本發(fā)明涉及計(jì)算機(jī)視覺技術(shù)，具體涉及一種高速公路的車流量統(tǒng)計(jì)方法。
背景技術(shù)：
隨著現(xiàn)代經(jīng)濟(jì)的高速發(fā)展，高速公路運(yùn)輸成為運(yùn)輸業(yè)的重要交通方式。為了保障交通順暢以及行車安全，從而改善環(huán)境質(zhì)量，高速公路的車流量檢測(cè)就尤為重要。當(dāng)前交通現(xiàn)有的車流量檢測(cè)方法主要分為3個(gè)部分:從圖像序列上提取運(yùn)動(dòng)目標(biāo)，對(duì)所提取的目標(biāo)進(jìn)行識(shí)別以及車輛計(jì)數(shù)。
傳統(tǒng)提取運(yùn)動(dòng)目標(biāo)的方法是背景差分法，其利用加權(quán)平均法進(jìn)行背景更新，更新效果不理想，導(dǎo)致運(yùn)動(dòng)車輛提取不完整，影響了車輛檢測(cè)的準(zhǔn)確率。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明所要解決的技術(shù)問題是：提出一種高速公路的車流量統(tǒng)計(jì)方法，解決傳統(tǒng)技術(shù)車流量統(tǒng)計(jì)方案對(duì)運(yùn)動(dòng)車輛提取不完整，影響車輛檢測(cè)準(zhǔn)確率的問題。
本發(fā)明解決上述技術(shù)問題所采用的方案是：
一種高速公路的車流量統(tǒng)計(jì)方法，包括以下步驟：
a.在公路監(jiān)控區(qū)域車道兩旁固定位置設(shè)置矩形檢測(cè)帶；
b.采集公路監(jiān)控區(qū)域的視頻數(shù)據(jù)并進(jìn)行預(yù)處理；
c.利用高斯混合模型進(jìn)行背景建模，從原始圖像分離出背景像素；
d.從圖像中提取運(yùn)動(dòng)目標(biāo)；
e.從提取的運(yùn)動(dòng)目標(biāo)中識(shí)別出車輛，并進(jìn)行標(biāo)記；
f.對(duì)標(biāo)記的車輛進(jìn)行跟蹤和統(tǒng)計(jì)，從而計(jì)算車流量。
作為進(jìn)一步優(yōu)化，步驟a中，所述矩形檢測(cè)帶的位置相對(duì)于攝像機(jī)的采集角度來說，使得采集的圖像中的檢測(cè)帶靠近圖像的底部位置。
作為進(jìn)一步優(yōu)化，所述矩形檢測(cè)帶的長(zhǎng)度覆蓋所有要進(jìn)行車流量檢測(cè)的車道，寬度對(duì)應(yīng)其在圖像中占30個(gè)像素。
作為進(jìn)一步優(yōu)化，步驟b中，所述預(yù)處理包括：將采集的彩色圖像轉(zhuǎn)換為灰度圖。
作為進(jìn)一步優(yōu)化，步驟c中，所述利用高斯混合模型進(jìn)行背景建模，從原始圖像分離出背景像素，具體包括：
c1.將每個(gè)像素值Xt同前K個(gè)模型按照下式進(jìn)行比較，直到找到匹配新像素值的分布模型，即同該模型的均值偏差在2.5σ：
|Xt-μi,t-1|≤2.5σi,t-1
c2.如果所匹配的模式符合背景要求，則該像素屬于背景，否則屬于前景；
c3.各模式權(quán)值按如下公式更新，其中α是學(xué)習(xí)速率，對(duì)于匹配的模式Mk,t＝1，否則Mk,t＝0，然后對(duì)各模式的權(quán)重進(jìn)行歸一化：
wt＝(1-α)*wk,t-1+α*Mk,t
c4.未匹配模式的均值μ與標(biāo)準(zhǔn)差σ不變，匹配模式的參數(shù)按照下式更新：
ρ＝α*η(Xt|μk,σk)
μt＝(1-ρ)*μt-1+ρ*Xt
c5.如果步驟c1中沒有任何模式匹配，則權(quán)重最小的模式被替換，即該模式的均值為當(dāng)前像素值，標(biāo)準(zhǔn)差為初始較大值，權(quán)重為較小值；
c6.各模式根據(jù)w/α2按降序排列，權(quán)重大、標(biāo)準(zhǔn)差小的模式排列靠前；
c7.選前B個(gè)模式作為背景，B滿足下式，參數(shù)T表示背景所占比例：
作為進(jìn)一步優(yōu)化，步驟d中，所述從圖像中提取運(yùn)動(dòng)目標(biāo)的方法包括：
利用背景差分法，首先獲取一個(gè)參考背景圖像，將當(dāng)前幀圖像和參考背景圖像做差分，然后利用閾值分割方法將前景運(yùn)動(dòng)目標(biāo)提取出來。
作為進(jìn)一步優(yōu)化，步驟e中，采用基于CKPCA—HOG和支持向量機(jī)的運(yùn)動(dòng)目標(biāo)分類算法從提取的運(yùn)動(dòng)目標(biāo)中識(shí)別出車輛。
作為進(jìn)一步優(yōu)化，步驟e具體包括：利用基于聚類的核主成分分析的梯度直方圖描述子提取候選運(yùn)動(dòng)目標(biāo)的特征，以較低維數(shù)的數(shù)據(jù)有效地描述運(yùn)動(dòng)目標(biāo)的有效特征，將提取的運(yùn)動(dòng)目標(biāo)特征輸入二叉決策樹支持向量機(jī)中，實(shí)現(xiàn)多類目標(biāo)的準(zhǔn)確分類，進(jìn)而提取出車輛。
作為進(jìn)一步優(yōu)化，步驟e中，在識(shí)別出車輛之后，對(duì)識(shí)別出的車輛做矩形框標(biāo)記。
作為進(jìn)一步優(yōu)化，步驟f中，對(duì)標(biāo)記的車輛進(jìn)行統(tǒng)計(jì)時(shí)，統(tǒng)計(jì)監(jiān)控區(qū)域內(nèi)的所有標(biāo)記的矩形框的個(gè)數(shù)，包括所有未全部處于監(jiān)控區(qū)域內(nèi)，即部分位于監(jiān)控區(qū)域內(nèi)，另外部分位于監(jiān)控區(qū)域外的矩形框。
本發(fā)明的有益效果是：
本發(fā)明通過對(duì)道路交通流的實(shí)時(shí)監(jiān)控,它能夠全方位、實(shí)時(shí)準(zhǔn)確和高效的對(duì)路面上的車輛進(jìn)行檢測(cè)、跟蹤和計(jì)數(shù)，能夠?qū)崟r(shí)監(jiān)測(cè)高速公路上的車流量情況，有利于緩解交通擁堵和對(duì)路面車輛進(jìn)行實(shí)時(shí)控制，能夠適用于復(fù)雜場(chǎng)景，檢測(cè)準(zhǔn)確度高，實(shí)時(shí)性好，具有實(shí)用價(jià)值。
附圖說明
圖1為本發(fā)明實(shí)施例的高速公路的車流量統(tǒng)計(jì)方法流程圖。
具體實(shí)施方式
本發(fā)明旨在提出一種高速公路的車流量統(tǒng)計(jì)方法，解決傳統(tǒng)技術(shù)車流量統(tǒng)計(jì)方案對(duì)運(yùn)動(dòng)車輛提取不完整，影響車輛檢測(cè)準(zhǔn)確率的問題。本發(fā)明中首先采用攝像機(jī)對(duì)駛?cè)胍曇暗能囕v進(jìn)行拍攝，利用高斯混合模型進(jìn)行背景建模，將原始圖像分離出背景像素；然后，利用背景差法進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測(cè)，采用基于CKPCA—HOG和支持向量機(jī)的運(yùn)動(dòng)目標(biāo)分類算法來提取出車輛，并做上標(biāo)記；最后利用實(shí)時(shí)統(tǒng)計(jì)虛擬檢測(cè)區(qū)域中矩形框的個(gè)數(shù)來統(tǒng)計(jì)車流量。
相對(duì)于傳統(tǒng)技術(shù)，本發(fā)明提出使用高斯混合模型進(jìn)行背景更新，彌補(bǔ)了傳統(tǒng)背景差分算法采用加權(quán)平均法進(jìn)行背景更新的不足，為運(yùn)動(dòng)車輛的準(zhǔn)確提取奠定了基礎(chǔ)。
在車輛識(shí)別和計(jì)數(shù)的方法上，本發(fā)明采用了更精確的基于CKPCA—HOG和支持向量機(jī)的運(yùn)動(dòng)目標(biāo)分類算法來區(qū)分出車輛，實(shí)現(xiàn)多類目標(biāo)的準(zhǔn)確分類，進(jìn)而提取出車輛，從而提高了車流量檢測(cè)的準(zhǔn)確率。
下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明的方案作更進(jìn)一步的描述：
如圖1所示，本實(shí)施例中的高速公路的車流量統(tǒng)計(jì)方法包括以下實(shí)施步驟：
1)設(shè)置檢測(cè)帶：
為了去除大量與檢測(cè)車流量無關(guān)的信息(如遠(yuǎn)處的建筑、路旁的樹木等)，首先在車道兩旁固定位置畫一條矩形的檢測(cè)帶，當(dāng)車輛經(jīng)過該檢測(cè)帶的位置時(shí)，將引起該檢測(cè)帶的像素變化，以此判定車輛經(jīng)過。
由于攝像機(jī)得到的圖像中，越靠近圖像底部的地方車輛越大，車輛之間的間隔也越大。根據(jù)這些特點(diǎn)，檢測(cè)帶的位置設(shè)置在其被攝像機(jī)拍攝成像時(shí)，盡量靠近圖像底部，可以減少由于前后車輛間距太小引起的漏檢現(xiàn)象。并且檢測(cè)帶的長(zhǎng)度應(yīng)以覆蓋所有要進(jìn)行車流量檢測(cè)的車道為宜，寬度對(duì)應(yīng)其在圖像中占30個(gè)像素(即使得采集的圖像中的矩形檢測(cè)帶的寬度為30個(gè)像素)
2)采集圖像并預(yù)處理：
利用安裝在高速公路路燈頂部的攝像機(jī)，從道路正中央或路旁以俯視的角度拍攝獲取視頻數(shù)據(jù)。然后對(duì)攝像機(jī)采集的視頻進(jìn)行圖像灰度變換：從攝像機(jī)所獲取的視頻是連續(xù)的RGB顏色空間的彩色圖像序列，其運(yùn)算量是灰度圖像的3倍，為滿足車輛檢測(cè)的實(shí)時(shí)性要求，先將彩色圖像轉(zhuǎn)換成灰度圖像。
3)高斯混合模型背景建模：
由于高速公路環(huán)境比較復(fù)雜，光照緩慢變化，并且背景存在小幅度重復(fù)運(yùn)動(dòng)，采用高斯混合模型進(jìn)行背景建模，可以較快從原始圖像中分離出背景像素。在具體實(shí)現(xiàn)上，建模方案如下：
1.將每個(gè)像素值Xt同前K個(gè)模型按照下式進(jìn)行比較，直到找到匹配新像素值的分布模型，即同該模型的均值偏差在2.5σ：
|Xt-μi,t-1|≤2.5σi,t-1
2.如果所匹配的模式符合背景要求，則該像素屬于背景，否則屬于前景；
3.各模式權(quán)值按如下公式更新，其中α是學(xué)習(xí)速率，對(duì)于匹配的模式Mk,t＝1，否則Mk,t＝0，然后對(duì)各模式的權(quán)重進(jìn)行歸一化：
wt＝(1-α)*wk,t-1+α*Mk,t
4.未匹配模式的均值μ與標(biāo)準(zhǔn)差σ不變，匹配模式的參數(shù)按照下式更新：
ρ＝α*η(Xt|μk,σk)
μt＝(1-ρ)*μt-1+ρ*Xt
5.如果步驟1中沒有任何模式匹配，則權(quán)重最小的模式被替換，即該模式的均值為當(dāng)前像素值，標(biāo)準(zhǔn)差為初始較大值，權(quán)重為較小值；
6.各模式根據(jù)w/α2按降序排列，權(quán)重大、標(biāo)準(zhǔn)差小的模式排列靠前；
7.選前B個(gè)模式作為背景，B滿足下式，參數(shù)T表示背景所占比例：
4)提取運(yùn)動(dòng)目標(biāo)：
利用背景差分法，首先獲取一個(gè)參考背景圖像，將當(dāng)前幀圖像和參考背景圖像做差分，然后利用閾值分割方法將前景運(yùn)動(dòng)目標(biāo)提取出來。這樣即可獲得視頻中的運(yùn)動(dòng)目標(biāo)，此時(shí)不能判斷運(yùn)動(dòng)目標(biāo)是否是車輛，運(yùn)動(dòng)目標(biāo)還有可能是行人、自行車等。用背景模型對(duì)需要檢測(cè)的視頻序列進(jìn)行處理，提取出當(dāng)前圖像中與背景模型中性質(zhì)不同的像素點(diǎn)，這些像素點(diǎn)組成的圖像就是運(yùn)動(dòng)前景。
5)從運(yùn)動(dòng)目標(biāo)中提取車輛：
采用基于CKPCA—HOG和支持向量機(jī)的運(yùn)動(dòng)目標(biāo)分類算法來區(qū)分出車輛。利用基于聚類的核主成分分析的梯度直方圖描述子提取候選運(yùn)動(dòng)目標(biāo)的特征，以較低維數(shù)的數(shù)據(jù)有效地描述運(yùn)動(dòng)目標(biāo)的有效特征，將提取的運(yùn)動(dòng)目標(biāo)特征輸入二叉決策樹支持向量機(jī)，實(shí)現(xiàn)多類目標(biāo)的準(zhǔn)確分類，進(jìn)而提取出車輛。
6)車輛跟蹤與車流量計(jì)數(shù)：
檢測(cè)車輛通過檢測(cè)帶，關(guān)鍵在于檢測(cè)車輛駛?cè)牒碗x開。提取出車輛以后，給車輛做一個(gè)標(biāo)記矩形框，跟蹤該矩形框。在每一個(gè)時(shí)刻，實(shí)時(shí)統(tǒng)計(jì)當(dāng)前選定的檢測(cè)帶區(qū)域內(nèi)矩形框的個(gè)數(shù)，即為當(dāng)前測(cè)試區(qū)域內(nèi)的車流量。這里，我們?cè)O(shè)定矩形未全部進(jìn)入檢測(cè)區(qū)域內(nèi)的也參與計(jì)數(shù)，即有一部分位于檢測(cè)區(qū)域內(nèi)而另一部分位于檢測(cè)區(qū)域外的矩形框也被認(rèn)為是該檢測(cè)區(qū)域內(nèi)的車輛。