CN104267209A - 一种基于虚拟线圈的高速公路视频测速方法及*** - Google Patents
一种基于虚拟线圈的高速公路视频测速方法及*** Download PDFInfo
- Publication number
- CN104267209A CN104267209A CN201410576699.6A CN201410576699A CN104267209A CN 104267209 A CN104267209 A CN 104267209A CN 201410576699 A CN201410576699 A CN 201410576699A CN 104267209 A CN104267209 A CN 104267209A
- Authority
- CN
- China
- Prior art keywords
- edge
- virtual coil
- stabilised
- virtual
- region
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种基于虚拟线圈的高速公路视频测速方法及***。本发明将测速摄像机所拍摄的视频画面中的至少两个预定区域设定为虚拟线圈,并且检测由特定目标车辆形成的画面是否经过所述虚拟线圈;根据特定目标车辆依次触发各个所述虚拟线圈的时间差进行车辆测速。本发明的核心在于对虚拟线圈触发检测机制进行了改进,在虚拟线圈区域内自适应地识别若干关键区域所具有的稳定边缘特征,进而通过检测由特定目标车辆引起的虚拟线圈区域内边缘特征变化实现对虚拟线圈的触发。由于稳定边缘特征相对于日照、阴影、车灯照射等外界环境因素的渐变和突变都具有很强的鲁棒性,可以有效避免这些外界干扰所引发的误触发,构建了可靠、准确和高实时性的虚拟线圈触发机制。
Description
技术领域
本发明涉及高速公路测速技术领域,更具体地,涉及一种基于虚拟线圈的高速公路视频测速方法及***。
背景技术
传统的高速公路超速监测采用地感线圈测速,激光测速和雷达测速。以上三种测速方法均有各自的不足之处。地感线圈测速是在公路地面预先埋设一对具有车辆通过感应能力的线圈,记录目标车辆相继通过两个线圈的时间,进而根据时间差与线圈间距计算出速。但是地感线圈的安装会破坏高速公路的路面,而且对于沿非直线轨迹行驶的车辆测速精度较低。激光测速利用激光脉冲对驶来车辆多次进行测距,进而计算车速。但激光测速要求仪器正对来车,与车辆行驶方向的偏差角度不能超过10度,安装位置条件比较苛刻,而且对于在测速区内行驶轨迹变化的车辆同样存在测量误差大的问题。雷达测速是利用多普勒原理进行测速,但是与激光测速类似,同样存在与车辆行驶方向的偏差角度要保持在10度以内的问题,给其适用范围带来很大的局限性。
随着高速摄像和图像处理识别技术的进步,可以从高速公路监控摄像机拍摄的各帧视频画面中定位目标车辆,并根据其行驶轨迹以及各帧视频画面的拍摄时间计算车速。基于这一原理的高速公路测速技术被称之为视频测速。相比上面介绍的传统测速技术,视频测速以下几个方面能够表现出明显的优势。首先,只需要具有较高分辨率的高速摄像机即可以实现高速公路及相关车辆画面的拍摄,信号采集过程和设备均得到简化,对高速公路的路面和其它设施没有不利影响,易于改造施工;其次,相比于雷达和激光测速对于偏差角度的敏感性来说,视频测速对于拍摄角度的要求非常宽松;第三,通过对视频测速相关算法的改进,对于车辆行驶轨迹的适应性大大提高,对于车辆变道甚至转弯行驶的情况也能够实现准确测速;第四,不论是地感线圈、激光还是雷达测速,都必须附加摄像以便识别车牌和取证,而视频测速可以将测速、车牌识别、记录取证等步骤集中完成,***的集成化和反应速度得到了很大提升。
视频测速技术的核心在于对视频画面的处理、识别和分析计算,因此其算法决定了整个***的精确性和实时性。视频测速算法的基础是视频画面中特定目标车辆的识别抽取,目标是将视频画面中代表特定目标车辆的部分识别抽取出来而区别于视频画面中的其余部分。特定目标车辆识别抽取方法包括光流法、帧间差分法、背景差分法、车灯区域定位法、车牌定位法等。对于所抽取的表示特定目标车辆的部分,还要进行必要的处理而去除阴影等杂质。
在此基础上,对特定目标车辆执行测速的算法可分为定位追踪法和虚拟线圈法两种类型。
定位追踪法通过定位所述特定目标车辆在连续若干帧视频画面中所处的位置,计算该特定目标车辆在视频画面中的运动速度,进而换算车辆的实际速度。定位追踪法测速精确度更高,对于复杂车辆行驶轨迹的适应性更好,但是算法非常复杂,实时运算性能比较差,在实际应用中面对大流量状况下的多车辆实时测速问题时会遇到瓶颈。
虚拟线圈法是将视频画面预定区域设定为虚拟线圈,作为虚拟线圈的画面区域对应高速公路当中的某一位置,当车辆通过高速公路的所述位置时,会引起视频画面中虚拟线圈处的图像信号变化,这被称为触发虚拟线圈。两个虚拟线圈对应的公路位置之间的真实间距L可以通过实地测量或者计算而事先获得。因而,通过所述特定目标车辆触发两个虚拟线圈的时间差△t,可以计算该特定目标车辆的车速v=L/△t;其中,△t通常用确定该特定目标车辆触发各虚拟线圈的前、后两个视频画面的帧间差来表示。虚拟线圈法的算法更为简单、运行速度更快、有效监控区域大于定位追踪法,因而在实际应用中也更为普遍。
虚拟线圈法在实际应用中需要解决的重要问题是建立可靠的虚拟线圈触发检测机制。虚拟线圈触发的标志是视频画面虚拟线圈区域内像素的图像信号发生幅度在阈值以上的阶梯性变化。用于触发判定的图像信号一般采用像素的灰度差分信号,计算方法是将当前视频画面中虚拟线圈区域的像素灰度信号与预设背景画面中该区域的灰度信号进行减法运算,进而判断灰度差分信号值是否大于所述阈值,在大于该阈值的情况下则认为虚拟线圈被触发。
然而,上述触发检测机制的可靠性是比较低的,易于发生误触发的情况。影响检测可靠性的因素除了视频画面拍摄过程中常见的噪声信号外,还包括公路实际环境中的各种因素,例如:白天日照和阴影变化会对触发检测产生干扰;夜晚车灯光束对路面照射带来图像信号灰度突变,会导致虚拟线圈在车辆实际经过之前被提早触发;在特定光照状态下,某些浅黄色或浅绿色汽车对虚拟线圈区域像素灰度的影响不足以引起触发。
现有技术中解决上述因素不良影响的主要手段是构建高斯背景模型来适应各种环境因素变化。高斯背景模型认为,没有运动目标的大多数帧背景画面中,像素灰度会服从高斯分布N(μ,σ2),μ是像素灰度均值,而σ2是方差。高斯背景模型针对之前累积的一定数量的背景画面中各像素灰度值进行统计从而计算μ和σ2值,从而构造了背景模型,并且基于实时拍摄的视频画面不断对背景模型的μ和σ2值进行更新;通过将当前视频画面的像素值与背景模型进行比较,提取其中不属于背景画面的前景像素,进而实现对虚拟线圈触发的判断。
利用高斯背景模型实现的触发判断确实能够适应缓慢的背景变化所带来的影响,例如可以克服白天日照和阴影变化的干扰,但是,对于上面提到的夜间车灯光束照射或者针对特定颜色车辆不能反应等突发性变化,仍然无法解决其带来的误触发问题。
发明内容
针对现有技术中的上述缺陷,本发明提供了一种基于虚拟线圈的高速公路视频测速方法及***。本发明的核心在于对虚拟线圈触发检测机制进行了改进,在虚拟线圈区域内自适应地识别若干关键区域所具有的稳定边缘特征,进而通过检测由特定目标车辆引起的虚拟线圈区域内边缘特征变化实现对虚拟线圈的触发。
本发明所提供的一种基于虚拟线圈的高速公路视频测速方法,包括:虚拟线圈触发检测步骤,将测速摄像机所拍摄的视频画面中的至少两个预定区域设定为虚拟线圈,并且检测由特定目标车辆形成的画面是否经过所述虚拟线圈;测速步骤,根据特定目标车辆依次触发各个所述虚拟线圈的时间差进行车辆测速;其特征在于,所述虚拟线圈触发检测步骤具体包括:
关键区域稳定边缘特征提取步骤,用于提取无车辆状态下视频画面的虚拟线圈区域内空间分布和时域稳定性符合条件的稳定边缘信息,形成包含所述稳定边缘的虚拟线圈区域模板;
边缘特征变化检测步骤,用于针对实时拍摄视频画面的虚拟线圈区域提取实时边缘信息,并且对所述稳定边缘信息和实时边缘信息进行匹配运算,判断二者的相似度是否低于最低相似阈值;在低于所述最低相似阈值的情况下确定虚拟线圈被触发。
优选的是,所述关键区域稳定边缘特征提取步骤包括以下子步骤:
边缘提取步骤,用于针对虚拟线圈区域执行高斯平滑滤波,然后利用Canny算子进行边缘检测算法,获得在虚拟线圈区域中所存在边缘信息的二值化图像表示;
关键区域识别步骤,计算所述虚拟线圈区域中所存在边缘在图像的特定轴向上的游程长度,比较所述游程长度是否大于游程阈值,将游程长度大于游程阈值的边缘作为候选边缘;并且对间隔特定时长的至少两帧视频画面的候选边缘执行差分运算,获得边缘差分图像;在候选边缘中排除边缘差分图像中的非零值区域,获得稳定边缘特征;
边缘特征生成步骤,获得并保存所述稳定边缘特征,从而形成具有稳定边缘特征的虚拟线圈区域模板。
进一步优选的是,所述边缘提取步骤包括以下子步骤:步骤1,利用Canny边缘检测器对滤波图像进行第一次边缘提取;步骤2,对滤波图像进行顶帽变换后,用Canny边缘检测器进行第二次边缘提取;步骤3,对顶帽变换后的图像进行对数变换后,用Canny边缘检测器进行第三次边缘提取;步骤4,将三次边缘提取的结果图像叠加;步骤5,对叠加后的图像进行骨架化处理,得到边缘信息。
进一步优选的是,所述关键区域识别步骤中,针对虚拟线圈区域中所存在边缘,分别计算各边缘在图像的X轴和Y轴方向上所具有的不间断像素的数目Nx和Ny,进而为Nx和Ny分配不同的权重,从而通过加权计算各边缘在所述特定轴向上的游程长度H=α1·Nx+α2·Ny,其中α1和α2表示权重系数。
进一步优选的是,所述关键区域识别步骤中,对所述候选边缘首先执行扩张算法将边缘扩张为具有更大的线条宽度的边缘区,再执行所述差分运算。
优选的是,在所述边缘特征变化检测步骤中,对所述稳定边缘信息和实时边缘信息执行Hausdorff距离计算,并且判断Hausdorff距离是否低于最低相似阈值。
进一步优选的是,所述Hausdorff距离计算包括:将构成虚拟线圈区域模板中的稳定边缘信息的像素点作为一个点集P1,而将形成所述实时边缘信息的像素点作为另一个点集P2,计算点集P1与点集P2之间的Hausdorff距离H(P1,P2)=max{h(P1,P2),h(P2,P1)},其中h(P1,P2)表示点集P1中的像素点到点集P2的欧氏距离的最大值,其中a和b分别是属于点集P1与点集P2的像素点,D(a,b)表示a和b之间的欧氏距离;h(P2,P1)表示点集P2中的像素点到点集P1的欧氏距离的最大值,其中a和b分别是属于点集P2与点集P1的像素点,D(a,b)表示a和b之间的欧氏距离。
本发明进而提供了一种基于虚拟线圈的高速公路视频测速***,包括:虚拟线圈触发检测模块,用于将测速摄像机所拍摄的视频画面中的至少两个预定区域设定为虚拟线圈,并且检测由特定目标车辆形成的画面是否经过所述虚拟线圈;测速模块,用于根据特定目标车辆依次触发各个所述虚拟线圈的时间差进行车辆测速;其特征在于,所述虚拟线圈触发检测模块具体包括:
关键区域稳定边缘特征提取模块,用于提取无车辆状态下视频画面的虚拟线圈区域内空间分布和时域稳定性符合条件的稳定边缘信息,形成包含所述稳定边缘的虚拟线圈区域模板;
边缘特征变化检测模块,用于针对实时拍摄视频画面的虚拟线圈区域提取实时边缘信息,并且对所述稳定边缘信息和实时边缘信息进行匹配运算,判断二者的相似度是否低于最低相似阈值;在低于所述最低相似阈值的情况下确定虚拟线圈被触发。
优选的是,所述关键区域稳定边缘特征提取模块包括:
边缘提取模块,用于针对虚拟线圈区域执行高斯平滑滤波,然后利用Canny算子进行边缘检测算法,获得在虚拟线圈区域中所存在边缘信息的二值化图像表示;
关键区域识别模块,计算所述虚拟线圈区域中所存在边缘在图像的特定轴向上的游程长度,比较所述游程长度是否大于游程阈值,将游程长度大于游程阈值的边缘作为候选边缘;并且对间隔特定时长的至少两帧视频画面的候选边缘执行差分运算,获得边缘差分图像;在候选边缘中排除边缘差分图像中的非零值区域,获得稳定边缘特征;
边缘特征生成模块,获得并保存所述稳定边缘特征,从而形成具有稳定边缘特征的虚拟线圈区域模板。
优选的是,所述边缘特征变化检测模块包括:
实时边缘信息提取模块,用于针对实时拍摄的视频画面,根据预设的边界线坐标分割虚拟线圈区域,进而通过边缘提取算法抽取其中所存在的实时边缘信息;
边缘匹配模块,对所述稳定边缘信息和实时边缘信息执行Hausdorff距离计算,并且判断Hausdorff距离是否低于最低相似阈值。
可见,本发明在高速公路视频测速方法及***当中,针对虚拟线圈触发检测机制进行了改进,将虚拟线圈无车状态画面中的稳定边缘特征提取出来,并将由于车辆遮挡等原因所造成的虚拟线圈区域内边缘特征变化作为判定触发的依据。由于稳定边缘特征相对于日照、阴影、车灯照射等外界环境因素的渐变和突变都具有很强的鲁棒性,可以有效避免这些外界干扰所引发的误触发,不论是白天和夜间都能够保持可靠的触发检测性能;而且车辆遮挡对虚拟线圈区域内边缘特征的改变也是稳定的,相比于灰度检测,不会出现因特定的光照条件和车辆颜色而引起的触发失灵现象。本发明通过构建了上述可靠、准确和高实时性的虚拟线圈触发机制,充分保证了基于虚拟线圈原理实现的高速公路视频测速方法及***的高质量运行。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明:
图1是本发明实施例中无车状态下虚拟线圈区域示意图;
图2是本发明实施例中提取关键区域稳定边缘特征的方法流程图;
图3是本发明实施例中对虚拟线圈区域中的边缘计算游程长度的示意图;
图4是本发明实施例中对虚拟线圈区域的候选边缘执行扩张算法的示意图;
图5是本发明实施例中保存稳定边缘特征的虚拟线圈区域模板示意图;
图6是本发明实施例中车辆经过状态下虚拟线圈区域示意图;
图7是通过检测边缘特征变化触发虚拟线圈的方法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案,并使本发明的上述目的、特征和优点能够更加明显易懂,下面结合实施例及实施例附图对本发明作进一步详细的说明。
本发明所述的高速公路视频测速方法及***采用基于虚拟线圈的测速算法。本发明将测速摄像机所拍摄的视频画面中的预定区域设定为虚拟线圈,一般设定至少两个虚拟线圈,根据特定目标车辆依次触发各个所述虚拟线圈的时间差实现测速计算。
本发明的核心在于对虚拟线圈触发检测机制进行了改进,不再依靠检测当前视频画面相对于背景画面或者背景模型是否产生像素灰度的阶梯性变化来确定虚拟线圈的触发,而是在虚拟线圈区域内自适应地识别若干关键区域,确定这些关键区域的稳定边缘特征,进而通过检测由特定目标车辆引起的边缘特征变化实现对虚拟线圈的触发。
图1是本发明实施例的虚拟线圈区域示意图。图1示出了摄像机拍摄测速区域的视频画面,图1所示的视频画面表示该拍摄测速区域无车辆状态。根据本发明的视频测速算法,虚线框A、B及所述虚线框以内的视频画面区域被预先设定为虚拟线圈A和B。当有车辆通过高速公路的相应位置时,会引起视频画面的虚线框A、B区域内图像信号变化,从而触发虚拟线圈A和B。在本发明的虚拟线圈触发检测机制中,所述图像信号变化将表现为虚线框A、B以内边缘特征的变化。
如图1所示,在虚拟线圈A对应的视频画面区域当中,存在由部分像素形成的若干关键区域,这些关键区域内像素的灰度和/或色度信息与视频画面背景区域内像素灰度和/或色度信息相比存在明显的差别,从而使得关键区域与背景区域之间的交界处具有比较强烈的边缘特征。对应到高速公路的路面结构,所述背景区域主要反映了高速公路的一般路面表层,而在图1中所示出的公路路面上的交通标线C、不同路面表层的分界线D、路面设施(如竖井井盖等)E甚至路面的一些不规则的凸起或破损F均会在视频画面当中形成所述关键区域,从而在这些关键区域与一般路面表层的交界处表现出所述边缘特征。
关键区域形成的边缘特征是易于通过图像分析算法加以检测的,而且相对于日照、阴影、车灯照射等外界环境因素的渐变和突变都具有很强的鲁棒性。而在车辆驶过时,由于车辆对路面的遮挡以及车辆自身边缘的引入,使得虚拟线圈区域的边缘特征会呈现明显变化。因此,相对于现有技术基于灰度差分的检测机制,基于边缘特征的检测能够充分提高虚拟线圈触发的可靠性,有效防止误触发。
图2示出了本发明实施例的提取关键区域稳定边缘特征的方法流程图。针对图1所示的无车辆状态下虚拟线圈区域画面,本发明依次执行图2所示的边缘提取步骤、关键区域识别步骤以及边缘特征生成步骤,从而定义无车辆状态虚拟线圈的稳定边缘特征参数。首先需要明确的是,边缘提取步骤、关键区域识别步骤以及边缘特征生成步骤所针对的均是图1所示的视频画面当中虚线框A、B以内的部分,即虚拟线圈区域,根据预设的表示虚线框边界线的坐标,从视频画面当中分割出上述区域。
在边缘提取步骤中,首先执行信号预处理,信号预处理的作用是消除白噪声以及增强图像对比度。信号预处理的方式是执行高斯平滑滤波,根据高斯函数的形状来选择模板进行滤波,模板公式为通过该公式选取像素点(i,j)周围(2K+1)×(2L+1)大小的相邻像素区域进行加权平均,W(m,n)表示该相邻像素区域中点(m,n)处的权重系数。通过信号预处理可消除正态分布的噪声,并且对其中的边缘具有比较好的保护作用,减少图像因滤除高频分量而产生的模糊。针对信号预处理之后的图像,执行边缘检测算法。边缘是图像当中像素灰度存在明显的不连续的区域,可以利用求一阶和二阶导数的方法来检测边缘,求导数的过程可以通过空域微分算子通过卷积完成。常用的空域微分算子包括Roberts算子、Prewitt算子、Sobel算子、拉普拉斯算子。其中,Roberts算子定位的边缘精度高,但是没有去噪功能;Sobel和Prewitt算子能够对图像进行平滑处理,但容易制造虚假的边缘;拉普拉斯算子对噪声十分敏感,但抗噪能力较弱,易造成边缘不连贯。因此,本发明在边缘检测过程中采用了Canny算子。Canny算子寻找图像梯度的局部最大值,由于不同图像受到的噪声影响不同,Canny算子遵循最优边缘检测,是一种抗噪和定位精确的折衷选择。Canny算子采用一阶偏导数的有限差分来计算梯度的幅值和方向,并且对梯度幅值进行非极大值抑制,用双阈值算法检测和连接边缘。但Canny算子对一些灰度差很小的弱边缘检测依然存在一定的局限性,在抑制噪声的同时容易丢失小目标细节。本发明中所述的边缘检测算法,基于Canny算子,将原始图像、顶帽变换和对数变换后的图像边缘检测结果叠加并进行骨架化处理,实现了对图像边缘尤其是弱边缘的提取。基于Canny算子的边缘检测具体包括:步骤1,利用Canny边缘检测器对滤波图像进行第一次边缘提取。步骤2,对滤波图像进行顶帽变换后,用Canny边缘检测器进行第二次边缘提取。顶帽变换是基于数学形态学的一种图像处理方式,其是从原图中减去开运算后的图像,其中,开运算可以用于补偿不均匀的背景亮度。步骤3,对顶帽变换后的图像进行对数变换后,用Canny边缘检测器进行第三次边缘提取。步骤4,将三次边缘提取的结果图像叠加。步骤5,对叠加后的图像进行骨架化处理,得到边缘图像。骨架化是将二值图像中的对象约简为一组细骨架,这些细骨架仍保留原始对象形状的重要信息。骨架化能从图像中抽取出模式的特征信息,大量消除冗余数据。通过边缘提取,获得在虚拟线圈区域中所存在边缘信息的二值化图像表示。
针对通过边缘提取步骤所获得的边缘信息,关键区域识别步骤从全部所述边缘信息中遴选与虚拟线圈的关键区域相关联的边缘信息,从而实现对无车辆通过状态下虚拟线圈区域的形态、纹理具有标志性作用的关键区域的识别。在显示高速公路路面的视频画面中,通过边缘提取步骤所提取的边缘表示路面的非背景区域与背景区域之间的分界。但是,所述非背景区域未必均可以作为上述用于标志无车辆通过状态下虚拟线圈区域的形态、纹理特性的关键区域。作为关键区域,其所形成的边缘首先应当在各种环境条件下均具备足够的稳定性,最优状态下只有当存在车辆通过虚拟线圈相应路面区域时,关键区域的边缘才会发生明显变化,而在其它环境变化之下其边缘保持不变;其次,关键区域及其形成的边缘应当占据足够大的空间,从而在车辆通过虚拟线圈相应路面区域时能够因遮挡住关键区域的全部或一部分而引起边缘的充分变化;相反,如果边缘所分布的空间区域过小,则有可能在车辆通过时无法受到影响。因此,针对边缘提取步骤所获得的边缘信息,所述关键区域识别步骤需要基于以上两方面的因素对其加以遴选。
在关键区域识别步骤中,首先对边缘信息进行空间形态分析,从中提取出分布于足够大的空间范围以内的边缘。边缘信息的空间形态分析包括对边缘在图像的特定轴向上的游程长度进行计算,并且判断在该特定轴向上的游程长度是否均大于预定的游程阈值,在大于的情况下即选中所述边缘作为候选边缘。如图3所示L为通过边缘提取步骤从虚拟线圈区域中所提取的一个封闭边缘,则在所述关键区域识别步骤中,首先分别计算边缘L在图像的X轴和Y轴方向上所具有的不间断像素的数目Nx和Ny,进而根据特定向轴O相对于X轴和Y轴的角度,为Nx和Ny分配不同的权重,从而通过加权计算边缘L投影在特定轴向O上的游程长度H=α1·Nx+α2·Ny,其中α1和α2表示权重系数。通常,应将特定轴向O设定为与高速公路的行车方向近似垂直的方向,并且根据特定轴向O的相对于X轴和Y轴的角度设定上述权重系数。在获得边缘L在特定轴向O上的游程长度之后,比较游程长度H是否大于游程阈值Hthreshold,在大于该游程阈值的情况下将边缘L作为候选边缘。
针对候选边缘,关键区域识别步骤进而对候选边缘在时域上的变化进行检测,判断其是否具备足够的稳定性。通过稳定性的检测,可以排除在虚拟线圈区域中短暂存在的非稳定边缘(例如路面遗落物的边缘)。首先,针对从视频中抽取的间隔特定时长的视频画面当中按照上面介绍的方法所获得的候选边缘,通过差分运算获得边缘差分图像。由于存在校正误差以及边缘提取计算的误差,有可能导致两帧视频画面中均保持不变的目标所生成候选边缘同样存在一定的差异。因此,关键区域识别步骤中首先对两帧视频画面中的候选边缘进行扩张算法,如图4所示,边缘L经过扩张算法,原本的线条宽度为W的边缘扩张为宽度为W’的边缘区,进而再执行两帧视频画面的候选边缘之间的差分运算。可以针对不同时间抽取的视频画面反复执行多次上述差分运算,并且确定这些差分运算所获得的各边缘差分图像当中共同的非零值区域。所获得的边缘差分图像中的非零值区域反映了虚拟线圈区域当中随时间而发生变化的边缘。因此,通过在候选边缘中排除边缘差分图像中的非零值区域,所获得的是视频画面的虚拟线圈区域当中存在的稳定边缘特征,即构成稳定边缘的像素点集。稳定边缘特征相对于日照、阴影、车灯照射等外界环境因素的渐变和突变都具有很强的鲁棒性。因此基于上述计算所获得的这些稳定边缘特征可以用于对虚拟区域触发的检测。边缘特征生成步骤中获得并保存所述稳定边缘特征,从而形成具有稳定边缘特征的虚拟线圈区域模板,作为后续对虚拟区域触发进行判断的依据。图5示出了经上述计算方法处理之后所述虚拟线圈A、B形成的作为虚拟线圈区域模板,即所述像素点集的二值化图像表示,其中包含关键区域所具有的稳定边缘特征。从图5中可以看到,关键区域C、D、E所形成的边缘作为所述稳定边缘特征被提取出来并保存于虚拟线圈区域模板,而图1中的区域G所形成的边缘由于其不符合空间分布要求或者不具有稳定性已经被滤除。
在此基础上,本发明进而通过检测由特定目标车辆在视频画面的虚拟线圈区域内引起的边缘特征变化,实现对虚拟线圈的触发。当车辆的画面进入到虚拟线圈区域以内时,必然会引起虚拟线圈以内的边缘信息发生明显的变化。车辆经过所带来的影响包括:车辆自身及其车灯光束、阴影会使虚拟线圈区域产生原来没有的边缘部分,以及车辆经过时全部或者部分遮挡所述关键区域而使其稳定边缘信息发生改变,例如图6中汽车M的画面经过虚拟线圈A导致关键区域E被全部遮挡以及关键区域C被部分遮挡。对车辆自身及其车灯光束、阴影所产生边缘的抽取与检测也能够在一定程度上达到触发虚拟线圈的作用,但是检测的可靠性不强,例如在汽车M本身并未进入虚拟线圈A对应的路面时,其车前光束的照射有可能已经造成虚拟线圈A内的边缘信息产生变化。但是,在这种情况下,由于没有受到遮挡,虚拟线圈A中关键区域的稳定边缘信息不会发生实质变化,只有在车辆实际经过虚拟线圈所在区域从而遮挡关键区域时才会引起稳定边缘信息的实质性变化,因而可以通过将实时的视频画面与所述虚拟线圈区域模板相匹配运算而作为虚拟线圈触发的判断依据。
图7示出了通过检测边缘特征变化触发虚拟线圈的方法流程图。检测边缘特征变化以判断虚拟线圈的方法包括以下步骤:步骤1,针对实时拍摄的视频画面,根据预设的边界线坐标分割虚拟线圈区域。进而,在步骤2中,针对实时视频画面的虚拟线圈区域,通过边缘提取算法抽取其中所存在的实时边缘信息,获得实时边缘信息的二值化图像表示,其具体算法包括信号预处理以及利用Canny算子实现的边缘提取。步骤3,根据虚拟线圈区域模板中的稳定边缘信息,以及步骤2中所获得的实时视频画面的虚拟线圈区域的实时边缘信息,对二者进行匹配运算,判断二者的相似度是否低于最低相似阈值,在低于该最低相似阈值的情况下则认为虚拟线圈区域所包含的边缘发生了显著改变,该虚拟线圈被触发。为了提高步骤3中匹配运算的精确度,对所述稳定边缘信息和实时边缘信息执行计算Hausdorff距离的匹配方法。
Hausdorff距离用于测量两个点集的匹配程度。在本发明中将构成虚拟线圈区域模板中的稳定边缘的像素点作为一个点集P1,而将形成所述实时边缘的像素点作为另一个点集P2,因而可以计算点集P1与点集P2之间的Hausdorff距离H(P1,P2)=max{h(P1,P2),h(P2,P1)},h(P1,P2)表示点集P1中的像素点到点集P2的欧氏距离的最大值,其中a和b分别是属于点集P1与点集P2的像素点,D(a,b)表示a和b之间的欧氏距离。相类似的,h(P2,P1)表示点集P2中的像素点到点集P1的欧氏距离的最大值。Hausdorff距离H(P1,P2)表示h(P1,P2)和h(P2,P1)之中的最大值,通过该Hausdorff距离可以反映构成虚拟线圈区域模板中的稳定边缘的像素点集和构成所述实时边缘的像素点集之间的匹配程度。当Hausdorff距离H(P1,P2)低于最低相似阈值Hthreshold,则认为虚拟线圈区域所包含的边缘发生了显著改变,该虚拟线圈被触发。
在判定虚拟线圈被触发的基础上,本发明所提供的高速公路视频测速方法及***将根据两个虚拟线圈依次被触发的时间差,进行针对特定目标车辆的测速计算,其具体的速度测算方法因与现有技术基本相同,在此不再赘述。
本发明进而提供了一种基于虚拟线圈的高速公路视频测速***,包括:虚拟线圈触发检测模块,用于将测速摄像机所拍摄的视频画面中的至少两个预定区域设定为虚拟线圈,并且检测由特定目标车辆形成的画面是否经过所述虚拟线圈;测速模块,用于根据特定目标车辆依次触发各个所述虚拟线圈的时间差进行车辆测速。其中,所述虚拟线圈触发检测模块具体包括:关键区域稳定边缘特征提取模块,用于提取无车辆状态下视频画面的虚拟线圈区域内空间分布和时域稳定性符合条件的稳定边缘信息,形成包含所述稳定边缘的虚拟线圈区域模板;边缘特征变化检测模块,用于针对实时拍摄视频画面的虚拟线圈区域提取实时边缘信息,并且对所述稳定边缘信息和实时边缘信息进行匹配运算,判断二者的相似度是否低于最低相似阈值;在低于所述最低相似阈值的情况下确定虚拟线圈被触发。所述关键区域稳定边缘特征提取模块包括:边缘提取模块,用于针对虚拟线圈区域执行高斯平滑滤波,然后利用Canny算子进行边缘检测算法,获得在虚拟线圈区域中所存在边缘信息的二值化图像表示;关键区域识别模块,计算所述虚拟线圈区域中所存在边缘在图像的特定轴向上的游程长度,比较所述游程长度是否大于游程阈值,将游程长度大于游程阈值的边缘作为候选边缘;并且对间隔特定时长的至少两帧视频画面的候选边缘执行差分运算,获得边缘差分图像;在候选边缘中排除边缘差分图像中的非零值区域,获得稳定边缘特征;边缘特征生成模块,获得并保存所述稳定边缘特征,从而形成具有稳定边缘特征的虚拟线圈区域模板。所述边缘特征变化检测模块包括:实时边缘信息提取模块,用于针对实时拍摄的视频画面,根据预设的边界线坐标分割虚拟线圈区域,进而通过边缘提取算法抽取其中所存在的实时边缘信息;边缘匹配模块,对所述稳定边缘信息和实时边缘信息执行Hausdorff距离计算,并且判断Hausdorff距离是否低于最低相似阈值。
可见,本发明在高速公路视频测速方法及***当中,针对虚拟线圈触发检测机制进行了改进,将虚拟线圈无车状态画面中的稳定边缘特征提取出来,并将由于车辆遮挡等原因所造成的虚拟线圈区域内边缘特征变化作为判定触发的依据。由于稳定边缘特征相对于日照、阴影、车灯照射等外界环境因素的渐变和突变都具有很强的鲁棒性,可以有效避免这些外界干扰所引发的误触发,不论是白天和夜间都能够保持可靠的触发检测性能;而且车辆遮挡对虚拟线圈区域内边缘特征的改变也是稳定的,相比于灰度检测,不会出现因特定的光照条件和车辆颜色而引起的触发失灵现象。本发明通过构建了上述可靠、准确和高实时性的虚拟线圈触发机制,充分保证了基于虚拟线圈原理实现的高速公路视频测速方法及***的高质量运行。
以上所述,仅为本发明的具体实施方式,本发明还可以应用在其它设备中;以上描述中的尺寸和数量均仅为参考性的,本领域技术人员可根据实际需要选择适当的应用尺寸,而不脱离本发明的范围。本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求所界定的保护范围为准。
Claims (10)
1.一种基于虚拟线圈的高速公路视频测速方法,包括:虚拟线圈触发检测步骤,将测速摄像机所拍摄的视频画面中的至少两个预定区域设定为虚拟线圈,并且检测由特定目标车辆形成的画面是否经过所述虚拟线圈;测速步骤,根据特定目标车辆依次触发各个所述虚拟线圈的时间差进行车辆测速;其特征在于,所述虚拟线圈触发检测步骤具体包括:
关键区域稳定边缘特征提取步骤,用于提取无车辆状态下视频画面的虚拟线圈区域内空间分布和时域稳定性符合条件的稳定边缘信息,形成包含所述稳定边缘的虚拟线圈区域模板;
边缘特征变化检测步骤,用于针对实时拍摄视频画面的虚拟线圈区域提取实时边缘信息,并且对所述稳定边缘信息和实时边缘信息进行匹配运算,判断二者的相似度是否低于最低相似阈值;在低于所述最低相似阈值的情况下确定虚拟线圈被触发。
2.根据权利要求1所述的基于虚拟线圈的高速公路视频测速方法,其特征在于,所述关键区域稳定边缘特征提取步骤包括以下子步骤:
边缘提取步骤,用于针对虚拟线圈区域执行高斯平滑滤波,然后利用Canny算子进行边缘检测算法,获得在虚拟线圈区域中所存在边缘信息的二值化图像表示;
关键区域识别步骤,计算所述虚拟线圈区域中所存在边缘在图像的特定轴向上的游程长度,比较所述游程长度是否大于游程阈值,将游程长度大于游程阈值的边缘作为候选边缘;并且对间隔特定时长的至少两帧视频画面的候选边缘执行差分运算,获得边缘差分图像;在候选边缘中排除边缘差分图像中的非零值区域,获得稳定边缘特征;
边缘特征生成步骤,获得并保存所述稳定边缘特征,从而形成具有稳定边缘特征的虚拟线圈区域模板。
3.根据权利要求2所述的基于虚拟线圈的高速公路视频测速方法,其特征在于,所述边缘提取步骤包括以下子步骤:步骤1,利用Canny边缘检测器对滤波图像进行第一次边缘提取;步骤2,对滤波图像进行顶帽变换后,用Canny边缘检测器进行第二次边缘提取;步骤3,对顶帽变换后的图像进行对数变换后,用Canny边缘检测器进行第三次边缘提取;步骤4,将三次边缘提取的结果图像叠加;步骤5,对叠加后的图像进行骨架化处理,得到边缘信息。
4.根据权利要求2所述的基于虚拟线圈的高速公路视频测速方法,其特征在于,所述关键区域识别步骤中,针对虚拟线圈区域中所存在边缘,分别计算各边缘在图像的X轴和Y轴方向上所具有的不间断像素的数目Nx和Ny,进而为Nx和Ny分配不同的权重,从而通过加权计算各边缘在所述特定轴向上的游程长度H=α1·Nx+α2·Ny,其中α1和α2表示权重系数。
5.根据权利要求2所述的基于虚拟线圈的高速公路视频测速方法,其特征在于,所述关键区域识别步骤中,对所述候选边缘首先执行扩张算法将边缘扩张为具有更大的线条宽度的边缘区,再执行所述差分运算。
6.根据权利要求1所述的基于虚拟线圈的高速公路视频测速方法,其特征在于,在所述边缘特征变化检测步骤中,对所述稳定边缘信息和实时边缘信息执行Hausdorff距离计算,并且判断Hausdorff距离是否低于最低相似阈值。
7.根据权利要求6所述的基于虚拟线圈的高速公路视频测速方法,其特征在于,所述Hausdorff距离计算包括:将构成虚拟线圈区域模板中的稳定边缘信息的像素点作为一个点集P1,而将形成所述实时边缘信息的像素点作为另一个点集P2,计算点集P1与点集P2之间的Hausdorff距离H(P1,P2)=max{h(P1,P2),h(P2,P1)},其中h(P1,P2)表示点集P1中的像素点到点集P2的欧氏距离的最大值,其中a和b分别是属于点集P1与点集P2的像素点,D(a,b)表示a和b之间的欧氏距离;h(P2,P1)表示点集P2中的像素点到点集P1的欧氏距离的最大值,其中a和b分别是属于点集P2与点集P1的像素点,D(a,b)表示a和b之间的欧氏距离。
8.一种基于虚拟线圈的高速公路视频测速***,包括:虚拟线圈触发检测模块,用于将测速摄像机所拍摄的视频画面中的至少两个预定区域设定为虚拟线圈,并且检测由特定目标车辆形成的画面是否经过所述虚拟线圈;测速模块,用于根据特定目标车辆依次触发各个所述虚拟线圈的时间差进行车辆测速;其特征在于,所述虚拟线圈触发检测模块具体包括:
关键区域稳定边缘特征提取模块,用于提取无车辆状态下视频画面的虚拟线圈区域内空间分布和时域稳定性符合条件的稳定边缘信息,形成包含所述稳定边缘的虚拟线圈区域模板;
边缘特征变化检测模块,用于针对实时拍摄视频画面的虚拟线圈区域提取实时边缘信息,并且对所述稳定边缘信息和实时边缘信息进行匹配运算,判断二者的相似度是否低于最低相似阈值;在低于所述最低相似阈值的情况下确定虚拟线圈被触发。
9.根据权利要求8所述的基于虚拟线圈的高速公路视频测速***,其特征在于,所述关键区域稳定边缘特征提取模块包括:
边缘提取模块,用于针对虚拟线圈区域执行高斯平滑滤波,然后利用Canny算子进行边缘检测算法,获得在虚拟线圈区域中所存在边缘信息的二值化图像表示;
关键区域识别模块,计算所述虚拟线圈区域中所存在边缘在图像的特定轴向上的游程长度,比较所述游程长度是否大于游程阈值,将游程长度大于游程阈值的边缘作为候选边缘;并且对间隔特定时长的至少两帧视频画面的候选边缘执行差分运算,获得边缘差分图像;在候选边缘中排除边缘差分图像中的非零值区域,获得稳定边缘特征;
边缘特征生成模块,获得并保存所述稳定边缘特征,从而形成具有稳定边缘特征的虚拟线圈区域模板。
10.根据权利要求8所述的基于虚拟线圈的高速公路视频测速***,其特征在于,所述边缘特征变化检测模块包括:
实时边缘信息提取模块,用于针对实时拍摄的视频画面,根据预设的边界线坐标分割虚拟线圈区域,进而通过边缘提取算法抽取其中所存在的实时边缘信息;
边缘匹配模块,对所述稳定边缘信息和实时边缘信息执行Hausdorff距离计算,并且判断Hausdorff距离是否低于最低相似阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410576699.6A CN104267209B (zh) | 2014-10-24 | 2014-10-24 | 一种基于虚拟线圈的高速公路视频测速方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410576699.6A CN104267209B (zh) | 2014-10-24 | 2014-10-24 | 一种基于虚拟线圈的高速公路视频测速方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104267209A true CN104267209A (zh) | 2015-01-07 |
CN104267209B CN104267209B (zh) | 2017-01-11 |
Family
ID=52158750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410576699.6A Active CN104267209B (zh) | 2014-10-24 | 2014-10-24 | 一种基于虚拟线圈的高速公路视频测速方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104267209B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354573A (zh) * | 2015-12-15 | 2016-02-24 | 重庆凯泽科技有限公司 | 一种集装箱车牌识别方法及*** |
CN105448086A (zh) * | 2015-07-22 | 2016-03-30 | 南通大学 | 一种基于虚拟检测带的交通流量检测方法 |
CN105551265A (zh) * | 2015-02-09 | 2016-05-04 | 南通大学 | 一种基于虚拟检测带的交通流量检测方法 |
CN111650392A (zh) * | 2020-07-03 | 2020-09-11 | 东北大学 | 基于线阵相机立体视觉的金属板材运动速度检测方法 |
CN112557812A (zh) * | 2020-11-24 | 2021-03-26 | 山东理工大学 | 基于Hausdorff距离的小电流接地故障定位方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1984236A (zh) * | 2005-12-14 | 2007-06-20 | 浙江工业大学 | 一种交通流信息视频检测中的特征采集方法 |
CN102136196A (zh) * | 2011-03-10 | 2011-07-27 | 北京大学深圳研究生院 | 一种基于图像特征的车辆测速方法 |
CN102324183A (zh) * | 2011-09-19 | 2012-01-18 | 华中科技大学 | 基于复合虚拟线圈的车辆检测与抓拍方法 |
-
2014
- 2014-10-24 CN CN201410576699.6A patent/CN104267209B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1984236A (zh) * | 2005-12-14 | 2007-06-20 | 浙江工业大学 | 一种交通流信息视频检测中的特征采集方法 |
CN102136196A (zh) * | 2011-03-10 | 2011-07-27 | 北京大学深圳研究生院 | 一种基于图像特征的车辆测速方法 |
CN102324183A (zh) * | 2011-09-19 | 2012-01-18 | 华中科技大学 | 基于复合虚拟线圈的车辆检测与抓拍方法 |
Non-Patent Citations (1)
Title |
---|
尹朝征: "基于视频虚拟线圈的交通流参数检测", 《中国优秀博硕士学位论文全文数据库 (硕士) 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105551265A (zh) * | 2015-02-09 | 2016-05-04 | 南通大学 | 一种基于虚拟检测带的交通流量检测方法 |
CN105551265B (zh) * | 2015-02-09 | 2017-10-20 | 南京蓝泰交通设施有限责任公司 | 一种基于虚拟检测带的交通流量检测方法 |
CN105448086A (zh) * | 2015-07-22 | 2016-03-30 | 南通大学 | 一种基于虚拟检测带的交通流量检测方法 |
CN105354573A (zh) * | 2015-12-15 | 2016-02-24 | 重庆凯泽科技有限公司 | 一种集装箱车牌识别方法及*** |
CN105354573B (zh) * | 2015-12-15 | 2019-03-22 | 重庆凯泽科技股份有限公司 | 一种集装箱车牌识别方法及*** |
CN111650392A (zh) * | 2020-07-03 | 2020-09-11 | 东北大学 | 基于线阵相机立体视觉的金属板材运动速度检测方法 |
CN112557812A (zh) * | 2020-11-24 | 2021-03-26 | 山东理工大学 | 基于Hausdorff距离的小电流接地故障定位方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN104267209B (zh) | 2017-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110178167B (zh) | 基于摄像机协同接力的路口违章视频识别方法 | |
US11854272B2 (en) | Hazard detection from a camera in a scene with moving shadows | |
López et al. | Robust lane markings detection and road geometry computation | |
US9489586B2 (en) | Traffic sign recognizing apparatus and operating method thereof | |
US9292750B2 (en) | Method and apparatus for detecting traffic monitoring video | |
CN103778786B (zh) | 一种基于显著车辆部件模型的交通违章检测方法 | |
CN107463890B (zh) | 一种基于单目前视相机的前车检测与跟踪方法 | |
Karim et al. | Vehicle speed detection in video image sequences using CVS method | |
CN106845364B (zh) | 一种快速自动目标检测方法 | |
CN104063882B (zh) | 一种基于双目的车辆视频测速方法 | |
CN102799857B (zh) | 一种视频多车辆轮廓检测方法 | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN103686083B (zh) | 一种基于车载传感器视频流匹配的实时测速方法 | |
CN109064495A (zh) | 一种基于Faster R-CNN与视频技术的桥面车辆时空信息获取方法 | |
CN104881645B (zh) | 基于特征点互信息量和光流法的车辆前方目标的检测方法 | |
CN104267209A (zh) | 一种基于虚拟线圈的高速公路视频测速方法及*** | |
CN104318782A (zh) | 一种面向区域重叠的高速公路视频测速方法及*** | |
CN107315095A (zh) | 基于视频处理的具有光照适应性的多车辆自动测速方法 | |
Lin et al. | Lane departure and front collision warning using a single camera | |
CN107031661A (zh) | 一种基于盲区相机输入的变道预警方法及*** | |
CN108280445A (zh) | 一种车辆周围运动物体和凸起障碍物的检测方法 | |
Khan et al. | An intelligent monitoring system of vehicles on highway traffic | |
Dehghani et al. | Single camera vehicles speed measurement | |
Kanhere et al. | Real-time detection and tracking of vehicle base fronts for measuring traffic counts and speeds on highways | |
Cario et al. | Lane detection and tracking problems in lane departure warning systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method and system for expressway video speed measurement based on virtual coils Effective date of registration: 20171219 Granted publication date: 20170111 Pledgee: Hangzhou hi tech Company limited by guarantee Pledgor: Zhejiang Li Shi Science and Technology Co., Ltd. Registration number: 2017330000310 |