值的情况下,确定所述子目标区域中携带有无效特征。
4.根据权利要求3所述的一种隧道内的图像采集方法,其特征在于,提取所述目标区域对应的轮廓信息,具体包括:
确定预设的检测窗口;所述检测窗口的宽度和长度相同;
将所述目标区域的角点作为标准位置,按照所述标准位置纵坐标递增的方向滑动所述检测窗口,遍历滑动后的各所述检测窗口中的像素点,以从各所述检测窗口中,确定灰度非零的像素点个数最多的目标检测窗口,并确定所述目标检测窗口的中心像素点为轮廓点;
将所述标准位置的横坐标依次进行递增,并重复上述过程,以生成相应的轮廓点序列;
对所述轮廓点序列进行滤波,并根据滤波后的所述轮廓点,拟合得到所述目标区域对应的轮廓信息。
5.根据权利要求1所述的一种隧道内的图像采集方法,其特征在于,对所述目标区域进行区域重构,以从所述目标区域中剔除所述无效特征,得到最终的车辆目标,具体包括:
针对携带有无效特征的子目标区域,通过预设的图像梯度计算方法,计算所述子目标区域中各像素点的梯度值;
确定所述梯度值大于预设梯度的像素点集合,根据所述像素点集合,拟合生成所述子目标区域的目标覆盖层;
在所述子目标区域上叠加所述目标覆盖层以进行区域重构,并将重构后的子目标区域作为车辆目标所在区域。
6.根据权利要求3所述的一种隧道内的图像采集方法,其特征在于,确定子目标区域分别对应的标准特征点,具体包括:
确定所述子目标区域的外接区域,所述外接区域能够覆盖所述子目标区域包含的全部像素点;
判断所述外接区域中的像素点是否属于所述子目标区域,若是,则判断结果记为1,若否,则判断结果记为0;
对所述外接区域中的像素点对应的判断结果进行求和,以得到所述子目标区域的面积;
根据所述子目标区域中的像素点的坐标值、所述面积,确定所述子目标区域对应的标准特征点的坐标。
7.根据权利要求3所述的一种隧道内的图像采集方法,其特征在于,根据所述像素差趋势分布图,确定所述子目标区域的集中度,具体包括:
确定所述像素差趋势分布图的中心点,所述中心点的横坐标和纵坐标为各所述像素点横坐标和纵坐标的平均值;
确定各所述像素点与所述中心点之间的距离均值,以及原点与所述中心点之间的第二距离;
根据所述距离均值和所述第二距离之间的比值,确定所述子目标区域的集中度。
8.根据权利要求1所述的一种隧道内的图像采集方法,其特征在于,根据所述运动轨迹和多个所述时间间隔的总和,判断当前所述隧道内部是否存在拥堵,具体包括:
根据所述多帧图像对应的多个时间间隔的总和,以及预设的车辆饱和速度之间的乘积,确定车辆的预计行进距离;
将所述预计行进距离与所述运动轨迹的长度进行对比,若所述长度小于所述预计行进距离,则确定当前所述隧道内部存在拥堵。
9.一种隧道内的图像采集设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
通过隧道内部设置的多个图像采集装置,按照预设的时间间隔采集隧道内部的多帧图像;
根据所述多帧图像包含的多个像素点分别对应的像素值,对所述多个像素点进行目标提取,以确定目标区域;
对所述目标区域进行区域分割,并对分割后得到的多个子目标区域进行特征识别,以确定所述多个子目标区域中是否携带有无效特征;所述无效特征表示所述目标区域中除车辆特征之外的其他特征;
在所述多个子目标区域中存在所述无效特征的情况下,对所述目标区域进行区域重构,以从所述目标区域中剔除所述无效特征,得到最终的车辆目标;
根据不同帧图像下的车辆目标,确定对应车辆的运动轨迹,并根据所述运动轨迹和多个所述时间间隔的总和,判断当前所述隧道内部是否存在拥堵,以对即将进入所述隧道内部的车辆进行预警。
10.一种非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
通过隧道内部设置的多个图像采集装置,按照预设的时间间隔采集隧道内部的多帧图像;
根据所述多帧图像包含的多个像素点分别对应的像素值,对所述多个像素点进行目标提取,以确定目标区域;
对所述目标区域进行区域分割,并对分割后得到的多个子目标区域进行特征识别,以确定所述多个子目标区域中是否携带有无效特征;所述无效特征表示所述目标区域中除车辆特征之外的其他特征;
在所述多个子目标区域中存在所述无效特征的情况下,对所述目标区域进行区域重构,以从所述目标区域中剔除所述无效特征,得到最终的车辆目标;
根据不同帧图像下的车辆目标,确定对应车辆的运动轨迹,并根据所述运动轨迹和多个所述时间间隔的总和,判断当前所述隧道内部是否存在拥堵,以对即将进入所述隧道内部的车辆进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210801486.3A CN115311631A (zh) | 2022-07-08 | 2022-07-08 | 一种隧道内的图像采集方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210801486.3A CN115311631A (zh) | 2022-07-08 | 2022-07-08 | 一种隧道内的图像采集方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115311631A true CN115311631A (zh) | 2022-11-08 |
Family
ID=83857187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210801486.3A Pending CN115311631A (zh) | 2022-07-08 | 2022-07-08 | 一种隧道内的图像采集方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115311631A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030633A (zh) * | 2023-02-21 | 2023-04-28 | 天津汉云工业互联网有限公司 | 一种车辆隧道预警方法和装置 |
CN116679319A (zh) * | 2023-07-28 | 2023-09-01 | 深圳市镭神智能系统有限公司 | 多传感器联合的隧道预警方法,系统,装置和存储介质 |
-
2022
- 2022-07-08 CN CN202210801486.3A patent/CN115311631A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030633A (zh) * | 2023-02-21 | 2023-04-28 | 天津汉云工业互联网有限公司 | 一种车辆隧道预警方法和装置 |
CN116030633B (zh) * | 2023-02-21 | 2023-06-02 | 天津汉云工业互联网有限公司 | 一种车辆隧道预警方法和装置 |
CN116679319A (zh) * | 2023-07-28 | 2023-09-01 | 深圳市镭神智能系统有限公司 | 多传感器联合的隧道预警方法,系统,装置和存储介质 |
CN116679319B (zh) * | 2023-07-28 | 2023-11-10 | 深圳市镭神智能系统有限公司 | 多传感器联合的隧道预警方法,系统,装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115311631A (zh) | 一种隧道内的图像采集方法、设备及介质 | |
CN108021856B (zh) | 车辆尾灯识别方法、装置及车辆 | |
CN111507971A (zh) | 一种隧道表面缺陷检测方法 | |
CN107273802A (zh) | 一种铁路列车闸瓦钎环故障的检测方法及装置 | |
CN103914701A (zh) | 一种基于图像的夜间车辆检测方法 | |
CN103886609B (zh) | 基于粒子滤波和lbp特征的车辆跟踪方法 | |
CN103077387A (zh) | 视频中货运列车车厢自动检测方法 | |
CN111724607B (zh) | 转向灯使用检测方法、装置、计算机设备和存储介质 | |
CN109583393A (zh) | 一种车道线端点识别方法及装置、设备、介质 | |
CN112289021A (zh) | 一种交通信号灯的检测方法、装置及自动驾驶汽车 | |
Yuliandoko et al. | Automatic vehicle counting using Raspberry pi and background subtractions method in the sidoarjo toll road | |
Kulambayev et al. | A deep learning-based approach for road surface damage detection | |
Dragaš et al. | Development and Implementation of Lane Departure Warning System on ADAS Alpha Board | |
WO2019039157A1 (ja) | 車両周辺の小物体領域を識別する装置及び方法 | |
CN112215109B (zh) | 基于场景分析的车辆检测方法及系统 | |
CN116805400A (zh) | 人行横道区域的识别方法、装置及电子设备 | |
Wibowo et al. | Implementation of Background Subtraction for Counting Vehicle Using Mixture of Gaussians with ROI Optimization | |
CN103236157A (zh) | 一种基于图像块的状态演变过程分析的停车事件检测方法 | |
CN112489466A (zh) | 交通信号灯识别方法和装置 | |
CN113989731A (zh) | 一种信息的检测方法、计算设备及存储介质 | |
CN118411829B (zh) | 一种斑马线行人安全预警方法及装置 | |
CN115541591B (zh) | 列车受电弓碳滑板磨耗边缘检测方法及系统 | |
CN112446293B (zh) | 一种公路路面车辙污染事件视频检测方法 | |
CN111242054B (zh) | 一种检测器的捕获率的检测方法及装置 | |
Nakayama et al. | Robust vehicle detection under poor environmental conditions for rear and side surveillance |
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 |