本發(fā)明具體涉及一種車型識(shí)別和車流量檢測(cè)方法。

背景技術(shù)：

近年來(lái)隨著機(jī)動(dòng)車保有量的迅速增加，交通擁堵等各類交通事故頻發(fā)。為了解決日益惡化的交通問(wèn)題，智能交通系統(tǒng)應(yīng)運(yùn)而生。交通監(jiān)控系統(tǒng)是智能交通系統(tǒng)的重要組成部分，而車型識(shí)別、車流量檢測(cè)是交通監(jiān)控系統(tǒng)自動(dòng)化的基礎(chǔ)部分，為進(jìn)一步提取、分析道路交通信息和控制車輛提供依據(jù)。

針對(duì)交通視頻中的運(yùn)動(dòng)車輛目標(biāo)檢測(cè)，當(dāng)前主要方法有：幀間差分法、光流法、背景差分法。其中背景差分計(jì)算簡(jiǎn)單，是目前最常用的方法。背景差分法可以獲取完整運(yùn)動(dòng)物體外形，但是通常計(jì)算量也較大。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問(wèn)題是提供一種車型識(shí)別和車流量檢測(cè)方法。

一種車型識(shí)別和車流量檢測(cè)方法，包括以下步驟：

s1：從交通監(jiān)控視頻中讀取視頻幀圖像，設(shè)定檢測(cè)區(qū)域，運(yùn)用均值法、ostu法提取出目標(biāo)前景信息；

s2：判斷前景目標(biāo)中是否存在車輛目標(biāo)信息，若無(wú)則轉(zhuǎn)步驟s1讀取下一幀；

s3：采用基于顏色和紋理的陰影檢測(cè)算法對(duì)提取的前景去除陰影；

s4：對(duì)出去陰影后的目標(biāo)塊采用canny邊緣檢測(cè)法檢測(cè)輪廓并提取輪廓并提取輪廓的最小外接矩形，按照下式判定車型；

；

s5：利用卡爾曼濾波器跟蹤車輛，統(tǒng)計(jì)車輛經(jīng)過(guò)檢測(cè)區(qū)域需要的幀數(shù)，按照下式對(duì)車輛類型做進(jìn)一步判斷，統(tǒng)計(jì)相應(yīng)車型的車流量；

，

其中，數(shù)字代表各車型通過(guò)檢測(cè)區(qū)域需要的幀數(shù)。

進(jìn)一步的，步驟s1的具體方法如下：

1）將彩色圖像灰度化，對(duì)灰度圖的每一個(gè)像素求取平均值，如下式：

；

其中，i=1,2,…,n；為第i幀對(duì)應(yīng)點(diǎn)(x,y)的像素值，a(x,y)為該點(diǎn)的平均值；

2）將n幅圖像中同一點(diǎn)像素與對(duì)應(yīng)的均值a(x,y)求差值，再將絕對(duì)差值累加，然后取平均值，并遍歷圖像中其他的所有像素，如下式：

；

其中n為提取的幀數(shù)；

3）修正差異大的點(diǎn)，假如某像素點(diǎn)與均值的絕對(duì)差值大于平均絕對(duì)值誤差，則該點(diǎn)就取平均值像素值，否則就取當(dāng)前幀對(duì)應(yīng)像素的值，如下式：

；

4）對(duì)修正好的每一個(gè)像素求平均值，記為b(x,y)，得到的圖像即為背景圖像，如下式：

；

獲得初始背景后，通過(guò)計(jì)算當(dāng)前幀與背景圖像的差值獲得前景運(yùn)動(dòng)圖像，得到的前景圖像，如下式：

；

對(duì)背景進(jìn)行實(shí)時(shí)更新，更新方法如下式：

；

其中為0-1之間的數(shù)；

如果，則判斷為前景，背景保持原來(lái)的值；如果，則判斷是背景，更新背景值。

進(jìn)一步的，步驟s3的具體方法如下：

1）對(duì)采集的交通監(jiān)控視頻進(jìn)行預(yù)處理，通過(guò)均值差分、ostu等方法提取出前景目標(biāo)塊q；

2）對(duì)前景圖像進(jìn)行形態(tài)學(xué)的腐蝕處理，得到qe；

3）將q與qe作差得到前景圖像的邊緣信息：qd=q-qe；

4）將前景圖像qe分別進(jìn)行基于紋理的陰影檢測(cè)和基于snp的陰影檢測(cè)，兩種處理得到的結(jié)果做“與”運(yùn)算；

5）對(duì)邊緣圖像qd進(jìn)行基于顏色的snp陰影檢測(cè)；

6）依據(jù)下列公式標(biāo)記出上述圖像中的陰影點(diǎn)；

snp算法陰影判斷標(biāo)準(zhǔn)為：

；

其中，ts和tc均為閾值，和分別為亮度失真度和顏色失真度；

紋理檢測(cè)算法陰影判別準(zhǔn)則為：

；

其中為閾值，、代表背景像素點(diǎn)各通道水平和垂直方向的一階梯度，、代表當(dāng)前幀像素各通道水平和垂直方向的一階梯度；

7）將標(biāo)記為陰影點(diǎn)的像素從前景中去除，得到屬于車輛的前景目標(biāo)塊。

本發(fā)明的有益效果是：

本發(fā)明對(duì)陰影進(jìn)行有效去除，將車型識(shí)別和車流量統(tǒng)計(jì)結(jié)合起來(lái)，計(jì)算復(fù)雜度低，穩(wěn)健性好；該方法識(shí)別檢測(cè)精度較高，能達(dá)到系統(tǒng)實(shí)時(shí)性要求。

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。

一種車型識(shí)別和車流量檢測(cè)方法，包括以下步驟：

s1：從交通監(jiān)控視頻中讀取視頻幀圖像，設(shè)定檢測(cè)區(qū)域，運(yùn)用均值法、ostu法提取出目標(biāo)前景信息；

s2：判斷前景目標(biāo)中是否存在車輛目標(biāo)信息，若無(wú)則轉(zhuǎn)步驟s1讀取下一幀；

s3：采用基于顏色和紋理的陰影檢測(cè)算法對(duì)提取的前景去除陰影；

s4：對(duì)出去陰影后的目標(biāo)塊采用canny邊緣檢測(cè)法檢測(cè)輪廓并提取輪廓并提取輪廓的最小外接矩形，按照下式判定車型；

；

s5：利用卡爾曼濾波器跟蹤車輛，統(tǒng)計(jì)車輛經(jīng)過(guò)檢測(cè)區(qū)域需要的幀數(shù)，按照下式對(duì)車輛類型做進(jìn)一步判斷，統(tǒng)計(jì)相應(yīng)車型的車流量；

，

其中，數(shù)字代表各車型通過(guò)檢測(cè)區(qū)域需要的幀數(shù)。

步驟s1的具體方法如下：

1）將彩色圖像灰度化，對(duì)灰度圖的每一個(gè)像素求取平均值，如下式：

；

其中，i=1,2,…,n；為第i幀對(duì)應(yīng)點(diǎn)(x,y)的像素值，a(x,y)為該點(diǎn)的平均值；

2）將n幅圖像中同一點(diǎn)像素與對(duì)應(yīng)的均值a(x,y)求差值，再將絕對(duì)差值累加，然后取平均值，并遍歷圖像中其他的所有像素，如下式：

；

其中n為提取的幀數(shù)；

3）修正差異大的點(diǎn)，假如某像素點(diǎn)與均值的絕對(duì)差值大于平均絕對(duì)值誤差，則該點(diǎn)就取平均值像素值，否則就取當(dāng)前幀對(duì)應(yīng)像素的值，如下式：

；

4）對(duì)修正好的每一個(gè)像素求平均值，記為b(x,y)，得到的圖像即為背景圖像，如下式：

；

獲得初始背景后，通過(guò)計(jì)算當(dāng)前幀與背景圖像的差值獲得前景運(yùn)動(dòng)圖像，得到的前景圖像，如下式：

；

對(duì)背景進(jìn)行實(shí)時(shí)更新，更新方法如下式：

；

其中為0-1之間的數(shù)；

如果，則判斷為前景，背景保持原來(lái)的值；如果，則判斷是背景，更新背景值。

步驟s3的具體方法如下：

1）對(duì)采集的交通監(jiān)控視頻進(jìn)行預(yù)處理，通過(guò)均值差分、ostu等方法提取出前景目標(biāo)塊q；

2）對(duì)前景圖像進(jìn)行形態(tài)學(xué)的腐蝕處理，得到qe；

3）將q與qe作差得到前景圖像的邊緣信息：qd=q-qe；

4）將前景圖像qe分別進(jìn)行基于紋理的陰影檢測(cè)和基于snp的陰影檢測(cè)，兩種處理得到的結(jié)果做“與”運(yùn)算；

5）對(duì)邊緣圖像qd進(jìn)行基于顏色的snp陰影檢測(cè)；

6）依據(jù)下列公式標(biāo)記出上述圖像中的陰影點(diǎn)；

snp算法陰影判斷標(biāo)準(zhǔn)為：

；

其中，ts和tc均為閾值，和分別為亮度失真度和顏色失真度；

紋理檢測(cè)算法陰影判別準(zhǔn)則為：

；

其中為閾值，、代表背景像素點(diǎn)各通道水平和垂直方向的一階梯度，、代表當(dāng)前幀像素各通道水平和垂直方向的一階梯度；

7）將標(biāo)記為陰影點(diǎn)的像素從前景中去除，得到屬于車輛的前景目標(biāo)塊。