CN110942642A - 一种基于视频的交通缓驶检测方法及*** - Google Patents
一种基于视频的交通缓驶检测方法及*** Download PDFInfo
- Publication number
- CN110942642A CN110942642A CN201911139010.2A CN201911139010A CN110942642A CN 110942642 A CN110942642 A CN 110942642A CN 201911139010 A CN201911139010 A CN 201911139010A CN 110942642 A CN110942642 A CN 110942642A
- Authority
- CN
- China
- Prior art keywords
- image
- difference
- video
- backward
- traffic
- 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
Images
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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- 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
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种基于视频的交通缓驶检测方法及***。本发明的技术方案首先解决了何时进行交通缓驶检测的问题,避免给服务器带来巨大负荷;其次,本发明的技术方案利用连续视频帧图片序列的前景数据的混合高斯模型特性,通过判断其是否符合混合高斯模型来判断是否出现缓驶,不需要任何先验参数,避免了人为主观因素的影响;最后,实现该方法的交通控制***包含图像处理程序,并且所述处理程序是在前端***判断可能出现了缓驶时才启动,能够极大的减轻后台服务器的负荷,从而整体上能够适应大流量的交通场景监控。
Description
技术领域
本发明属于视频处理技术领域,尤其涉及一种基于视频的交通缓驶检测方法及***。
背景技术
随着城市交通的快速发展和交通路网情况日趋复杂,交通拥堵状况日益增多,使整个路网的运行速度减慢、运行效率降低,由此造成的社会经济损失、人员伤亡和环境污染等问题日渐严重。由于交通拥堵中的非正常拥堵存在自身的不确定性和无法预知的特点,给道路交通带来的危害极其巨大。为了将非正常拥堵带来的损失最小化,交管部门和交通研究人员都在寻求准确有效的非正常拥堵的检测方法,以便能够及时地检测出路网中的非正常拥堵事件,并采取交管措施。
为此,现有技术提出了各种拥堵预测以及拥堵检测方法,试图通过图片识别算法、预测算法模型来对视频监控图片进行拥堵识别;或者实时识别各种违规驾驶行为,避免出现交通事故。例如,申请号 CN201810528426.2的中国发明专利申请提出一种违规驾驶行为警示装置与方法,针对可能会出现的违法事实,包括在车道内出现倒车、停车、缓行、逆行等行为,进行识别检测,利用中央控制器计算先后接收到位置信息表征位置相邻的两个车检器的发送车辆信号的间隔时间,并依据间隔时间及预设定的车检器间距计算行车速度,判断行车速度是否小于预设定的阈值,如果是,确定当前车辆发生缓慢行驶行为,并将缓慢驾驶行为作为违规驾驶行为;该方案并没有前置条件,需要一直不断的进行识别计算,因此长期运行状态下能耗较高,并且所属方案利用时间间隔计算的行车速度可能存在误判;公开号为 CN109191849A的中国发明专利申请提出一种使用包括固定检测器获取的数据,浮动车实时传递的GPS数据,道路特征数据及天气环境数据在内的多源数据集,使用考虑了道路特征的深度学***均速度,所述指定跟踪目标为在所述当前图像帧对应时刻上指定跟踪的车辆;根据所述平均速度,判断所述当前图像帧对应的交通视频中是否出现交通拥堵。该方法依然是根据平均速度判断,并且需要时刻准确定位目标车辆,这在大流量的交通实际场景中事实上很难保证。
此外,现有技术的重点大部分都放在交通拥堵检测上,对交通拥堵的前一个状态即缓驶现象的研究较少;上述现有技术对于缓驶的检测依然停留在识别目标的平均速度上,并没有从整体上判断交通缓驶现象的产生;
更重要的是,由于交通流量监控数据的巨大和可持续性,进行不间断的时刻目标识别以及数据提取处理是不现实的,将会给服务器带来巨大的负荷,严重时将会导致***宕机。
因此,对于交通缓驶检测和识别,现有技术并未提出有效并且适合于实际交通场景的技术方案。
发明内容
为解决上述技术问题,本发明提出一种基于视频的交通缓驶检测方法、实现该方法的交通控制***以及计算机可读存储介质。本发明的技术方案首先解决了何时进行交通缓驶检测的问题,避免了给服务器带来巨大负荷;其次,本发明的技术方案利用连续视频帧图片序列的前景数据的混合高斯模型特性,通过判断其是否符合混合高斯模型来判断是否出现缓驶,不需要任何先验参数,避免了人为主观因素的影响;最后,实现该方法的交通控制***包含图像处理程序,所述图像处理程序包括高斯模型拟合子程序以及图像前景提取子程序,可以通过远程的图片处理方式实现交通缓驶监控,并且所述处理程序是在前端***判断可能出现了缓驶时才启动,能够极大的减轻后台服务器的负荷,从而整体上能够适应大流量的交通场景监控。
在本发明的第一个方面,提出一种基于视频的交通缓驶检测方法,所述方法基于多个视频摄像头采集的多段视频图像来识别缓驶现象;所述多个视频摄像头至少包括第一前向摄像头和第二后向摄像头。
在上述方法的第一个阶段,首先解决第一个技术问题:何时开始进行缓驶检测。
现有技术需要时刻进行目标识别的处理方式,不仅在大流量、多目标的实际交通场景中难以准确执行,而且给服务器本身的处理器带来巨大负荷。为解决这一技术问题,本发明所述的方法包括如下步骤:
S1:按照第一预定时间间隔T1,获取所述第一前向摄像头拍摄的视频图像中至少三张前向视频帧F0、F1、F2;以及获取所述第二后向摄像头拍摄的视频图像中至少三张后向视频帧B0、B1、B2;
S2:对所述三张前向视频帧F0、F1、F2做前向差分计算;
S3:判断所述前向差分运算结果是否满足第一预定条件,如果是,则进入步骤S4;否则,返回步骤S1;
S4:对所述后向视频帧B0、B1、B2做后向差分运算;
S5:判断所述后向差分运算的结果是否满足第二预定条件,如果是,则启动缓驶检测步骤;否则,返回步骤S1。
可见,本发明的方法首先需要图片帧数据进行简单的差分运算,通过运算结果判断是否可能发生缓驶,接下来才进行实际的缓驶检测进程。
这一处理极大的减轻了后台服务器的负担。这是因为,交通监控摄像头往往是远程布置在交通道路上,例如高速路上;如果将时刻进行缓驶检测,就需要将所有的交通数据都传输到服务器后台进行处理,且不说数据传输的速度受限,面对如此海量的监控数据,服务器也将承压,甚至因为不能实时得出结果而失去检测意义。
在本发明的上述方法中,所述多个视频摄像头连接有前端处理程序,所述前端处理程序包含图片采集组件以及差分运算组件,具体执行相应的差分计算。
所述前向差分计算具体为:
S21:对前向视频帧F0、F1做图像差分运算,得到差分图像F10;
S22:对前向视频帧F1、F2做图像差分运算,得到差分图像F21;
S23:对差分图像F10和F21做差分运算,得到差分图像F210;
所述判断所述前向差分运算结果是否满足第一预定条件,包括:
对差分图像F210进行二值化阈值处理,得到第一阈值化图像 CF1;
统计第一阈值化图像两种像素值的第一比例和第二比例;
所述第一预定条件包括如下条件之一或者其组合:
第一比例超过第一设定阈值;
第二比例小于第二设定阈值;
第一比例远大于第二比例;
所述后向差分计算具体为:
S41:对后向视频帧B0、B1做图像差分运算,得到差分图像B01;
S42:对后向视频帧B1、B2做图像差分运算,得到差分图像B12;
S43:对差分图像B01和B12做差分运算,得到差分图像B012;
所述判断所述后向差分运算结果是否满足第二预定条件,包括:
对差分图像B012进行二值化阈值处理,得到第二阈值化图像 CB1;
对第一阈值化图像CF1和第二阈值化图像CB1做图像差分运算,得到差分图像CFB;
对差分图像CFB进行二值化阈值处理,得到第三阈值化图像 CFB1;
统计第三阈值化图像CFB1中灰度值为0的像素比例Zeroratio;
所述第二预定条件为:
Zeroratio大于第三设定阈值。
接下来,是本发明的技术方案要解决的第二个核心问题,具体如何判断是否出现缓驶。
发明人发现,现有技术对于缓驶检测,大多停留在平均速度检测上,这一方法需要对特定的目标进行准确的追踪识别,针对大流量、多目标的交通视频图片序列,准确执行的难度很大;为了避免进行图片中特定目标的识别,发明人首先想到的是利用图片的整体性,例如采用常见的帧间差分法。
然而,由于帧间差分法的基本原理是对得到的视频序列帧,用相邻的两帧相减得到运动的前景图像,这种方法虽然运算简单,但是有个明显的缺点就是对于运动比较缓慢的物体容易造成检测结果失真。因此,简单的帧间差分法并不能准确的识别出缓驶。
此外,相对应的还有背景差分法。该算法是先设定好背景图像。然后将每一帧图像与背景图像做差分处理,这种算法计算简单,对于摄像头固定,检测场景背景长期不发生改变的室内环境比较适用。然而,对于外界环境,比如有光线变化或者背景中有运动物体的场景并不适用;以及光流法。该算法是通过运动的物体产生的光流场进行计算的,该算法对设备要求较高,而且计算复杂,不易推广使用。
经过对比,发明人选择对帧间差分法的前置条件进行改进,但是并不将其结果直接作为缓驶判断的依据,而是仅作为一个前置条件;
在满足前置条件之后,发明人发现,对于缓慢移动的物体,因为背景已是一个高斯分布,如果车停下来,等到聚集一定的前景数据便会形成一个新的高斯分布,停下来的车也会便是背景。但是如果车缓慢行驶的话,是很难在短时间内形成一个新的高斯分布,也就是应用混合高斯分布很容易检测缓慢行驶的车辆。
因此,发明人在前述方法的基础上,执行如下缓驶检测步骤:
S6:启动缓驶检测步骤,具体包括:
S61:按照第二预定时间间隔T2,获取所述第一前向摄像头拍摄的视频图像序列,所述视频图像序列包括在N个时间点处的连续图片帧PF1,PF2,……PFN;同时获取所述第二后向摄像头拍摄的视频图像中对应的N个时间点处的连续图片帧PB1,PB2,……, PBN
S62:提取前向图片集PF={PF1,PF2,……PFN}以及后向图片集 BF={PB1,PB2,……,PBN}中每一张图片的前景数据;
S63:判断所述前景数据是否符合高斯分布;如果否,则当前视频中出现缓驶。
其中,所述高斯分布为混合高斯分布;所述第二预定时间间隔T2 小于所述第一预定时间间隔T1;所述第三设定阈值大于所述第一设定阈值。
进一步的,步骤S63还包括:
S631:如果所述前景数据符合高斯分布,则设定新的第二预定时间间隔T’2,返回步骤S61;所述新的第二预定时间间隔T’2小于 T2。
在本发明的第二个方面,提出一种交通控制***,远程连接多个视频摄像头,所述多个视频摄像头至少包括第一前向摄像头和第二后向摄像头;所述***包含图像处理程序,所述图像处理程序包括高斯模型拟合子程序以及图像前景提取子程序,所述***通过处理器执行所述程序,用于本发明所述的方法。
具体来说,所述多个视频摄像头连接有前端处理程序,所述前端处理程序包含图片采集组件以及差分运算组件。
图片采集组件进行所述前向视频帧F0、F1、F2和/或后向视频帧 B0、B1、B2的采集,差分运算组件进行所述前向差分运算和/或后向差分计算,并判断结果是否满足对应的预定条件;
只有在结果满足预定条件时,才开始启动缓驶检测步骤,即所述交通控制***的图片处理程序才开始运行,这样避免了给服务器带来流量负担;
所述图像处理程序包括高斯模型拟合子程序以及图像前景提取子程序;高斯模型拟合子程序可用于判断所述图像前景提取子程序提取的图像前景数据是否符合混合高斯分布。
在本发明的第三个方面,上述方法还可以通过计算机程序指令的方式实现,因此,提供一种计算机可读存储介质,其上存储有计算机可执行指令;通过处理器执行所述指令,用于实现本发明所述方法。
本发明的进一步优点将结合附图,通过具体的实施例进一步体现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本实施例中所述交通场景的示意图
图2-5是何时开始进行缓驶检测的不同场景实施例流程图
图6是具体进行缓驶检测的实施例的流程图
图7是图1所述交通场景的交通监控***应用场景图
具体实施例
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和实施例对本发明做进一步说明。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
参见图1,实施例针对的典型交通场景包括双向多车道的大流量交通道路,在不同方向的车道车头方向以及车尾方向上均设置有多个视频监控摄像头(为简便起见,图1中仅示意性的标出一个)。
可以理解的是,交通道路不只限定为图1的场景,在其他场景中,也存在单向车道的情形,还存在只在车头方向/或车尾方向设置视频监控摄像头的情形;
对应于这些情形,图2-5分别给出了不同的何时开始进行缓驶检测的不同场景实施例流程图。
以图2为例,该实施例中为双向多车道的大流量交通道路,在不同方向的车道车头方向以及车尾方向上均设置有多个视频监控摄像头,因此可以同时采集前向视频帧以及后向视频帧,所述方法包括:
S1:按照第一预定时间间隔T1,获取所述第一前向摄像头拍摄的视频图像中至少三张前向视频帧F0、F1、F2;以及获取所述第二后向摄像头拍摄的视频图像中至少三张后向视频帧B0、B1、B2;
S2:对所述三张前向视频帧F0、F1、F2做前向差分计算;
S3:判断所述前向差分运算结果是否满足第一预定条件,如果是,则进入步骤S4;否则,返回步骤S1;
S4:对所述后向视频帧B0、B1、B2做后向差分运算;
S5:判断所述后向差分运算的结果是否满足第二预定条件,如果是,则启动缓驶检测步骤;
否则,返回步骤S1。
发明人发现,简单的帧间差分法并不能准确的识别出缓驶,当然更无法作为缓驶是否可能存在的判断条件,因此,本实施例的选定至少三张图片帧,进行多级差分,避免了简单的帧间差分存在的缺陷,这是本发明的创新点之一;
同样的,对于单向车道/只在车头方向/或车尾方向设置视频监控摄像头的情形,图3-5分别给出了对应的方法执行流程,在此不再赘述;
当然,三帧差分还可以提升为4帧差分,例如,获取所述第一前向摄像头拍摄的视频图像中至少4张前向视频帧F0、F1、F2、F3;以及获取所述第二后向摄像头拍摄的视频图像中至少三张后向视频帧B0、B1、B2,B3;对所述三张前向视频帧F0、F1、F2、F3做前向差分计算。
结合图2-6可知,本实施例首先需要图片帧数据进行简单的差分运算,通过运算结果判断是否可能发生缓驶,接下来才进行实际的缓驶检测进程。这一处理极大的减轻了后台服务器的负担。这是因为,交通监控摄像头往往是远程布置在交通道路上,例如高速路上;如果将时刻进行缓驶检测,就需要将所有的交通数据都传输到服务器后台进行处理,且不说数据传输的速度受限,面对如此海量的监控数据,服务器也将承压,甚至因为不能实时得出结果而失去检测意义。
所述前向差分计算具体为:
S21:对前向视频帧F0、F1做图像差分运算,得到差分图像F10;
S22:对前向视频帧F1、F2做图像差分运算,得到差分图像F21;
S23:对差分图像F10和F21做差分运算,得到差分图像F210;
如果是4张前向视频帧F0、F1、F2、F3,则对应的运算进一步改进为:
对前向视频帧F0、F1做图像差分运算,得到差分图像F10;
对前向视频帧F2、F3做图像差分运算,得到差分图像F32;
对差分图像F10和F32做差分运算,得到差分图像F321;
实验表明,4帧差分由于每一级差分都是独立的两张图,差分之后的图像对于后续判断准确率的提高更具备提升意义;不过,在大部分情况下,三帧连续差分也能满足要求。
所述判断所述前向差分运算结果是否满足第一预定条件,包括:
对差分图像F210进行二值化阈值处理,得到第一阈值化图像 CF1;
统计第一阈值化图像两种像素值的第一比例和第二比例;
所述第一预定条件包括如下条件之一或者其组合:
第一比例超过第一设定阈值;
第二比例小于第二设定阈值;
第一比例远大于第二比例;
所述后向差分计算具体为:
S41:对后向视频帧B0、B1做图像差分运算,得到差分图像 B01;
S42:对后向视频帧B1、B2做图像差分运算,得到差分图像B12;
S43:对差分图像B01和B12做差分运算,得到差分图像B012;
所述判断所述后向差分运算结果是否满足第二预定条件,包括:
对差分图像B012进行二值化阈值处理,得到第二阈值化图像CB1;
对第一阈值化图像CF1和第二阈值化图像CB1做图像差分运算,得到差分图像CFB;
对差分图像CFB进行二值化阈值处理,得到第三阈值化图像 CFB1;
统计第三阈值化图像CFB1中灰度值为0的像素比例Zeroratio;
所述第二预定条件为:
Zeroratio大于第三设定阈值。
这里,由于图像已经是二值化图像,其每个像素点的像素值要么为0,要么为1,统计的两种像素值的比例,就是0和1的比例;
这里的远大于,可以根据实际情况设置,优选的,第一比例大于第二比例的5倍;另一个优选,第一比例远大于第二比例的10倍;
这里的设定阈值,第一设定阈值优选为90%以上,第二设定阈值优选为10%以下;第三设定阈值优选为50%以上;更优选的,设定为80以上;
可以理解的是,同时进行前向差分和后向差分,可以进行是否存在缓驶的综合判断,从而使得启动前提更为准确,是本发明的另一个创新之处;
图6是在图2-5的基础上,具体如何进行缓驶检测的方法步骤。这是体现本发明另一核心发明点的重要特征之一。
在前述方法的基础上,执行如下缓驶检测步骤:
S6:启动缓驶检测步骤,具体包括:
S61:按照第二预定时间间隔T2,获取所述第一前向摄像头拍摄的视频图像序列,所述视频图像序列包括在N个时间点处的连续图片帧PF1,PF2,……PFN;同时获取所述第二后向摄像头拍摄的视频图像中对应的N个时间点处的连续图片帧PB1,PB2,……, PBN;
需要指出的是,如果对应图4-5单向车道/只在车头方向/或车尾方向设置视频监控摄像头的情形,S61对应的只需执行一个步骤,例如获取所述第一前向摄像头拍摄的视频图像序列/获取所述第二后向摄像头拍摄的视频图像中连续图片帧;
S62:提取前向图片集PF={PF1,PF2,……PFN}以及后向图片集 BF={PB1,PB2,……,PBN}中每一张图片的前景数据;
S63:判断所述前景数据是否符合高斯分布;如果否,则当前视频中出现缓驶。
其中,所述高斯分布为混合高斯分布;所述第二预定时间间隔T2 小于所述第一预定时间间隔T1;所述第三设定阈值大于所述第一设定阈值。
进一步的,步骤S63还包括:
S631:如果所述前景数据符合高斯分布,则设定新的第二预定时间间隔T’2,返回步骤S61;所述新的第二预定时间间隔T’2小于 T2。
高斯分布的最简单方式为分布函数为如下表达式的分布,称为单高斯分布(二维分布):
其表达式如下:
混合高斯模型使用多个单高斯分布模型来表征图像中各个像素点的特征。混合高斯模型(Gaussian mixture model,简称GMM) 就是用高斯概率密度函数(二维时也称为:正态分布曲线)精确的量化事物,将一个事物分解为若干基于高斯概率密度函数行程的模型。
举例来说,上述单高斯分布可被认为是二维(混合)高斯分布;相对应的,三维混合高斯模型表达式如下:
其中:μ1、μ2是均值
σ1,σ2是标准差
ρ是协方差,ρ=cov(x,y)
本实施例中,所述混合高斯模型,是N个单高斯分布模型拟合而成的N维高斯模型,对于变量X,其概率密度分布函数可表示为:
其中:
μ是均值向量,μ=E{X}=[μ1,μ2,...,μN]T
∑是协方差矩阵,N×N维,而∑-1是∑的逆矩阵,|∑|是Σ的行列式
∑=E{(X-μ)(X-μ)T}
其中,协方差矩阵∑如下:
参见图7,在图1的交通场景中,提出的一种交通控制***的具体实施例。
所述交通控制***远程连接多个视频摄像头,所述多个视频摄像头至少包括第一前向摄像头和第二后向摄像头;所述***包含图像处理程序,所述图像处理程序包括高斯模型拟合子程序以及图像前景提取子程序,所述***通过处理器执行所述程序,从而执行交通缓驶检测。
具体来说,所述多个视频摄像头连接有前端处理程序,所述前端处理程序包含图片采集组件以及差分运算组件。
图片采集组件进行所述前向视频帧F0、F1、F2和/或后向视频帧 B0、B1、B2的采集,差分运算组件进行所述前向差分运算和/或后向差分计算,并判断结果是否满足对应的预定条件;
只有在结果满足预定条件时,才开始启动缓驶检测步骤,即所述交通控制***的图片处理程序才开始运行,这样避免了给服务器带来流量负担;
所述图像处理程序包括高斯模型拟合子程序以及图像前景提取子程序;高斯模型拟合子程序可用于判断所述图像前景提取子程序提取的图像前景数据是否符合混合高斯分布。
上述方法还可以通过计算机程序指令的方式实现,因此,对应的存在计算机可读存储介质,其上存储有计算机可执行指令;通过处理器执行所述指令,用于实现交通缓驶检测。
综上所述,本发明的技术方案首先解决了何时进行交通缓驶检测的问题,避免了给服务器带来巨大负荷;其次,本发明的技术方案利用连续视频帧图片序列的前景数据的混合高斯模型特性,通过判断其是否符合混合高斯模型来判断是否出现缓驶,不需要任何先验参数,避免了人为主观因素的影响;最后,实现该方法的交通控制***包含图像处理程序,所述图像处理程序包括高斯模型拟合子程序以及图像前景提取子程序,可以通过远程的图片处理方式实现交通缓驶监控,并且所述处理程序是在前端***判断可能出现了缓驶时才启动,能够极大的减轻后台服务器的负荷,从而整体上能够适应大流量的交通场景监控。
通过上面具体实施方式,所述技术领域的技术人员可容易的实现本发明。但是应当理解,本发明并不限于上述的具体实施方式。在公开的实施方式的基础上,所述技术领域的技术人员可任意组合不同的技术特征,从而实现不同的技术方案。
Claims (10)
1.一种基于视频的交通缓驶检测方法,所述方法基于多个视频摄像头采集的多段视频图像来识别缓驶现象,所述多个视频摄像头至少包括第一前向摄像头和第二后向摄像头;
所述方法包括如下步骤:
S1:按照第一预定时间间隔T1,获取所述第一前向摄像头拍摄的视频图像中至少三张前向视频帧F0、F1、F2;以及获取所述第二后向摄像头拍摄的视频图像中至少三张后向视频帧B0、B1、B2;
S2:对所述三张前向视频帧F0、F1、F2做前向差分计算;
S3:判断所述前向差分运算结果是否满足第一预定条件,如果是,则进入步骤S4;
否则,返回步骤S1;
S4:对所述后向视频帧B0、B1、B2做后向差分运算;
S5:判断所述后向差分运算的结果是否满足第二预定条件,如果是,则进入步骤S6;否则,返回步骤S1;
其特征在于:
所述前向差分计算具体为:
S21:对前向视频帧F0、F1做图像差分运算,得到差分图像F10;
S22:对前向视频帧F1、F2做图像差分运算,得到差分图像F21;
S23:对差分图像F10和F21做差分运算,得到差分图像F210;
所述判断所述前向差分运算结果是否满足第一预定条件,包括:
对差分图像F210进行二值化阈值处理,得到第一阈值化图像CF1;
统计第一阈值化图像两种像素值的第一比例和第二比例;
所述第一预定条件包括如下条件之一或者其组合:
第一比例超过第一设定阈值;
第二比例小于第二设定阈值;
第一比例远大于第二比例;
所述后向差分计算具体为:
S41:对后向视频帧B0、B1做图像差分运算,得到差分图像B01;
S42:对后向视频帧B1、B2做图像差分运算,得到差分图像B12;
S43:对差分图像B01和B12做差分运算,得到差分图像B012;
所述判断所述后向差分运算结果是否满足第二预定条件,包括:
对差分图像B012进行二值化阈值处理,得到第二阈值化图像CB1;
对第一阈值化图像CF1和第二阈值化图像CB1做图像差分运算,得到差分图像CFB;
对差分图像CFB进行二值化阈值处理,得到第三阈值化图像CFB1;
统计第三阈值化图像CFB1中灰度值为0的像素比例Zeroratio;
所述第二预定条件为:
Zeroratio大于第三设定阈值;
所述步骤S6为:
S6:启动缓驶检测步骤。
2.如权利要求1所述的缓驶检测方法,其特征在于,所述步骤S6具体包括如下步骤:
S61:按照第二预定时间间隔T2,获取所述第一前向摄像头拍摄的视频图像序列,所述视频图像序列包括在N个时间点处的连续图片帧PF1,PF2,……PFN;同时获取所述第二后向摄像头拍摄的视频图像中对应的N个时间点处的连续图片帧PB1,PB2,……,PBN
S62:提取前向图片集PF={PF1,PF2,……PFN}以及后向图片集BF={PB1,PB2,……,PBN}中每一张图片的前景数据;
S63:判断所述前景数据是否符合高斯分布;如果否,则当前视频中出现缓驶。
3.如权利要求2所述的缓驶检测方法,其中,所述高斯分布为混合高斯分布。
4.如权利要求2所述的缓驶检测方法,其中,所述第二预定时间间隔T2小于所述第一预定时间间隔T1。
5.如权利要求1所述的缓驶检测方法,其中,所述第三设定阈值大于所述第一设定阈值。
6.如权利要求2所述的缓驶检测方法,其中,步骤S63还包括:
S631:如果所述前景数据符合高斯分布,则设定新的第二预定时间间隔T’2,返回步骤
S61;所述新的第二预定时间间隔T’2小于T2。
7.一种交通控制***,远程连接多个视频摄像头,所述多个视频摄像头至少包括第一前向摄像头和第二后向摄像头;所述***包含图像处理程序,所述图像处理程序包括高斯模型拟合子程序以及图像前景提取子程序,所述***通过处理器执行所述程序,用于实现权利要求1-6任一项所述的方法。
8.如权利要求7所述的***,所述多个视频摄像头连接有前端处理程序,所述前端处理程序包含图片采集组件以及差分运算组件。
9.如权利要求7所述的***,其中,所述高斯模型拟合子程序,用于将所述图像前景提取子程序提取的前景数据进行高斯模型拟合。
10.一种计算机可读存储介质,其上存储有计算机可执行指令;通过处理器执行所述指令,用于实现权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911139010.2A CN110942642B (zh) | 2019-11-20 | 2019-11-20 | 一种基于视频的交通缓驶检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911139010.2A CN110942642B (zh) | 2019-11-20 | 2019-11-20 | 一种基于视频的交通缓驶检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110942642A true CN110942642A (zh) | 2020-03-31 |
CN110942642B CN110942642B (zh) | 2021-01-19 |
Family
ID=69906863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911139010.2A Active CN110942642B (zh) | 2019-11-20 | 2019-11-20 | 一种基于视频的交通缓驶检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942642B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11387966B2 (en) * | 2018-07-04 | 2022-07-12 | Mitsubishi Electric Corporation | Information transmission control device, server, and information transmission control system |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436739A (zh) * | 2011-09-27 | 2012-05-02 | 重庆大学 | 基于视频检测技术的高速公路收费广场交通拥堵判别方法 |
JP5367244B2 (ja) * | 2007-09-13 | 2013-12-11 | 株式会社東芝 | 目標検出装置および目標検出方法 |
CN104537833A (zh) * | 2014-12-19 | 2015-04-22 | 深圳大学 | 一种交通异常检测方法及*** |
CN104867332A (zh) * | 2015-05-26 | 2015-08-26 | 南京通用电器有限公司 | 基于隔帧差法的前方车道线内行驶车辆的检测方法 |
CN109087510A (zh) * | 2018-09-29 | 2018-12-25 | 讯飞智元信息科技有限公司 | 交通监测方法及装置 |
CN109102523A (zh) * | 2018-07-13 | 2018-12-28 | 南京理工大学 | 一种运动目标检测和跟踪方法 |
CN109191849A (zh) * | 2018-10-22 | 2019-01-11 | 北京航空航天大学 | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 |
KR102006763B1 (ko) * | 2017-12-22 | 2019-09-24 | 한동대학교 산학협력단 | Cctv 영상을 이용한 도로 혼잡도 분석 방법 및 시스템 |
-
2019
- 2019-11-20 CN CN201911139010.2A patent/CN110942642B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5367244B2 (ja) * | 2007-09-13 | 2013-12-11 | 株式会社東芝 | 目標検出装置および目標検出方法 |
CN102436739A (zh) * | 2011-09-27 | 2012-05-02 | 重庆大学 | 基于视频检测技术的高速公路收费广场交通拥堵判别方法 |
CN104537833A (zh) * | 2014-12-19 | 2015-04-22 | 深圳大学 | 一种交通异常检测方法及*** |
CN104867332A (zh) * | 2015-05-26 | 2015-08-26 | 南京通用电器有限公司 | 基于隔帧差法的前方车道线内行驶车辆的检测方法 |
KR102006763B1 (ko) * | 2017-12-22 | 2019-09-24 | 한동대학교 산학협력단 | Cctv 영상을 이용한 도로 혼잡도 분석 방법 및 시스템 |
CN109102523A (zh) * | 2018-07-13 | 2018-12-28 | 南京理工大学 | 一种运动目标检测和跟踪方法 |
CN109087510A (zh) * | 2018-09-29 | 2018-12-25 | 讯飞智元信息科技有限公司 | 交通监测方法及装置 |
CN109191849A (zh) * | 2018-10-22 | 2019-01-11 | 北京航空航天大学 | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 |
Non-Patent Citations (1)
Title |
---|
张英 等: "一种改进的三帧差分运动目标实时检测算法", 《计算机测量与控制》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11387966B2 (en) * | 2018-07-04 | 2022-07-12 | Mitsubishi Electric Corporation | Information transmission control device, server, and information transmission control system |
Also Published As
Publication number | Publication date |
---|---|
CN110942642B (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11643076B2 (en) | Forward collision control method and apparatus, electronic device, program, and medium | |
CN109191830B (zh) | 一种基于视频图像处理的道路拥堵检测方法 | |
Jiansheng | Vision-based real-time traffic accident detection | |
CN111800507A (zh) | 一种交通监控方法及交通监控*** | |
Bloisi et al. | Argos—A video surveillance system for boat traffic monitoring in Venice | |
CN103824070A (zh) | 一种基于计算机视觉的快速行人检测方法 | |
CN103366569A (zh) | 实时抓拍交通违章车辆的方法及*** | |
Chang et al. | Video analytics in smart transportation for the AIC'18 challenge | |
CN114781479A (zh) | 交通事件检测方法及装置 | |
KR20140132140A (ko) | 군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법 및 영상 감시 장치 | |
CN115909223A (zh) | 一种wim***信息与监控视频数据匹配的方法和*** | |
Wei et al. | Street object detection/tracking for AI city traffic analysis | |
Blumer et al. | Cost-effective single-camera multi-car parking monitoring and vacancy detection towards real-world parking statistics and real-time reporting | |
CN110942642B (zh) | 一种基于视频的交通缓驶检测方法及*** | |
Li et al. | Intelligent transportation video tracking technology based on computer and image processing technology | |
CN112329671B (zh) | 一种基于深度学习的行人奔跑行为检测方法及相关组件 | |
Shafie et al. | Smart video surveillance system for vehicle detection and traffic flow control | |
CN116311166A (zh) | 交通障碍物识别方法、装置及电子设备 | |
Hashmi et al. | Analysis and monitoring of a high density traffic flow at T-intersection using statistical computer vision based approach | |
Muniruzzaman et al. | Deterministic algorithm for traffic detection in free-flow and congestion using video sensor | |
CN113538968B (zh) | 用于输出信息的方法和装置 | |
Špaňhel et al. | Detection of traffic violations of road users based on convolutional neural networks | |
Al Jarouf et al. | A hybrid method to detect and verify vehicle crash with haar-like features and svm over the web | |
CN113963310A (zh) | 一种公交站的人流量检测方法、装置及电子设备 | |
CN110633670B (zh) | 一种老年人专用绿信延长方法、***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 |