本發(fā)明屬于計算機機器視覺檢測技術(shù)領(lǐng)域，涉及用于高速公路場景的視頻分析監(jiān)控，為一種客貨分道交通參數(shù)監(jiān)測系統(tǒng)的實現(xiàn)方法。

背景技術(shù)：

進入21世紀(jì)，由于交通需求的爆發(fā)式增長，帶來兩個主要方面的問題：一是大部分的公路通道的交通量已趨于飽和，從而導(dǎo)致高速公路人工監(jiān)管壓力的劇增；二是客貨運輸需求的不同：人們對客運快速、安全、舒適、便利等方面提出了更高的要求，而貨物運輸則向大運量、快速化、節(jié)能化發(fā)展，因此對客貨分道行駛的需求應(yīng)運而生，目前的客貨分道技術(shù)主要集中于對道路本身的分流設(shè)計，而對實時監(jiān)控方面，還缺乏有力的自動監(jiān)控技術(shù)，客貨分道的實際實施情況并不樂觀。并且，新的道路結(jié)構(gòu)設(shè)計也不適用于已有的高速公路。

對于龐大的高速公路交通網(wǎng)，雖然現(xiàn)在已經(jīng)有了一些交通流參數(shù)的監(jiān)測技術(shù)，但針對客貨分道的監(jiān)控仍然主要依靠人工監(jiān)管，對工作人員的要求較高，負擔(dān)較重。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是：面對客貨分道的需求，以及龐大的高速公路網(wǎng)，存在人工監(jiān)管分析高速公路監(jiān)控視頻難的問題，需要一種自動化的監(jiān)控系統(tǒng)來實現(xiàn)實時自動監(jiān)控。

本發(fā)明的技術(shù)方案為：一種客貨分道交通參數(shù)監(jiān)測系統(tǒng)的實現(xiàn)方法，根據(jù)高速公路的監(jiān)控視頻，對客貨分道及相應(yīng)交通參數(shù)進行自動監(jiān)測，包括以下兩個部分：

1)確定監(jiān)測區(qū)域，訓(xùn)練樣本得到車型分類器：

1.1)利用監(jiān)控視頻的連續(xù)視頻流圖像構(gòu)建高速公路背景，對高速公路中的車道進行興趣域標(biāo)定，將客車道標(biāo)定為ROI_K，貨車道標(biāo)定為ROI_H；并在車道上標(biāo)定兩條檢測絆線，分別為起始絆線和終止絆線；

1.2)構(gòu)建訓(xùn)練樣本數(shù)據(jù)集，具體如下：

提取運動目標(biāo)，對運動目標(biāo)進行大小歸一化處理后保存以作為樣本數(shù)據(jù)集，對提取的運動目標(biāo)圖像按車型進行分類，分為三類：客車一類、貨車一類以及其它車輛一類；

1.3)利用線性SVM對1.2)得到的樣本數(shù)據(jù)集進行訓(xùn)練以生成分類模型；

1.4)由線性SVM結(jié)合1.3)所得的分類模型，構(gòu)成車型分類器；

2)根據(jù)實時監(jiān)控視頻監(jiān)測交通參數(shù)：

2.1)讀取視頻流，將視頻轉(zhuǎn)換為連續(xù)的視頻幀，對每一幀進行處理，混合高斯提取運動目標(biāo)；

2.2)車速檢測，具體如下：

2.2.a)如果車輛的運動軌跡集中有效軌跡幀小于2，則置該車輛的速度為0，否則執(zhí)行2.2.b)；

2.2.b)計算出當(dāng)前幀的前第二幀中車輛的質(zhì)心，計算該質(zhì)心點到起始絆線的距離y_end，設(shè)該車輛在第一幀有效軌跡幀中車輛質(zhì)心到起始絆線的距離為y_start，得到這兩幀期間車輛行駛的距離：

distance＝y(tǒng)_start-y_end

若distance<7，則置該車輛的速度為0，否則執(zhí)行2.2.c)；

其中質(zhì)心點到起始絆線的距離計算如下：在圖像幀坐標(biāo)系中，設(shè)點為(x_p，y_p)，起始絆線的直線為：A*x+B*y+C＝0，則距離計算為

2.2.c)設(shè)運動軌跡集中的第一幀有效軌跡幀的幀序為0，2.2.b)中車輛質(zhì)心點距離起始絆線距離為y_end的幀為運動軌跡集中第counts_su幀，計算出車輛的移動速度為：

speed＝distance/counts_su*β*n*3.6(km/h)

其中，n為每秒中處理的圖像幀數(shù)，β為實際世界長度與圖像中的長度比；

2.3)車流量統(tǒng)計，具體如下：

2.3.a)若車輛的運動軌跡集中的幀數(shù)小于10，則無法做出有效的判斷，跳過，否則執(zhí)行2.3.b)；

2.3.b)計算當(dāng)前幀中車輛質(zhì)心距離終止絆線的距離D_{_end}，該車輛的運動軌跡集中第一幀中車輛質(zhì)心到起始絆線的距離為D_{_start}，這里計算點到絆線的距離方法為：在圖像幀坐標(biāo)系中，設(shè)點為(x_p，y_p)，直線為A*x+B*y+C＝0，則距離：Distance’＝A*x_p+B*y_p+C，

若D_{_end}*D_{_start}＜0，則車流量計數(shù)加1；否則計算當(dāng)前幀中車輛質(zhì)心距離起始絆線的距離D_{_start_new}，然后更新距離D_{_start}＝D_{_start_new}；

2.4)對運動目標(biāo)提取SIFT特征，對SIFT特征進行稀疏編碼，空間池化，再用車型分類器對池化后的結(jié)果進行分類，檢測是否有駛?cè)肟蛙嚨赖姆强蛙囓囕v，以及駛?cè)胴涇嚨赖姆秦涇囓囕v，并對車輛的交通參數(shù)設(shè)定閾值進行監(jiān)控，若發(fā)現(xiàn)駛?cè)胲嚨厘e誤的車輛或超過閾值設(shè)定的情況進行報警。

進一步的，交通數(shù)據(jù)監(jiān)測還包括：

2.5)高速公路擁堵狀態(tài)監(jiān)控：計算出所有車輛在圖像幀中所占的總面積S_fore，背景路面區(qū)域的面積為S_back，根據(jù)S_fore/S_back得出路面擁堵狀態(tài)；

2.6)車輛行駛狀態(tài)監(jiān)測，具體如下：

2.6.a)若車輛的運動軌跡集中的軌跡幀幀數(shù)小于50，則跳過，繼續(xù)讀取視頻流下一幀，否則執(zhí)行2.6.b)；

2.6.b)計算出當(dāng)前幀中車輛的質(zhì)心點(x_cur，y_cur)和該幀的前第50幀中的車輛質(zhì)心點(x_pre，y_pre)，兩質(zhì)心點的距離為distance₅₀，記R＝y(tǒng)_pre-y_cur，若R＜-50，則該車輛處于逆行狀態(tài)；

更新該車輛運動軌跡中的信息，一是將當(dāng)前幀與前第50幀中車輛質(zhì)心點間的距離distance₅₀記入該車輛的distance₅₀數(shù)據(jù)集合中，二是更新當(dāng)前幀的幀序，指向下一幀，執(zhí)行2.6.c)；

2.6.c)、計算總距離Distance_sum，總距離為該車輛的distance₅₀集中所有的distance₅₀之和，設(shè)distance₅₀集中包含counts個distance₅₀：

若Distance_sum＞counts*200，則車輛處于正常行駛狀態(tài)；

若counts*200≥Distance_sum＞counts*150，則車輛處于低速行駛狀態(tài)；

若Distance_sum≤counts*150，則車輛處于停車狀態(tài)。

步驟1.3)具體為：

對樣本數(shù)據(jù)集的圖像進行SIFT特征提取，對提取的SIFT特征進行稀疏學(xué)習(xí)，得到表示該樣本數(shù)據(jù)集中運動目標(biāo)的一組“過完備”的基向量和編碼字典；

采用最大空間池化方法對“過完備”的基向量進行空間池化，然后利用線性SVM對池化后的基向量進行訓(xùn)練，得到分類模型。

本發(fā)明提供了一種高速公路車輛的自動監(jiān)控系統(tǒng)，通過車型分類器劃分車輛，便于關(guān)注某些特定車輛，對車輛的交通參數(shù)監(jiān)測中，本發(fā)明也提出了不一樣的監(jiān)測計算方法。傳統(tǒng)的方法是設(shè)置檢測器，來確定視頻檢測區(qū)域，根據(jù)該區(qū)域來計算車速和車流量，或者設(shè)置一條檢測線來計算車速和車流量，而本發(fā)明的車速計算方法，是根據(jù)連續(xù)兩幀間車輛在視頻圖像中移動的距離換算出來的，這樣計算出來速度更接近于車輛的實時(瞬時)速度，而不是傳統(tǒng)方法計算出來的長距離或長時間間隔平均速度；車流量統(tǒng)計是根據(jù)兩條絆線(檢測線)計算出來的，優(yōu)點是準(zhǔn)確可靠，計算量小，小在兩方面，一是本發(fā)明提出的車輛質(zhì)心到絆線的距離計算方法，不用除以復(fù)雜的分母；二是不用像傳統(tǒng)的根據(jù)一條檢測線來實現(xiàn)的車流量統(tǒng)計，需要大量的計算，尤其是現(xiàn)有技術(shù)需要對每一幀進行計算，本發(fā)明的方法是連續(xù)10幀才做一次計算判斷，這里的10幀是發(fā)明人結(jié)合多次經(jīng)驗進行預(yù)估，再結(jié)合大量實驗得出的數(shù)據(jù)，達到了不漏檢的效果。

本發(fā)明提供了一種全面檢測高速公路交通狀況的系統(tǒng)的實現(xiàn)方法，基于視頻分析的交通參數(shù)監(jiān)測，準(zhǔn)確率高，成本低，實用性強，無需額外的測量儀器，基于對實時高速公路的監(jiān)控視頻的分析，實現(xiàn)了對交管視頻監(jiān)控的人工智能化，不再依賴于人眼的識別分析，給交管人員帶來實實在在的方便。利用機器視覺檢測技術(shù)來解決：對客貨車分道行駛的監(jiān)測，及時發(fā)現(xiàn)違章車輛(非貨車車輛駛?cè)胴涇嚨阑蚍强蛙囓囕v駛?cè)肟蛙嚨?，從而達到避免交通事故慘劇的發(fā)生和隨之帶來的不必要的經(jīng)濟損失；對客車車道的客車交通參數(shù)實時監(jiān)測，以實現(xiàn)人們對高速公路上更快、更安全的客運需求。

本發(fā)明基于視頻分析的客貨分道交通參數(shù)監(jiān)測，稀疏編碼線性空間金字塔匹配方法使該系統(tǒng)的分類功能模塊計算復(fù)雜度降到O(n)，從而使該系統(tǒng)具有良好的實時性；提出的車速檢測方法和車流量統(tǒng)計方法相比于傳統(tǒng)的方法具有計算簡單、可靠、實用性好的特點，無論車速檢測還是車流量統(tǒng)計均無需設(shè)定矩形檢測區(qū)域；本發(fā)明實現(xiàn)的系統(tǒng)還提出了一種新的車輛行駛狀態(tài)監(jiān)測方法。

附圖說明

圖1為本發(fā)明中基于稀疏編碼的分類原理圖。

圖2為本發(fā)明中客貨分道監(jiān)測的技術(shù)原理流程圖。

圖3為本發(fā)明中交通參數(shù)檢測在幀圖像坐標(biāo)系中的說明圖。

具體實施方式

以下將結(jié)合附圖及實例，對本發(fā)明進行更詳細且具體的說明。

本發(fā)明的實例是一種客貨分道交通參數(shù)監(jiān)測系統(tǒng)，實現(xiàn)對高速公路上的客貨分道行駛的智能監(jiān)測和客車道的相關(guān)交通參數(shù)的智能檢測。以下將結(jié)合附圖及實例，對本發(fā)明進行更詳細且具體的說明。

如圖1和圖2所示，具體步驟如下：

第一步，線性SVM對樣本數(shù)據(jù)集進行訓(xùn)練以生成分類模型，即本實例中的客車車輛與貨車車輛分類模型。

(1)選取包含車輛豐富的視頻，將其轉(zhuǎn)換為連續(xù)的幀圖像，利用混合高斯背景建模提取運動目標(biāo)，對這些運動目標(biāo)進行大小歸一化處理，并保存這些目標(biāo)圖像。人工對這些樣本圖像進行分類，構(gòu)建正負樣本數(shù)據(jù)集，其中客車車輛為正樣本，貨車車輛為負樣本。人工分類至關(guān)重要將會影響分類模型的分類準(zhǔn)確率，所以應(yīng)盡量保證分類的準(zhǔn)確性和正負樣本數(shù)據(jù)集的樣本數(shù)量足夠大。

(2)對樣本數(shù)據(jù)集的運動目標(biāo)進行SIFT特征提取，對提取的SIFT特征進行稀疏學(xué)習(xí)以尋找出能夠更完美、高效的表示目標(biāo)的“過完備”的基向量和系統(tǒng)要用的編碼字典，最后對數(shù)據(jù)集的“過完備”基向量進行空間池化(最大池化方法)，并利用線性SVM對其訓(xùn)練以得到我們所需的分類模型，即客車車輛與貨車車輛的分類模型。

SIFT特征與SVM分類：

SIFT算法采用DOG(Difference of Gaussian)算子提取目標(biāo)圖像在不同尺度上的特征點，采用不同均方差σ的尺度可變高斯函數(shù)G(x，y，σ)將圖像擴展為尺度空間的一系列圖像。通過對相鄰尺度的兩幅圖像進行差分計算D(x，y，σ)求局部極值得到SIFT特征點，如下：

D(x，y，σ)＝(G(x，y，kσ)-G(x，y，σ))*1(x，y)

其中I(x，y)為原始圖像，(x，y)代表圖像的像素位置，σ為尺度空間因子，k為2的組內(nèi)總層數(shù)的倒數(shù)次方。通過SIFT特征提取，可以獲得特征點坐標(biāo)位置和特征點描述符信息。由于SIFT特征存在維數(shù)過高，從而會造成系統(tǒng)的復(fù)雜度過高，故而需要對提取的SIFT特征進行稀疏編碼和空間池化以實現(xiàn)降維。

由于：相比于矢量量化(vector quantization)編碼，更少嚴(yán)格約束的稀疏編碼具有更少的重構(gòu)錯誤；稀疏性允許代表特殊化，并且稀疏性能更好的捕捉到圖像的突出特性；最重要的是圖像統(tǒng)計研究清楚的表明圖像塊本質(zhì)就是稀疏信號，所以本發(fā)明對提取的SIFT特征采取稀疏編碼方法而不是矢量量化方法，以找到一組“過完備”的基向量來更高效地表示樣本數(shù)據(jù)。

稀疏編碼(Sparse Coding)算法作為一種無監(jiān)督學(xué)習(xí)方法，通過尋找一組“過完備”基向量來更高效的代表樣本數(shù)據(jù)。稀疏編碼算法的目的就是找到一組基向量將輸入向量x表示為基向量的線性組合：

對于輸入向量x∈Rⁿ(n為維度)，上式中的k＞n，故稱該向量為“過完備”基向量。

定義向量X是圖像在D維特征空間的一組SIFT特征描述子X＝(x₁,...,x_M)^T∈R^M×D，則X可以表示為：

X＝W×C

式中W是稀疏編碼系數(shù)，C＝(c₁,...,c_k)^T是K個基向量。

求解X的稀疏編碼可以轉(zhuǎn)換為下式對W和C求最優(yōu)化的問題：

上式中，|·|和||·||分別表示L1范數(shù)和L2范數(shù)，懲罰項|w_m|保證了編碼結(jié)果的稀疏性，β為懲罰項的權(quán)重系數(shù)。這是一個二次凸優(yōu)化問題，分別固定W和C求解，固定W時，目標(biāo)函數(shù)轉(zhuǎn)化為關(guān)于C的最小二乘問題：

用拉格朗日對偶函數(shù)求解即可。固定C，目標(biāo)函數(shù)退化為對每一個w_m求最優(yōu)解的線性回歸問題：

可以用特征符號搜索算法求解。

池化(pooling)是統(tǒng)計稀疏編碼結(jié)果的過程，其模擬人眼視覺皮層的生理機制以降低輸入向量的維度，從而達到降低訓(xùn)練分類器的時間復(fù)雜度。

目前常見的池化方法有平均池化(average pooling)和最大池化(max pooling)，計算公式如下：

Max pooling:P_j＝max{|w_1j|，…，|w_Mj|}

式中w_m是稀疏編碼向量，P是池化結(jié)果，w_ij表示第i個稀疏編碼向量的第j個元素，實驗證明對稀疏編碼使用最大池化方法效果更好。

對于訓(xùn)練數(shù)據(jù)集(z_i為SIFT特征，y_i∈{1，2，…，L}代表了L種車型，n為數(shù)據(jù)集中樣本個數(shù))，線性SVM通過解一系列凸二次優(yōu)化問題，如下式：

以得到L個線性函數(shù)的集合來對未知車輛進行分類，其中J(W_c)為損失函數(shù)，W_c為稀疏編碼向量，C＝(c₁,...,c_k)^T是K個基向量，z_i是圖像I_i的直方圖。

若y_i＝c，則否則是一個可微的二次鉸鏈損失函數(shù)

第二步，線性核的SVM分類器結(jié)合第一步中得到的分類模型，即可構(gòu)成所需的客貨車分類器。

第三步，基于上述兩步后，即可實現(xiàn)本實例的客貨分道監(jiān)測的功能了。

使用并行線程對客車道和貨車道進行實時監(jiān)測，用掩碼覆蓋非客車道的區(qū)域來監(jiān)測客車道，發(fā)現(xiàn)駛?cè)肟蛙嚨赖呢涇噭t及時給予警示并將其標(biāo)記出來；同理，用掩碼覆蓋非貨車道的區(qū)域來監(jiān)測貨車道，發(fā)現(xiàn)駛?cè)胴涇嚨赖目蛙噭t給予警示并將其標(biāo)記車來。

(1)讀取實時交通監(jiān)控視頻流，混合高斯背景建模提取運動目標(biāo)，對運動目標(biāo)提取SIFT特征，然后利用第一步中稀疏學(xué)習(xí)得到的編碼字典進行稀疏編碼，對稀疏編碼進行空間池化，池化后的結(jié)果作為最終的分類向量。

(2)第二步中的客貨車分類器對上述的分類向量進行分類識別，分類匹配結(jié)果若為非本車道的車輛，則將其標(biāo)記出來以方便交管人員的查看，并更新相應(yīng)的違章車輛計數(shù)。

上面舉例說明了對客車和貨車這兩種關(guān)注車型的檢測，下面對各種車輛的交通參數(shù)監(jiān)測進行說明。

如圖3所示，為交通參數(shù)檢測在幀圖像坐標(biāo)系中的說明圖，具體如下：

(1)、高速公路擁堵狀態(tài)監(jiān)控，計算出所有運動目標(biāo)在圖像幀中所占的總面積S_fore，背景路面區(qū)域的面積為S_back，根據(jù)S_fore/S_back即可得出路面擁堵狀態(tài)。

(2)、車速檢測，以圖3中貨車車道為例，具體如下：

(a)、如果車輛的運動軌跡集中的有效軌跡幀若小于2，則置該車輛的速度為0，否則執(zhí)行(b)；

(b)、計算出當(dāng)前幀的前第二幀(設(shè)為B幀)中車輛在該圖像幀坐標(biāo)系中的質(zhì)心，進而計算該質(zhì)心點到起始絆線的距離y_end，同理可以知道該車輛運動軌跡集中的第一幀(設(shè)為A幀)中該車輛質(zhì)心到起始絆線的距離y_start，從而可以得到這兩幀期間車輛行駛的距離：

distance＝y(tǒng)_start-y_end

若distance<7，則置該車輛的速度為0，否則執(zhí)行(c)；

其中質(zhì)心點到起始絆線的距離計算如下：在圖像幀坐標(biāo)系中，設(shè)點為(x_p，y_p)，起始絆線的直線為：A*x+B*y+C＝0，則距離計算為

(c)、設(shè)(b)中距離起始絆線距離為y_end的幀(B幀)為運動軌跡集中的第counts_su幀，軌跡集中的第一幀(A幀)在該運動軌跡集中為第0幀，計算出車輛的移動速度為：

Speed＝distance/counts_su*β*25*3.6(km/h)

其中，根據(jù)實際測試得到該系統(tǒng)每秒中處理25幀圖像，β為實際世界長度與圖像中的長度比。

(3)、車流量統(tǒng)計，以圖3中客車車道為例，具體如下：

(a)、判斷該車輛是否為駛?cè)肟蛙嚨赖倪`章貨車車輛，若是，則直接報警，不需要執(zhí)行以下部分；若不是，則執(zhí)行(b)；

(b)、若車輛的運動軌跡集中的軌跡幀幀數(shù)小于10，則跳過，繼續(xù)讀取視頻流，否則執(zhí)行(c)；

(c)、計算當(dāng)前幀中車輛質(zhì)心距離終止絆線的距離D_{_end}，又知道該車輛的運動軌跡集中第一幀中車輛質(zhì)心到起始絆線的距離D_{_start}：

若D_{_end}*D_{_start}＜0，則車流量計數(shù)加1；

否則，計算當(dāng)前幀中車輛質(zhì)心距離起始絆線的距離D_{_start_new}，然后更新距離信息，D_{_start}＝D_{_start_new}。

這里計算點到絆線的距離方法為：在圖像幀坐標(biāo)系中，設(shè)點為(x_p，y_p)，直線為A*x+B*y+C＝0，則距離：Distance’＝A*x_p+B*y_p+C。

(4)、車輛行駛狀態(tài)監(jiān)測，具體如下：

(a)、若車輛的運動軌跡集中的軌跡幀幀數(shù)小于50，則跳過，繼續(xù)讀取視頻流下一幀，否則執(zhí)行(b)；

(b)、計算出當(dāng)前幀中車輛的質(zhì)心點(x_cur，y_cur)和該幀的前第50幀中的車輛質(zhì)心點(x_pre，y_pre)，這里是圖像幀平面坐標(biāo)系，從而求出這兩質(zhì)心點的距離distance₅₀；

記R＝y(tǒng)_pre-y_cur，若R＜-50，則該車輛處于逆行狀態(tài)；

更新該車輛運動軌跡中的信息，一是將當(dāng)前幀與前第50幀中車輛質(zhì)心點間的距離(如上式)distance₅₀記入該車輛的distance₅₀集中，二是更新指向當(dāng)前幀的幀序，幀序加1，指向下一幀；再執(zhí)行(c)；

(c)、計算總距離Distance_sum，總距離為該車輛的distance₅₀集中所有的distance₅₀之和，distance₅₀集中包括counts個distance₅₀：

若Distance_sum＞counts*200，則車輛處于正常行駛狀態(tài)；

若counts*200≥Distance_sum＞counts*150，則車輛處于低速行駛狀態(tài)；

若Distance_sum≤counts*150，則車輛處于停車狀態(tài)。

以上即為本發(fā)明的具體實例，能夠準(zhǔn)確、高效、及時識別出高速道路上特定道路上的違章車輛，并且能較準(zhǔn)確的檢測出相關(guān)的交通參數(shù)，使監(jiān)管高速交通狀況實現(xiàn)了人工智能。該系統(tǒng)的實時性好，魯棒性強，且對硬件和軟件均無特殊要求，因此具有廣泛的實用性和推廣性。