CN103473547A - 一种用于智能交通检测***的车辆目标物识别算法 - Google Patents

Abstract

本发明涉及一种基于视频检测识别目标物的方法。一种用于智能交通检测***的车辆目标物识别算法，包括步骤A、建立背景模型；步骤B、背景更新；步骤C、背景差分；步骤D、多帧差分；步骤E、采用多帧差分和背景差分相结合的方法来得到目标物的轮廓：E1、采集连续的多帧图像并保存；E2、将第一、第二帧图像进行帧差分算法得到二值化图像D1，将第二、第三帧图像进行帧差分算法得到二值化图像D2，以此类推，分别得到二值化图像D3和D4；E3、将D1和D2进行与运算得到二值化图像D5，D3和D4进行与运算得到D6，D5和D6进行与运算得到最终的二值化图像D7；E4、将得到的二值化图像D7和步骤C背景差分得到的二值化图像进行与运算，识别出车辆目标物的轮廓。

Description

一种用于智能交通检测***的车辆目标物识别算法

技术领域

本发明涉及一种基于视频检测识别目标物的方法，具体的说，涉及了一种应用于智能交通视频检测***中的车辆目标物识别算法。

背景技术

车辆目标物提取与识别算法是智能交通***中的关键部分，其中车辆目标物的识别有多种方法，包括帧差法、背景差分法、边缘检测法以及区域生长算法等等。车辆识别是智能交通***的重要组成部分，由于视频设备和高性能计算机硬件的发展以及视频处理技术的日益成熟，基于视频的车辆识别技术成为智能交通领域研究的热点，并得到越来越广泛的应用。

前景提取和识别方法在车辆识别中尤为重要。常用的前景提取方法主要有：边缘检测法、差分法、区域生长算法等。其中，差分法又包括帧差法和背景差法。边缘检测法：由于目标和背景内部的像素具有较低的梯度值，而其边界具有较高的梯度值，因此可以通过对图像中梯度值的统计来进行边缘的检测，即边缘检测法。其缺点是：常用的边缘检测算法存在运算耗时多、效率低，另外，对于一些不是很明显的目标，边缘检测算法检测不出来。其次，噪声干扰会造成检测出伪边缘。

帧差法是目前经常使用的目标识别方法，通过相邻两帧图像对应像素进行相减得到的值，与事先设定好的阈值进行比较，如果大于阈值，就说明存在运动目标，并且进行二值化处理，将确定为运动目标的区域标记为前景像素，否则，就没有运动目标，并将其标记为背景像素。其存在的缺点是：运动慢或者静止的前景会被漏掉；有可能在目标内部产生空洞从而无法完整地提取运动目标；存在一定的滞后性，产生“拖尾”现象，并且目标运动的速度越快这种情况就会越严重。

背景差分法是一种有效的运动目标检测算法，基本思想是先获取ROI区域的背景图像，并保存起来，然后将当前帧图像与保存的背景图像对应像素进行减运算，差值大于设定阈值的标记为前景像素，否则标记为背景像素，并且对其进行二值化处理，就可以识别出图像中的前景目标。其缺点是获取背景模板的算法和背景的自动更新相对复杂；而且滞后性较严重，当环境变化而背景没有及时更新，就会出现获取的目标不准确。

区域生长算法：区域生长算法的基本思想是将具有相似性质的像素集合起来构成区域。首先对每个要分割的区域找一个种子点，接着将种子像素周围邻域中与种子像素由相同或相似性质的像素合并到种子像素所在的区域中。将这些新像素当作新的种子点继续进行上述过程，直到没有满足条件的像素点为止。其缺点是：区域生长算法复杂度相对较高，计算所用时间较长，不适应于对实时性要求高的***；生长准则的开始和结束条件如果选择不好容易引起程序进入死循环，且生长点需要人工指定， 鲁棒性较差。

公布号为CN102509101的中国发明专利《交通视频监控中的背景更新方法和车辆目标提权方法》只适用于理想的环境，最主要的弊端是：<1>如果是雨、雪、风极端恶劣天气，很难得到一个理想的背景，背景不理想直接影响车辆目标物提取的准确性；<2>阳光斜射出现的非车辆目标物的阴影，极易导致误判和漏判；<3>在白天理想情况下可以得到不错的背景，但在夜间同样不可能得到理想的背景，直接影响车辆目标物提取的精准性。

发明内容

本发明针对现有技术不足，提出一种能准确识别车辆目标物的算法，即使在恶劣的环境下也能够精准地识别白天和晚上的车辆目标物。

为了实现上述目的，本发明所采用的技术方案是：

一种用于智能交通检测***的车辆目标物识别算法，包括以下几个步骤：

步骤A、读取连续的多帧图像，任取一种背景建模算法，建立背景模型；

步骤B、背景更新；

步骤C、背景差分；

步骤D、多帧差分；

步骤E、车辆目标物识别；采用多帧差分和背景差分相结合的方法来得到目标物的轮廓，其步骤如下：

E1   、首先采集到连续的多帧图像并保存起来；

E2、第一帧图像和第二帧图像进行帧差分算法得到二值化图像D1，第二帧图像和第三帧图像进行帧差分算法得到二值化图像D2，以此类推，分别得到二值化图像D3和D4；

E3、D1和D2进行与运算得到二值化图像D5，D3和D4进行与运算得到D6，D5和D6进行与运算得到最终的二值化图像D7；

E4、通过E3得到的二值化图像D7，和步骤C中背景差分得到的二值化图像进行与运算，完整的识别出车辆目标物的轮廓。

所述的车辆目标物识别算法，步骤B中，采用背景更新算法得到理想的背景；所述背景更新算法包括以下几个步骤：

步骤B1、标定出图像中需要检测的敏感区域的坐标；

步骤B2、对得到的连续的多帧图像，用帧差分算法和背景差分算法相结合的方法，获取步骤B1中标定的敏感区域的初始背景；

步骤B3、进行背景更新判决；

步骤B4、背景更新；

所述的车辆目标物识别算法，步骤B3中，进行背景更新判决的步骤如下：

C1、用函数神经链网络算法得到区分当前帧和背景帧的阈值；

C2、用灰度直方图算法得到某种灰度级的像素个数；

C3、将当前帧图像与背景图像进行差分，如果当前像素差分结果大于设定的阈值，那么认为存在运动目标，标记为前景像素，否则，标记为背景像素；然后将标记为背景像素的部分替换到背景模板中对应的像素中去，以实现背景的实时更新。

发明的有益积极效果：

1、本发明车辆目标物识别算法，夜间和白天车辆目标物的识别率都能达到国标，有效解决了在智能交通视频分析***中算法对环境的依懒性。采用背景差判据和帧差判据相结合的方法，通过背景差分模块中得到的二值化图像和所述多帧差分的二值化图像进行与运算，即使在极端恶劣天气下，也能够精确地识别出车辆目标物。

2、本发明车辆目标物识别算法，具有智能化、目标物识别精准、识别效率高等优点。1）即使是雨、雪、风极端恶劣天气，也可以很容易得到理想的背景，并能够根据天气情况进行快速有效的背景更新；2）可以有效避免由于阳光造成目标物出现阴影，导致车辆目标物识别错误的问题。

3、本发明车辆目标物识别算法，利用帧差判据和背景差分判据相结合的方法来学习和实时更新背景，根据更新条件来判断是否进行背景更新，可以有效避免背景更新时静止目标作为背景被更新，不但有效解决了传统智能视频分析***对环境的高度依懒性；而且通过采用五帧差分和前景图像做“与运算”的方法来实现车辆目标物的识别，有效解决了识别出的目标物存在空洞的缺陷。

附图说明

图1：本发明车辆目标物识别算法流程图。

具体实施方式

下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。

实施例1

参见图1。本发明用于智能交通检测***的车辆目标物识别算法，包括：步骤A、读取连续的多帧图像，任取一种背景建模算法，建立背景模型；

步骤B、背景更新；

步骤C、背景差分；

步骤D、多帧差分；

步骤E、车辆目标物识别：采用多帧差分和背景差分相结合的方法来得到目标物的轮廓，其步骤如下：

E1   、首先采集到连续的多帧图像并保存起来；

E2、第一帧图像和第二帧图像进行帧差分算法得到二值化图像D1，第二帧图像和第三帧图像进行帧差分算法得到二值化图像D2，以此类推，分别得到二值化图像D3和D4；

E3、D1和D2进行与运算得到二值化图像D5，D3和D4进行与运算得到D6，D5和D6进行与运算得到最终的二值化图像D7；

E4、通过E3得到的二值化图像D7，和步骤C中背景差分得到的二值化图像进行与运算，完整的识别出车辆目标物的轮廓。

实施例2

本实施例的用于智能交通检测***的车辆目标物识别算法，与实施例1不同的是：步骤B中，具体采用如下的背景更新算法得到理想的背景：

步骤B1、标定出图像中需要检测的敏感区域的坐标；

步骤B2、对得到的连续的多帧图像，用帧差分算法和背景差分算法相结合的方法，获取步骤B1中标定的敏感区域的初始背景；

步骤B3、进行背景更新判决；

步骤B4、背景更新。

实施例3

本实施例的用于智能交通检测***的车辆目标物识别算法，与实施例2不同之处在于：

步骤B3中，进行背景更新判决的步骤如下：

C1、用函数神经链网络算法得到区分当前帧和背景帧的阈值；

C2、用灰度直方图算法得到某种灰度级的像素个数；

C3、将当前帧图像与背景图像进行差分，如果当前像素差分结果大于设定的阈值，那么认为存在运动目标，标记为前景像素，否则，标记为背景像素；然后将标记为背景像素的部分替换到背景模板中对应的像素中去，以实现背景的实时更新。

Claims (3)

1.一种用于智能交通检测***的车辆目标物识别算法，包括以下几个步骤：

步骤A、读取连续的多帧图像，任取一种背景建模算法，建立背景模型；

步骤B、背景更新；

步骤C、背景差分；

步骤D、多帧差分；

步骤E、车辆目标物识别；

其特征在于，步骤E中，采用多帧差分和背景差分相结合的方法来得到目标物的轮廓，其步骤如下：

E1  、首先采集到连续的多帧图像并保存起来；

E2、第一帧图像和第二帧图像进行帧差分算法得到二值化图像D1，第二帧图像和第三帧图像进行帧差分算法得到二值化图像D2，以此类推，分别得到二值化图像D3和D4；

E3、D1和D2进行与运算得到二值化图像D5，D3和D4进行与运算得到D6，D5和D6进行与运算得到最终的二值化图像D7；

E4、通过E3得到的二值化图像D7，和步骤C中背景差分得到的二值化图像进行与运算，完整的识别出车辆目标物的轮廓。

2.根据权利要求1所述的车辆目标物识别算法，其特征是：步骤B中，采用背景更新算法得到理想的背景；所述背景更新算法包括以下几个步骤：

步骤B1、标定出图像中需要检测的敏感区域的坐标；

步骤B2、对得到的连续的多帧图像，用帧差分算法和背景差分算法相结合的方法，获取步骤B1中标定的敏感区域的初始背景；

步骤B3、进行背景更新判决；

步骤B4、背景更新。

3.根据权利要求2所述的车辆目标物识别算法，其特征在于：步骤B3中，进行背景更新判决的步骤如下：

C1、用函数神经链网络算法得到区分当前帧和背景帧的阈值；

C2、用灰度直方图算法得到某种灰度级的像素个数；

C3、将当前帧图像与背景图像进行差分，如果当前像素差分结果大于设定的阈值，那么认为存在运动目标，标记为前景像素，否则，标记为背景像素；然后将标记为背景像素的部分替换到背景模板中对应的像素中去，以实现背景的实时更新。

Images