本發(fā)明涉及一種基于交通視頻的運(yùn)動(dòng)車輛檢測(cè)方法。

背景技術(shù)：

現(xiàn)如今，隨著當(dāng)今經(jīng)濟(jì)的高速發(fā)展，交通運(yùn)輸行業(yè)得到了顯著的發(fā)展，機(jī)動(dòng)車保有量迅速地增長(zhǎng)，僅僅依靠修建道路設(shè)施和人工管理很難解決現(xiàn)存的交通問題,采用智能化的交通控制與管理系統(tǒng)來最大限度地行使現(xiàn)有道路體系的通行能力勢(shì)在必行。對(duì)運(yùn)動(dòng)車輛的有效檢測(cè)可以統(tǒng)計(jì)出一定時(shí)間內(nèi)車輛流量、車流密度等交通流信息，根據(jù)此信息作出相應(yīng)的道路管理與控制；對(duì)運(yùn)動(dòng)車輛的有效跟蹤可以計(jì)算出車輛的行車速度、行車軌跡等交通信息，對(duì)此信息進(jìn)行分析，預(yù)測(cè)出車輛在未來時(shí)間內(nèi)的行為而做出相應(yīng)的處理(如對(duì)超速、違章車輛發(fā)出警告，對(duì)交通事故的肇事車輛進(jìn)行追蹤等)。

智能交通系統(tǒng)的發(fā)展，隨著基于交通視頻圖像序列的運(yùn)動(dòng)車輛檢測(cè)與跟蹤技術(shù)的發(fā)展而迅速崛起，基于交通視頻圖像序列的運(yùn)動(dòng)車輛檢測(cè)和跟蹤技術(shù)廣泛應(yīng)用于智能交通系統(tǒng)當(dāng)中，是整個(gè)智能交通系統(tǒng)最底層的一個(gè)模塊，也是最重要的模塊。致力于車輛檢測(cè)、跟蹤研究的學(xué)者們?nèi)〉昧舜罅康摹⒖捎^的研究成果，但是視頻圖像幀序列來源于架設(shè)在室外的攝像機(jī)，受到突然改變的光照條件、車輛的陰影、車距大小等等的影響，導(dǎo)致場(chǎng)景的動(dòng)態(tài)不固定性，這樣對(duì)運(yùn)動(dòng)車輛檢測(cè)中所運(yùn)用到的算法提出更加嚴(yán)格、苛刻的要求；傳統(tǒng)的跟蹤算法對(duì)快速行駛的運(yùn)動(dòng)車輛、被遮擋的運(yùn)動(dòng)車輛、尺度變化的運(yùn)動(dòng)車輛等的跟蹤往往達(dá)不到預(yù)期的結(jié)果。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種基于交通視頻的運(yùn)動(dòng)車輛檢測(cè)方法。

基于交通視頻的運(yùn)動(dòng)車輛檢測(cè)方法，包括以下步驟：

S1：通過裝置于車輛內(nèi)的攝像機(jī)實(shí)時(shí)的采集車輛信息，將獲得的車輛行駛視頻按照幀分割成一系列的圖像序列，并對(duì)圖像進(jìn)行灰度化、二值化及降噪預(yù)處理；

S2：背景建模，是對(duì)背景圖像中的每一個(gè)像素點(diǎn)建立起模型分布，實(shí)時(shí)更新模型參數(shù)；

S3：將預(yù)處理后的當(dāng)前幀圖像采用Canny邊緣檢測(cè)來提取邊緣信息，獲取圖像的結(jié)構(gòu)特征和邊緣信息；

S4：根據(jù)獲取的邊緣信息，對(duì)每一像素建立基于邊緣的混合高斯模型；

S5：基于邊緣信息的混合高斯模型參數(shù)的更新，把長(zhǎng)時(shí)間駐留組成靜止目標(biāo)區(qū)域的像素點(diǎn)歸納為組成背景區(qū)域的像素點(diǎn)，短暫駐留目標(biāo)的像素點(diǎn)慢慢減弱，直到此區(qū)域的像素點(diǎn)被一個(gè)新出現(xiàn)的運(yùn)動(dòng)目標(biāo)的像素點(diǎn)完全替代；

S6：像素點(diǎn)值與最佳描述背景高斯分布進(jìn)行匹配，將前景目標(biāo)提取出來，實(shí)現(xiàn)運(yùn)動(dòng)車輛的檢測(cè)。

進(jìn)一步的，所述背景建模具體如下：

S2-1：用一個(gè)賦予權(quán)值為w_i,t，維數(shù)為n(灰度圖像取1)的時(shí)間序列{X(x,y,i),1≤i≤t}來表示視頻序列圖像中像素點(diǎn)的值，任何時(shí)候這些像素點(diǎn)的值服從相同的分布且相互獨(dú)立，采用K個(gè)獨(dú)立的高斯分布(均值向量為μ_i,t，協(xié)方差矩陣為∑_i,t的正態(tài)分布)概率密度函數(shù)的加權(quán)和來描述X_t的概率函數(shù)表達(dá)式表示為：

其中，G_i(X_t,μ_i,t,∑_i,t)為第i個(gè)高斯分布；

S2-2：此對(duì)組成背景區(qū)域像素點(diǎn)的最佳描述是w_i,t/|∑_i,t|比值較大的高斯分布，把描述每個(gè)像素點(diǎn)的K個(gè)高斯分布的w_i,t/|∑_i,t|由大到小的順序排列，大于閾值T的前B個(gè)高斯分布作為描述組成背景區(qū)域的模型：

其中，T(0.5≤T≤1)作為預(yù)先設(shè)定的閾值很好地表現(xiàn)出組成背景區(qū)域像素點(diǎn)出現(xiàn)的概率。

進(jìn)一步的，所述Canny邊緣檢測(cè)具體方法如下：

S3-1：平滑圖像中數(shù)據(jù)的陣列是像素點(diǎn)f(x,y)與標(biāo)準(zhǔn)差是σ的高斯平滑濾波器H(x,y；σ)進(jìn)行卷積的表達(dá)式表示為：

S(x,y)＝H(x,y；σ)*f(x,y)，

使用2×2一階有限差分，梯度幅值和方向角分別為：

θ(x,y)＝arctan(P₂(x,y)/P₁(x,y))

其中，

其中，M(x,y)為邊緣強(qiáng)度；θ(x,y)為正交于邊緣方向的法向矢量；

S3-2：計(jì)算圖像灰度的偏導(dǎo)數(shù)P₁(x,y)、P₂(x,y)，計(jì)算出邊緣強(qiáng)度為M(x,y)和方向θ(x,y)；

S3-3：某個(gè)像素點(diǎn)的灰度值與8鄰域的8個(gè)像素灰度值作比較，如果不是最大值，則該像素點(diǎn)不是邊緣像素點(diǎn)而把此像素點(diǎn)的值置為0，以此來決定出局部極大值；

S3-4：通過步驟S3-3得到了非極大值抑制的圖像，在此基礎(chǔ)上使用高閾值τ₁和低閾值τ₂(τ₁≈τ₂)分割圖像得到了T_h[x,y]和T_l[x,y]兩個(gè)閾值邊緣圖像，圖像T_h[x,y]不包含假邊緣，但造成輪廓上可能的間斷，因此需在T_h[x,y]中把邊緣連接成輪廓，達(dá)到輪廓端點(diǎn)時(shí)，在圖像T_l[x,y]的8鄰域位置內(nèi)尋找可以連接到利用閾值τ₁得到的間斷輪廓上的邊緣像素點(diǎn)，重復(fù)此操作直到T_h[x,y]圖像中的所有間斷連接起來。

進(jìn)一步的，基于邊緣信息的混合高斯模型建立具體如下：

1)初始化：

K個(gè)邊緣混合高斯模型中的第一個(gè)高斯分布的均值為第一幀圖像像素點(diǎn)灰度值的平均值，協(xié)方差為較大的初始值V₀，權(quán)系數(shù)初始化為1，其它高斯分布均值為0，協(xié)方差為較大的初始值V₀，權(quán)系數(shù)為0；

2)匹配校驗(yàn)：

每幀圖像中的每個(gè)像素點(diǎn)X_t的值滿足|X_t-μ_i,t|≤2.5δ_i,t時(shí)，此像素點(diǎn)與邊緣高斯分布G_i(X_t,μi_,t,Σ_i,t)相匹配。

進(jìn)一步的，基于邊緣信息的混合高斯模型參數(shù)的更新具體如下：

S5-1：均值向量μ_i,t，協(xié)方差矩陣∑_i,t、權(quán)系數(shù)w_i,t的更新：

1)像素點(diǎn)X_t對(duì)應(yīng)的K個(gè)高斯模型中，如果存在大于或者是等于一個(gè)高斯分布滿足|X_t-μ_i,t|≤2.5δ_i,t時(shí)：

對(duì)于不滿足|X_t-μ_i,t|≤2.5δ_i,t的高斯分布，μ_i,t和Σ_i,t不進(jìn)行更新，滿足|X_t-μ_i,t|≤2.5δ_i,t的μ_i,t和Σ_i,t更新為：

μ_i,t＝(1-ρ)·μ_i,t-1+ρ·X_t，

Σ_i,t＝(1-ρ)Σ_i,t-1+ρ·diag[(X_t-μ_i,t)^T(X_t-μ_i,t)]，

ρ＝α·G_i(X_t|μ_i,t,Σ_i,t)，

其中，X_t表示的通過邊緣檢測(cè)得到的邊緣像素點(diǎn)的值，α為學(xué)習(xí)因子；

2)像素點(diǎn)X_t對(duì)應(yīng)的K個(gè)高斯模型中，如果沒有一個(gè)高斯分布滿足|X_t-μ_i,t|≤2.5δ_i,t時(shí)，需要將K個(gè)模型中w_i,t/|Σ_i,t|最小的G_j模型參數(shù)重新賦值：

w_j,t＝w₀,μ_j,t＝X,

其中，j＝min_i{w_i,t-1},i＝1,...,k；

3)在t時(shí)刻的K個(gè)邊緣高斯分布權(quán)系數(shù)w_i,t更新為：

w_i,t＝(1-α)·w_i,t-1+α(M_i,t)，

其中，不匹配時(shí)高斯分布G_i(X_t,μ_i,t,∑_i,t)相應(yīng)的權(quán)值將衰減，因此若t時(shí)刻的像素值X_t與高斯分布G_i(X_t,μ_i,t,∑_i,t)相匹配，則M_i,t＝1，否則M_i,t＝0。

S5-2：參數(shù)估計(jì)學(xué)習(xí)因子α的動(dòng)態(tài)調(diào)整：

1)用連續(xù)三幀差來動(dòng)態(tài)調(diào)整α：

其中，λ反映了連續(xù)三幀像素值都明顯發(fā)生變化的比率；“∧”表示與運(yùn)算；H為在線學(xué)習(xí)獲得的判定兩幀間像素值發(fā)生變化的閾值；

2)參數(shù)估計(jì)學(xué)習(xí)因子α的動(dòng)態(tài)調(diào)整依據(jù)：

在滿足1)中公式的情況下：

當(dāng)α<0.1時(shí)，α＝2*α；

當(dāng)α>0.1時(shí)，α的值保持不變；

在不滿足1)中公式的情況下：

當(dāng)α<0.05時(shí)，α＝0.5*α；

當(dāng)α>0.05時(shí)，α的值保持不變。

進(jìn)一步的，所述前景目標(biāo)提取具體方法如下：

S6-1：場(chǎng)景背景的建立：t時(shí)刻，對(duì)于描述組成背景區(qū)域像素點(diǎn)的最佳前B個(gè)高斯分布中，如果當(dāng)前視頻圖像幀中的像素點(diǎn)的值滿足|X_t-μ_i,t|≤2.5δ_i,t，則把該像素歸納為組成背景區(qū)域的像素點(diǎn)，滿足匹配關(guān)系的像素點(diǎn)映射到背景圖像的像素點(diǎn)值更新為該像素點(diǎn)對(duì)應(yīng)高斯模型(K個(gè)高斯模型中權(quán)值最大的高斯模型)的均值；

S6-2：運(yùn)動(dòng)前景檢測(cè)：t時(shí)刻，對(duì)于描述組成背景區(qū)域像素點(diǎn)的最佳前B個(gè)高斯分布中，如果當(dāng)前視頻圖像幀中的像素點(diǎn)的值不滿足|X_t-μ_i,t|≤2.5δ_i,t，則把該像素歸納為組成前景區(qū)域的像素點(diǎn)，不滿足匹配關(guān)系的像素點(diǎn)映射到背景圖像的像素點(diǎn)值不做更新處理，維持背景圖像中原有的像素值。

高斯混合模型的基本思想是：在攝像機(jī)固定的情況下，組成背景區(qū)域的像素點(diǎn)在一定時(shí)間內(nèi)出現(xiàn)的頻率高，組成背景區(qū)域的像素點(diǎn)在顏色、灰度方面比較集中。顏色、灰度集中的地方像素點(diǎn)對(duì)應(yīng)高斯分布的方差較小，出現(xiàn)頻率高的像素點(diǎn)，概率密度函數(shù)對(duì)應(yīng)的權(quán)值較大。

本發(fā)明的有益效果是：

本發(fā)明利用視頻圖像幀中的邊緣像素點(diǎn)建立混合高斯模型，建立的混合高斯模型中各個(gè)高斯分布的均值和方差在學(xué)習(xí)因子自適應(yīng)、動(dòng)態(tài)調(diào)整的情況下能夠加快收斂的速度，實(shí)時(shí)地將變化場(chǎng)景更新(建立適合當(dāng)前場(chǎng)景的背景模型)，根據(jù)視頻圖像中像素值與最佳描述背景高斯分布的匹配關(guān)系及時(shí)、有效地檢測(cè)到運(yùn)動(dòng)車輛。

具體實(shí)施方式

以下具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步闡述，但不作為對(duì)本發(fā)明的限定。

基于交通視頻的運(yùn)動(dòng)車輛檢測(cè)方法，包括以下步驟：

S1：通過裝置于車輛內(nèi)的攝像機(jī)實(shí)時(shí)的采集車輛信息，將獲得的車輛行駛視頻按照幀分割成一系列的圖像序列，并對(duì)圖像進(jìn)行灰度化、二值化及降噪預(yù)處理；

S2：背景建模，是對(duì)背景圖像中的每一個(gè)像素點(diǎn)建立起模型分布，實(shí)時(shí)更新模型參數(shù)；

S3：將預(yù)處理后的當(dāng)前幀圖像采用Canny邊緣檢測(cè)來提取邊緣信息，獲取圖像的結(jié)構(gòu)特征和邊緣信息；

S4：根據(jù)獲取的邊緣信息，對(duì)每一像素建立基于邊緣的混合高斯模型；

S5：基于邊緣信息的混合高斯模型參數(shù)的更新，把長(zhǎng)時(shí)間駐留組成靜止目標(biāo)區(qū)域的像素點(diǎn)歸納為組成背景區(qū)域的像素點(diǎn)，短暫駐留目標(biāo)的像素點(diǎn)慢慢減弱，直到此區(qū)域的像素點(diǎn)被一個(gè)新出現(xiàn)的運(yùn)動(dòng)目標(biāo)的像素點(diǎn)完全替代；

S6：像素點(diǎn)值與最佳描述背景高斯分布進(jìn)行匹配，將前景目標(biāo)提取出來，實(shí)現(xiàn)運(yùn)動(dòng)車輛的檢測(cè)。

所述背景建模具體如下：

S2-1：用一個(gè)賦予權(quán)值為w_i,t，維數(shù)為n(灰度圖像取1)的時(shí)間序列{X(x,y,i),1≤i≤t}來表示視頻序列圖像中像素點(diǎn)的值，任何時(shí)候這些像素點(diǎn)的值服從相同的分布且相互獨(dú)立，采用K個(gè)獨(dú)立的高斯分布(均值向量為μ_i,t，協(xié)方差矩陣為∑_i,t的正態(tài)分布)概率密度函數(shù)的加權(quán)和來描述X_t的概率函數(shù)表達(dá)式表示為：

其中，G_i(X_t,μ_i,t,∑_i,t)為第i個(gè)高斯分布；

S2-2：此對(duì)組成背景區(qū)域像素點(diǎn)的最佳描述是w_i,t/|∑_i,t|比值較大的高斯分布，把描述每個(gè)像素點(diǎn)的K個(gè)高斯分布的w_i,t/|∑_i,t|由大到小的順序排列，大于閾值T的前B個(gè)高斯分布作為描述組成背景區(qū)域的模型：

其中，T(0.5≤T≤1)作為預(yù)先設(shè)定的閾值很好地表現(xiàn)出組成背景區(qū)域像素點(diǎn)出現(xiàn)的概率。

所述Canny邊緣檢測(cè)具體方法如下：

S3-1：平滑圖像中數(shù)據(jù)的陣列是像素點(diǎn)f(x,y)與標(biāo)準(zhǔn)差是σ的高斯平滑濾波器H(x,y；σ)進(jìn)行卷積的表達(dá)式表示為：

S(x,y)＝H(x,y；σ)*f(x,y)，

使用2×2一階有限差分，梯度幅值和方向角分別為：

θ(x,y)＝arctan(P₂(x,y)/P₁(x,y))

其中，

其中，M(x,y)為邊緣強(qiáng)度；θ(x,y)為正交于邊緣方向的法向矢量；

S3-2：計(jì)算圖像灰度的偏導(dǎo)數(shù)P₁(x,y)、P₂(x,y)，計(jì)算出邊緣強(qiáng)度為M(x,y)和方向θ(x,y)；

S3-3：某個(gè)像素點(diǎn)的灰度值與8鄰域的8個(gè)像素灰度值作比較，如果不是最大值，則該像素點(diǎn)不是邊緣像素點(diǎn)而把此像素點(diǎn)的值置為0，以此來決定出局部極大值；

S3-4：通過步驟S3-3得到了非極大值抑制的圖像，在此基礎(chǔ)上使用高閾值τ₁和低閾值τ₂(τ₁≈τ₂)分割圖像得到了T_h[x,y]和T_l[x,y]兩個(gè)閾值邊緣圖像，圖像T_h[x,y]不包含假邊緣，但造成輪廓上可能的間斷，因此需在T_h[x,y]中把邊緣連接成輪廓，達(dá)到輪廓端點(diǎn)時(shí)，在圖像T_l[x,y]的8鄰域位置內(nèi)尋找可以連接到利用閾值τ₁得到的間斷輪廓上的邊緣像素點(diǎn)，重復(fù)此操作直到T_h[x,y]圖像中的所有間斷連接起來。

進(jìn)一步的，基于邊緣信息的混合高斯模型建立具體如下：

1)初始化：

K個(gè)邊緣混合高斯模型中的第一個(gè)高斯分布的均值為第一幀圖像像素點(diǎn)灰度值的平均值，協(xié)方差為較大的初始值V₀，權(quán)系數(shù)初始化為1，其它高斯分布均值為0，協(xié)方差為較大的初始值V₀，權(quán)系數(shù)為0；

2)匹配校驗(yàn)：

每幀圖像中的每個(gè)像素點(diǎn)X_t的值滿足|X_t-μ_i,t|≤2.5δ_i,t時(shí)，此像素點(diǎn)與邊緣高斯分布G_i(X_t,μ_i,t,∑_i,t)相匹配。

基于邊緣信息的混合高斯模型參數(shù)的更新具體如下：

S5-1：均值向量μ_i,t，協(xié)方差矩陣∑_i,t、權(quán)系數(shù)w_i,t的更新：

1)像素點(diǎn)X_t對(duì)應(yīng)的K個(gè)高斯模型中，如果存在大于或者是等于一個(gè)高斯分布滿足|X_t-μ_i,t|≤2.5δ_i,t時(shí)：

對(duì)于不滿足|X_t-μ_i,t|≤2.5δ_i,t的高斯分布，μ_i,t和∑_i,t不進(jìn)行更新，滿足|X_t-μ_i,t|≤2.5δ_i,t的μ_i,t和∑_i,t更新為：

μ_i,t＝(1-ρ)·μ_i,t-1+ρ·X_t，

∑_i,t＝(1-ρ)∑_i,t-1+ρ·diag[(X_t-μ_i,t)^T(X_t-μ_i,t)]，

ρ＝α·G_i(X_t|μ_i,t,∑_i,t)，

其中，X_t表示的通過邊緣檢測(cè)得到的邊緣像素點(diǎn)的值，α為學(xué)習(xí)因子；

2)像素點(diǎn)X_t對(duì)應(yīng)的K個(gè)高斯模型中，如果沒有一個(gè)高斯分布滿足|X_t-μ_i,t|≤2.5δ_i,t時(shí)，需要將K個(gè)模型中w_i,t/|∑_i,t|最小的G_j模型參數(shù)重新賦值：

w_j,t＝w₀,μ_j,t＝X,

其中，j＝min_i{w_i,t-1},i＝1,...,k；

3)在t時(shí)刻的K個(gè)邊緣高斯分布權(quán)系數(shù)w_i,t更新為：

w_i,t＝(1-α)·w_i,t-1+α(M_i,t)，

其中，不匹配時(shí)高斯分布G_i(X_t,μ_i,t,∑_i,t)相應(yīng)的權(quán)值將衰減，因此若t時(shí)刻的像素值X_t與高斯分布G_i(X_t,μ_i,t,∑_i,t)相匹配，則M_i,t＝1，否則M_i,t＝0。

S5-2：參數(shù)估計(jì)學(xué)習(xí)因子α的動(dòng)態(tài)調(diào)整：

1)用連續(xù)三幀差來動(dòng)態(tài)調(diào)整α：

其中，λ反映了連續(xù)三幀像素值都明顯發(fā)生變化的比率；“∧”表示與運(yùn)算；H為在線學(xué)習(xí)獲得的判定兩幀間像素值發(fā)生變化的閾值；

2)參數(shù)估計(jì)學(xué)習(xí)因子α的動(dòng)態(tài)調(diào)整依據(jù)：

在滿足1)中公式的情況下：

當(dāng)α<0.1時(shí)，α＝2*α；

當(dāng)α>0.1時(shí)，α的值保持不變；

在不滿足1)中公式的情況下：

當(dāng)α<0.05時(shí)，α＝0.5*α；

當(dāng)α>0.05時(shí)，α的值保持不變。

所述前景目標(biāo)提取具體方法如下：

S6-1：場(chǎng)景背景的建立：t時(shí)刻，對(duì)于描述組成背景區(qū)域像素點(diǎn)的最佳前B個(gè)高斯分布中，如果當(dāng)前視頻圖像幀中的像素點(diǎn)的值滿足|X_t-μ_i,t|≤2.5δ_i,t，則把該像素歸納為組成背景區(qū)域的像素點(diǎn)，滿足匹配關(guān)系的像素點(diǎn)映射到背景圖像的像素點(diǎn)值更新為該像素點(diǎn)對(duì)應(yīng)高斯模型(K個(gè)高斯模型中權(quán)值最大的高斯模型)的均值；

S6-2：運(yùn)動(dòng)前景檢測(cè)：t時(shí)刻，對(duì)于描述組成背景區(qū)域像素點(diǎn)的最佳前B個(gè)高斯分布中，如果當(dāng)前視頻圖像幀中的像素點(diǎn)的值不滿足|X_t-μ_i,t|≤2.5δ_i,t，則把該像素歸納為組成前景區(qū)域的像素點(diǎn)，不滿足匹配關(guān)系的像素點(diǎn)映射到背景圖像的像素點(diǎn)值不做更新處理，維持背景圖像中原有的像素值。