專利名稱：航拍交通視頻車輛快速檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及視頻圖像的運動估計和檢測方法，特別是交通視頻圖像中運動車輛的檢測方 法，屬于交通監(jiān)視、視頻處理領(lǐng)域。
背景技術(shù)：
近十年來，交通擁堵、交通事故和環(huán)境污染對社會經(jīng)濟發(fā)展和生活產(chǎn)生了重要的影響， 而智能交通系統(tǒng)成為解決這一問題的主要手段。現(xiàn)有的交通監(jiān)視手段多是將采集裝置固定于 路面，由于固定的監(jiān)視設(shè)備受路面狀況制約，靈活性不夠強，因此近年來又出現(xiàn)了在空基平 臺采集交通視頻的方法。本發(fā)明正是基于空基平臺采集的圖像而提出的。
運動目標檢測是數(shù)字圖像處理技術(shù)的一個重要組成部分,它是計算機視覺、模式識別、 目標識別與跟蹤、運動圖像編碼、安全監(jiān)控等研究領(lǐng)域的重點與難點,在軍事、國防和工業(yè) 等領(lǐng)域有著廣泛的應(yīng)用前景。序列圖像的運動分析因其巨大的應(yīng)用價值而受到廣泛的重視。 它的基本任務(wù)是從圖像序列中檢測出運動信息，簡化圖像處理過程,得到所需的運動矢量，從 而能夠識別與跟蹤物體。
目前的運動目標檢測方法主要有時域差分法、背景差除法、光流法。
其中時域差分法是將前后2幀或3幀圖像相減，若差值大于某一閾值，就判斷出現(xiàn)運動 目標，并報警。
時域差分運動檢測法對于動態(tài)環(huán)境具有較強的自適應(yīng)性，魯棒性較好，能夠適應(yīng)各種動 態(tài)環(huán)境，但一般不能完全提取出所有相關(guān)的特征像素點，這樣在運動實體內(nèi)部容易產(chǎn)生空洞 現(xiàn)象。該算法是三類前景提取算法中運算量最小的算法，僅僅需要對連續(xù)的幾幀圖像進行差 值運算并進行閾值判斷。雖然該算法能夠高效地提取出運動區(qū)域，但是在包含運動車輛的圖 像序列中往往受到拍攝設(shè)備抖動、氣候變化、晝夜交替、燈光閃爍等因素的影響，并不能有 效地區(qū)分運動車輛和其他的運動物體，給車輛的正確提取造成很大的干擾。
背景差除法是一種常用的運動目標檢測方法，其基本思想是將當前每一幀圖像與事先存 儲或者實時得到的背景圖像相減，若像素差值大于某一閾值，則判定此像素為出現(xiàn)在運動目 標上的，且相減的閾值操作后得到的結(jié)果直接給出了目標的位置、大小、形狀等信息。
這種方法對光照的環(huán)境條件變化非常敏感，容易產(chǎn)生誤報警，且當背景改變時更新很慢。
使用背景差方法進行運動目標檢測通常會遇到如下一些問題背景獲取背景圖像的獲取最 簡單的方法是在場景沒有運動目標的情況下進行，但是在實際應(yīng)用中無法滿足這種要求；背景的擾動背景中可以含有輕微擾動的對象，如樹枝、樹葉的搖動，擾動部分不應(yīng)該被看作 是前景運動目標；外界光照條件的變化 一天中不同時間段光線、天氣等的變化對檢測結(jié)果 的影響；背景中固定對象的移動背景里的固定對象可能移動，如場景中的一輛車開走，對 象移走后的區(qū)域在一段內(nèi)可能被誤認為是運動目標，但不應(yīng)該永遠被看作是前景運動目標； 背景的更新背景中固定對象的移動和外界光照條件的變化會使背景圖像發(fā)生變化，需要及 時對背景模型進行更新，以適應(yīng)這種變化；陰影的影響通常前景目標的陰影也被檢測為運 動性目標的一部分，這樣將影響運動目標的進一步處理和分析，給以后的跟蹤和識別帶來誤 差。
光流的計算方法一般分成四類(l)基于梯度的方法(2)基于匹配的方法；(3)基于 能量的方法；(4)基于相位的方法。研究得最多的是基于梯度的算法。
光流分析法通過對視屏圖像光流長的分析，可以在攝像機運動的情況下檢測出運動目 標，但計算復(fù)雜，實時性較差?；诠饬鞣椒ǖ倪\動檢測采用了運動目標隨時間變化的光流 憐性，從而能有效地提取和跟蹤運動目標。該方法的優(yōu)點是在攝像機運動存在的前提下也能 檢測出獨立的運動目標。然而，大多數(shù)的光流計算方法相當復(fù)雜，且抗噪性能差，如果沒有 特別的硬件裝置則不能被應(yīng)用于全幀視頻流的實時處理。
目前常用的航拍交通視頻圖像的車輛檢測方法均是將在空中采集到的視頻圖像經(jīng)過壓 縮編碼后傳回地面，地基處理平臺將壓縮圖像解壓后再對車輛進行檢測，現(xiàn)有的方法都沒有 利用壓縮圖像中已有的運動矢量及運動區(qū)域信息，由于解壓和運動檢測的運算量均較大，很 難同時滿足實時性，穩(wěn)定性和精確性的要求。

發(fā)明內(nèi)容
本發(fā)明針對現(xiàn)有技術(shù)存在的不足，提供一種航拍交通視頻車輛快速檢測方法，該方法結(jié) 合壓縮編碼中的全局運動估計與分水嶺分割技術(shù)，解決了對航拍圖像進行解壓縮和運動目標 檢測時運算量較大，難以同時滿足實時性和魯棒性要求的問題。
本發(fā)明的技術(shù)解決方案航拍交通視頻車輛快速檢測方法，步驟如下-
步驟100、在空基編碼部分，對采集圖像幀系列，采用全局運動估計，確定背景的全局
運動矢量；
步驟200、根據(jù)全局運動矢量計算殘差值，分割出背景區(qū)域和運動區(qū)域；
步驟300、判斷是否均為背景區(qū)域，對于均為背景區(qū)域的圖像轉(zhuǎn)入下一幀進行全局運動
估計，執(zhí)行步驟100;否則，對于圖像的運動區(qū)域，執(zhí)行步驟400;
步驟400、在地面部分，對運動區(qū)域，先確定一個偏低但仍能正確分割各物體的自適應(yīng)
梯度閾值，進行初步標記提??；再引入面積和集水深度兩個參數(shù)，對已提取的標記進一步篩選，以確定最終的標記點；然后以標記點為區(qū)域極小值，進行VS分水嶺分割最后，再根 據(jù)區(qū)域的紋理信息進行區(qū)域合并；
步驟500、對合并后的區(qū)域，在HSV顏色空間對陰影進行檢測，濾除偽目標，最終檢測 出車輛。
空基交通監(jiān)視平臺最常見的是懸停在空中對目標區(qū)域(體育場、交通路口)進行定點監(jiān) 控，或沿著道路進行跟蹤，其運動可近似為平移運動，對于航拍視頻序列，可分為背景圖像 和前景圖像。圖像中任何像素的運動可以分解為由攝像機運動引起的"全局運動"和由物體 運動引起的"局部運動"。在編碼過程中，通常利用全局運動估計及運動目標檢測的相關(guān)技 術(shù)來劃分出前景區(qū)域(運動區(qū)域)和背景區(qū)域，并估算出個背景區(qū)域及前景區(qū)域的運動向量。 目前的交通監(jiān)視系統(tǒng)一般都在空中監(jiān)視平臺通過硬件對視頻序列進行壓縮后再傳輸給地面， 地面對其解壓后再運用運動估計與補償、運動目標檢測和模式識別的相關(guān)理論來檢測車輛，
這樣做沒有利用在編碼過程中的運動估計和運動檢測的相關(guān)結(jié)果，重復(fù)操作，同時，由于地 面部分的計算量較大，難以同時滿足實時性與準確性的要求。 本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點在于-
(1) 本發(fā)明方法中的分割運動區(qū)域是在空中視頻采集壓縮平臺上的壓縮編碼部分完成 的。對連續(xù)兩幅圖像進行幀差，然后對每一個4X4塊求SAD，如果SAD超過閾值，判定為運 動區(qū)域；否則判定為背景區(qū)域。為避免圖像序列全局運動引起的分割不準甚至誤分割的問題， 在幀差前進行全局運動估計。通過對視頻圖像序列進行全局運動估計分割出運動區(qū)域；在地 面對接收到的運動區(qū)域直接進行分水嶺分割，略去了對解壓后的圖像再進行運動分割這一運 算量較大的步驟，提高了車輛檢測的實時性；
(2) 在地面的視頻處理部分，對運動區(qū)域進行分水嶺分割，改進了傳統(tǒng)分水嶺分割的 標記方法，在提取標記時，先確定一個偏低但仍能正確分割各物體的自適應(yīng)梯度閾值，進行 初步標記提??；再引入面積和集水深度兩個參數(shù)，對己提取的標記進一步篩選，以確定最終 的標記點；最后以標記點為區(qū)域極小值，進行分水嶺分割，再根據(jù)區(qū)域的紋理信息進行區(qū)域 合并，有效地抑制了過度分割，提高了分割精確度。這種方法抑制了過度分割。最后通過對 分割出的區(qū)域進行陰影檢測，去除偽目標，使車輛檢測的結(jié)果更加準確。
實驗結(jié)果表明，該方法克服了傳統(tǒng)方法運算量較大的缺點，滿足航拍交通視頻車輛檢測 的實時性要求，能夠?qū)ΡO(jiān)控場景中車輛進行精確檢測，對光線變化、背景千擾不敏感，具有 較好的魯棒性。


圖l為本發(fā)明的總體流程圖；圖2為圖1中的全局運動估計流程圖
圖3為圖1中的分割背景和運動區(qū)域流程圖4為圖1中的提取標記進行分水嶺分割流程圖5為圖1中的區(qū)域合并流程圖6為圖1中的陰影檢測的流程圖。
具體實施例方式
圖l為本發(fā)明的總體流程圖，具體為
步驟IOO、節(jié)點在空基編碼部分采用全局運動估計，確定背景的全局運動矢量；
步驟200、節(jié)點運用全局運動矢量計算殘差值，分割出背景區(qū)域和運動區(qū)域；
步驟300、節(jié)點判斷是否均為背景區(qū)域，對于均是背景區(qū)域的圖像轉(zhuǎn)入下一幀，執(zhí)行步
驟200;否則，對于圖像的運動區(qū)域執(zhí)行步驟400;
步驟400、節(jié)點地面部分，先確定一個偏低但仍能正確分割各物體的自適應(yīng)梯度閾值，
進行初步標記提??；再引入面積和集水深度兩個參數(shù)，對已提取的標記進一步篩選，以確定
最終的標記點；以標記點為區(qū)域極小值，進行VS分水嶺分割；最后，再根據(jù)區(qū)域的紋理信
息進行區(qū)域合并。
步驟500、節(jié)點在HSV顏色空間對陰影進行檢測，濾除偽目標，最終檢測出車輛。 圖2為本發(fā)明全局運動估計的流程圖，在圖1所示的技術(shù)方案中，所述步驟100具體為 步驟110、判斷是否為第一幀，是則執(zhí)行步驟120，否則執(zhí)行步驟130; 步驟120、使用I幀編碼，不進行區(qū)域分割；
步驟130、判斷前一幀運動矢量是否存在，是則執(zhí)行步驟240，否則執(zhí)行步驟250; 步驟140、將前一幀的運動矢量作為搜索起點； 步驟150、將零矢量作為搜索起點；
步驟160、以步驟140和150計算出的起點作為中心，使用小鉆石模板進行搜索，得到 Sw"力-2] 2]|/"附，")-"_,(附-毛"—力l最小的一點。其中x， y為全局運動矢量，/w、
^-,代表第N幀和N-l幀對應(yīng)像素的亮度值，W， H為子塊的寬和高。
步驟170、判斷該點是否最小或是小鉆石模板中心點或到達搜索窗邊界是則執(zhí)行步驟 190;否則執(zhí)行步驟180;
步驟180、將該點作為起始點；
步驟190、將(x, y)作為背景的全局運動向量進行全局運動估計，全局運動估計使用的
兩參數(shù)平移模型為式中x， y和x' ， y，分別為當前幀和上一幀對應(yīng)點的坐標，Gx， Gy是全局運動矢量。 圖3為本發(fā)明分割運動區(qū)域與背景區(qū)域的流程圖，在圖l所示的技術(shù)方案中，所述步驟 200具體為
2 "一i
步驟210、判斷最終的S^(;c，力是否大于某一閾值7;，其中 2'=2 ，是則
執(zhí)行步驟220，否則執(zhí)行步驟230;
步驟220、認為發(fā)生了場景切換，將該幀作為I幀進行編碼，不進行區(qū)域分割；
步驟230、使用全局運動矢量計算每一個4X4塊亮度分量的^w(;c,力；
步驟240、判斷&(x,力是否小于某一閾值7;，其中72取300，是則執(zhí)行步驟250，否則
執(zhí)行步驟260;
步驟250、判定該區(qū)域為背景區(qū)域； 步驟260、判定該區(qū)域為運動區(qū)域。
圖4為本發(fā)明提取標記進行分水嶺分割的流程圖，在圖l所示的技術(shù)方案中，所述步驟 400具體為
步驟410、選用形態(tài)學(xué)梯度算法，^^力=/(^力@60 :，力-/(乂，力挑(1，力，其中 表 示圖像的膨脹、 表示圖像的腐蝕，b(x， y〉為圓盤狀結(jié)構(gòu)元，并對圖像進行中值濾波； 步驟420、計算圖像中值濾波預(yù)處理后圖像的自適應(yīng)梯度閾值；
步驟430、判斷各點梯度是否小于自適應(yīng)梯度閾值，是則執(zhí)行步驟430，否則轉(zhuǎn)入下幀 執(zhí)行步驟410;
步驟440、記&為區(qū)域的面積，/,為閾值，由步驟430選取得到的標記點根據(jù)其相應(yīng)的
坐標位置形成的連通區(qū)域，對于任意標記點q所處的連通區(qū)域S，判斷是否滿足&》、是 則執(zhí)行步驟450，否則轉(zhuǎn)入下一幀執(zhí)行步驟410;
步驟450、記Z),為區(qū)域S的集水盆地深度，^為閾值，對于任意通過步驟430、 440選
取的標記點P所在的連通區(qū)域，判斷是否滿足^》G，是則是則執(zhí)行步驟460，否則轉(zhuǎn)入下 幀執(zhí)行步驟410;
步驟460、以步驟450得到的標記點為區(qū)域極小值進行VS分水嶺分割。 步驟470、利用紋理信息合并區(qū)域。
由上述運動區(qū)域分割的原理可知，當一輛車處在不同的4*4塊時，分割出的運動區(qū)域可能包含較大的背景信息，同時，當兩輛或多輛車相距較近時，可能將它們劃分成同一個運動 區(qū)域，因此需要對運動區(qū)域在進行分割以提取出其中的車輛。本發(fā)明的提取標記及分割方法: 先確定一個偏低但仍能正確分割各物體的自適應(yīng)梯度閾值，進行初步標記提取；再引入面積 和集水深度兩個參數(shù)，對已提取的標記進一步篩選，以確定最終的標記點；最后以標記點為 區(qū)域極小值，進行VS分水嶺分割，再根據(jù)區(qū)域的紋理信息進行區(qū)域合并，有效地抑制了過 度分割，提高了分割精確度。
圖5為本發(fā)明區(qū)域合并的流程圖，在圖4所示的技術(shù)方案中，所述步驟470具體為 步驟471、根據(jù)區(qū)域灰度級直方圖的統(tǒng)計矩(即紋理)進行區(qū)域合并。 步驟472、判斷合并后的區(qū)域面積與自適應(yīng)閾值上下界關(guān)系，其中自適應(yīng)閾值由空基平 臺傳回的飛行參數(shù)和車輛實際尺寸的經(jīng)驗值獲得。小于下界則執(zhí)行步驟473，大于下界則執(zhí) 行步驟474，在上下界之間則執(zhí)行步驟475; 步驟473、將該區(qū)域作為背景或噪聲濾除； 步驟474、將該區(qū)域作為背景區(qū)域濾除； 步驟475、將該區(qū)域作為疑似運動目標。
圖6為本發(fā)明陰影檢測的流程圖，在圖l所示的技術(shù)方案中，所述步驟500具體為 步驟510、在合并后的區(qū)域中，對單幀圖像的灰度值進行統(tǒng)計，航拍視頻圖像的道路占
大部分，取灰度值統(tǒng)計量為峰值的像素點作為道路；
步驟520、提取出這些點的H、 S、 V分量作統(tǒng)計平均，得到背景的色度^"、飽和度丑s和
亮度值5、
D「
步驟530、判斷 7 "，力 ，其中I(x， y)是當前
輸入圖像,B是當前背景圖像，a和/ 是陰影點與對應(yīng)背景點的亮度比值的上、下界值^和
^分別是色調(diào)和飽和度的閾值。陰影點與對應(yīng)背景點的色調(diào)差為 & (x ，力- min仏(x ，力-",360 (;c,力-"),是則執(zhí)行步驟540,否則執(zhí)
行步驟550;
步驟540、作為陰影濾除；
步驟550、得到最終的車輛檢測結(jié)果。
經(jīng)過分水嶺分割及面積濾波合并了同一車輛區(qū)域，濾除了背景區(qū)域，但車輛的陰影有時由于 形狀與車輛相似，易被誤檢成車輛。本發(fā)明所關(guān)注的是運動目標的投射陰影像素與運動區(qū)域像素一樣和背景有較顯著的差異,但同時，陰影區(qū)域本身也具有一些與運動區(qū)域相區(qū)別的一 致性特征，本發(fā)明利用以下3個特征來對陰影進行處理。(l)陰影區(qū)域內(nèi)的點與背景中對應(yīng) 點的比值成比較嚴格的線性。對各種光場條件下產(chǎn)生的陰影進行分析,發(fā)現(xiàn)其比值在i.o 2.5之間。(2)陰影區(qū)域相對背景區(qū)域亮度降低,但是顏色并沒有顯著變化。(3)陰影區(qū)域相 對背景區(qū)域飽和度降低。由于對于已經(jīng)分割出運動區(qū)域的航拍交通視頻，其背景即為道路， 研究表明，在一定時間內(nèi)將道路的HSV各分量看作定值對陰影檢測的影響較小。經(jīng)過陰影檢 測，濾除偽目標，提高了檢測準確度。
權(quán)利要求
1. 航拍交通視頻車輛快速檢測方法，其特征在于步驟如下步驟100、在空基編碼部分，對采集圖像幀系列，采用全局運動估計，確定背景的全局運動矢量；步驟200、根據(jù)全局運動矢量計算殘差值，分割出背景區(qū)域和運動區(qū)域；步驟300、判斷是否均為背景區(qū)域，對于均為背景區(qū)域的圖像轉(zhuǎn)入下一幀，執(zhí)行步驟100；否則，對于圖像的運動區(qū)域，執(zhí)行步驟400；步驟400、在地面部分，對運動區(qū)域，先確定一個偏低但仍能正確分割各物體的自適應(yīng)梯度閾值，進行初步標記提??；再引入面積和集水深度兩個參數(shù)，對已提取的標記進一步篩選，以確定最終的標記點；然后以標記點為區(qū)域極小值，進行VS分水嶺分割；最后，再根據(jù)區(qū)域的紋理信息進行區(qū)域合并；步驟500、對合并后的區(qū)域，在HSV顏色空間對陰影進行檢測，濾除偽目標，最終檢測出車輛。
2、 根據(jù)權(quán)利要求1所述的航拍交通視頻車輛快速檢測方法，其特征在于所述步驟100 具體為步驟110、判斷是否為第一幀，是則執(zhí)行步驟120，否則執(zhí)行步驟130; 步驟120、使用I幀編碼，不進行區(qū)域分割；步驟130、判斷前一幀運動矢量是否存在，是則執(zhí)行步驟140，否則執(zhí)行步驟150;步驟140、將前一幀的運動矢量作為搜索起點；步驟150、當該運動矢量不存在時，以零矢量作為搜索起點；步驟160、以步驟140和步驟150計算出的搜索起點作為中心，使用小鉆石模板進行搜&0，力=2] 2]i"(附,")-"扁i(h，"-力i索，得到 鵬v雜" 最小的一點，其中x， y為全局運動矢量，7w、 7w-i代表第N幀和N-l幀對應(yīng)像素的亮度值，W， H為子塊的寬和高；步驟170、判斷該點是否最小或是小鉆石模板中心點或到達搜索窗邊界，是則執(zhí)行步驟190;否則執(zhí)行步驟180;步驟1S0、將該點作為搜索起始點；步驟190、將(x， y)作為背景的全局運動向量進行全局運動估計，全局運動估計使用的 兩參數(shù)平移模型為式中x, y和x' ， y'分別為當前幀和上一幀對應(yīng)點的坐標，Gx， Gy是全局運動矢量。
3、 根據(jù)權(quán)利要求1所述的航拍交通視頻車輛快速檢測方法，其特征在于所述步驟200 具體為步驟210、判斷最終的^(x，3;)-2; —/w一(附—x,"-WI是否大于某一閾值7;，其中 2'-2 ，是則執(zhí)行步驟220;否則執(zhí)行步驟230;步驟220、認為發(fā)生了場景切換，將該幀作為I幀進行編碼，不進行區(qū)域分割； 步驟230、使用全局運動矢量計算每一個4X4塊亮度分量的SJ;c，力；步驟240、判斷^0c，力是否小于某一閾值7^，是則執(zhí)行步驟250，否則執(zhí)行步驟260;步驟250、判定該區(qū)域為背景區(qū)域； 步驟260、判定該區(qū)域為運動區(qū)域。
4、 根據(jù)權(quán)利要求1所述的航拍交通視頻車輛快速檢測方法，其特征在于所述步驟400 具體為步驟410、選用形態(tài)學(xué)梯度算法，g(x，力-Z(;c，力0Z)(x，力—/"力挑"力，其中 表 示圖像的膨脹、0表示圖像的腐蝕，b(x， y)為圓盤狀結(jié)構(gòu)元，并對圖像進行中值濾波； 步驟420、計算圖像中值濾波預(yù)處理后圖像的自適應(yīng)梯度閾值；步驟430、判斷各點梯度是否小于自適應(yīng)梯度閾值，是則執(zhí)行步驟430，否則轉(zhuǎn)入下幀 執(zhí)行步驟410;步驟440、記&為區(qū)域的面積，^為閾值，由步驟430選取得到的標記點根據(jù)其相應(yīng)的坐標位置形成的連通區(qū)域，對于任意標記點q所處的連通區(qū)域S，判斷是否滿足&^、是 則執(zhí)行步驟450，否則轉(zhuǎn)入下一幀執(zhí)行步驟410;步驟450、記D,為區(qū)域S的集水盆地深度，^為閾值，對于任意通過步驟430、 440選取的標記點p所在的連通區(qū)域，判斷是否滿足^^^，是則是則執(zhí)行步驟460，否則轉(zhuǎn)入下 幀執(zhí)行步驟410;步驟460、以步驟450得到的標記點為區(qū)域極小值進行VS分水嶺分割； 步驟470、利用紋理信息合并區(qū)域。
5、 根據(jù)權(quán)利要求4所述的航拍交通視頻車輛快速檢測方法，其特征在于所述步驟470具體為步驟471、根據(jù)區(qū)域灰度級直方圖的統(tǒng)計矩，即紋理，進行區(qū)域合并。步驟472、判斷合并后的區(qū)域面積與自適應(yīng)閾值上下界關(guān)系，其中自適應(yīng)閾值由空基平 臺傳回的飛行參數(shù)和車輛實際尺寸的經(jīng)驗值獲得，如果小于下界則執(zhí)行步驟473,大于下界 則執(zhí)行步驟474，在上下界之間則執(zhí)行步驟475;步驟473、將該區(qū)域作為背景或噪聲濾除；步驟474、將該區(qū)域作為背景區(qū)域濾除；步驟475、將該區(qū)域作為疑似運動目標。
6、根據(jù)權(quán)利要求1所述的航拍交通視頻車輛快速檢測方法，其特征在于所述步驟500 具體為-步驟510、在合并后的區(qū)域中，對單幀圖像的灰度值進行統(tǒng)計，航拍視頻圖像的道路占 大部分，取灰度值統(tǒng)計量為峰值的像素點作為道路；步驟520、提取出這些點的H、 S、 V分量作統(tǒng)計平均，得到背景的色度^"、飽和度55和 亮度值5「；<formula>formula see original document page 4</formula>步驟530、判斷 <formula>formula see original document page 4</formula>是當前輸入圖像,B是當前背景圖像，a和/ 是陰影點與對應(yīng)背景點的亮度比值的上、下界值； 和fs分別是色調(diào)和飽和度的閾值，陰影點與對應(yīng)背景點的色調(diào)差為 "，力=min ，力釋"，360如"，力-")，是則執(zhí)行步驟540，否則執(zhí)行步驟550;步驟540、作為陰影濾除；步驟550、得到最終的車輛檢測結(jié)果。
全文摘要
航拍交通視頻車輛快速檢測方法，步驟如下步驟100、在空基編碼部分采用全局運動估計，確定背景的全局運動矢量；步驟200、根據(jù)全局運動矢量計算殘差值，分割出背景區(qū)域和運動區(qū)域；步驟300、判斷是否均為背景區(qū)域，對于均為背景區(qū)域的圖像轉(zhuǎn)入下一幀，執(zhí)行步驟200；否則，對于圖像的運動區(qū)域，執(zhí)行步驟400；步驟400、在地面部分先確定一個偏低但仍能正確分割各物體的自適應(yīng)梯度閾值，進行初步標記提??；再引入面積和集水深度兩個參數(shù)，對已提取的標記進一步篩選，以確定最終的標記點；然后以標記點為區(qū)域極小值，進行VS分水嶺分割；最后，再根據(jù)區(qū)域的紋理信息進行區(qū)域合并；步驟500、在HSV顏色空間對陰影進行檢測，濾除偽目標，最終檢測出車輛。本發(fā)明解決了對航拍圖像進行解壓縮和運動目標檢測時運算量較大，難以同時滿足實時性和魯棒性要求的問題。
文檔編號H04N7/26GK101286239SQ20081010468
公開日2008年10月15日 申請日期2008年4月22日 優(yōu)先權(quán)日2008年4月22日
發(fā)明者羅喜伶, 強 馬 申請人:北京航空航天大學(xué)