CN109741350B - 基于形态学变化与活动点填充的交通视频背景提取方法 - Google Patents
基于形态学变化与活动点填充的交通视频背景提取方法 Download PDFInfo
- Publication number
- CN109741350B CN109741350B CN201811473688.XA CN201811473688A CN109741350B CN 109741350 B CN109741350 B CN 109741350B CN 201811473688 A CN201811473688 A CN 201811473688A CN 109741350 B CN109741350 B CN 109741350B
- Authority
- CN
- China
- Prior art keywords
- image
- rgb
- value
- img
- gray
- 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.)
- Active
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种背景提取方法,尤其是一种基于形态学变化与活动点填充的交通视频背景提取方法,属于交通视频检测分析的技术领域。本发明通过对单通道的灰度图像进行处理,得到图像中物体的轮廓,从而判断检测区域内是否有物体存在,并截取检测区域内无物体存在的图像作为固定背景。固定背景相对于混合高斯背景,在路口间歇性停车、排队的时候有着较高的计数准确率。而城市道路由于红绿灯分流的情况,往往会出现短时间的排队、停车等车辆积压的情况,固定背景能很好的处理这种情况。通过对红蓝色车灰度图像上的像素点进行填充,防止灰度图上红蓝车颜色过于接近地面而漏记的情况发生,从而能提高车流量计数的准确性,适应范围广,安全可靠。
Description
技术领域
本发明涉及一种背景提取方法,尤其是一种基于形态学变化与活动点填充的交通视频背景提取方法,属于交通视频检测分析的技术领域。
背景技术
随着智能交通的发展,实时的交通流量数据检测起着越来越重要的作用。过去普遍通过铺设磁感线圈的方式检测车流量,但因其安装时破坏路面、维护不便等缺点,正逐渐由视频检测的方式所替代。基于图像处理的视频车辆检测技术因为其检测区域大、设置灵活、后期维护不破坏路面等优点,成为智能交通领域车流量检测方面研究的重点。
近年来,视频流量检测经过不断的发展已经得到了许多相关的解决方案,在背景提取中,混合高斯背景提取由于其对背景环境的自适应性能高,能较好的描述复杂的背景,并且在背景建模的过程中允许有运动物体的存在,常用于车辆流量检测的背景提取中。然而,混合高斯模型在实际背景提取中有其局限性,在路口车辆短暂的积压、间断性停车、大车缓慢通过时,混合高斯模型会将部分停止或缓慢移动的大车混合为背景,引起背景的干扰,导致发生车流量漏记或多记。这种情况在路口普遍发生,影响车流量计数的准确性,在实际应用中显然是不可接受的。
发明内容
本发明的目的是克服现有技术中存在的不足,提供一种基于形态学变化与活动点填充的交通视频背景提取方法,其能有效实现对交通视频中背景的提取,能提高车流量计数的准确性,适应范围广,安全可靠。
按照本发明提供的技术方案,一种基于形态学变化与活动点填充的交通视频背景提取方法,所述交通视频背景提取方法包括如下步骤:
步骤1、获取交通视频信息并将所述交通视频信息转换为单通道的灰度图像;在得到对转换后的单通道灰度图像后,读取一帧灰度图像,并跳转至步骤2;
步骤2、判断所读取帧的灰度图像中是否存在物体,当确定所读取的灰度图像中存在物体时,跳转至步骤3,否则,跳转至步骤4;
步骤3、将代表存在物体的计数值n累加1,并将代表物体不存在的计数值m清零,当计数值n不小于阈值H时,跳转至步骤5,否则,跳转至7;
步骤4、将代表物体不存在的计数值m累加1;当计数值m不小于阈值M时,跳转至步骤6,否则,跳转至7;
步骤5、切换为混合高斯背景提取方法进行背景提取,并跳转至步骤7;
步骤6,截取当前图像为固定背景,并将代表物体存在的计数值n清零;
步骤7、读取下一帧图像,并判断所读取的下一帧图像是否为最后一帧图像,当所读取的下一帧图像为最后一帧图像时,跳转至步骤8,否则跳转至步骤2;
步骤8、背景提取结束。
所述步骤2,具体包括如下步骤:
步骤2.1、对所读取帧的单通道灰度图像IMG_source进行形态学变换,以得到膨胀图像IMG_dilate以及腐蚀图像IMG_erode;
步骤2.2、计算膨胀图像IMG_dilate的灰度值与腐蚀图像IMG_erode的灰度值之间差值的绝对值IMG_sub,将所述绝对值IMG_sub进行二值化,得到图像IMG_binary,具体地,
其中,阈值R为50~70;
步骤2.3、对图像IMG_binray中的检测区域内255像素点进行计数,以得到计数结果act_num,当act_num大于K时,判断检测区域内存在物体,否则,判断检测区域内不存在物体,所述K的取值范围为10~20。
步骤2.3中,还包括对图像IMg_binary进行红、蓝车辆像素点在灰度图上填充,具体地,计算检测区域内每个像素点的R_rgb、G_rgb、B_rgb;若R_rgb,、G_rgb、B_rgb在R_rgb_range、G_rgb_range、B_rgb_range范围内,则将当前像素点在前景灰度图上的值置为255的白点;否则,保持当前像素点的值;
在对上述图像IMG_binaray中的检测区域内像素点进行填充后,再对检测区域区域内255像素点进行计数,以得到计数结果act_num;
所述R_rgb_range、G_rgb_range、B_rgb_range范围经过对红、蓝车辆进行样本训练得到。
本发明的优点:通过对单通道的灰度图像进行处理,得到图像中物体的轮廓,从而判断检测区域内是否有物体存在,并截取检测区域内无物体存在的图像作为固定背景。固定背景相对于混合高斯背景,在路口间歇性停车、排队的时候有着较高的计数准确率。而城市道路由于红绿灯分流的情况,往往会出现短时间的排队、停车等车辆积压的情况,固定背景能很好的处理这种情况。通过对红蓝色车灰度图像上的像素点进行填充,防止灰度图上红蓝车颜色过于接近地面而漏记的情况发生,从而能提高车流量计数的准确性,适应范围广,安全可靠。
附图说明
图1为本发明的流程图。
图2为本发明判断读取帧的灰度图像中是否存在物体的过程。
图3为本发明车辆颜色特征值训练流程图。
图4为本发明红蓝色像素点在灰度图上填充的流程图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
如图2所示:为了能有效实现对交通视频中背景的提取,能提高车流量计数的准确性,本发明交通视频背景提取方法包括如下步骤:
步骤1、获取交通视频信息并将所述交通视频信息转换为单通道的灰度图像;在得到对转换后的单通道灰度图像后,读取一帧灰度图像,并跳转至步骤2;
具体地,交通视频信息可以通过监控摄像头等方式获取,采用本技术领域常用的技术手段能转换为单通道的灰度图像IMG_source。具体实施时,视频源如果时裸码流,则获取的视频源每帧的值直接就是YUV或RGB,YUV和RGB之间可互相转换且为已知的;如果时编码后的码流,则根据其编码规则进行解码后得到YUV或RGB值,解码的过程也是已知的。
YUV是颜色编码的一种方式,Y、U、V分别代表一种颜色空间,Y代表明亮度,U代表色度,V代表浓度,YUV三个值组合起来代表彩色图像,单独的Y值则代表图像的灰度值,所以取图像的Y值就直接为灰度图。灰度值Y的计算公式如下:Y=0.299*R+0.587*G+0.114*B。
步骤2、判断所读取帧的灰度图像中是否存在物体,当确定所读取的灰度图像中存在物体时,跳转至步骤3,否则,跳转至步骤4;
如图2所示,所述步骤2,具体包括如下步骤:
步骤2.1、对所读取帧的单通道灰度图像IMG_source进行形态学变换,以得到膨胀图像IMG_dilate以及腐蚀图像IMG_erode;
本发明实施例中,进行膨胀运算后,能得到膨胀图像IMG_dilate,在进行腐蚀运算后,能得到腐蚀图像IMG_erode,具体进行膨胀运算以及腐蚀运算的过程为本技术领域人员所熟知,此处不再赘述。
步骤2.2、计算膨胀图像IMG_dilate的灰度值与腐蚀图像IMG_erode的灰度值之间差值的绝对值IMG_sub,将所述绝对值IMG_sub进行二值化,得到图像IMG_binary,具体地,
其中,阈值R为50~70;
本发明实施例中,阈值R是根据数据统计所得到的,主要为了在提取物体轮廓的同时消除部分路面的噪声干扰,通过阈值R能区分正负样本的灰度值。
步骤2.3、对图像IMG_binray中的检测区域内255像素点进行计数,以得到计数结果act_num,当act_num大于K时,判断检测区域内存在物体,否则,判断检测区域内不存在物体,所述K的取值范围为10~20。
如图3和图4所示,步骤2.3中,还包括对图像IMg_binary进行红、蓝车辆像素点在灰度图上填充,具体地,计算检测区域内每个像素点的R_rgb、G_rgb、B_rgb;若R_rgb,、G_rgb、B_rgb在R_rgb_range、G_rgb_range、B_rgb_range范围内,则将当前像素点在前景灰度图上的值置为255的白点;否则,保持当前像素点的值;
在对上述图像IMG_binaray中的检测区域内像素点进行填充后,再对检测区域区域内255像素点进行计数,以得到计数结果act_num;
所述R_rgb_range、G_rgb_range、B_rgb_range范围经过对红、蓝车辆进行样本训练得到。
具体实施时,取车辆样本,计算车身颜色的特征值R_rgb、G_rgb、B_rgb;其中,R_rgb=R/(R+G+B);G_rgb=G/(R+G+B);B_rgb=B/(R+G+B),从而计算出R_rgb、G_rgb、B_rgb各自的最大值和最小值。
重复步骤计算过程,更新R_rgb、G_rgb、B_rgb各自的最大值和最小值,直到所有车辆样本都训练完毕。
将训练完得到的R_rgb、G_rgb、B_rgb各自的最大最小值作为红蓝像素点颜色判断的范围:R_rgb_range、G_rgb_range、B_rgb_range。
取图像源,遍历检测区域,计算检测区域内每个像素点的R_rgb,、G_rgb、B_rgb值。若R_rgb,、G_rgb、B_rgb在R_rgb_range、G_rgb_range、B_rgb_range范围内,则将当前像素点在前景灰度图上的值置为255的白点;若不在范围内,则不改变当前像素点的值。
本发明通过对红车和蓝车的RGB值的特征进行统计,得出红色和蓝色的车辆R/(R+G+B)、G/(R+G+B)、G/(R+G+B)的特征值范围,将符合特征值的像素点在前景灰度图像上置为白点,从而弥补红蓝车在灰度图像像素点过暗的问题。
本发明实施例中,阈值K也时通过统计得到的,通过阈值K较好区分路面有车和无车。
步骤3、将代表存在物体的计数值n累加1,并将代表物体不存在的计数值m清零,当计数值n不小于阈值H时,跳转至步骤5,否则,跳转至7;
步骤4、将代表物体不存在的计数值m累加1;当计数值m不小于阈值M时,跳转至步骤6,否则,跳转至7;
步骤5、切换为混合高斯背景提取方法进行背景提取,并跳转至步骤7;
步骤6,截取当前图像为固定背景,并将代表物体存在的计数值n清零;
步骤7、读取下一帧图像,并判断所读取的下一帧图像是否为最后一帧图像,当所读取的下一帧图像为最后一帧图像时,跳转至步骤8,否则跳转至步骤2;
步骤8、背景提取结束。
本发明实施例中,阈值H、阈值M根据视频的帧数进行取样的确定,取样规则是三秒内无车辆存在则更新一次背景;20~30分钟(根据路况不同时间设置不同,自定义)无背景更新则转为高斯背景。如视频为20帧/秒,规定3秒无车更新一次背景;20分钟无背景更新则切换为高斯背景,帧数的取值为60帧和24000帧。
一般地,阈值H可以设定为20000,阈值M可以选定为50。即当检测区域内确认连续50帧无物体存在时,截取当前帧的图像作为固定背景。在使用固定背景时,当检测区域使用同一张固定背景的帧数累计超过20000帧时,切换回混合高斯背景。由于环境光线等因素的变化,固定背景在长时间不更新的时候会与实际的背景有差异,影响背景差法统计车流量的正确率,因此在检测区域内长时间不符合固定背景的截取条件时切换回混合高斯背景。
本发明通过对单通道的灰度图像进行处理,得到图像中物体的轮廓,从而判断检测区域内是否有物体存在,并截取检测区域内无物体存在的图像作为固定背景。固定背景相对于混合高斯背景,在路口间歇性停车、排队的时候有着较高的计数准确率。而城市道路由于红绿灯分流的情况,往往会出现短时间的排队、停车等车辆积压的情况,固定背景能很好的处理这种情况。
本发明对灰度图中红、蓝色的车辆颜色过暗的问题进行了优化,通过对红蓝色车灰度图像上的像素点进行填充,防止灰度图上红蓝车颜色过于接近地面而漏记的情况发生,从而能提高车流量计数的准确性,适应范围广,安全可靠。
Claims (1)
1.一种基于形态学变化与活动点填充的交通视频背景提取方法,其特征是,所述交通视频背景提取方法包括如下步骤:
步骤1、获取交通视频信息并将所述交通视频信息转换为单通道的灰度图像;在得到对转换后的单通道灰度图像后,读取一帧灰度图像,并跳转至步骤2;
步骤2、判断所读取帧的灰度图像中是否存在物体,当确定所读取的灰度图像中存在物体时,跳转至步骤3,否则,跳转至步骤4;
步骤3、将代表存在物体的计数值n累加1,并将代表物体不存在的计数值m清零,当计数值n不小于阈值H时,跳转至步骤5,否则,跳转至7;
步骤4、将代表物体不存在的计数值m累加1;当计数值m不小于阈值M时,跳转至步骤6,否则,跳转至7;
步骤5、切换为混合高斯背景提取方法进行背景提取,并跳转至步骤7;
步骤6,截取当前图像为固定背景,并将代表物体存在的计数值n清零;
步骤7、读取下一帧图像,并判断所读取的下一帧图像是否为最后一帧图像,当所读取的下一帧图像为最后一帧图像时,跳转至步骤8,否则跳转至步骤2;
步骤8、背景提取结束;
所述步骤2,具体包括如下步骤:
步骤2.1、对所读取帧的单通道灰度图像IMG_source进行形态学变换,以得到膨胀图像IMG_dilate以及腐蚀图像IMG_erode;
步骤2.2、计算膨胀图像IMG_dilate的灰度值与腐蚀图像IMG_erode的灰度值之间差值的绝对值IMG_sub,将所述绝对值IMG_sub进行二值化,得到图像IMG_binary,具体地,
其中,阈值R为50~70;
步骤2.3、对图像IMG_binray中的检测区域内255像素点进行计数,以得到计数结果act_num,当act_num大于K时,判断检测区域内存在物体,否则,判断检测区域内不存在物体,所述K的取值范围为10~20;
步骤2.3中,还包括对图像IMg_binary进行红、蓝车辆像素点在灰度图上填充,具体地,计算检测区域内每个像素点的R_rgb、G_rgb、B_rgb;若R_rgb,、G_rgb、B_rgb在R_rgb_range、G_rgb_range、B_rgb_range范围内,则将当前像素点在前景灰度图上的值置为255的白点;否则,保持当前像素点的值;
在对上述图像IMG_binaray中的检测区域内像素点进行填充后,再对检测区域区域内255像素点进行计数,以得到计数结果act_num;
所述R_rgb_range、G_rgb_range、B_rgb_range范围经过对红、蓝车辆进行样本训练得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811473688.XA CN109741350B (zh) | 2018-12-04 | 2018-12-04 | 基于形态学变化与活动点填充的交通视频背景提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811473688.XA CN109741350B (zh) | 2018-12-04 | 2018-12-04 | 基于形态学变化与活动点填充的交通视频背景提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109741350A CN109741350A (zh) | 2019-05-10 |
CN109741350B true CN109741350B (zh) | 2020-10-30 |
Family
ID=66358465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811473688.XA Active CN109741350B (zh) | 2018-12-04 | 2018-12-04 | 基于形态学变化与活动点填充的交通视频背景提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741350B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260934B (zh) * | 2020-01-15 | 2021-03-12 | 山东双百电子有限公司 | 一种基于交通视频网的车流量检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025862A (zh) * | 2007-02-12 | 2007-08-29 | 吉林大学 | 基于视频的混合交通流参数的检测方法 |
CN103198300A (zh) * | 2013-03-28 | 2013-07-10 | 南通大学 | 基于双层背景的停车事件检测方法 |
CN104952256A (zh) * | 2015-06-25 | 2015-09-30 | 广东工业大学 | 一种基于视频信息的交叉口处车辆的检测方法 |
CN107025652A (zh) * | 2017-05-05 | 2017-08-08 | 太原理工大学 | 一种基于运动特性和颜色时空信息的火焰检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012178069A1 (en) * | 2011-06-22 | 2012-12-27 | The Johns Hopkins University | System and device for characterizing cells |
-
2018
- 2018-12-04 CN CN201811473688.XA patent/CN109741350B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025862A (zh) * | 2007-02-12 | 2007-08-29 | 吉林大学 | 基于视频的混合交通流参数的检测方法 |
CN103198300A (zh) * | 2013-03-28 | 2013-07-10 | 南通大学 | 基于双层背景的停车事件检测方法 |
CN104952256A (zh) * | 2015-06-25 | 2015-09-30 | 广东工业大学 | 一种基于视频信息的交叉口处车辆的检测方法 |
CN107025652A (zh) * | 2017-05-05 | 2017-08-08 | 太原理工大学 | 一种基于运动特性和颜色时空信息的火焰检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109741350A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036254B (zh) | 基于视频图像的运动车辆前景检测方法 | |
CN104732227B (zh) | 一种基于清晰度和亮度评估的车牌快速定位方法 | |
Kaur et al. | An efficient approach for number plate extraction from vehicles image under image processing | |
US9811746B2 (en) | Method and system for detecting traffic lights | |
CN106934374B (zh) | 一种雾霾场景中交通标识牌的识别方法及*** | |
CN110782409B (zh) | 一种去除多运动物体阴影的方法 | |
CN104715252A (zh) | 一种动态模板结合像素点的车牌字符分割方法 | |
CN103473534B (zh) | 一种基于视频的车辆检测方法 | |
CN111723805B (zh) | 一种信号灯的前景区域识别方法及相关装置 | |
CN109741350B (zh) | 基于形态学变化与活动点填充的交通视频背景提取方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
Zhu et al. | Optimization of image processing in video-based traffic monitoring | |
CN109859220B (zh) | 一种线形图像分割方法 | |
Xie et al. | Robust vehicles extraction in a video-based intelligent transportation systems | |
Davix et al. | License plate localization by sobel vertical edge detection method | |
CN110619335A (zh) | 一种车牌定位与车牌字符分割方法 | |
CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 | |
CN109359651A (zh) | 一种车牌定位处理器及其定位处理方法 | |
CN110852228B (zh) | 监控视频中的动态背景提取及前景物体检测方法及*** | |
Yang et al. | A novel binarization approach for license plate | |
CN115376117A (zh) | 一种雨雾天气下车牌识别方法 | |
CN114519694A (zh) | 基于深度学习的七段数码管液晶显示屏识别方法及*** | |
Kryjak et al. | Hardware-software implementation of vehicle detection and counting using virtual detection lines | |
CN114373147A (zh) | 一种用于低纹理视频车牌的检测方法 | |
CN102842025B (zh) | 视频图像的检测场景判断方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |