CN103295403B - 一种交通流视觉检测方法 - Google Patents

Abstract

本发明公开了一种交通流视觉检测方法，由电子监控获取实时交通场景图像序列，交通场景天气状况环境由光照强度、温度、湿度传感器感知，相应进行光照、阴影预处理；利用交通规则对行车距离的约束，同时考虑车辆实际通行中由于超车、让车而偏离车道这一现像，在图像中设置双虚拟线于监控范围内所有车道的同一水平位置处，在双虚拟线检测区域，利用双模板匹配卷积快速检测定位车辆位置；并判别、识别车辆在水平、垂直方向间隔有无异常，利用车辆的水平、垂直位置信息加以约束，正确定位车辆目标位置，及对正常行驶车辆计数，统计交通流量，解决交通流量计数不准的问题；该方法具有较高的检测精度和良好的抗干扰性及实时性。

Description

一种交通流视觉检测方法

技术领域

本发明属于图像处理和模式识别领域，涉及一种交通流视觉检测方法。

背景技术

随着汽车保有量逐年大幅增加，交通拥堵成为我国城市面临的极其严重的“城市病”之一，缓减交通压力及改善交通管理、交通规划的关键是建立和完善智能交通***(ITS)。其中交通流量的检测估计为ITS提供决策基础数据，是智能交通***需要考虑的重要技术与信息之一。

目前常用的交通流量检测手段有声波识别检测，地感线圈检测，地磁线圈检测，视频识别检测方法。基于声波检测器的检测方法，经常会有较大的干扰，识别率比较低；借助地感线圈检测是国内主要采取的方法，地感线圈使用寿命低，一般一两年，需要反复维护，维护费用较高；地磁线圈检测，利用车辆通过时地球磁场的变化来检测，地磁线圈需安装在地面或检测吊架，很难分辨纵向间隔太小的车辆。交通流采用视觉方法检测识别是最有效、最有前景的方法，其主要有以下优点：(1)电子监控提供丰富的图像信息，能够准确、高效、可靠地完成道路交通的监视和控制；(2)用于交通监视和控制的电子视频监控在我国许多城市已经普遍安装。研究高效的交通流视觉检测方法具有重要的意义，有利于充分利用现有路网，有利于挖掘现有交通设施的潜力等来提高路网容量，使现有交通基础设施发挥最大作用。

目前的交通流视觉检测主要方法：(1)借助道路地面上的地感线圈，车辆通过时触发地感线圈，经电子监控成像记录、统计正常通行车辆及违章车辆；(2)检测***在视频图像中设置虚拟线圈或虚拟检测线，电子监控设备以固定的频率帧获取交通场景，经视觉算法检测、统计、计算交通车流量。显然设置虚拟线或线圈，应用灵活方便，自动化、智能化程度高。

但利用视觉检测方法分析统计交通流量难点在于：一，获取图像受天气环境影响非常大，导致车辆运动目标检测时会存在一个目标被检测为多个碎片，即出现“一对多”，多个车辆目标被检测为一个目标，即出现“多对一”，及假目标的现像；二、虚拟线圈范围小，不能充分利用图像信息检测车辆目标，出现误检，误判；三、目标连续出现在多帧图像的虚拟检测线范围中导致流量多计数、计数不准的问题。

发明内容

为了克服现有技术中的缺陷，解决上述技术问题，本发明提供一种交通流视觉检测方法，在监控视频图像中设置双虚拟检测线于监控范围内所有车道的同一水平位置处，利用双模板匹配卷积快速检测定位车辆位置，消除检测中的“一对多”“多对一”现像，减少误检，误判。利用交通规则对行车距离的约束，同时考虑车辆实际通行中由于超车、让车而偏离车道这一现像，判别、识别车辆在水平、垂直方向间隔有无异常，利用车辆的水平、垂直位置信息加以约束，正确定位车辆目标位置，及对正常行驶车辆计数，统计交通流量，解决流量计数不准的问题。其技术方案如下：

一种交通流视觉检测方法，包括以下步骤：

A检测：

只针对双虚拟线间的区域进行感知检测有无车辆目标出现，根据车辆的速度决定目标的检测方式，若速度大于阈值T_v，采用帧差法进行车辆目标的检测如下式(1)，速度小于阈值T_v，采用背景差减法如下式(2)

$D_i(x,y)=\left\{\begin{array}{cc}1,& |f_i(x,y)-f_{i-1}(x,y)|>T_{\mathrm{ff}}\\ 0& \mathrm{otherwise}\end{array}\right.---\left(1\right)$

$D_i(x,y)=\left\{\begin{array}{cc}1,& |f_i(x,y)-\mathrm{bg}(x,y)|>T_{\mathrm{bf}}\\ 0& \mathrm{otherwise}\end{array}\right.---\left(2\right)$

采用HSV彩色空间表示，可有效抵抗阴影的影响，其中f_i(x，y)是第i帧的像素(x，y)的HSV值，bg(x，y)是像素(x，y)的背景值，T_ff，T_bf分别是帧差法、背景差法的阈值，由经验值设定。

采用如下式(3)腐蚀、膨胀形态学滤波处理去掉目标外的干扰像素，以及目标区域内不连续的空洞，

D_i(x，y)＝((D_i(x，y)οb)·c·c)οb(3)

式中，腐蚀运算ο，其结构元素，长度为9，元素全为1的线结构b，

膨胀运算·，其结构元素，大小为5，元素全为1的圆盘结构c

B定位：

设计覆盖目标的模板M₁，模板M₁的大小：高度是两条虚拟线间隔，宽度是路面上通行的一条车道的宽度，模板元素全为1，将模板M₁与双虚拟线检测区域卷积如下式(4)

S＝D_i(x，y)*M₁(4)

其中“*”表示卷积运算，卷积结果S的极大值处为车辆目标的位置，由此定位并提取检测车辆目标，检测第i帧，卷积结果Sⁱ的第k个极大值记为Obj_k ⁱ＝{Obj_I_k ⁱ，Obj_S_k ⁱ}，k＝1，2，…，其中Obj_I_k ⁱ表示极大值的位置索引，描述第k个车辆目标出现的位置，Obj_S_k ⁱ表示极大值的大小，描述第k个车辆目标在监控视频帧中的面积；

C计数：

设计如下约束规则将第i帧的k个极大值Obj_k ⁱ＝{Obj_I_k ⁱ，Obj_S_k ⁱ}，k＝1，2，…中无效的极大值排除，则排除无效的车辆目标，准确统计第i帧通行车辆目标数目C_i；

I.Obj_S_k ⁱ＞T_s，若极大值Obj_S_k ⁱ大于阈值T_s，第k个极大值被判定为车辆目标，否则被认为碎片干扰、假目标，排除第k个极大值；

II.在目标位置处Obj_I_k ⁱ的空洞面积的大小不得超过阈值T_holes，如果超过阈值T_holes，说明由于两辆车进入待检区，则排除第k个极大值；

III.|Obj_I_k+1 ⁱ-Obj_I_k ⁱ|≥T_Hdistance，在同一水平位置线，左右两个车辆目标的距离需超过阈值T_Hdistance，否则排除第k个极大值；

IV.|Obj_I_l ^j-Obj_I_k ⁱ|＞T_Vdistance，l，k＝1，2，…，j＝i-1，i-2，相邻帧中前后车辆目标需大于阈值T_vdistance，若不满足此条件，判定为同一车辆出现于多帧，第k个极大值所表示的目标不得计数；

D流量及车速估计：

每秒的车流量的统计结果其中N为每分钟视觉检测处理的帧数，C_i是第i帧通行车辆目标的数目。

车速估计结果v＝2LF_s/n_s，其中L是双虚线间隔，F_s是监控***的帧频，n_s是目标经过的帧数。

上述规则中，各变量的上标i，j，表示检测帧号，下标k，l表示第i帧或j帧中的第k，l个目标。符号|·|表示取绝对值。

进一步优选，所述步骤B，采用模板卷积法检测目标，模板M₁完全覆盖目标，设计高度为通行的两辆车之间的间隔，宽度为所有车道宽度之和，元素全为1的模板M₂，检测目标中空洞面积大小如下

$S_{\mathrm{hole}}=D_i(x,y)\⊕M_2---\left(5\right)$

其中表示与或运算，检测第i帧，S_hole在位置Obj_I_k ⁱ处的值记为若空洞面积大于一定阈值，则判定为两个目标，否则判定为一个目标。

进一步优选，所述步骤C，利用交通规则对行车的距离的约束，设计判别车辆目标是否有效的约束规则。

进一步优选，所述各阈值的大小根据交通规则对通行车辆前后距离的约束，及安全距离的约束来确定。

本发明的有益效果：与现有技术相比，本发明的优点就在于：

1、提出一种基于视觉的交通流检测算法，设置双虚拟检测线，在双虚拟线区域内采用双模板及车辆目标有效的计数约束规则，对车辆目标检测、定位、判别、计数，进而计算车流量交通信息，具有较高的检测精度和良好的抗干扰性及实时性。

2、设置双虚拟线检测线，增大了感应面积，同时考虑了车辆通行中超车、让车的实际情况，减少车辆目标检测时的误检、误判现像。

3、在设置的双虚拟检测线感应面积区域，提出双模板检测、定位目标，克服了视觉检测算法中的“一对多，多对一”现像，提高车辆目标检测正确率。

4、提出车辆目标有效的计数约束规则，判别车辆目标与干扰信号假目标，及克服车辆目标的重复计数，有效检测车流量，提高交通流检测正确率。

附图说明

图1为本发明交通流视觉检测方法的流程示意图；

图2为双向车道车流量视觉检测图，其中图2(a)双虚拟线检测区及道路双黄线和边线，图2(b)基于模板匹配的车辆目标检测，图2(c)检测区内卷积结果S，S极大值定位车辆目标的位置。

具体实施方式

下面结合附图和具体实施方式对本发明的技术方案作进一步详细地说明。

参照图1，一种交通流视觉检测方法，包括以下步骤：

A检测：为了减小计算量，电子监控所获取的交通图像，只针对双虚拟线间的区域进行感知检测有无车辆目标出现，根据车辆的速度决定目标的检测方式，若速度大于阈值T_v，采用帧差法进行车辆目标的检测如下式(1)，速度小于阈值T_v，采用背景差减法如下式(2)

$D_i(x,y)=\left\{\begin{array}{cc}1,& |f_i(x,y)-f_{i-1}(x,y)|>T_{\mathrm{ff}}\\ 0& \mathrm{otherwise}\end{array}\right.---\left(1\right)$

$D_i(x,y)=\left\{\begin{array}{cc}1,& |f_i(x,y)-\mathrm{bg}(x,y)|>T_{\mathrm{bf}}\\ 0& \mathrm{otherwise}\end{array}\right.---\left(2\right)$

采用HSV彩色空间表示，可有效抵抗阴影的影响，其中f_i(x，y)是第i帧的像素(x，y)的HSV值，bg(x，y)是像素(x，y)的背景值，T_ff，T_bf分别是帧差法、背景差法的阈值，由经验值设定。

采用如下式(3)腐蚀、膨胀形态学滤波处理去掉目标外的干扰像素，以及目标区域内不连续的空洞，

D_i(x，y)＝((D_i(x，y)οb)·c·c)οb(3)

式中，腐蚀运算ο，其结构元素，长度为9，元素全为1的线结构b，

膨胀运算·，其结构元素，大小为5，元素全为1的圆盘结构c

B定位：采用双模板匹配法检测消除“一对多”、“多对一”现像，并准确定位车辆目标位置，设计覆盖目标的模板M₁，模板M₁的大小：高度是两条虚拟线间隔，宽度是路面上的一条车道的宽度，模板元素全为1，将模板M₁与双虚拟线检测区域卷积如下(4)

S＝D_i(x，y)*M₁(4)

其中“*”表示卷积运算，卷积结果S的极大值处为车辆目标的位置，由此定位并提取检测车辆目标。检测第i帧，卷积结果Sⁱ的第k个极大值记为Obj_k ⁱ＝{Obj_I_k ⁱ，Obj_S_k ⁱ}，k＝1，2，…，其中Obj_I_k ⁱ表示极大值的位置索引，描述第k个车辆目标出现的位置，Obj_S_k ⁱ表示极大值的大小，描述第k个车辆目标在监控视频帧中的面积。

在检测过程中常常出现一个目标被检测为多个碎片，或多个目标被合并为一个目标，即出现“一对多，多对一”现象。因采用模板卷积法检测目标，模板M₁完全覆盖目标，可消除“一对多”现像，为了消除“多对一”现象，设计高度为通行的两辆车之间的间隔，宽度为所有车道宽度之和，元素全为1的模板M₂，检测目标中空洞面积大小如下

$S_{\mathrm{hole}}=D_i(x,y)\⊕M_2---\left(5\right)$

其中表示与或运算，检测第i帧，S_hole在位置Obj_I_k ⁱ处的值记为若空洞面积大于一定阈值，则判定为两个目标，否则判定为一个目标；

C计数：

利用交通规则对行车的距离的约束，设计判别车辆目标是否有效的约束规则，正确统计正常通行的车辆，减小误检，误判，解决流量计数不准的问题。

在双虚拟线检测区域内，通过模板卷积的极大值来检测、定位车辆目标，并非所有的极大值处都存在目标。设计如下约束规则将第i帧的k个极大值Obj_k ⁱ＝{Obj_I_k ⁱ，Obj_S_k ⁱ}，k＝1，2，…中无效的极大值排除，则排除无效的车辆目标，准确统计第i帧通行车辆目标数目C_i；

I.Obj_S_k ⁱ＞T_s，若极大值Obj_S_k ⁱ大于阈值T_s，第k个极大值被判定为车辆目标，否则被认为碎片干扰、假目标，排除第k个极大值；

II.在目标位置处Obj_I_k ⁱ的空洞面积的大小不得超过阈值T_holes，如果超过阈值T_holes，说明由于两辆车进入待检区，则排除第k个极大值，消除视觉检测中“多对一”现象；

III.|Obj_I_k+1 ⁱ-Obj_I_k ⁱ|＞T_Hdistance，在同一水平位置线，左右两个车辆目标的距离需超过阈值T_Hdistance，否则排除第k个极大值；

IV.|Obj_I_l ^j-Obj_I_k ⁱ|＞T_Vdistance，l，k＝1，2，…，j＝i-1，i-2，相邻帧中前后车辆目标需大于阈值T_vdistance，若不满足此条件，判定为同一车辆出现于多帧，第k个极大值所表示的目标不得计数，消除重复计数；

D流量及车速估计：

每秒的车流量的统计结果其中N为每分钟视觉检测处理的帧数，C_i是第i帧通行车辆目标的数目。

车速估计结果v＝2LF_s/n_s，其中L是双虚线间隔，F_s是监控***的帧频，n_s是目标经过的帧数。

上述规则中，各变量的上标i，j，表示检测帧号，下标k，l表示第i帧或j帧中的第k，l个目标。符号|·|表示取绝对值。各阈值的大小根据交通规则对通行车辆前后距离的约束，及安全距离的约束来确定。

以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。

Claims (4)

1.一种交通流视觉检测方法，其特征在于，包括以下步骤：

A检测：

只针对双虚拟线间的区域进行感知，检测有无车辆目标出现，根据车辆的速度决定目标的检测方式，若速度大于阈值T_v，采用帧差法进行车辆目标的检测如下式(1)，速度小于阈值T_v，采用背景差减法如下式(2)

采用HSV彩色表示，可有效抵抗阴影的影响，其中f_i(x，y)是第i帧的像素(x，y)的HSV值，bg(x，y)是像素(x，y)的背景值，T_ff，T_bf分别是帧差法、背景差法的阈值，由经验值设定，

采用如下式(3)腐蚀、膨胀形态学滤波处理去掉目标外的干扰像素，以及目标区域内不连续的空洞，

D_i(x，y)＝((D_i(x，y)оb)·c·c)оb(3)

式中，腐蚀运算о，其结构元素：长度为9，元素全为1的线结构b，

膨胀运算·，其结构元素：大小为5，元素全为1的圆盘结构c；

B定位：

设计覆盖目标的模板M₁，模板M₁的大小：高度是两条虚拟线间隔，宽度是路面上通行的一条车道的宽度，模板元素全为1，将模板M₁与双虚拟线检测区域卷积如下式(4)

S＝D_i(x，y)*M₁(4)

其中“*”表示卷积运算，卷积结果S的极大值处为车辆目标的位置，由此定位并提取检测车辆目标，检测第i帧，卷积结果Sⁱ的第k个极大值记为Obj_k ⁱ＝{Obj_I_k ⁱ，Obj_S_k ⁱ}，k＝1，2，…，其中Obj_I_k ⁱ表示极大值的位置索引，描述第k个车辆目标出现的位置，Obj_S_k ⁱ表示极大值的大小，描述第k个车辆目标在监控视频帧中的面积；

C计数：

设计如下约束规则将第i帧的k个极大值Obj_k ⁱ＝{Obj_I_k ⁱ，Obj_S_k ⁱ}，k＝1，2，…，中无效的极大值排除，则排除无效的车辆目标，准确统计第i帧通行车辆目标数目C_i；

I.Obj_S_k ⁱ＞T_s，若极大值Obj_S_k ⁱ大于阈值T_s，第k个极大值被判定为车辆目标，否则被认为碎片干扰、假目标，排除第k个极大值；

II.在目标位置处Obj_I_k ⁱ的空洞面积的大小需小于阈值T_holes，如果大于阈值T_holes，说明由于两辆车进入待检区，则排除第k个极大值；

III.|Obj_I_k+1 ⁱ-Obj_I_k ⁱ|＞T_Hdistance，在同一水平位置线，左右两个车辆目标的距离需大于阈值T_Hdistance，否则排除第k个极大值；

IV.|Obj_I_l ^j-Obj_I_k ⁱ|＞T_Vdistance，l，k＝1，2，…，j＝i-1，相邻帧中前后车辆目标需大于阈值T_vdistance，若不满足此条件，判定为同一车辆出现于多帧，第k个极大值所表示的目标不得计数，排除第k个极大值；

D流量及车速估计：

每秒的车流量的统计结果其中N为每分钟视觉检测处理的帧数，C_i是第i帧通行车辆目标的数目；

车速估计结果v＝2LF_s/n_s，其中L是双虚线间隔，F_s是监控***的帧频，n_s是目标经过的帧数；

上述规则中，各变量的上标i，j，表示检测帧号，下标k，l表示第i帧或j帧中的第k，l个目标，符号|·|表示取绝对值，所述各阈值的大小根据交通规则对通行车辆前后距离及安全距离的约束来确定。

2.根据权利要求1所述的交通流视觉检测方法，其特征在于，所述步骤B，采用模板卷积法检测目标，模板M₁完全覆盖目标，设计高度为通行的两辆车之间的间隔、宽度为所有车道宽度之和、元素全为1的模板M₂，检测目标中空洞面积大小如下：

其中表示与或运算，检测第i帧，S_hole在位置Obj_I_k ⁱ处的值记为若空洞面积大于一定阈值，则判定为两个目标，否则判定为一个目标。

3.根据权利要求1所述的一种交通流视觉检测方法，其特征在于，所述步骤C，利用交通规则对行车距离的约束，设计判别车辆目标是否有效的约束规则。

4.根据权利要求1所述的一种交通流视觉检测方法，其特征在于，所述各阈值的大小根据交通规则对通行车辆前后距离及安全距离的约束来确定。