CN113793508A - 一种出入口无牌车辆防干扰快速检测方法 - Google Patents

Abstract

本发明公开了一种出入口无牌车辆防干扰快速检测方法，应用于出入口收费场景无牌车辆抓拍，其方法流程为：先检测区域梯度背景建立；再进行车辆运行状态检测，同步获取背景梯度图、当前帧和背景梯度差图、前后帧梯度差图，通过图像变化情况判断车辆状态；无车辆状态下，持续更新背景。本专利基于车辆特征点、光流、帧差法、梯度背景重建等多种方法相结合来实现的快速及防干扰的车辆检测方法。其可提高车辆出入速度和准确性。

Description

一种出入口无牌车辆防干扰快速检测方法

技术领域

本发明涉及一种车辆检测方法，尤其涉及一种出入口无牌车辆防干扰快速检测方法。

背景技术

在出入口停车计费领域，计费***大致流程为：车辆驶入停车场时，抓拍车辆信息，记录入场时间；车辆驶出停车场时，查询车辆驶入时间，计算出付费金额。通常车辆驶入是依据车牌号码识别进行记录的，但经常会遇见没有车牌的车辆，由于无牌车的出现，只依靠车牌识别进行车辆自动抓拍计费是不可行的，所以需要依靠车辆检测来进行辅助抓拍，通过车辆检测来进行目标检测，然后识别车辆的结构化信息(车颜色、车品牌、车系、车型)，记录这些结构化信息作为无牌车辆的描述信息；当车辆驶出时，查询数据库中记录的驶入车辆描述信息，匹配与此车相似度最高的车辆，进行收费计算。

从流程上，当车牌抓拍失败时，启动车辆抓拍机制。实际场景中有很多干扰车辆检测的因素，比如行人、自行车、摩托、光线突变等。加上程序都是在相机中运行，计算资源有限，所以必须开发一种快速的抗干扰的车辆检测算法才可以很好的解决无牌车辆的抓拍计费问题。

发明内容

本发明要解决的主要技术问题是，提供一种出入口无牌车辆防干扰快速检测方法，其可提高车辆检测速度和准确性。

为解决上述技术问题，本发明提供一种出入口无牌车辆防干扰快速检测方法，其方法流程为：

当车牌抓拍失败时，启动车辆抓拍机制。

步骤一、检测区域梯度背景建立：基于视频图像，在无车状态下划定车辆检测区域，建立检测区域的梯度背景，后续在无车状态下持续更新背景；

步骤二、车辆运行状态检测：同步获取背景梯度图、计算当前帧检测区域梯度和背景梯度差(当前帧和背景梯度差图)、计算当前帧和前一帧检测区域梯度差(前后帧梯度差图)；

若，当前帧和背景梯度差图和前后帧梯度差图都有明显变化，且从无车状态变为有车状态，判断为车辆驶入；

若，当前帧和背景梯度差图有明显变化，前后帧梯度差图无变化，判断为车辆停止；

若，当前帧和背景梯度差图和前后帧梯度差图都有明显变化，且一直为有车状态，判断为车辆行驶；

若，当前帧和背景梯度差图和前后帧梯度差图均无明显变化，判断为车辆已驶出。

步骤三、无车辆状态下，持续更新背景。(没有车的状态下可以是每一帧都在实时更新背景。)

实施时，所述第二步中，当判断为车辆停止，进行车辆结构化信息识别，得到车颜色、车品牌、车系、车型，作为车辆描述信息。

车辆描述信息存储前与已入库车辆的描述信息进行比对；当未出现相同情况时，直接存储；当出现相同情况时，追加识别驾驶员形象信息，作为车辆描述信息的附加信息，然后在进行存储。

所述驾驶员形象信息包括以下因子中的至少一个：长短发、面部长宽比、眉间距、鼻口间距中。

当再次出现车辆信息相同时，则再增加一个驾驶员形象信息因子。即本来只取了前述一个驾驶员形象信息因子,那么现在取两个驾驶员形象信息因子,进行区分车辆。

实施时，为了保证背景的实时性，在原背景A的基础上，逐渐增加当前图像的信息(1/50的信息量加权)，确保随着时间变化，背景光线逐渐更新。

实施时，在步骤二之前还还包括抗干扰处理流程，具体如下：

采用了梯度图像来建立背景，梯度计算方法采用垂直方向上的梯度；(防止光线突变处理)

将检测区域分为上中下三部分，从上而下或从下而上的进入判断为车辆；

物体面积过小，判断为非车辆；

对比运动矢量计算出来的方向和车辆预设方向是否一致，来判断是否为车辆。

实施时，在步骤二之后还还包括快速运算步骤：

减小数据处理，算法直接将相机采集图像缩小至200*110像素，同时对图像中的检测区域部分处理；检测区域占图像1/3左右；

所述快速运算步骤，还包括特征点快速检测，通过查表实现快速特侦点检测。

本发明的有益效果是：一种出入口无牌车辆防干扰快速检测方法，其方法流程为：先检测区域梯度背景建立；再进行车辆运行状态检测，同步获取背景梯度图、当前帧和背景梯度差图、前后帧梯度差图，通过图像变化情况判断车辆状态；无车辆状态下，持续更新背景。本专利基于车辆特征点、光流、帧差法、梯度背景重建等多种方法相结合来实现的快速及防干扰的车辆检测方法。其可提高车辆出入速度和准确性。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施方式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申请的一些实施方式，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，还可以用这些附图获得其他的附图。

图1为本发明一种实施例的检测区域梯度背景建立示意图；

图2a为本发明一种实施例的背景梯度示意图；

图2b为本发明一种实施例的当前帧和背景梯度差示意图；

图2c为本发明一种实施例的前后帧梯度差示意图；

图3为本发明一种实施例的车辆运行状态检测流程示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

请参考图1至图3所示，一种出入口无牌车辆防干扰快速检测方法，本发明基于车辆特征点、光流、帧差法、梯度背景重建等多种方法相结合来实现的快速、防干扰的车辆检测方法。主要应用于出入口收费场景无牌车辆抓拍。其实现步骤如下：

一、车辆检测检

1、检测区域梯度背景建立。如图1所示，梯形区域为车辆检测区域，在无车状态下建立当前区域的梯度背景，后续在无车状态下持续更新背景。

梯度背景是指，当前处理区域内的灰度图像的梯度信息，本文采用的梯度计算方计算方式：当前点周围有8个点，用上面的三个点分别减去下面的三个点，绝对值求和，再求均值，如下：

a＝(abs(a1-a4)+abs(a2-a5)+abs(a3-a6))/3，

其中a1、a2、a3为当前点上面的三个点，a4、a5、a6为当前点下面三个点。

由于车辆头部有很多的横向纹理，通过垂直方向上相减能得到更多的信息，省略水平相减可以减少运算，同时可以减少行人等纵向纹理较强物体的干扰。

a1	a2	a3
				a
a4	a5	a6

(上表是为了形象的演示一下上面公式a＝(abs(a1-a4)+abs(a2-a5)+abs(a3-a6))/3的像素点位置，a是当前位置，a1，a2，a3是当前点上面三个点，a4，a5，a6是当前点下面三个点)

梯度背景更新，在无车状态下计算每帧图像检测区域的梯度图像，和当前梯度背景进行权值相加。公式如下：

A＝0.98*A+0.02*B，

A为当前的梯度背景，B为当前帧检测区域的梯度图，两张图像对应像素通过上面的公式加权更新。

上述步骤结合的目的是为了保证背景的实时性，在原背景A的基础上，逐渐增加当前图像的信息(1/50的信息量加权)，确保随着时间变化，背景光线逐渐更新。

2、车辆运行状态检测：车辆驶入、车辆停止、车辆行驶、车辆驶出四个状态(此处的驶入驶出是指车辆进入摄像机场景和驶出摄像机场景)。具体步骤：

1)计算当前帧检测区域梯度和背景梯度差；

2)计算当前帧和前一帧检测区域梯度差；如图2a、2b、2c所示，背景梯度-图2a，中间为当前帧和背景梯度差-图2b，下面为前后帧梯度差-图2c。

3)车辆驶入判断，当车辆驶入时，图2b和图2c都有明显变化；

4)车辆停止判断，当车辆停止时，图2b有明显变化、图2c无变化；

5)车辆行驶判断，效果同3)相同，区别为驶入是从无车状态变为有车状态，有状态变化，行驶中则一直为有车状态；

6)车辆驶出判断，当车辆驶出后，图2b和图2c均无变化；

7)无车辆状态下，持续更新背景。

二、抗干扰处理(与现技术相比变化，如下面1.灰度背景改用梯度背景，防止光线突变2.将原检测区域分为了上中下三部分，同时又增加了光流来做运动方向的准确判断)主要干扰有，光线突变，行人，自行车，摩托车干扰。

1、光线突变处理

1)因为灰度图像受光线突变影响较大，我们采用了梯度图像来建立背景，光线突然变亮或变暗，梯度背景保持稳定。

2)梯度计算方法：因为行人或摩托车，水平方向上梯度较大(竖直的)，而车辆在垂直方向上梯度较大(车头部分横向较多)，为了减少干扰，采用垂直方向上的梯度。

2、行人，自行车，摩托车等运动物体处理

1)行人，自行车，摩托车运动比较随意，而汽车则比较固定。所以将检测区域分为上中下三部分，车辆驶入是从上而下或从下而上的，其他物体则无规则，根据三部分的变化顺序可以排除部分随意运动物体。

2)物体面积过滤。由于干扰物相对于车辆一般较小，通过面积可以过滤大部分干扰。

3)运动方向准确过滤

上面1)2)可过滤掉大部分干扰，但不能完全过滤，所以又加入了特征点检测和光流，做准确判断。

快速特征点检测，如图像中浅色点为车辆上的特征点效果。

光流判断特征点运行方向，如图中的深色点为当前浅色点上一帧的位置，链接两点得出运动矢量。

直方图统计运动矢量，运动矢量聚集处即为车辆运动的准确方向。因为可以预设车辆的运动方向：向上，向下(更精细可设置向左下，右下，左上，右上)，对比运动矢量计算出来的方向和车辆预设方向是否一致，来判断是否为车辆。

三、快速运算

由于前端设备性能一般，不支持AI等高性能运算，对算法速度要求非常严格。

1)减小数据处理，相机采集图像为1920*1080像素，算法直接将图像缩小至200*110像素(由于处理的是车辆整体的运动变化，不对细节做处理，所以缩小图像后整体轮廓依然明显，不会造成准确率的下降)，同时对图像中的检测区域部分处理。检测区域占图像1/3左右，所以处理数据量一般只有200*110/3像素，在此数据量上计算梯度等信息速度很快。

2)特征点快速检测，通过查表实现快速特侦点检测。

检测流程请参考：车辆检测检中的2步车辆运行状态检测，流程图2所示，如下：

出入口的摄像头输入彩色图象，

实施时，所述第二步中，当判断为车辆停止，进行车辆结构化信息识别，得到车颜色、车品牌、车系、车型，作为车辆描述信息。如果是两个相同的无牌车，但是恰巧车颜色、车品牌、车系、车型都相同的概率是很小的，故可通过这些信息进行区分无牌车辆。

车辆描述信息存储前与已入库车辆的描述信息进行比对；当未出现相同情况时，直接存储；当出现相同情况时，追加识别驾驶员形象信息，作为车辆描述信息的附加信息，然后在进行存储。当恰巧出现两个完全相同的无牌车，通过车辆自身信息基本无法区分，此时通过增加识别驾驶员信息，可百分百有效地增加可区别的附加信息。

所述驾驶员形象信息包括以下因子：长短发、面部长宽比、眉间距、鼻口间距。驾驶员形象信息取前面的至少一个因子(可以是顺位识别)(当仍然出现相同车辆描述信息，且相同的驾驶员形象信息，则再增加一个形象信息因子，识别前述至少两个，再相同则再增加识别前述至少三个形象信息因子)。这些信息对图像清晰度要求较低，且和有效区分大部分人。因此在结合其中至少两个形象信息的情况下，可有效区分车辆且识别速度快、图像要求低、不同的个体相关信息差异大，提高了识别度。即使是不同车辆的相同驾驶员形象信息因子间无法完全区分，单单从驾驶员形象信息因子的数量变化即可实现一定的区分效果。

当无牌车辆进入车库时,将车辆描述信息有附加信息的连同附加信息一起存储到已入库车辆数据库。当无牌车辆驶出车库时识别相关信息与已入库车辆数据库中的数据进行比对，找到相应车辆的入库时间进行计费。

图3所示车辆运行状态检测流程示意图中，Thr是根据实际测试总结出来的经验值，根据不同场景会统计出不同的经验值。

以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种出入口无牌车辆防干扰快速检测方法,其特征在于，当车牌抓拍失败时启动车辆抓拍机制，具体方法流程为：

步骤一、检测区域梯度背景建立：基于视频图像，在无车状态下划定车辆检测区域，建立检测区域的梯度背景，后续在无车状态下持续更新背景；

步骤二、车辆运行状态检测：同步获取背景梯度图、计算当前帧检测区域梯度和背景梯度差、计算当前帧和前一帧检测区域梯度差；

若，当前帧和背景梯度差图和前后帧梯度差图都有明显变化，且从无车状态变为有车状态，判断为车辆驶入；

若，当前帧和背景梯度差图有明显变化，前后帧梯度差图无变化，判断为车辆停止；

若，当前帧和背景梯度差图和前后帧梯度差图都有明显变化，且一直为有车状态，判断为车辆行驶；

若，当前帧和背景梯度差图和前后帧梯度差图均无明显变化，判断为车辆已驶出；

步骤三、无车辆状态下，持续更新背景。

2.如权利要求1所述的出入口无牌车辆防干扰快速检测方法，其特征在于，在步骤二之前还还包括抗干扰处理流程，具体包括：采用了梯度图像来建立背景，梯度计算方法采用垂直方向上的梯度。

3.如权利要求2所述的出入口无牌车辆防干扰快速检测方法，其特征在于，所述抗干扰处理流程还包括：将检测区域分为上中下三部分，从上而下或从下而上的进入判断为车辆。

4.如权利要求2所述的出入口无牌车辆防干扰快速检测方法，其特征在于，所述抗干扰处理流程还包括：物体面积过小，判断为非车辆。

5.如权利要求2所述的出入口无牌车辆防干扰快速检测方法，其特征在于，所述抗干扰处理流程还包括：对比运动矢量计算出来的方向和车辆预设方向是否一致，来判断是否为车辆。

6.如权利要求1所述的出入口无牌车辆防干扰快速检测方法，其特征在于，在步骤二之后还还包括快速运算步骤：减小数据处理，算法直接将相机采集图像缩小至200*110像素，同时对图像中的检测区域部分处理；检测区域占图像1/3左右。

7.如权利要求6所述的出入口无牌车辆防干扰快速检测方法，其特征在于，所述快速运算步骤，还包括特征点快速检测，通过查表实现快速特侦点检测。

8.如权利要求1至7任一项所述的出入口无牌车辆防干扰快速检测方法，其特征在于，所述步骤二中，当判断为车辆停止，则进行车辆结构化信息识别，获取车颜色、车品牌、车系、车型，作为车辆描述信息；车辆描述信息存储前与已入库车辆的描述信息进行比对；当未出现相同情况时，直接存储；当出现相同情况时，追加识别驾驶员形象信息，作为车辆描述信息的附加信息，然后在进行存储。

9.如权利要求8所述的出入口无牌车辆防干扰快速检测方法，其特征在于，所述驾驶员形象信息包括以下因子中的至少一个：长短发、面部长宽比、眉间距、鼻口间距中。

10.如权利要求9所述的出入口无牌车辆防干扰快速检测方法，其特征在于，当再次出现车辆信息相同时，则再增加识别一个驾驶员形象信息因子。

Images