本發(fā)明涉及視頻檢測(cè)技術(shù)，特別涉及交通信息實(shí)時(shí)采集的技術(shù)。

背景技術(shù)：

視頻檢測(cè)具有提供更直接的交通場(chǎng)景；檢測(cè)范圍大，可提供的交通信息多；安裝、維護(hù)方便，對(duì)路面地基無(wú)損壞等優(yōu)點(diǎn)。并且隨著計(jì)算機(jī)技術(shù)、圖像處理、計(jì)算機(jī)視覺(jué)、模式識(shí)別等技術(shù)的不斷發(fā)展，視頻檢測(cè)的實(shí)時(shí)性和正確率已達(dá)到了較滿意的程度，正受到交通經(jīng)營(yíng)、管理部門(mén)和研究人員的關(guān)注，并被應(yīng)用到實(shí)際的交通管理中。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提出一種基于視頻的交通信息實(shí)時(shí)采集系統(tǒng)，解決如何有效獲取車流量、車速、道路占有率、車牌號(hào)等交通信息的問(wèn)題。

本發(fā)明解決其技術(shù)問(wèn)題，采用的技術(shù)方案是，基于視頻的交通信息實(shí)時(shí)采集系統(tǒng)，其特征在于，包括視頻采集模塊、視頻處理模塊、交通信息分析與處理模塊和智能交通系統(tǒng)監(jiān)控平臺(tái)模塊，所述視頻采集模塊通過(guò)視頻處理模塊與交通信息分析和處理模塊連接，智能交通系統(tǒng)管理監(jiān)控平臺(tái)模塊和交通信息分析與處理模塊連接；

所述視頻采集模塊用于拍攝交通現(xiàn)場(chǎng)的視頻，并采用圖像處理技術(shù)對(duì)拍攝的交通現(xiàn)場(chǎng)的視頻圖像進(jìn)行預(yù)處理，然后傳輸給視頻處理模塊；

所述視頻處理模塊用于對(duì)預(yù)處理的交通視頻圖像進(jìn)行處理，通過(guò)對(duì)交通場(chǎng)景中運(yùn)動(dòng)車輛的檢測(cè)來(lái)獲取車輛的運(yùn)動(dòng)區(qū)域，同時(shí)通過(guò)運(yùn)動(dòng)車輛的跟蹤來(lái)獲取車輛的運(yùn)動(dòng)軌跡；

所述交通信息分析與處理模塊用于從車輛的檢測(cè)與跟蹤的結(jié)果中進(jìn)行分析與處理后得到交通信息；

所述智能交通系統(tǒng)監(jiān)控平臺(tái)模塊用于對(duì)獲取的交通信息監(jiān)控。

進(jìn)一步的是，所述交通信息包括車流量、車速、車道占有率和車輛違章。

進(jìn)一步的是，所述對(duì)拍攝的交通現(xiàn)場(chǎng)的視頻圖像進(jìn)行預(yù)處理是指：視頻圖像的去噪和增強(qiáng)，用于為后續(xù)的分析和處理提供更好的視頻圖像。

運(yùn)動(dòng)車輛的檢測(cè)方法，包括以下步驟：

步驟101、初始化混合高斯背景模型中的各個(gè)參數(shù)；

步驟102、讀取任意一個(gè)視頻幀，對(duì)當(dāng)前視頻幀進(jìn)行邊緣檢測(cè)；

步驟103、對(duì)當(dāng)前視頻幀中n個(gè)像素的每一個(gè)像素建立基于邊緣的混合高斯背景模型；

步驟104、判斷像素值是否與混合高斯背景模型中n個(gè)高斯背景模型之一匹配，若像素值與混合高斯背景模型中n個(gè)高斯背景模型中任意一高斯背景模型匹配，則將該像素點(diǎn)歸為背景點(diǎn)，若像素值與混合高斯背景模型中n個(gè)高斯背景模型中所有高斯背景模型均不匹配，則將該像素點(diǎn)歸為前景點(diǎn)；

步驟105、實(shí)時(shí)更新混合高斯背景模型及其各個(gè)參數(shù)；

步驟106、對(duì)當(dāng)前視頻幀進(jìn)行陰影檢測(cè)與去除；

步驟107、讀取下一幀，同時(shí)進(jìn)入步驟102；

步驟108、直至掃描全部視頻幀，提取出前景目標(biāo)。

進(jìn)一步的是，步驟102中，所述對(duì)當(dāng)前視頻幀進(jìn)行邊緣檢測(cè)采用canny算子對(duì)視頻幀進(jìn)行邊緣檢測(cè)，具體包括以下步驟：

步驟1021、用高斯濾波器模板對(duì)圖像進(jìn)行濾波處理，以減小或消除噪聲；

步驟1022、由微分算子計(jì)算出圖像灰度沿兩個(gè)方向的偏導(dǎo)數(shù)p(i,j)和q(i,j)，并求出梯度的大小和方向；

步驟1023、把邊緣的梯度方向分為四種，包括水平方向、垂直方向、45°方向和135°方向，水平方向和垂直方向分別用其臨近的像素進(jìn)行比較，45°方向和135°方向分別用其對(duì)角臨近像素進(jìn)行比較，以決定局部極大值；

步驟1024、雙閾值檢測(cè)和邊緣連接。

進(jìn)一步的是，步驟101及步驟105中，所述參數(shù)包括混合高斯模型的均值、協(xié)方差矩陣、加權(quán)值和學(xué)習(xí)因子。

運(yùn)動(dòng)車輛的跟蹤方法，包括以下步驟：

步驟201、確定初始目標(biāo)及其區(qū)域；

步驟202、計(jì)算運(yùn)動(dòng)目標(biāo)的色度分量直方圖；

步驟203、利用直方圖計(jì)算輸入圖像的反向投影圖；

步驟204、利用均值漂移算法在反向投影圖中迭代搜索，直到收斂或達(dá)到最大迭代次數(shù)，并保存零階矩；

步驟205、從步驟204中獲得搜索窗口的中心位置和計(jì)算出新的窗口大小，以此為參數(shù)，跳轉(zhuǎn)到步驟202；

步驟206、直至掃描全部視頻幀，定位出前景目標(biāo)位置。

進(jìn)一步的是，步驟204中，所述均值漂移算法具體包括以下步驟：

步驟2041、前景目標(biāo)檢測(cè)，提取待跟蹤的目標(biāo)；

步驟2042、根據(jù)同一幀圖像中團(tuán)塊個(gè)數(shù)及其長(zhǎng)寬，建立團(tuán)塊列表；

步驟2043、對(duì)上一幀獲得的團(tuán)塊依次進(jìn)行匹配跟蹤；

步驟2044、更新跟蹤目標(biāo)中心及窗口大小。

本發(fā)明的有益效果是，通過(guò)上述基于視頻的交通信息實(shí)時(shí)采集系統(tǒng)，能夠有效獲取車流量、車速、道路占有率、車牌號(hào)等交通信息，實(shí)現(xiàn)了交通信息的智能管理與控制。

附圖說(shuō)明

圖1為本發(fā)明基于視頻的交通信息實(shí)時(shí)采集系統(tǒng)的結(jié)構(gòu)框圖。

具體實(shí)施方式

下面結(jié)合附圖及實(shí)施例，詳細(xì)描述本發(fā)明的技術(shù)方案。

本發(fā)明基于視頻的交通信息實(shí)時(shí)采集系統(tǒng)由視頻采集模塊、視頻處理模塊、交通信息分析與處理模塊和智能交通系統(tǒng)監(jiān)控平臺(tái)模塊組成，其結(jié)構(gòu)框圖參見(jiàn)圖1，其中，視頻采集模塊通過(guò)視頻處理模塊與交通信息分析和處理模塊連接，智能交通系統(tǒng)管理監(jiān)控平臺(tái)模塊和交通信息分析與處理模塊連接；

視頻采集模塊用于拍攝交通現(xiàn)場(chǎng)的視頻，并采用圖像處理技術(shù)對(duì)拍攝的交通現(xiàn)場(chǎng)的視頻圖像進(jìn)行預(yù)處理，然后傳輸給視頻處理模塊；

視頻處理模塊用于對(duì)預(yù)處理的交通視頻圖像進(jìn)行處理，通過(guò)對(duì)交通場(chǎng)景中運(yùn)動(dòng)車輛的檢測(cè)來(lái)獲取車輛的運(yùn)動(dòng)區(qū)域，同時(shí)通過(guò)運(yùn)動(dòng)車輛的跟蹤來(lái)獲取車輛的運(yùn)動(dòng)軌跡；

交通信息分析與處理模塊用于從車輛的檢測(cè)與跟蹤的結(jié)果中進(jìn)行分析與處理后得到交通信息；

智能交通系統(tǒng)監(jiān)控平臺(tái)模塊用于對(duì)獲取的交通信息監(jiān)控。

運(yùn)動(dòng)車輛的檢測(cè)方法，包括以下步驟：

步驟101、初始化混合高斯背景模型中的各個(gè)參數(shù)；

步驟102、讀取任意一個(gè)視頻幀，對(duì)當(dāng)前視頻幀進(jìn)行邊緣檢測(cè)；

步驟103、對(duì)當(dāng)前視頻幀中n個(gè)像素的每一個(gè)像素建立基于邊緣的混合高斯背景模型；

步驟104、判斷像素值是否與混合高斯背景模型中n個(gè)高斯背景模型之一匹配，若像素值與混合高斯背景模型中n個(gè)高斯背景模型中任意一高斯背景模型匹配，則將該像素點(diǎn)歸為背景點(diǎn)，若像素值與混合高斯背景模型中n個(gè)高斯背景模型中所有高斯背景模型均不匹配，則將該像素點(diǎn)歸為前景點(diǎn)；

步驟105、實(shí)時(shí)更新混合高斯背景模型及其各個(gè)參數(shù)；

步驟106、對(duì)當(dāng)前視頻幀進(jìn)行陰影檢測(cè)與去除；

步驟107、讀取下一幀，同時(shí)進(jìn)入步驟102；

步驟108、直至掃描全部視頻幀，提取出前景目標(biāo)。

運(yùn)動(dòng)車輛的跟蹤方法，包括以下步驟：

步驟201、確定初始目標(biāo)及其區(qū)域；

步驟202、計(jì)算運(yùn)動(dòng)目標(biāo)的色度分量直方圖；

步驟203、利用直方圖計(jì)算輸入圖像的反向投影圖；

步驟204、利用均值漂移算法在反向投影圖中迭代搜索，直到收斂或達(dá)到最大迭代次數(shù)，并保存零階矩；

步驟205、從步驟204中獲得搜索窗口的中心位置和計(jì)算出新的窗口大小，以此為參數(shù)，跳轉(zhuǎn)到步驟202；

步驟206、直至掃描全部視頻幀，定位出前景目標(biāo)位置。

實(shí)施例

本發(fā)明實(shí)施例基于視頻的交通信息實(shí)時(shí)采集系統(tǒng)包括視頻采集模塊、視頻處理模塊、交通信息分析與處理模塊和智能交通系統(tǒng)監(jiān)控平臺(tái)模塊，其中，視頻采集模塊通過(guò)視頻處理模塊與交通信息分析和處理模塊連接，智能交通系統(tǒng)管理監(jiān)控平臺(tái)模塊和交通信息分析與處理模塊連接；

視頻采集模塊用于拍攝交通現(xiàn)場(chǎng)的視頻，并采用圖像處理技術(shù)對(duì)拍攝的交通現(xiàn)場(chǎng)的視頻圖像進(jìn)行預(yù)處理，然后傳輸給視頻處理模塊；

視頻處理模塊用于對(duì)預(yù)處理的交通視頻圖像進(jìn)行處理，通過(guò)對(duì)交通場(chǎng)景中運(yùn)動(dòng)車輛的檢測(cè)來(lái)獲取車輛的運(yùn)動(dòng)區(qū)域，同時(shí)通過(guò)運(yùn)動(dòng)車輛的跟蹤來(lái)獲取車輛的運(yùn)動(dòng)軌跡；

交通信息分析與處理模塊用于從車輛的檢測(cè)與跟蹤的結(jié)果中進(jìn)行分析與處理后得到交通信息；

智能交通系統(tǒng)監(jiān)控平臺(tái)模塊用于對(duì)獲取的交通信息監(jiān)控。

上述系統(tǒng)中，交通信息包括車流量、車速、車道占有率和車輛違章；對(duì)拍攝的交通現(xiàn)場(chǎng)的視頻圖像進(jìn)行預(yù)處理是指：視頻圖像的去噪和增強(qiáng)，用于為后續(xù)的分析和處理提供更好的視頻圖像。

運(yùn)動(dòng)車輛的檢測(cè)方法，包括以下步驟：

步驟101、初始化混合高斯背景模型中的各個(gè)參數(shù)；

步驟102、讀取任意一個(gè)視頻幀，對(duì)當(dāng)前視頻幀進(jìn)行邊緣檢測(cè)；

步驟103、對(duì)當(dāng)前視頻幀中n個(gè)像素的每一個(gè)像素建立基于邊緣的混合高斯背景模型；

步驟104、判斷像素值是否與混合高斯背景模型中n個(gè)高斯背景模型之一匹配，若像素值與混合高斯背景模型中n個(gè)高斯背景模型中任意一高斯背景模型匹配，則將該像素點(diǎn)歸為背景點(diǎn)，若像素值與混合高斯背景模型中n個(gè)高斯背景模型中所有高斯背景模型均不匹配，則將該像素點(diǎn)歸為前景點(diǎn)；

步驟105、實(shí)時(shí)更新混合高斯背景模型及其各個(gè)參數(shù)；

步驟106、對(duì)當(dāng)前視頻幀進(jìn)行陰影檢測(cè)與去除；

步驟107、讀取下一幀，同時(shí)進(jìn)入步驟102；

步驟108、直至掃描全部視頻幀，提取出前景目標(biāo)。

上述方法中，步驟102中，對(duì)當(dāng)前視頻幀進(jìn)行邊緣檢測(cè)采用canny算子對(duì)視頻幀進(jìn)行邊緣檢測(cè)，具體包括以下步驟：

步驟1021、用高斯濾波器模板對(duì)圖像進(jìn)行濾波處理，以減小或消除噪聲；

步驟1022、由微分算子計(jì)算出圖像灰度沿兩個(gè)方向的偏導(dǎo)數(shù)p(i,j)和q(i,j)，并求出梯度的大小和方向；

步驟1023、把邊緣的梯度方向分為四種，包括水平方向、垂直方向、45°方向和135°方向，水平方向和垂直方向分別用其臨近的像素進(jìn)行比較，45°方向和135°方向分別用其對(duì)角臨近像素進(jìn)行比較，以決定局部極大值；

步驟1024、雙閾值檢測(cè)和邊緣連接。

上述方法中，步驟101及步驟105中，參數(shù)包括混合高斯模型的均值、協(xié)方差矩陣、加權(quán)值和學(xué)習(xí)因子。

運(yùn)動(dòng)車輛的跟蹤方法，包括以下步驟：

步驟201、確定初始目標(biāo)及其區(qū)域；

步驟202、計(jì)算運(yùn)動(dòng)目標(biāo)的色度分量直方圖；

步驟203、利用直方圖計(jì)算輸入圖像的反向投影圖；

步驟204、利用均值漂移算法在反向投影圖中迭代搜索，直到收斂或達(dá)到最大迭代次數(shù)，并保存零階矩；

步驟205、從步驟204中獲得搜索窗口的中心位置和計(jì)算出新的窗口大小，以此為參數(shù)，跳轉(zhuǎn)到步驟202；

步驟206、直至掃描全部視頻幀，定位出前景目標(biāo)位置。

上述方法中，步驟204中，均值漂移算法具體包括以下步驟：

步驟2041、前景目標(biāo)檢測(cè)，提取待跟蹤的目標(biāo)；

步驟2042、根據(jù)同一幀圖像中團(tuán)塊個(gè)數(shù)及其長(zhǎng)寬，建立團(tuán)塊列表；

步驟2043、對(duì)上一幀獲得的團(tuán)塊依次進(jìn)行匹配跟蹤；

步驟2044、更新跟蹤目標(biāo)中心及窗口大小。