CN105225281B - 一种车辆检测方法 - Google Patents

Abstract

本发明涉车辆检测技术领域。一种车道车辆检测方法，通过图像采集模块采集目标区域的图像，处理模块通过哈希算法生成对应图像的哈希指纹，通过对哈希指纹比较判断开始时候的模板图像和目标图像，得到目标图像中是否有车。

Description

一种车辆检测方法

技术领域

本发明涉车辆检测技术领域，特别是一种检测车道中车辆有无的检测方法。

背景技术

ETC车道是智能交通***的重要应用领域，为了降低运营成本，提高运输效率，保障交通安全，缓解交通拥挤，减少环境污染，稳定、高效的ETC车道显得尤为重要，而大线圈检测又是ETC车道不可或缺的组成部分。目前使用地感线圈实现大线圈检测，而地感线圈存在灵敏度范围难确定、重压下容易变形、线圈过大会造成铺设困难、车辆来回辗压线圈会出现误检测等不足，进而对ETC车道的稳定、高效的运行带来致命的打击。

发明内容

本发明的发明目的是：针对上述技术问题，提供一种车道车辆检测方法，通过图像识别技术来确定车道中是否有车通过，相较传统的大线圈检测方案具备稳定性高、实时性好、抗干扰能力强的特点，可以满足ETC车道等车道中智能判断是否有无车的需要。

本发明技术方案为：一种车道车辆检测方法，包括处理模块、图像采集模块和存储器模块；所述图像采集模块正对目标区域，所述目标区域为车道中车辆检测区域；所述存储器模块存储模板图像，所述图像采集模块采集目标区域的目标图像并发送到处理模块，处理模块对目标图像进行直方图均衡化处理并 在目标图像上按行车方向选取至少三个区域的区域图像，所述区域图像分别通过哈希算法生成对应的哈希指纹，并和模板图像上对应区域的哈希指纹进行对比，所述哈希指纹为以次序组合而成的图片描述字符串；若对比哈希指纹汉明距离均大于设定值，则目标区域中有车辆；若对比哈希指纹汉明距离均小于设定值，则目标区域中没有车辆，并将目标图像更新为模板图像。

这里基于图像的处理分析方法，具体是图像采集模块采集目标区域的图像，处理模块通过哈希算法生成对应图像的哈希指纹，通过对哈希指纹比较判断开始时候的模板图像和目标图像，得到目标图像中是否有车。具体是，通过在目标图像中截取区域图像，通过多个区域图像的进行详细分析判断，避免由于环境因素、或其他因素影响图像准确性，同时增强算法的抗干扰能力，进而提升算法的可靠性、稳定性。

进一步优化，若目标区域中有车辆，则同时对目标图像中的区域图像通过哈希算法生成对应的哈希指纹，并和模板图像上对应区域的哈希指纹进行对比得到哈希指纹汉明距离；若哈希指纹汉明距离均小于设定值，则目标区域中车辆已离开，并将目标图像更新为模板图像，否则重复上述步骤。

这里提供了一种判断车辆离开的优选方案，具体是同时区域图像的进行详细分析判断，直至满足判定要求。

优选的，所述处理模块在目标图像上依次截取、按行车方向递进且部分叠加的第一区域图像、第二区域图像、第三区域图像，并按照以下步骤进行:

1)对第一区域图像通过哈希算法生成对应的哈希指纹，并和模板图像上对应区域的哈希指纹进行对比，得到哈希指纹汉明距离M1，若M1大于设定值，则进入步骤2)，否则将目标图像更新为模板图像；

2)按1)步骤得到第二个区域对比的哈希指纹汉明距离M2，若M2大于设 定值，则进入步骤3)，否则更新目标图像并重复本步骤；

3)按1)步骤得到第三个区域对比的哈希指纹汉明距离M3，若M3大于设定值，则目标区域中有车辆并进入步骤4)；否则更新目标图像并重复本步骤；

4)对目标图像的第一区域图像、第二区域图像和第三区域图像同时通过哈希算法生成对应的哈希指纹，并和模板图像上对应区域的哈希指纹进行对比得到对应哈希指纹汉明距离M4、M5和M6；若M4、M5且M6均小于设定值，则车离开，所述存储器模块将目标图像更新为模板图像；否则，重复本步骤。

通过选取区域图像可以增加对目标图像处理的有效性、准确性，能够高效反映出目标图像中车辆有无的情况，同时可以减少由于环境因素或人为因素对目标图像造成失真等不良影响，增加本发明分析的准确性。通过逐一截取分析区域图像间的差异性，能够保证算法的合理性，能够增强算法的抗干扰能力，进而提升算法和***的可靠性、稳定性。

优选的，所述M1、M2且M3设定值均为15，所述M4、M5且M6设定值均为10。

优选的，所述区域图像至少覆盖目标图像中车道三分之二以上。截取区域图像分析可以避免由于目标图像过大造成的干扰因素过多的不足，降低运算难度，增强***分析判断的精度和速度。

优选的，所述哈希算法为均值哈希算法，哈希指纹生成步骤为：

1)将目标图像缩小到8×8的尺寸，总共64个像素；

2)将8×8的目标图像转换成灰度图像，并转为64级灰度；

3)计算步骤2)所有64个像素的灰度平均值；

4)将步骤2)中64级灰度和灰度平均值一一比较，若大于或等于平均值， 记为1；若小于平均值，记为0；将比较结果按次序组合在一起，构成64位哈希指纹。

这里公开了一种简化的均值哈希算法可以快速得到图像的描述字符串，即哈希指纹，不同目标图像的哈希指纹均不相同，有车和无车的目标图像哈希指纹表现差异性较大，这种差异可以通过两者汉明距离直观表示出来。

优选的，所述直方图均衡化步骤为：

1)统计所述目标图像各灰度级的像素数目n_i,i＝0,1,2,...,L-1，其中L为灰度总级数；

2)计算原始直方图的概率密度P_i(r_i)＝n_i/N，其中N为原始图像的总像素数目；

3)计算累积分布函数，k＝0,1,2,...,L-1；

4)计算最后的输出灰度级g_k＝int[(g_max-g_min)s_k(r_k)+0.5]/L-1 k＝0,1,2,...,L-1，其中int[]为取整符号。

直方图均衡化的优点：能够增强图像的对比度，对于背景和前景都太亮或者太暗的图像非常有用，有效抑制车道光线变化的影响，为车辆检测的精度奠定基础。

优选的，所述图像采集模块包括依次连接的CCD图像传感器和SAA7113视频解码芯片；所述处理模块采用DM642芯片；所述SAA7113视频解码芯片连接DM642芯片的VP1接口，所述DM642芯片通过I²C总线连接控制SAA7113视频解码芯片。

本发明有益效果是：

本发明哈希算法对图像进行处理，具有鲁棒性好、实时性好、稳定性高、 算法复杂度低和光照变化影响小的优点；能够有效判断车道只目标区域有车无车情况。

本发明替代地感应线圈的应用，避免其在道路感应中存在的缺陷；通过对图像进行多重分析，能够保证算法的合理性，能够增强算法的抗干扰能力，进而提升算法和***的可靠性、稳定性。

附图说明

图1是本发明功能模块示意图；

图2是本发明工作流程示意图；

图3是本发明哈希指纹示例。

其中，1—图像采集模块、2—处理模块、3—存储器模块、4—上位机、5—道闸、6—电源。

具体实施方式

本发明公开了一种车道车辆检测方法，包括处理模块、图像采集模块和存储器模块；所述图像采集模块正对目标区域，所述目标区域为车道中车辆检测区域；所述存储器模块存储模板图像，所述图像采集模块采集目标区域的目标图像并发送到处理模块，处理模块对目标图像进行直方图均衡化处理并在目标图像上按行车方向选取至少三个区域的区域图像，所述区域图像分别通过哈希算法生成对应的哈希指纹，并和模板图像上对应区域的哈希指纹进行对比，所述哈希指纹为以次序组合而成的图片描述字符串；若对比哈希指纹汉明距离均大于设定值，则目标区域中有车辆；若对比哈希指纹汉明距离均小于设定值，则目标区域中没有车辆，并将目标图像更新为模板图像。

这里基于图像的处理分析方法，具体是图像采集模块采集目标区域的图像，处理模块通过哈希算法生成对应图像的哈希指纹，通过对哈希指纹比较判断开始时候的模板图像和目标图像，得到目标图像中是否有车。具体是，通过在目标图像中截取区域图像，通过多个区域图像的进行详细分析判断，避免由于环境因素、或其他因素影响图像准确性，同时增强算法的抗干扰能力，进而提升算法的可靠性、稳定性。

以下结合附图对本发明实施进行说明。

如图1所示，为本发明功能模块示意图，包括图像采集模块1、处理模块2、存储器模块3、上位机4、和电源5。

图像采集模块1，用于采集目标区域的图像信息，图像采集模块1包括CCD图像传感器和SAA7113视频解码芯片；SAA7113将CCD采集到的数据信号解码成标准的“VPO”数字信号并输出到处理模块2，相当于一种“A/D”器件。其中，处理模块2还通过I²C两线式串行总线连接控制SAA7113视频解码芯片。

处理模块2，用于对图像信号的分析，并连接控制道闸5栏杆状态。处理模块2采用TI公司C6000系列DSP中DM642(全名TMS320DM642)，DM642核心是C6416型高性能数字信号处理器，具有极强的处理性能，高度的灵活性和可编程性，同时***集成了非常完整的音频、视频和网络通信等设备及接口，能够满足本***中对视频/图像处理，及完成对相关设备连接控制。

存储器模块3，具体是***存储器模块，通过外部总线与DM642的EMIF接口连接。存储器模块3包括SDRAM同步动态随机存储器和FLASH固态存储器。

上位机4包括打开本地图片、IP地址设置、接收图像、选择目标区域、发送区域坐标、保存图像等功能。

电源5，为***提供电力供应，具体可以使用独立的电源***。

如图2所示，为***工作流程示意图。***工作步骤如下：

1.初始化***，对存储在存储模块中的模板图像进行初始设置；

2.图形采集模块采集目标区域的目标图像，并对目标图像进行直方图均衡化处理，具体步骤如下：

1)统计所述目标图像各灰度级的像素数目n_i,i＝0,1,2,...,L-1，其中L为灰度总级数；

2)计算原始直方图的概率密度P_i(r_i)＝n_i/N，其中N为原始图像的总像素数目；

3)计算累积分布函数，k＝0,1,2,...,L-1；

4)计算最后的输出灰度级g_k＝int[(g_max-g_min)s_k(r_k)+0.5]/L-1 k＝0,1,2,...,L-1，其中int[]为取整符号。

3.判定目标区域无车时，更新存储在存储模块中的模板图像；具体是将经过步骤2处理的目标图像更新为模板图像。

4.处理模块在目标图像上依次截取、按行车方向递进且部分叠加的第一区域图像、第二区域图像、第三区域图像，区域图像覆盖目标图像中车道三分之二。对区域图像进行哈希算法并得到区域图像的描述字符串，即哈希指纹，具体对区域图像进行均值哈希算法，均值哈希算法流程包括：

1)缩小尺寸：将第一区域图像缩小到8×8的尺寸，总共64个像素。

2)简化色彩：将8×8的第一区域图像转换成灰度图像，并转为64级灰度。

3)计算平均值：计算所有64个像素的灰度平均值；如

4)比较像素的灰度：将每个像素的灰度与平均值进行比较，大于或等于平均值，记为1，小于平均值，记为0；如图3所示。

5)生成哈希指纹：将4)的比较结果，按一定的次序组合在一起，就构成了一个64位的哈希指纹。如图3按照由上至下每行依次排列的的指纹是：1111111111111111110111111101101111000011110000111100001111100011。

通过均值哈希算法可以得到图像的哈希指纹，图像间的不同可以通过哈希指纹直观表示出来。这样通过哈希指纹可以判断出目标区域中有车无车情况，优选步骤如下：

A)第一区域图像哈希指纹和模板图像相同位置区域得到的哈希指纹进行对比，当哈希指纹的汉明距离M1大于15时，进行步骤B)，否则将目标图像更新为模板图像；

B)第二区域图像哈希指纹和模板图像相同位置区域得到的哈希指纹进行对比，当哈希指纹的汉明距离M2大于15时，进行步骤C)；否则更新目标图像并重复本步骤；

C)第三区域图像哈希指纹和模板图像相同位置区域得到的哈希指纹进行对比，当哈希指纹的汉明距离M3大于15时，则目标区域中有车辆并进入步骤D)；否则更新目标图像并重复本步骤；

D)对目标图像的第一区域图像、第二区域图像和第三区域图像同时通过哈希算法生成对应的哈希指纹，并和模板图像上对应区域的哈希指纹进行对比得到对应哈希指纹汉明距离M4、M5和M6；若M4、M5且M6均小于10，则车 已离开，所述存储器模块将目标图像更新为模板图像；否则，重复本步骤。

5.工作结束。

本发明可以替代地感应线圈的应用，避免其在道路感应中存在的缺陷；同时，本发明通过对图像进行多重分析，能够保证算法的合理性，能够增强算法的抗干扰能力，进而提升算法和***的可靠性、稳定性。

Claims (1)

1.一种车辆检测方法，包括处理模块、图像采集模块和存储器模块；所述图像采集模块正对目标区域，所述目标区域为车道中车辆检测区域；其特征在于：所述存储器模块存储模板图像，所述图像采集模块采集目标区域的目标图像并发送到处理模块，处理模块对目标图像进行直方图均衡化处理并在目标图像上按行车方向选取至少三个区域的区域图像，所述区域图像分别通过哈希算法生成对应的哈希指纹，并和模板图像上对应区域的哈希指纹进行对比，所述哈希指纹为以次序组合而成的图片描述字符串；若对比哈希指纹汉明距离均大于设定值，则目标区域中有车辆；若对比哈希指纹汉明距离均小于设定值，则目标区域中没有车辆，并将目标图像更新为模板图像；

若目标区域中有车辆，则同时对目标图像中的区域图像通过哈希算法生成对应的哈希指纹，并和模板图像上对应区域的哈希指纹进行对比得到哈希指纹汉明距离；若哈希指纹汉明距离均小于设定值，则目标区域中车辆已离开，并将目标图像更新为模板图像，否则重复上述步骤；

所述处理模块在目标图像上依次截取按行车方向递进且部分叠加的第一区域图像、第二区域图像、第三区域图像，并按照以下步骤进行:

1)对第一区域图像通过哈希算法生成对应的哈希指纹，并和模板图像上对应区域的哈希指纹进行对比，得到哈希指纹汉明距离M1，若M1大于设定值，则进入步骤2)，否则将目标图像更新为模板图像；

2)按1)步骤得到第二个区域对比的哈希指纹汉明距离M2，若M2大于设定值，则进入步骤3)，否则更新目标图像并重复本步骤；

3)按1)步骤得到第三个区域对比的哈希指纹汉明距离M3，若M3大于设定值，则目标区域中有车辆并进入步骤4)；否则更新目标图像并重复本步骤；

4)对目标图像的第一区域图像、第二区域图像和第三区域图像同时通过哈希算法生成对应的哈希指纹，并和模板图像上对应区域的哈希指纹进行对比得到对应哈希指纹汉明距离M4、M5和M6；若M4、M5且M6均小于设定值，则车离开，所述存储器模块将目标图像更新为模板图像；否则，重复本步骤；

所述M1、M2且M3设定值均为15，所述M4、M5且M6设定值均为10；

所述第一区域图像、第二区域图像和第三区域图像至少覆盖目标图像中车道三分之二以上；

所述直方图均衡化步骤为：

1)统计所述目标图像各灰度级的像素数目n_i,i＝0,1,2,...,L-1，其中L为灰度总级数；

2)计算原始直方图的概率密度P_i(r_i)＝n_i/N，其中N为目标图像的总像素数目；

3)计算累积分布函数，

4)计算最后的输出灰度级g_k＝int[(g_max-g_min)s_k(r_k)+0.5]/L-1

k＝0,1,2,...,L-1，其中int[]为取整符号；

所述图像采集模块包括依次连接的CCD图像传感器和SAA7113视频解码芯片；所述处理模块采用DM642芯片；所述SAA7113视频解码芯片连接DM642芯片的VP1接口，所述DM642芯片通过I2C总线连接控制SAA7113视频解码芯片。