CN107424412A - 一种交通行为分析*** - Google Patents
一种交通行为分析*** Download PDFInfo
- Publication number
- CN107424412A CN107424412A CN201710862284.9A CN201710862284A CN107424412A CN 107424412 A CN107424412 A CN 107424412A CN 201710862284 A CN201710862284 A CN 201710862284A CN 107424412 A CN107424412 A CN 107424412A
- Authority
- CN
- China
- Prior art keywords
- mrow
- vehicle
- msub
- module
- target
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
- G08G1/054—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed photographing overspeeding vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种交通行为分析***,包括:视频采集模块、车辆检测模块、车辆跟踪模块、车辆轨迹提取模块、车辆行为分析模块、车牌识别模块、车辆信息描述模块和通讯模块。本发明从交通监控场景中获取交通视频图像,在获取的交通视频图像中检测出车辆目标并对其进行运动跟踪获取该车辆目标的轨迹、速度等信息,根据获取的信息对车辆目标行为进行分析,判断其是否存在违规变道、超速、逆行、违规转弯等行为,并实时获取违规车辆的车牌信息,将车辆目标的违规视频和车辆信息实时发送到管理中心,本申请实时性强,识别准确率高,能够有效地进行二十四小时交通监测。
Description
技术领域
本发明涉及智能交通技术领域,特别是一种交通行为分析***。
背景技术
智能技术在交通领域的发展日趋成熟,主要用于公路卡口或停车场出入口。目前的主流智能交通解决方式是,地感线圈感知到车辆经过的信息后,发送信号传递给车辆检测器,车辆检测器分析确认是一辆车经过,于是发送触发信号给摄像机,摄像机接收到信号,一边控制补光灯发出亮光,一边按下快门拍摄图像并识别出车牌。如此方法,车辆经过时只拿抓拍到一张图片,对车辆行为的判别种类非常有限,一台设备只能实现一两个单一智能视频功能。
现有技术中,也有一些带有行为分析的摄像***,然后当中普遍存在准确率不足,适应性不高的情况,特别是在夜间的拍摄识别中,往往由于阴暗的环境导致分析不准确或者漏分析的情况,对***的可靠程度造成影响。
发明内容
针对上述问题,本发明旨在提供一种交通行为分析***。
本发明的目的采用以下技术方案来实现:
一种交通行为分析***,包括:视频采集模块、车辆检测模块、车辆跟踪模块、车辆轨迹提取模块、车辆行为分析模块、车牌识别模块、车辆信息描述模块和通讯模块,其中:
所述视频采集模块,用于获取交通视频图像;
所述车辆检测模块,用于检测所述交通视频图像中的车辆,获取交通视频图像中的跟踪车辆目标;
所述车辆跟踪模块,用于对交通视频图像中的跟踪车辆目标进行跟踪,获取车辆位置信息;
所述车辆轨迹提取模块,用于接收所述车辆跟踪模块的车辆位置信息,提取各帧图像中的车辆中心位置点,以车辆中心位置点的变化构建车辆运动轨迹;
所述车辆行为分析模块,用于接收所述车辆运动轨迹,根据车辆运动轨迹及预设行为判定规则,判定该车辆的行为;
所述车牌识别模块,用于交通视频图像中车辆的车牌信息;
所述车辆信息描述模块,用于将违规行为车辆的图像进行压缩,并根据从所述车牌识别模块获取的车牌信息和从所述车辆行为分析模块获取的车辆行为信息,形成文本形式描述的行为分析结果信息;
所述通讯模块,用于将所述行为分析结果信息发送到信息管理中心。
优选地,所述***还包括视频压缩模块,所述视频压缩模块用于将获取的交通视频图像进行压缩,压缩后的视频通过通讯模块发送到信息管理中心。
优选地,所述视频采集模块为高清摄像头。
本发明的有益效果为:本发明从交通监控场景中获取交通视频图像,在获取的交通视频图像中检测出车辆目标并对其进行运动跟踪获取该车辆目标的轨迹、速度等信息,根据获取的信息对车辆目标行为进行分析,判断其是否存在违规变道、超速、逆行、违规转弯等行为,并实时获取违规车辆的车牌信息,将车辆目标的违规视频和车辆信息实时发送到管理中心,本申请实时性强,识别准确率高,能够有效地进行二十四小时交通监测。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明的框架结构图。
附图标记:
视频采集模块1、车辆检测模块2、车辆跟踪模块3、车辆轨迹提取模块4、车辆行为分析模块5、车牌识别模块6、车辆信息描述模块7、通讯模块8和视频压缩模块9
具体实施方式
结合以下应用场景对本发明作进一步描述。
参见图1,一种交通行为分析***,包括:视频采集模块1、车辆检测模块2、车辆跟踪模块3、车辆轨迹提取模块4、车辆行为分析模块5、车牌识别模块6、车辆信息描述模块7和通讯模块8,其中:
所述视频采集模块1,用于获取交通视频图像;
所述车辆检测模块2,用于检测所述交通视频图像中的车辆,获取交通视频图像中的跟踪车辆目标;
所述车辆跟踪模块3,用于对交通视频图像中的跟踪车辆目标进行跟踪,获取车辆位置信息;
所述车辆轨迹提取模块4,用于接收所述车辆跟踪模块3的车辆位置信息,提取各帧图像中的车辆中心位置点,以车辆中心位置点的变化构建车辆运动轨迹;
所述车辆行为分析模块5,用于接收所述车辆运动轨迹,根据车辆运动轨迹及预设行为判定规则,判定该车辆的行为;
所述车牌识别模块6,用于交通视频图像中车辆的车牌信息;
所述车辆信息描述模块7,用于将违规行为车辆的图像进行压缩,并根据从所述车牌识别模块获取的车牌信息和从所述车辆行为分析模块获取的车辆行为信息,形成文本形式描述的行为分析结果信息;
所述通讯模块8,用于将所述行为分析结果信息发送到信息管理中心。
优选地,所述***还包括视频压缩模块9,所述视频压缩模块用于将获取的交通视频图像进行压缩,压缩后的视频通过通讯模块发送到信息管理中心。
优选地,所述视频采集模1块为高清摄像头。
本发明上述实施例,从交通监控场景中获取交通视频图像,在获取的交通视频图像中检测出车辆目标并对其进行运动跟踪获取该车辆目标的轨迹、速度等信息,根据获取的信息对车辆目标行为进行分析,判断其是否存在违规变道、超速、逆行、违规转弯等行为,并实时获取违规车辆的车牌信息,将车辆目标的违规视频和车辆信息实时发送到管理中心,本申请实时性强,识别准确率高,能够有效地进行二十四小时交通监测。
优选地,所述视频采集模块包括视频增强单元,用于对采集的交通视频图像进行增强处理,具体为:
(1)对交通视频图像进行增强处理,其中采用的自定义亮度补偿函数为:
DZ(x,y)=ωd(x,y)·(Dgb(x,y)-Dab(x,y))+Dlb(x,y)
其中,
式中,DZ(x,y)表示增强后交通视频图像坐标点(x,y)的亮度值,Dlb表示当前交通视频图像坐标点(x,y)的背景亮度值,Dgb(x,y)表示白天视频坐标点(x,y)的亮度参考值,Dab(x,y)表示夜间视频坐标点(x,y)的亮度参考值,其中Dgb和Dab由***根据之前获取的视频背景亮度获得,ωd(x,y)表示亮度权重,ω(x,y)表示为背景目标亮度权重,S(x,y)表示为前景目标的二值函数,当像素点(x,y)为前景目标时S(x,y)=1,当像素点(x,y)为背景图像时S(x,y)=0,ω′(x,y)表示前景目标亮度权重,Q表示设定的阈值。
本优选实施例,采用上述的方法对交通视频图像进行增强处理,能够自动监测交通视频中的亮度情况,通过在白天的时候获取较为明亮时候视频的亮度参考值作为标准,当在视频亮度不足,特别时夜间拍摄的时候,根据所述亮度参考值对视频的亮度进行自动的补偿,从而提高视频中背景的亮度,能够有效地突出视频中的车辆目标,为之后***中对车辆目标的进一步处理奠定了基础。
优选地,所述车辆检测模块,用于检测所述交通视频图像中的车辆,获取交通视频图像中的跟踪车辆目标,包括:
(1)把交通视频图像划分成大小相同的多个小块;
(2)在i时刻,每一小块的背景模型用N个分别带有权值的统一LBP纹理特征向量和局部色度向量表示,则背景模型可以表达为n=1,2,…,N,每个称为一个背景模式,其中i表示i时刻,N表示背景模型中背景模式的总数;
(3)对于每一个小块,采用下列的方式进行处理,具体为:
每当得到新的一帧图像后,提取该小块的统一LBP纹理特征向量VEi,和局部色度向量CLi,将其依次与背景模型中对应小块的N个背景模式进行对比,获取他们的相似度,其中采用的自定义背景相似度函数为:
式中,表示i时刻目标小块特征ODi与该小块背景模型中第n个背景模式特征的相似度,表示统一LBP纹理特征相似度函数,用于计算目标小块的统一LBP纹理特征VEi与该小块背景模型中第n个统一LBP纹理特征的相似度, 表示局部色度相似度函数,用于计算目标小块的局部色度特征CLi与该小块背景模型中第n个局部色度特征的相似度, λ表示判定结果融合参数,n=1,2,…,N,N表示背景模型中背景模式的总数,VEi(uP)和分别表示目标小块的统一LBP纹理特征VEi和该小块背景模型中第n个统一LBP纹理特征中的第uP个分向量,CLi(uCL)和分别表示目标小块的局部色度特征CLi与该小块背景模型中第n个局部色度特征中的第uCL个分向量,PW×PH表示小块的像素尺寸大小,PW和PH分别表示小块的长和宽,其中PW=PH=3;
(4)对于每一个小块,当存在一个背景模式使得小于设定的阈值F‘,则该小块被判定为背景,否则为前景;
(5)对于判定为背景的小块,对与之匹配的背景模式进行更新:
式中,表示i时刻该小块背景模型中第n个统一LBP纹理特征,K(x)为高斯分布函数,表示i时刻目标小块特征ODi与该小块背景模型中第n个背景模式特征的相似度,σi,n表示标准差,β表示背景更新权值,表示该小块背景模型中第n个局部色度特征;
(6)选取视频中的前景部分标记为跟踪车辆目标。
其中,由于视频中每帧图像的相邻像素之间的相关性很大,相邻像素值突变的可能性很小,所以LBP算子得到的二进制编码的变化不可能太剧烈。为了在视频处理的时候达到较好的实时性,可将LBP纹理的种类压缩,使得01跳变的次数为0或2的LBP编码中1的数量相同的编码作为一类,此时会出现P+1类统一LBP纹理模式,并根据其中1的数目,分配一个唯一编号(0~P)作为其统一LBP纹理特征值,对于那些01跳变的次数大于2的模式,统计为非统一类,分配编号P+1作为其统一LBP纹理特征值,其中P表示计算目标像素点LBP纹理特征时选取参考点的数目;
本优选实施例,采用上述的方法对交通视频图像中的跟踪车辆目标进行监测,通过检测交通视频中前后两帧图像的纹理色度特征变化来区分视频中的前景目标和背景图像,准确地获取视频中的前景目标作为跟踪车辆目标,实时性和适应性强,准确度高。
优选地,所述车辆跟踪模块,用于对交通视频图像中的跟踪车辆目标进行跟踪,包括:
(1)根据跟踪车辆目标所在的区域,获取跟踪车辆目标的中心位置并计算该区域的纹理色度联合特征,设定跟踪车辆目标区域纹理色度联合特征概率模型为其中C表示纹理色度联合特征中特征分量的总数,迭代次数v=0,跟踪车辆目标的初始位置为
优选地,该运动目标所在的区域为矩形区域;
优选地,所述纹理色度联合特征前P+2个特征向量表示统一LBP纹理特征,后个特征向量表示色度特征,其中P表示计算目标像素点LBP纹理特征时选取参考点的数目,a表示设定的色度特征跨度参数,
(2)从交通视频图像中读入下一帧图像,以为中心,长宽为跟踪车辆目标矩形区域长宽的一半的矩形范围作为候选区域,计算该候选区域的纹理色度联合特征,获取候选区域纹理色度联合特征概率模型
(3)获取下一帧图像中可能出现跟踪车辆目标的位置采用的自定义跟踪车辆目标中心位置迭代方程为:
式中,表示迭代次数为v+1时预测跟踪车辆目标所在位置的像素点,δu表示候选区域中的一个像素点,u=1,2,…,U,U表示候选区域像素点的总数,为核函数,当δu与的距离越短时取值越大,h表示核函数的带宽,yu表示δu所对应的权值, 表示跟踪车辆目标区域纹理色度联合特征概率模型中第c个特征分量的概率密度,c=1,2,…,C,其中C表示纹理色度联合特征中特征分量的总数,其中C表示跟踪车辆目标区域纹理色度联合特征概率模型归一化因子,G(||δu-δ′||2)为核函数,当δu与δ′的距离越短时取值越大,δ′表示跟踪车辆目标区域的中心像素点,δ[b(δu)-c]表示Kronecker脉冲函数,b(δu)表示像素点δu对应的纹理色度联合特征,R(c)表示跟踪车辆目标区域纹理色度联合特征概率模型中第c个分量对应的特征,表示候选区域纹理色度联合特征概率模型中第c个特征分量的概率密度,其中C’表示候选区域纹理色度联合特征概率模型归一化因子;
(4)如果小于设定的距离阈值,则停止迭代函数,标记的位置为跟踪车辆目标在当前帧的中心位置,并返回步骤(1),调整目标位置否则,调整目标位置返回步骤(2)继续当前帧的迭代。
本优选实施例,采用上述的方法对跟踪车辆目标进行跟踪,根据跟踪车辆目标的纹理色度特征建立特征概率模型,然后通过在下一帧图像中通过纹理色度特征模型匹配来预测跟踪车辆目标出现的位置,通过迭代算法进行调整,直到获取准确的车辆目标的位置变化,能够准确地通过车辆的纹理信息特征对车辆进行跟踪,适应性强,特别是在夜间光照度不足的情况下,依然能保持良好的跟踪效果,为之后***对跟踪车辆目标的进一步处理提供了保证。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当分析,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (6)
1.一种交通行为分析***,其特征在于,包括:视频采集模块、车辆检测模块、车辆跟踪模块、车辆轨迹提取模块、车辆行为分析模块、车牌识别模块、车辆信息描述模块和通讯模块,其中:
所述视频采集模块,用于获取交通视频图像;
所述车辆检测模块,用于检测所述交通视频图像中的车辆,获取交通视频图像中的跟踪车辆目标;
所述车辆跟踪模块,用于对交通视频图像中的跟踪车辆目标进行跟踪,获取车辆位置信息;
所述车辆轨迹提取模块,用于接收所述车辆跟踪模块的车辆位置信息,提取各帧图像中的车辆中心位置点,以车辆中心位置点的变化构建车辆运动轨迹;
所述车辆行为分析模块,用于接收所述车辆运动轨迹,根据车辆运动轨迹及预设行为判定规则,判定该车辆的行为;
所述车牌识别模块,用于交通视频图像中车辆的车牌信息;
所述车辆信息描述模块,用于将违规行为车辆的图像进行压缩,并根据从所述车牌识别模块获取的车牌信息和从所述车辆行为分析模块获取的车辆行为信息,形成文本形式描述的行为分析结果信息;
所述通讯模块,用于将所述行为分析结果信息发送到信息管理中心。
2.根据权利要求1所述的一种办公室智能监控***,其特征在于,所述***还包括视频压缩模块,所述视频压缩模块用于将获取的交通视频图像进行压缩,压缩后的视频通过通讯模块发送到信息管理中心。
3.根据权利要求2所述的一种办公室智能监控***,其特征在于,所述视频采集模块为高清摄像头。
4.根据权利要求3所述的一种办公室智能监控***,其特征在于,所述视频采集模块包括视频增强单元,用于对采集的交通视频图像进行增强处理,具体为:
(1)对交通视频图像进行增强处理,其中采用的自定义亮度补偿函数为:
DZ(x,y)=ωd(x,y)·(Dgb(x,y)-Dab(x,y))+Dlb(x,y)
其中,
<mrow>
<msub>
<mi>&omega;</mi>
<mi>d</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>l</mi>
<mi>b</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>a</mi>
<mi>b</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mi>Q</mi>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mn>1</mn>
<mn>9</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mi>y</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mi>x</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</munderover>
<mi>S</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中,DZ(x,y)表示增强后交通视频图像坐标点(x,y)的亮度值,Dlb表示当前交通视频图像坐标点(x,y)的背景亮度值,Dgb(x,y)表示白天视频坐标点(x,y)的亮度参考值,Dab(x,y)表示夜间视频坐标点(x,y)的亮度参考值,其中Dgb和Dab由***根据之前获取的视频背景亮度获得,ωd(x,y)表示亮度权重,ω(x,y)表示为背景目标亮度权重,S(x,y)表示为前景目标的二值函数,当像素点(x,y)为前景目标时S(x,y)=1,当像素点(x,y)为背景图像时S(x,y)=0,ω′(x,y)表示前景目标亮度权重,Q表示设定的阈值。
5.根据权利要求4所述的一种办公室智能监控***,其特征在于,所述车辆检测模块,用于检测所述交通视频图像中的车辆,获取交通视频图像中的跟踪车辆目标,包括:
(1)把交通视频图像划分成大小相同的多个小块;
(2)在i时刻,每一小块的背景模型用N个分别带有权值的统一LBP纹理特征向量和局部色度向量表示,则背景模型可以表达为每个称为一个背景模式,其中i表示i时刻,N表示背景模型中背景模式的总数;
(3)对于每一个小块,采用下列的方式进行处理,具体为:
每当得到新的一帧图像后,提取该小块的统一LBP纹理特征向量VEi,和局部色度向量CLi,将其依次与背景模型中对应小块的N个背景模式进行对比,获取他们的相似度,其中采用的自定义背景相似度函数为:
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>OD</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>OD</mi>
<mi>i</mi>
<mi>n</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&lambda;F</mi>
<mi>P</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>VE</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msubsup>
<mi>VE</mi>
<mi>i</mi>
<mi>n</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>C</mi>
<mi>L</mi>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<msub>
<mi>CL</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>CL</mi>
<mi>i</mi>
<mi>n</mi>
</msubsup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
式中,表示i时刻目标小块特征ODi与该小块背景模型中第n个背景模式特征的相似度,表示统一LBP纹理特征相似度函数,用于计算目标小块的统一LBP纹理特征VEi与该小块背景模型中第n个统一LBP纹理特征的相似度, 表示局部色度相似度函数,用于计算目标小块的局部色度特征CLi与该小块背景模型中第n个局部色度特征的相似度, λ表示判定结果融合参数,n=1,2,…,N,N表示背景模型中背景模式的总数,VEi(uP)和分别表示目标小块的统一LBP纹理特征VEi和该小块背景模型中第n个统一LBP纹理特征中的第uP个分向量,CLi(uCL)和分别表示目标小块的局部色度特征CLi与该小块背景模型中第n个局部色度特征中的第uCL个分向量,PW×PH表示小块的像素尺寸大小,PW和PH分别表示小块的长和宽;
(4)对于每一个小块,当存在一个背景模式使得小于设定的阈值F‘,则该小块被判定为背景,否则为前景;
(5)对于判定为背景的小块,对与之匹配的背景模式进行更新:
<mrow>
<msubsup>
<mi>VE</mi>
<mi>i</mi>
<mi>n</mi>
</msubsup>
<mo>=</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<msubsup>
<mi>VE</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mo>+</mo>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mn>0</mn>
<mo>,</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<msub>
<mi>VE</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msubsup>
<mi>CL</mi>
<mi>i</mi>
<mi>n</mi>
</msubsup>
<mo>=</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<msubsup>
<mi>CL</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mo>+</mo>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>CL</mi>
<mi>i</mi>
</msub>
</mrow>
式中,表示i时刻该小块背景模型中第n个统一LBP纹理特征,K(x)为高斯分布函数, 表示i时刻目标小块特征oDi与该小块背景模型中第n个背景模式特征的相似度,σi,n表示标准差,β表示背景更新权值,表示该小块背景模型中第n个局部色度特征;
(6)选取视频中的前景部分标记为跟踪车辆目标。
6.根据权利要求5所述的一种办公室智能监控***,其特征在于,所述车辆跟踪模块,用于对交通视频图像中的跟踪车辆目标进行跟踪,包括:
(1)根据跟踪车辆目标所在的区域,获取跟踪车辆目标的中心位置并计算该区域的纹理色度联合特征,设定跟踪车辆目标区域纹理色度联合特征概率模型为其中C表示纹理色度联合特征中特征分量的总数,迭代次数v=0,跟踪车辆目标的初始位置为
(2)从交通视频图像中读入下一帧图像,以为中心,长宽为跟踪车辆目标矩形区域长宽的一半的矩形范围作为候选区域,计算该候选区域的纹理色度联合特征,获取候选区域纹理色度联合特征概率模型
(3)获取下一帧图像中可能出现跟踪车辆目标的位置采用的自定义跟踪车辆目标中心位置迭代方程为:
<mrow>
<msub>
<mover>
<mi>&xi;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>v</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msup>
<mi>U</mi>
<mo>&prime;</mo>
</msup>
</msubsup>
<msub>
<mi>&delta;</mi>
<mi>u</mi>
</msub>
<msub>
<mi>y</mi>
<mi>u</mi>
</msub>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mo>|</mo>
<mfrac>
<mrow>
<msub>
<mi>&delta;</mi>
<mi>u</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>&xi;</mi>
<mo>^</mo>
</mover>
<mi>v</mi>
</msub>
</mrow>
<mi>h</mi>
</mfrac>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msup>
<mi>U</mi>
<mo>&prime;</mo>
</msup>
</msubsup>
<msub>
<mi>&delta;</mi>
<mi>u</mi>
</msub>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mo>|</mo>
<mfrac>
<mrow>
<msub>
<mi>&delta;</mi>
<mi>u</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>&xi;</mi>
<mo>^</mo>
</mover>
<mi>v</mi>
</msub>
</mrow>
<mi>h</mi>
</mfrac>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
式中,表示迭代次数为v+1时预测跟踪车辆目标所在位置的像素点,δu表示候选区域中的一个像素点,u=1,2,…,U,U表示候选区域像素点的总数,为核函数,当δu与的距离越短时取值越大,h表示核函数的带宽,yu表示δu所对应的权值, 表示跟踪车辆目标区域纹理色度联合特征概率模型中第c个特征分量的概率密度,c=1,2,…,C,其中C表示纹理色度联合特征中特征分量的总数,其中C表示跟踪车辆目标区域纹理色度联合特征概率模型归一化因子,G(||δu-δ′||2)为核函数,当δu与δ′的距离越短时取值越大,δ′表示跟踪车辆目标区域的中心像素点,δ[b(δu)-c]表示Kronecker脉冲函数,b(δu)表示像素点δu对应的纹理色度联合特征,R(c)表示跟踪车辆目标区域纹理色度联合特征概率模型中第c个分量对应的特征,表示候选区域纹理色度联合特征概率模型中第c个特征分量的概率密度,其中C’表示候选区域纹理色度联合特征概率模型归一化因子;
(4)如果小于设定的距离阈值,则停止迭代函数,标记的位置为跟踪车辆目标在当前帧的中心位置,并返回步骤(1),调整目标位置否则,调整目标位置返回步骤(2)继续当前帧的迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710862284.9A CN107424412A (zh) | 2017-09-21 | 2017-09-21 | 一种交通行为分析*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710862284.9A CN107424412A (zh) | 2017-09-21 | 2017-09-21 | 一种交通行为分析*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107424412A true CN107424412A (zh) | 2017-12-01 |
Family
ID=60433506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710862284.9A Pending CN107424412A (zh) | 2017-09-21 | 2017-09-21 | 一种交通行为分析*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107424412A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107749170A (zh) * | 2017-12-07 | 2018-03-02 | 东莞职业技术学院 | 一种车辆跟踪装置及方法 |
CN108229407A (zh) * | 2018-01-11 | 2018-06-29 | 武汉米人科技有限公司 | 一种视频分析中的行为检测方法与*** |
CN108596129A (zh) * | 2018-04-28 | 2018-09-28 | 武汉盛信鸿通科技有限公司 | 一种基于智能视频分析技术的车辆越线检测方法 |
CN109448361A (zh) * | 2018-09-18 | 2019-03-08 | 云南大学 | 居民交通出行流量预测***及其预测方法 |
CN109615862A (zh) * | 2018-12-29 | 2019-04-12 | 南京市城市与交通规划设计研究院股份有限公司 | 道路车辆交通运动状态参数动态获取方法及装置 |
CN109747642A (zh) * | 2019-01-04 | 2019-05-14 | 北京博宇通达科技有限公司 | 车辆行驶控制方法及设备 |
CN110163893A (zh) * | 2019-05-09 | 2019-08-23 | 青岛讯极科技有限公司 | 一种远场景黑暗环境下的车牌提取及车辆跟踪***和方法 |
CN110415272A (zh) * | 2019-07-08 | 2019-11-05 | 东华大学 | 一种电瓶车逆行检测***及方法 |
CN110517506A (zh) * | 2019-08-26 | 2019-11-29 | 重庆同济同枥信息技术有限公司 | 基于交通视频图像检测停车事件的方法、装置及存储介质 |
WO2020024457A1 (zh) * | 2018-08-01 | 2020-02-06 | 平安科技(深圳)有限公司 | 交通事故的定责方法、装置及计算机可读存储介质 |
CN111583670A (zh) * | 2020-05-07 | 2020-08-25 | 西安智文琛软件有限公司 | 一种利用无人机监测超速行车的方法、监测***及无人机 |
CN111627204A (zh) * | 2020-03-10 | 2020-09-04 | 蘑菇车联信息科技有限公司 | 路径确定方法、装置、电子设备及存储介质 |
CN111862593A (zh) * | 2020-06-03 | 2020-10-30 | 北京百度网讯科技有限公司 | 交通类事件的上报方法、装置、电子设备及存储介质 |
CN112437274A (zh) * | 2020-11-17 | 2021-03-02 | 浙江大华技术股份有限公司 | 一种抓拍图片的传输方法及抓拍机 |
CN113409582A (zh) * | 2020-03-16 | 2021-09-17 | 浙江宇视科技有限公司 | 一种图像处理方法、装置及电子设备和存储介质 |
CN113570877A (zh) * | 2021-06-22 | 2021-10-29 | 淮阴工学院 | 一种非机动车逆行检测装置及检测方法 |
CN114078331A (zh) * | 2020-08-19 | 2022-02-22 | 北京万集科技股份有限公司 | 超速检测方法、装置、视觉传感器和存储介质 |
CN114155714A (zh) * | 2020-09-15 | 2022-03-08 | 台州市远行客网络技术有限公司 | 一种机动车牌接力识别***及车牌接力识别方法 |
CN114530042A (zh) * | 2021-12-31 | 2022-05-24 | 威海南海数字产业研究院有限公司 | 一种基于物联网技术的城市交通大脑监控*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105632175A (zh) * | 2016-01-08 | 2016-06-01 | 上海微锐智能科技有限公司 | 车辆行为分析方法及*** |
CN106997670A (zh) * | 2017-06-02 | 2017-08-01 | 攀枝花学院 | 基于视频的交通信息实时采集*** |
-
2017
- 2017-09-21 CN CN201710862284.9A patent/CN107424412A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105632175A (zh) * | 2016-01-08 | 2016-06-01 | 上海微锐智能科技有限公司 | 车辆行为分析方法及*** |
CN106997670A (zh) * | 2017-06-02 | 2017-08-01 | 攀枝花学院 | 基于视频的交通信息实时采集*** |
Non-Patent Citations (2)
Title |
---|
袁国武: "智能视频监控中的运动目标检测和跟踪算法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
饶云波: "夜间视频增强的关键技术研究", 《万方学位论文》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107749170A (zh) * | 2017-12-07 | 2018-03-02 | 东莞职业技术学院 | 一种车辆跟踪装置及方法 |
CN107749170B (zh) * | 2017-12-07 | 2020-06-16 | 东莞职业技术学院 | 一种车辆跟踪装置及方法 |
CN108229407A (zh) * | 2018-01-11 | 2018-06-29 | 武汉米人科技有限公司 | 一种视频分析中的行为检测方法与*** |
CN108596129A (zh) * | 2018-04-28 | 2018-09-28 | 武汉盛信鸿通科技有限公司 | 一种基于智能视频分析技术的车辆越线检测方法 |
CN108596129B (zh) * | 2018-04-28 | 2022-05-06 | 武汉盛信鸿通科技有限公司 | 一种基于智能视频分析技术的车辆越线检测方法 |
WO2020024457A1 (zh) * | 2018-08-01 | 2020-02-06 | 平安科技(深圳)有限公司 | 交通事故的定责方法、装置及计算机可读存储介质 |
CN109448361A (zh) * | 2018-09-18 | 2019-03-08 | 云南大学 | 居民交通出行流量预测***及其预测方法 |
CN109615862A (zh) * | 2018-12-29 | 2019-04-12 | 南京市城市与交通规划设计研究院股份有限公司 | 道路车辆交通运动状态参数动态获取方法及装置 |
CN109747642A (zh) * | 2019-01-04 | 2019-05-14 | 北京博宇通达科技有限公司 | 车辆行驶控制方法及设备 |
CN110163893A (zh) * | 2019-05-09 | 2019-08-23 | 青岛讯极科技有限公司 | 一种远场景黑暗环境下的车牌提取及车辆跟踪***和方法 |
CN110415272A (zh) * | 2019-07-08 | 2019-11-05 | 东华大学 | 一种电瓶车逆行检测***及方法 |
CN110517506A (zh) * | 2019-08-26 | 2019-11-29 | 重庆同济同枥信息技术有限公司 | 基于交通视频图像检测停车事件的方法、装置及存储介质 |
CN111627204A (zh) * | 2020-03-10 | 2020-09-04 | 蘑菇车联信息科技有限公司 | 路径确定方法、装置、电子设备及存储介质 |
CN113409582A (zh) * | 2020-03-16 | 2021-09-17 | 浙江宇视科技有限公司 | 一种图像处理方法、装置及电子设备和存储介质 |
CN111583670A (zh) * | 2020-05-07 | 2020-08-25 | 西安智文琛软件有限公司 | 一种利用无人机监测超速行车的方法、监测***及无人机 |
US11308798B2 (en) | 2020-06-03 | 2022-04-19 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Method for reporting traffic event, electronic device and storage medium |
JP7223059B2 (ja) | 2020-06-03 | 2023-02-15 | 阿波▲羅▼智▲聯▼(北京)科技有限公司 | 交通事象の報知方法及びその装置、電子機器並びに記憶媒体 |
JP2021131904A (ja) * | 2020-06-03 | 2021-09-09 | ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド | 交通事象の報知方法及びその装置、電子機器並びに記憶媒体 |
CN111862593A (zh) * | 2020-06-03 | 2020-10-30 | 北京百度网讯科技有限公司 | 交通类事件的上报方法、装置、电子设备及存储介质 |
CN114078331A (zh) * | 2020-08-19 | 2022-02-22 | 北京万集科技股份有限公司 | 超速检测方法、装置、视觉传感器和存储介质 |
CN114155714A (zh) * | 2020-09-15 | 2022-03-08 | 台州市远行客网络技术有限公司 | 一种机动车牌接力识别***及车牌接力识别方法 |
CN114155714B (zh) * | 2020-09-15 | 2022-11-08 | 深圳市软筑信息技术有限公司 | 一种机动车牌接力识别***及车牌接力识别方法 |
CN112437274B (zh) * | 2020-11-17 | 2022-08-30 | 浙江大华技术股份有限公司 | 一种抓拍图片的传输方法及抓拍机 |
CN112437274A (zh) * | 2020-11-17 | 2021-03-02 | 浙江大华技术股份有限公司 | 一种抓拍图片的传输方法及抓拍机 |
CN113570877A (zh) * | 2021-06-22 | 2021-10-29 | 淮阴工学院 | 一种非机动车逆行检测装置及检测方法 |
CN114530042A (zh) * | 2021-12-31 | 2022-05-24 | 威海南海数字产业研究院有限公司 | 一种基于物联网技术的城市交通大脑监控*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107424412A (zh) | 一种交通行为分析*** | |
CN105632175B (zh) | 车辆行为分析方法及*** | |
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
Sidla et al. | Pedestrian detection and tracking for counting applications in crowded situations | |
Gupte et al. | Detection and classification of vehicles | |
CN106447680B (zh) | 动态背景环境下雷达与视觉融合的目标检测与跟踪方法 | |
Miura et al. | An active vision system for on-line traffic sign recognition | |
Foresti et al. | Active video-based surveillance system: the low-level image and video processing techniques needed for implementation | |
Šegvić et al. | A computer vision assisted geoinformation inventory for traffic infrastructure | |
CN103150559B (zh) | 基于Kinect三维深度图像的头部识别与跟踪方法 | |
CN109902676B (zh) | 一种基于动态背景的违停检测算法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN107491720A (zh) | 一种基于改进型卷积神经网络的车型识别方法 | |
CN102915433B (zh) | 基于字符组合的车牌定位和识别方法 | |
CN103268470B (zh) | 基于任意场景的视频对象实时统计方法 | |
CN104134222A (zh) | 基于多特征融合的车流监控图像检测和跟踪***及方法 | |
CN104517095B (zh) | 一种基于深度图像的人头分割方法 | |
Rodríguez et al. | An adaptive, real-time, traffic monitoring system | |
CN105608417A (zh) | 交通信号灯检测方法及装置 | |
CN102819764A (zh) | 一种适用于交通路口复杂场景下的多视角人流量统计方法 | |
Wei et al. | City-scale vehicle tracking and traffic flow estimation using low frame-rate traffic cameras | |
CN107644206A (zh) | 一种道路异常行为动作检测装置 | |
CN111062971B (zh) | 一种基于深度学习多模态的跨摄像头泥头车追踪方法 | |
Wu et al. | A new approach to video-based traffic surveillance using fuzzy hybrid information inference mechanism | |
CN103577832B (zh) | 一种基于时空上下文的人流量统计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171201 |
|
RJ01 | Rejection of invention patent application after publication |