CN101968924A - 基于高分辨率图像的车流量实时检测方法 - Google Patents

Abstract

一种基于高分辨率图像的车流量实时检测方法，用于城市道路车流量检测。该检测方法是在实时采集的高分辨率图像的基础上进行如下步骤：步骤1，设定感兴趣区域；步骤2，通过背景差分，提取感兴趣区域背景，对其进行灰度化处理，然后进行二值化处理；步骤3，沿交通流方向对处理后的感兴趣区域进行横向扫描，将其亮度值横向求和，并依次存储；步骤4，对当前帧图像进行如上步骤1、步骤2、步骤3处理，提取当前帧亮度曲线；步骤5，当前帧提取的亮度曲线值和背景亮度曲线值对应做差值，并求和；步骤6，将第五步的结果与阈值比较，判断出有车或无车。本发明能够使城市道路交通流的识别更为合理和准确。

Description

基于高分辨率图像的车流量实时检测方法

技术领域

本发明涉及一种车流量实时检测方法，特别是涉及一种基于高分辨率图像的车流量实时检测方法，用于城市道路交通流参数的检测。

背景技术

随着国民经济的发展，人民生活水平的提高，汽车保有量的迅速增加，怎样安全有效的管理交通，已成为一个刻不容缓的问题。要解决这一问题需要建立完备的智能交通***，其中车流量检测是智能交通***的关键所在，为其提供详备的交通信息。

作为智能交通的数据来源，车流量检测***有着不可代替的地位。目前，基于视频的车流量检测已成为最有前途的一种方法。

常用的基于视频的车辆检测方法主要有：灰度法、背景差法、相邻帧差法、边缘检测法。灰度法采用背景和车辆的灰度统计值经过阈值的控制来检测车辆，但它对环境光线的变化十分敏感。帧差法是将相临两帧对应像素点相减，对保留的运动车辆信息进行检测，但对于车辆速度过慢或过大的车辆，不能有效检测。边缘检测法能够在不同的光线条件下检测到车辆的边缘，但在道路边缘明显或路面标志存在，或者车辆边缘不明显的情况下，该方法可能造成漏检、误检。背景差法计算当前输入帧与背景的差值，但需要有可靠的背景。

上述方法只适用于处理像素点少、分辨率低的图像，但对于高分辨率的图像，如2592*1936或更大的图像，则无法实现处理。很少见文献报道高分辨率图像车流量检测技术。

发明内容

为了解决本领域中存在的上述问题，发明人经过研究做出了本发明。根据本发明的一个方面，提供一种基于高分辨率图像的车流量实时检测方法，是对每一帧高分辨率图像进行如下步骤：

步骤1：根据感兴趣区域设定原则，设定感兴趣区域；

步骤2：通过背景差分，提取感兴趣区域背景，对其进行灰度化处理，然后进行二值化处理，并辅以适当的膨胀腐蚀，去除不必要的噪声点，获取较为清晰的车辆轮廓；

步骤3：沿交通流方向对处理后的感兴趣区域进行横向扫描，将其亮度值横向求和，并依次存储，如将其依次绘制出来便可形成背景亮度曲线，每一帧都对其背景亮度曲线进行实时更新；

步骤4：对当前帧图像进行如上步骤1、步骤2、步骤3处理，提取当前帧亮度曲线；

步骤5：当前帧提取的亮度曲线值和背景亮度曲线值对应做差值，并求和；

步骤6：步骤5的结果与阈值比较，大于阈值T2，判断为有车，小于阈值T3，判断为无车；从有车到无车，计数器加1。

其中步骤1中，根据感兴趣区域设定原则，设定感兴趣区域；由于输入图像分辨率极高，对其整个进行处理，将耗费大量时间。故而选取感兴趣区域，进对感兴趣区域中的图像进行处理，可大量减少处理时间。感兴趣区域的选取遵循以下一些原则：

1.在高速公路上，按车辆行驶的每个车道设置虚拟窗口。依靠车辆之间的间距适当调整，使车辆一一分开，不要存在同时识别多个车辆的情况。

2.设置位置的选取应充分考虑到摄像机安装高度和倾角的影响。

3.虚拟窗口设置在图像中部位置，窗口宽度以容纳一辆小型车辆为准。

具体设定过程如下：

将感兴趣区域设置在车道的中间，宽度以一个车道为准，高度控制在小型车辆的首尾长度之内。考虑到一般超车是要从另一个车道进行超车的，不存在两辆车并排挤在同一个感兴趣区域的现象，因此存在下列四种情况。

(1)感兴趣区域内从无车到无车，表示没车通过；

(2)感兴趣区域内从无车到有车，表示有车驶入检测区；

(3)感兴趣区域内从有车到有车，表示本辆车还没驶出检测区；

(4)感兴趣区域内从有车到无车，表示车辆驶出检测区。

步骤2中，通过背景差分，提取感兴趣区域背景，对其进行灰度化处理，然后进行二值化处理，并辅以适当的膨胀腐蚀，去除不必要的噪声点，获取较为清晰的车辆轮廓；具体如下：

(1)设定D_ij为为感兴趣区域中背景的第(i，j)位置的象素值，对其进行灰度化处理，即取红，绿，蓝亮度的平均值。然后进行二值化处理，即

式中，T1为一个适合的阈值，H_ij＝255表明此象素点为白点，H_ij＝0表明此象素点为黑点。

(2)二值化后，在膨胀和腐蚀基本操作的基础上，完成一些高级的形态变换(闭运算和开运算)，去除不必要的噪声点，获取较为清晰的车辆轮廓。

步骤3沿交通流方向对处理后的感兴趣区域进行横向扫描，将其亮度值横向求和，并依次存储，如将其依次绘制出来便可形成背景亮度曲线，每一帧都对其背景亮度曲线进行实时更新；具体步骤如下：

(1)沿交通流方向，假定Wd为感兴趣区域的宽度，Ht为感兴趣区域的高度，

For j＝0，1，2......Ht

{

BackgroundImagedata[j]＝0；

For i＝0，1，2......Wd

{

BackgroundImagedata[j]+＝H_ij；

}

}

(2)

For j＝0，1，2......Ht

{

a[j]＝α×a[j]+β×BackgroundImagedata[j]；

}

式中，α+β＝1，这里α＝0.9，β＝0.1；a[j]的初始值为0；其初始化如下：

For j＝0，1，2......Ht

{

a[j]＝0；

}

(3)每一帧都执行以上1～3步骤，即可完成背景亮度曲线值的更新。此更新可根据实际情况选取，可以每一帧更新一次，也可以固定帧完成更新。

步骤4对当前帧图像进行如上步骤1、步骤2、步骤3处理，提取当前帧亮度曲线；具体如下：

设定C_ij为感兴趣区域中当前输入帧的第(i，j)位置的象素点，对其进行如上(1)(2)(3)步骤的相同处理，得到当前帧沿交通流方向的横向扫描和值，并且依次存入currentImagedata[Ht]中。

步骤5当前帧提取的亮度曲线值和背景亮度曲线值对应做差值，并求和；具体如下：

执行for j＝0，1，2......Ht

{

  Flag+＝currentImagedata[j]-BackgroundImagedata[j]；

}

步骤6步骤5的结果与阈值比较，大于阈值T2，判断为有车，小于阈值T3，判断为无车；从有车到无车，计数器加1.具体如下：

判断flag值来确定车辆存在与否TE

$\mathrm{TE}=\left\{\begin{array}{c}1,\mathrm{flag}>T2\\ 0,\mathrm{flag}<T3\end{array}\right.$

式中，T2为一个合适的阈值，flag＞T2表示感兴趣区域中有运动目标存在，flag＜T3表示感兴趣区域中无运动目标存在，TE由1变0表示有一辆车通过，车流量加1。

本发明的有益效果是，能够准确进行周期性流量统计和分析，获取城市道路交通流的运行状态，可使驾驶员了解相关道路当前的交通信息，为驾驶员选择合适的路径提供有益的帮助，从而使城市交通减少拥阻，提高城市交通***的运转效率。

附图说明

图1是基于高分辨率图像的车流量实时检测流程图；

图2是车流量检测高清图像；

图3(a)是图像处理后的背景图；

图3(b)是图像处理后的当前帧图。

具体实施方式

为了使本领域普通技术人员对本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合附图，进一步阐述本发明。

以北京市大屯北路和北辰西路为例，在某一采样时刻所采集的交通流数据如下：平均速度分别取80km/h、100km/h、120km/h，按如下步骤计算交通状态：

步骤1：根据感兴趣区域设定原则，设定感兴趣区域；

所取像素高度一般为300个像素，实施取的高度是284个像素。宽度设为车道宽度，实施取的宽度是710个像素。设定了三个区域，依次覆盖每一个车道，如图2所示。

步骤2：通过背景差分，提取感兴趣区域背景，对其进行灰度化处理，然后进行二值化处理，并辅以适当的膨胀腐蚀，去除不必要的噪声点，获取较为清晰的车辆轮廓；处理后如图3(a)所示。

步骤3：沿交通流方向对处理后的感兴趣区域进行横向扫描，将其亮度值横向求和，并依次存储，如将其依次绘制出来便可形成背景亮度曲线，每一帧都对其背景亮度曲线进行实时更新；

步骤4：对当前帧图像进行如上步骤1、步骤2、步骤3处理，提取当前帧亮度曲线；当前帧图像处理后的结果如图3(b)所示。

步骤5：当前帧提取的亮度曲线值和背景亮度曲线值对应做差值，并求和值为M；

步骤6：和值M和阈值比较，M大于T2，判断为有车，M小于T3，判断为无车。对应于三个车道阈值分别为：车道一M1＝211200；车道二M2＝224000；车道三M3＝161280。该算法的准确率达98％以上。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本领域普通技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种基于高分辨率图像的车流量实时检测方法，其特征在于：所述方法是对输入的每一帧高分辨率图像进行如下步骤：

步骤1：根据感兴趣区域设定原则，设定感兴趣区域；

步骤2：通过背景差分，提取感兴趣区域背景，对其进行灰度化处理，然后进行二值化处理，并辅以适当的膨胀腐蚀，去除不必要的噪声点，获取较为清晰的车辆轮廓；

步骤3：沿交通流方向对处理后的感兴趣区域进行横向扫描，将其亮度值横向求和，并依次存储，如将其依次绘制出来便可形成背景亮度曲线，每一帧都对其背景亮度曲线进行实时更新；

步骤4：对当前帧图像进行如上步骤1、步骤2、步骤3处理，提取当前帧亮度曲线；

步骤5：当前帧提取的亮度曲线值和背景亮度曲线值对应做差值，并求和；

步骤6：将步骤5的结果与阈值比较，大于阈值T2，判断为有车，小于阈值T3，判断为无车；从有车到无车，则计数器加1；

前述感兴趣区域设定原则为：

(1)在高速公路上，按车辆行驶的每个车道设置虚拟窗口，依靠车辆之间的间距适当调整，使车辆一一分开，不要存在同时识别多个车辆的情况；

(2)设置位置的选取应充分考虑到摄像机安装高度和倾角的影响；

(3)虚拟窗口设置在图像中部位置，窗口宽度以容纳一辆小型车辆为准。

2.如权利要求1的基于高分辨率图像的车流量实时检测方法，其特征在于：感兴趣区域的具体设定过程如下：

将感兴趣区域设置在车道的中间，宽度以一个车道为准，高度控制在小型车辆的首尾长度之内。

3.如权利要求1或2的基于高分辨率图像的车流量实时检测方法，其特征在于：

感兴趣区域存在下列四种情况：

(1)感兴趣区域内从无车到无车，表示没车通过；

(2)感兴趣区域内从无车到有车，表示有车驶入检测区；

(3)感兴趣区域内从有车到有车，表示本辆车还没驶出检测区；

(4)感兴趣区域内从有车到无车，表示车辆驶出检测区。

4.如权利要求1或2的基于高分辨率图像的车流量实时检测方法，其特征在于：

步骤2中，通过背景差分，提取感兴趣区域背景，对其进行灰度化处理，然后进行二值化处理，并辅以适当的膨胀腐蚀，去除不必要的噪声点，获取较为清晰的车辆轮廓；具体如下：

(1)设定Dij为为感兴趣区域中背景的第(i，j)位置的象素值，对其进行灰度化处理，即取红，绿，蓝亮度的平均值。然后进行二值化处理，即

式中，T1为一个适合的阈值，H_ij＝255表明此象素点为白点，H_ij＝0表明此象素点为黑点；

(2)二值化后，在膨胀和腐蚀基本操作的基础上，完成一些高级的形态变换(闭运算和开运算)，去除不必要的噪声点，获取较为清晰的车辆轮廓。

5.如权利要求1或2的基于高分辨率图像的车流量实时检测方法，其特征在于：

步骤3沿交通流方向对处理后的感兴趣区域进行横向扫描，将其亮度值横向求和，并依次存储，如将其依次绘制出来便可形成背景亮度曲线，每一帧都对其背景亮度曲线进行实时更新；具体步骤如下：

(1)沿交通流方向，假定Wd为感兴趣区域的宽度，Ht为感兴趣区域的高度，

For j＝0，1，2......Ht

{

BackgroundImagedata[j]＝0；

For i＝0，1，2......Wd

{

BackgroundImagedata[j]+＝H_ij；

}

}

(2)

For j＝0，1，2......Ht

{

a[j]＝α×a[j]+β×BackgroundImagedata[j]；

}

式中，α+β＝1，这里α＝0.9，β＝0.1；a[j]的初始值为0；其初始化如下：

For j＝0，1，2......Ht

{

a[j]＝0；

}

(3)每一帧都执行以上1～3步骤，即可完成背景亮度曲线值的更新，此更新可根据实际情况选取，可以每一帧更新一次，也可以固定帧完成更新。

6.如权利要求1或2的基于高分辨率图像的车流量实时检测方法，其特征在于：

步骤4对当前帧图像进行如上步骤1、步骤2、步骤3处理，提取当前帧亮度曲线；具体如下：

设定C_ij为感兴趣区域中当前输入帧的第(i，j)位置的象素点，对其进行如上1、2、3步骤的相同处理，得到当前帧沿交通流方向的横向扫描和值，并且依次存入currentImagedata[Ht]中。

7.如权利要求1或2的基于高分辨率图像的车流量实时检测方法，其特征在于：

步骤5当前帧提取的亮度曲线值和背景亮度曲线值对应做差值，并求和；

具体如下：

执行for j＝0，1，2......Ht

{

  Flag+＝currentImagedata[j]-BackgroundImagedata[j]；

}。

8.如权利要求1或2的基于高分辨率图像车流量实时检测方法，其特征在于：

步骤6中将步骤5的结果与阈值比较，大于阈值T2，判断为有车，小于阈值T3，判断为无车；从有车到无车，计数器加1；具体如下：

判断flag值来确定车辆存在与否TE

$\mathrm{TE}=\left\{\begin{array}{c}1,\mathrm{flag}>T2\\ 0,\mathrm{flag}<T3\end{array}\right.$

式中，T2为一个合适的阈值，flag＞T2表示感兴趣区域中有运动目标存在，flag＜T3表示感兴趣区域中无运动目标存在，TE由1变0表示有一辆车通过，车流量加1。

Images