CN106778540A - 停车检测准确的基于双层背景的停车事件检测方法 - Google Patents

Abstract

本发明公开了一种停车检测准确的基于双层背景的停车事件检测方法，主要包括双层背景建模、次背景替换、停车检测以及状态表更新。通过对双层背景——主背景和次背景的对应点像素差绝对值统计，判断得到是否有停止目标出现，根据停止目标轮廓进行检测，若停止目标为车辆则对停车状态进行标定和更新；另外通过判断次背景模型中的前景是否为空，更换次背景。该方法对停车事件检测实时性强，且方法简单，利用双层背景比较能够减少环境对检测结果的影响。同时建立停车事件状态表可以精确的记录停车位置和状态。通过对检测参数和兴趣区域的设置本方法可以应用于高速公路、停车场、城市道路等不同场合，且准确性、实时性较好。

Description

停车检测准确的基于双层背景的停车事件检测方法

本申请是申请号：201310104633.2、申请日2013-03-28、名称“基于双层背景的停车事件检测方法”的分案申请。

技术领域

本发明涉及视频检测领域，具体涉及一种基于双层背景的停车事件检测方法。

背景技术

随着国民经济的快速发展和机动车辆的迅猛增加，我国交通问题日益严峻。机动车驻停、抛洒物、交通事故停驶以及恶劣环境造成的山体滑坡等交通事件造成的交通堵塞和二次事故不断增加，该事故具有突发性和偶然性，一旦发生将造成极大的人员和财产损失。以往的停车事件检测，主要通过人工监控，交通流信息采集等方法，极大的消耗了交通管制中的人力、物力和财力。所以，建立基于视频的自动停车事件检测***尤为重要和必要。

目前世界上已经开发了多种基于视频的停车事件检测方法，主要有基于虚拟框像素、灰度统计，基于目标速度和基于单背景块分割的停车事件检测方法。

基于虚拟框像素、灰度统计的方法通过背景差法获取运动像素和静止像素，并根据划定区域内像素或灰度的变化情况判断车辆是否停止；此方法尽管算法简单，但是易受到外界光照条件等干扰，且需人工设定虚拟检测区域，检测实用性较差。基于目标速度的停车事件检测方法需要对车辆进行实时跟踪，并且对场景进行标定，需要实时的计算目标的运动速度；该算法较为复杂且误报率较高。基于单背景的块分割停车检测方法通过保存三幅不同的背景，两两比较确定是否有可疑块，对可疑块进行检测判断停车事件；该方法需对图像进行分块计算，不适用于道路情况复杂地段，且保存三幅背景图像来自同一背景模型，检测精确度不高。上述方法对于车辆停驶或驶离缺乏有效的分析，算法对停车事件分析的有效性和实用性已不能满足现实要求。

发明内容

本发明的目的在于提供一种受环境影响较小，停车检测准确的基于双层背景的停车事件检测方法。

本发明的技术解决方案是：

一种基于双层背景的停车事件检测方法，其特征是：包括下列步骤：通过以下步骤实现：

(1)建立两层不同的背景——主背景和次背景,利用主背景的更新速度快、对停止目标较敏感的特性，而次背景更新较慢、对停止目标反应较慢的特性，比较两幅图的差异；

(2)对双层背景对应的像素点作差并求出绝对值，得到静止目标，对该双层背景差值图像进行二值化；通过HSI阴影抑制，并消除目标相应像素点的阴影，对该二值图像进行闭运算，消除不连续的空洞；

(3)根据摄像机焦距、高度与角度，对图像中目标像素点加权，远处的目标像素点权值加大，近处的目标像素点权值减小，求出加权后的目标像素和值，当达到阈值时，停车事件计数器S加1，当S大于阈值时，则将该二值图像保存下来；

(4)对该二值图像进行滤波，并对图像中的目标进行分割和轮廓检测，设置检测灵敏度，对像素值大于灵敏度阈值的目标画出矩形框，根据长宽比判断该目标是否为车辆，当目标为车辆时，记录该矩形框的对角线交点坐标，存入停车事件状态表；

(5)对该像素进行处理和分析，判断该目标是否为车辆；如果该目标被判断为车辆，触发停车事件报警并将主背景当前帧赋给次背景，继续进行差异比较；当次背景中没有目标时，保留该帧图像作为纯净背景；

(6)当次背景模型中的前景为空时，存储当前的背景图像作为纯净背景，当检测到有停止目标时，将主背景当前帧存储并与该纯净的背景图像进行比较，若两帧图像中差别小于阈值时跳至第步骤(2)继续运行，若两帧图像中差别大于阈值时，则用该主背景当前帧替换次背景，跳至步骤(2)继续进行，再次检测到停车事件时，比较目标中心点坐标，判断目标是否驶离，并更新状态表。

本发明的基于双层背景的停车事件检测方法与基于虚拟线圈统计，基于目标跟踪的停车检测方法和基于单背景的块分割停车检测方法相比，受环境影响较小，无需对图像进行设定和图像标定，算法更加简单可行，降低了停车检测的运算复杂度，提高停车事件检测的实时性。通过HIS阴影抑制和形态学滤波处理消除干扰，使得停车检测更加的准确；建立状态表更新，准确的记录停车位置和状态。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是基于双层背景的停车检测方法流程图。

具体实施方式

结合附图和实施例给出一致基于双层背景的停车事件检测方法，该方法通过建立次背景——混合高斯背景模型和主背景——RunningAvg背景，对两层背景求差值，并对差值图像进行二值化，得到静止目标或低速运动目标。通过对该二值化图像的统计和轮廓识别检测出是否有停驶车辆或遗留物，将此刻的RunningAvg背景与纯净的背景图像对比，判断道路是否畅通，更新停车状态表和次背景，进行下一次的停车事件检测。具体实施步骤如下：

步骤一，将输入的视频图像I_n进行灰度化处理得到灰度图像I_ngray，通过灰度图像I_ngray建立主背景和次背景；

主背景、次背景以及纯净背景的建立及更新：

主背景模型的建立——RunningAvg模型，RunningAvg模型如下式所示：

——Bavg(i,j)为RunningAvg背景模型；

——B_n(i,j)为第n帧更新后的背景值，

——B_n-1(i,j)为第n-1帧的背景值，

——I_n(i,j)为当前视频帧的灰度值，

——为更新速率。

本发明对进行了如下改进：

——M_n为状态位；

D_n(i,j)＝|I_n(i,j)-I_n-1(i,j)|，Dn(i,j)为相邻帧残差图像；

分别为可变加权参数；

次背景模型的建立——首先初始化预先定义的几个高斯模型，对高斯模型中的参数进行初始化，并求出之后将要用到的参数。其次，对于每一帧中的每一个像素进行处理，看其是否匹配某个模型，若匹配，则将其归入该模型中，并对该模型根据新的像素值进行更新，若不匹配，则以该像素建立一个高斯模型，初始化参数，代理原有模型中最不可能的模型。最后选择前面几个最有可能的模型作为背景模型，为背景目标提取做铺垫。

混合高斯模型p(x_N)为像素出现概率统计值，如下式所示：

——w_j为k阶高斯背景的权重，x_N为输入样本，θ_j为观察值；

——η(x；θ_k)为k阶高斯的标准正态分布，其表达式如下：

——μ_k为均值；

——∑_k＝σ²I为方差；

背景像素判断公式如下式：

——B_Gauss为背景像素点；

——a为学习速率；

——w_k为初始化权重，为w_k期望值；

——T为背景阈值；

混合高斯模型使用K个高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后更新混合高斯模型,用当前图像中的每个像素点与混合高斯模型匹配，如果成功则判定该点为背景点,否则为前景点。通观整个高斯模型，主要是有方差和均值两个参数决定，对均值和方差的学习，采取不同的学习机制，将直接影响到模型的稳定性、精确性和收敛性。由于我们是对运动目标的背景提取建模，因此需要对高斯模型中方差和均值两个参数实时更新。为提高模型的学习能力,改进方法对均值和方差的更新采用不同的学习率；为提高在繁忙的场景下，大而慢的运动目标的检测效果，引入权值均值的概念，建立背景图像并实时更新，然后结合权值、权值均值和背景图像对像素点进行前景和背景的分类。

所谓纯净背景，当次背景——混合高斯背景模型的前景值为空时，保存当前的图像B_{G_clear}作为纯净背景。

步骤二，初始化停车状态表，标记停场景中是否已有停止车辆。

步骤三，双层背景对应像素点的值作差并求出绝对值，得到静止目标或低速运动目标图像D(i,j)＝|B_Avg(i,j)-B_Gauss(i,j)|，对该双层背景差值图像进行二值化，二值化阈值T_h。通过HSI阴影抑制，并消除目标相应像素点的阴影，对该图像进行闭运算，消除不连续的空洞，最后得到图像D_det(i,j)；

步骤四，根据摄像机的焦距和角度对图像D_det(i,j)白色像素点进行加权，本实例大致将图像分为5个部分对像素点进行加权。由远到近，权值分别为2.0、1.6、1.2、1.1和1。对加权后的像素进行统计当大于阈值T_p时，本实例T_p＝220，计数器S加1，否则S＝0；当S大于等于90时，则将该二值化图像D_obj保存下来；

步骤五，对图像D_obj进行滤波，并对图像中的目标进行分割和轮廓检测，设置检测灵敏度T_p，对像素值大于等于T_p的目标，通过轮廓检测确定目标的左上角边缘和右下角边缘，用方框将其标出，通过计算框图的长宽比和框内白色像素的个数去除非车辆目标，

轮廓左上角点坐标为(x₁,y₁)，右下角坐标为(x₂,y₂)，则长为l＝max(|x₁-x₂|,|y₁-y₂|)，宽为w＝min(|x₁-x₂|,|y₁-y₂|)。当成立时，则该目标为车辆，其中t₁,t₂根据车辆的长宽比取值。当目标为车辆时，触发停车事件报警并记录该矩形框的对角线交点坐标，存入停车事件状态表；

步骤六，方框对角线交点坐标为(x_i1,y_i1)其中并存储坐标信息，当再次检测到停驶目标为车辆时，得到下一批车辆边界方框对角线交点坐标(x_j1,y_j1)，当max(|x_i1-x_j1|,|y_i1-y_j1|)≤Tc则认为有车辆驶离，消除状态表中存储的车辆坐标，更新停止车辆数量，即车辆存在值减1。当max(|x_i1-x_j1|,|y_i1-y_j1|)>T_c时，则认为有车辆驶入，增加状态表中车辆坐标，更新停止车辆数量，即车辆存在值加1，其中T_c为偏移量阈值，且w为车宽；

将当前的RunnineAvg背景存储并与纯净的高斯背景图像B_{G_clear}进行比较，若两帧图像中差别小于阈值T_d，跳至步骤三继续执行，若两帧图像中差别大于等于阈值T_d，则用该RunnineAvg背景替换高斯背景，并跳至步骤三继续执行；

主背景参数设置，更新速度参数

次背景参数设置，高斯分布权重之和阈值T＝0.7，背景阈值T＝2.5，学习速率初始权重w_k＝0.05，初始标准差∑_k＝30；

步骤三中，阈值T_h＝25；步骤五中，检测灵敏度T_p＝200。

Claims (1)

1.一种停车检测准确的基于双层背景的停车事件检测方法，其特征是：包括下列步骤：

(1)建立两层不同的背景——主背景和次背景,利用主背景的更新速度快、对停止目标较敏感的特性，而次背景更新较慢、对停止目标反应较慢的特性，比较两幅图的差异；

主背景模型的建立——RunningAvg模型，RunningAvg模型如下式所示：

$B_{Avg}(i,j)={\∂}_{avg}{B}_{n-1}(i,j)+(1-{\∂}_{avg})I_n(i,j)$

——B_Avg(i,j)为RunningAvg背景模型；

——B_n(i,j)为第n帧更新后的背景值，

——B_n-1(i,j)为第n-1帧的背景值，

——I_n(i,j)为当前视频帧的灰度值，

——为更新速率；

对进行了如下改进：

——M_n为状态位；

D_n(i,j)＝|I_n(i,j)-I_n-1(i,j)|，Dn(i,j)为相邻帧残差图像；

分别为可变加权参数；

次背景模型的建立——首先初始化预先定义的几个高斯模型，对高斯模型中的参数进行初始化，并求出之后将要用到的参数；其次，对于每一帧中的每一个像素进行处理，看其是否匹配某个模型，若匹配，则将其归入该模型中，并对该模型根据新的像素值进行更新，若不匹配，则以该像素建立一个高斯模型，初始化参数，代理原有模型中最不可能的模型；最后选择前面几个最有可能的模型作为背景模型，为背景目标提取做铺垫；

混合高斯模型p(x_N)为像素出现概率统计值，如下式所示：

$p\left(x_N\right)=\underset{j=1}{\overset{K}{\Σ}}{w}_j\mathrm{\η}(x_N;{\mathrm{\θ}}_j)$

——w_j为k阶高斯背景的权重，x_N为输入样本，θ_j为观察值；

——η(x；θ_k)为k阶高斯的标准正态分布，其表达式如下：

$\mathrm{\η}(x;{\mathrm{\θ}}_k)=\mathrm{\η}(x;{\mathrm{\μ}}_k,c)=\frac{1}{{\left(2\mathrm{\π}\right)}^{\frac{D}{2}}|{\mathrm{\Σ}}_K{|}^{\frac{1}{2}}}{e}^{-\frac{1}{2}{(x-{\mathrm{\μ}}_k)}^T{\mathrm{\Σ}}_k^{-1}(x-{\mathrm{\μ}}_k)}$

——μ_k为均值；

——∑_k＝σ²I为方差；

背景像素判断公式如下式：

$B_{Gauss}(i,j)={\arg }_b\min (\underset{j=1}{\overset{b}{\Σ}}{w}_j>T)$

${\hat{w}}_k^{N+1}=(1-a){\hat{w}}_k^N+a\hat{p}\left(w_k\right|x_{N+1})$

——B_Gauss为背景像素点；

——a为学习速率；

——w_k为初始化权重，为w_k期望值；

——T为背景阈值；

混合高斯模型使用K个高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后更新混合高斯模型,用当前图像中的每个像素点与混合高斯模型匹配，如果成功则判定该点为背景点,否则为前景点；通观整个高斯模型，主要是有方差和均值两个参数决定，对均值和方差的学习，采取不同的学习机制，将直接影响到模型的稳定性、精确性和收敛性；由于是对运动目标的背景提取建模，因此需要对高斯模型中方差和均值两个参数实时更新；为提高模型的学习能力,改进方法对均值和方差的更新采用不同的学习率；为提高在繁忙的场景下，大而慢的运动目标的检测效果，引入权值均值的概念，建立背景图像并实时更新，然后结合权值、权值均值和背景图像对像素点进行前景和背景的分类；

(2)初始化停车状态表，标记停场景中是否已有停止车辆；对双层背景对应的像素点作差并求出绝对值，得到静止目标，对双层背景差值图像进行二值化；通过HSI阴影抑制，并消除目标相应像素点的阴影，对二值图像进行闭运算，消除不连续的空洞；

(3)根据摄像机焦距、高度与角度，对图像中目标像素点加权，将图像分为5个部分对像素点进行加权；由远到近，权值分别为2.0、1.6、1.2、1.1和1；对加权后的像素进行统计当大于阈值T_p时，计数器S加1，否则S＝0；当S大于等于90时，则将该二值化图像D_obj保存下来；阈值T_p＝220；

(4)对该二值图像进行滤波，并对图像中的目标进行分割和轮廓检测，设置检测灵敏度，对像素值大于灵敏度阈值的目标画出矩形框，根据长宽比判断该目标是否为车辆，当目标为车辆时，记录该矩形框的对角线交点坐标，存入停车事件状态表；

(5)对像素进行处理和分析，判断该目标是否为车辆；如果该目标被判断为车辆，触发停车事件报警并将主背景当前帧赋给次背景，继续进行差异比较；当次背景中没有目标时，保留图像作为纯净背景；

(6)当次背景模型中的前景为空时，存储当前的背景图像作为纯净背景，当检测到有停止目标时，将主背景当前帧存储并与纯净的背景图像进行比较，若两帧图像中差别小于阈值时跳至步骤(2)继续运行，若两帧图像中差别大于阈值时，则用该主背景当前帧替换次背景，跳至步骤(2)继续进行，再次检测到停车事件时，比较目标中心点坐标，判断目标是否驶离，并更新状态表。