專利名稱：基于視頻的混合交通流參數(shù)的檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種用于城市交通管理系統(tǒng)中交通狀態(tài)參數(shù)獲取的方法，具體的說(shuō)是涉及一種基于視頻的混合交通流參數(shù)的檢測(cè)方法。
背景技術(shù)：
目前，交通流參數(shù)檢測(cè)器主要為視頻檢測(cè)器、微波檢測(cè)器、地感線圈檢測(cè)器、雷達(dá)檢測(cè)器和超聲波檢測(cè)器，可獲取交通流基本參數(shù)，如速度、流量、占有率、車型等，實(shí)現(xiàn)城市交通的智能管理。其中，城市交通管理系統(tǒng)主要利用地感線圈檢測(cè)器獲取交通流參數(shù)進(jìn)而實(shí)現(xiàn)信號(hào)控制，但檢測(cè)器無(wú)法實(shí)現(xiàn)行人、自行車交通流參數(shù)的獲取，只能用于機(jī)動(dòng)車車流信號(hào)控制，而且該檢測(cè)器一旦損壞則需要關(guān)閉車道進(jìn)行檢修。微波檢測(cè)器、雷達(dá)檢測(cè)器、超聲波檢測(cè)器，無(wú)法實(shí)現(xiàn)高密度狀態(tài)的準(zhǔn)確檢測(cè)，主要用于機(jī)動(dòng)車的檢測(cè)。隨著城市信息化的快速發(fā)展，視頻監(jiān)控系統(tǒng)廣泛應(yīng)用于城市交通管理系統(tǒng)，利用視頻檢測(cè)可實(shí)現(xiàn)運(yùn)動(dòng)物體識(shí)別、跟蹤和姿態(tài)估計(jì)等，但城市交通管理系統(tǒng)視頻檢測(cè)器主要進(jìn)行交通中機(jī)動(dòng)車車流檢測(cè)?；旌辖煌?，即機(jī)動(dòng)車、自行車和行人的混合交通流，是我國(guó)交通的一個(gè)主要特征，混合交通流管理控制的前提是實(shí)現(xiàn)混合交通流參數(shù)的檢測(cè)，目前尚無(wú)適合我國(guó)混合交通流參數(shù)獲得的檢測(cè)器滿足混合交通管理控制的實(shí)際需要。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問(wèn)題是克服現(xiàn)有技術(shù)所存在的不能獲取混合交通流參數(shù)的問(wèn)題，采用計(jì)算機(jī)程序，提供一種基于視頻的混合交通流參數(shù)的檢測(cè)方法。進(jìn)而提供一種滿足我國(guó)混合交通管理控制實(shí)際需要的混合交通流參數(shù)的檢測(cè)器為解決上述技術(shù)問(wèn)題，本發(fā)明采用如下技術(shù)方案予以實(shí)現(xiàn)。方法包括有下列步驟安裝攝像頭、交換機(jī)、視頻服務(wù)器，并用光纜、無(wú)線和電線依次將他們連接起來(lái)，獲取交通視頻圖幀，檢測(cè)區(qū)選擇，交通場(chǎng)景位置映射和獲取混合交通流參數(shù)，還包括下列步驟1.在有效檢測(cè)區(qū)域內(nèi)將視頻圖幀中被檢測(cè)的車輛、行人、自行車除去而得到的交通場(chǎng)景圖幀的背景初始化；2.隨外界條件的變化，根據(jù)運(yùn)動(dòng)物體區(qū)域有選擇地進(jìn)行混合高斯的背景表達(dá)與更新；3.利用物體部分和連接陰影區(qū)域的RGB顏色最大變化量可看作混合高斯分布，根據(jù)每個(gè)運(yùn)動(dòng)物體的特點(diǎn)進(jìn)行陰影檢測(cè)，排除運(yùn)動(dòng)物體誤分類影響的陰影檢測(cè)；4.基于距與幾何形態(tài)的混合交通特征表達(dá)方法，將運(yùn)動(dòng)物體進(jìn)行分割，進(jìn)行特征提取，建立特征向量，進(jìn)而利用相似距離測(cè)度比較樣本與待測(cè)物體的相似距離，進(jìn)而達(dá)到實(shí)施不同物體分類與識(shí)別的物體識(shí)別；5.運(yùn)動(dòng)物體的運(yùn)動(dòng)次序按照隊(duì)列的數(shù)據(jù)結(jié)構(gòu)表達(dá)，將物體進(jìn)行標(biāo)號(hào)跟蹤，為了快速進(jìn)行物體分類與分割，跟蹤過(guò)程中利用kalman運(yùn)動(dòng)跟蹤預(yù)測(cè)方法，快速預(yù)測(cè)出物體下一時(shí)刻的大致位置，并在附近搜索物體的運(yùn)動(dòng)跟蹤。
技術(shù)方案中所述的背景初始化包括下列步驟1)訓(xùn)練序列，即選擇一段時(shí)間的視頻圖幀作為訓(xùn)練序列，對(duì)于圖像的每個(gè)固定像素點(diǎn)的亮度值在訓(xùn)練序列中，可看作一個(gè)時(shí)間序列{xi|i＝1…N}；2)滑動(dòng)可變窗口，即根據(jù)上述特點(diǎn)利用滑動(dòng)可變窗口檢測(cè)平滑子序列，該平滑子序列可作為可能背景；3)判斷平滑子序列數(shù)是否大于兩個(gè)點(diǎn)，如果大于兩個(gè)點(diǎn)則按如下步驟進(jìn)行a)構(gòu)建分類集；b)無(wú)監(jiān)督聚類；c)選擇高密度子類中心；d)作為初始背景值；如果是少于兩個(gè)點(diǎn)則按如下步驟進(jìn)行a)選序列中值；b)作為初始背景值。
技術(shù)方案中所述的背景表達(dá)與更新包括下列步驟1)根據(jù)F(x，y，t)＝I(x，y，t)-B(x，y，t-1)，即根據(jù)背景差分獲取當(dāng)前圖幀的前景，其中I(x，y，t)表示當(dāng)前時(shí)刻(x，y)點(diǎn)的視頻圖像，B(x，y，t-1)表示前一時(shí)刻(x，y)點(diǎn)的背景圖像；2)然后對(duì)檢測(cè)區(qū)內(nèi)的整個(gè)前景圖像進(jìn)行圖像分割獲取每個(gè)前景物體；3)判斷當(dāng)前像素是否為前景物體區(qū)域，若為運(yùn)動(dòng)物體區(qū)域則該點(diǎn)不進(jìn)行背景更新；4)否則，按照像素級(jí)的混合高斯背景更新。
技術(shù)方案中所述的陰影檢測(cè)包括下列步驟1)比較前景與背景區(qū)域，獲取候選陰影區(qū)域；2)圖像分割，獲取每個(gè)陰影與其相連的部分圖像區(qū)域；3)統(tǒng)計(jì)每個(gè)區(qū)域的RGB最大變化度分布；4)利用EM算法獲取區(qū)域的混合高斯分布；5)選取變化量最小的高斯分量作為陰影區(qū)域；技術(shù)方案中所述的物體識(shí)別包括下列步驟1)選取前景圖像；2)進(jìn)行物體分割；3)特征提??；4)進(jìn)入特征登記階段，該階段為將樣本特征存入樣本數(shù)據(jù)庫(kù)；5)進(jìn)入特征識(shí)別階段，該部分為利用物體的特征向量與樣本庫(kù)德特征向量進(jìn)行比較識(shí)別。
所述的特征提取包括下列步驟1)獲取物體區(qū)域；2)計(jì)算7個(gè)pq階中心距、實(shí)際物體長(zhǎng)度l、實(shí)際物體寬度w和w/l；3)構(gòu)成10維特征向量，作為運(yùn)動(dòng)物體的特征。
所述的特征識(shí)別階段包括下列步驟1)計(jì)算與每個(gè)樣本特征向量相似距離測(cè)度；2)獲取最小距離；
3)分類判斷。
本發(fā)明的有效益效果是1.本發(fā)明獲取混合交通流參數(shù)，既可應(yīng)用于城市交通管理也可以應(yīng)用于設(shè)計(jì)部門或科研院所，實(shí)現(xiàn)城市混合交通控制管理研究開發(fā)的需要，具有重要的社會(huì)意義和巨大的工程應(yīng)用經(jīng)濟(jì)價(jià)值。
2.本發(fā)明根據(jù)物體的運(yùn)動(dòng)跟蹤，可獲取其微觀交通行為，如加速、換道、停止、轉(zhuǎn)向、逆行等。
3.為了測(cè)試本發(fā)明性能，在長(zhǎng)春城市道路進(jìn)行交通錄像，其中包括交通暢通、交通擁擠、混合交通等交通狀態(tài)，且交通錄像時(shí)間累積1000小時(shí)以上，利用本發(fā)明對(duì)交通錄像進(jìn)行分析，實(shí)驗(yàn)結(jié)果表明本發(fā)明具有較高的準(zhǔn)確性，物體識(shí)別準(zhǔn)確度大于98％，速度準(zhǔn)確度大于90％，流量精度大于98％，時(shí)間占有率精度大于89％，可滿足實(shí)際需要。


圖1是基于視頻的混合交通流參數(shù)的檢測(cè)方法的技術(shù)路線流程框圖；圖2是圖1所示基于視頻的混合交通流參數(shù)的檢測(cè)方法的技術(shù)路線流程框圖中背景初始化的流程框圖；圖3是圖1所示基于視頻的混合交通流參數(shù)的檢測(cè)方法的技術(shù)路線流程框圖中背景表達(dá)與更新的流程框圖；圖4是圖1所示基于視頻的混合交通流參數(shù)的檢測(cè)方法的技術(shù)路線流程框圖中陰影檢測(cè)的流程框圖；圖5-(a)是背景初始化實(shí)施例平滑子序列檢測(cè)圖的特定點(diǎn)的時(shí)間序列觀測(cè)值曲線；圖5-(b)是背景初始化實(shí)施例平滑子序列檢測(cè)圖的特定點(diǎn)的滑動(dòng)窗口檢測(cè)的平滑子序列曲線；圖6-(a)是背景初始化實(shí)施例對(duì)比效果圖的待處理序列圖幀；圖6-(b)是背景初始化實(shí)施例對(duì)比效果圖的中值背景法效果圖幀；圖6-(c)是背景初始化實(shí)施例對(duì)比效果圖的一致性判別法檢測(cè)效果圖幀；圖6-(d)是背景初始化實(shí)施例對(duì)比效果圖的本發(fā)明背景初始化效果圖幀；圖7-(a)是物體識(shí)別實(shí)施例圖的前景顯示的識(shí)別效果圖幀；圖7-(b)是物體識(shí)別實(shí)施例圖的原視頻圖幀上識(shí)別效果圖幀；圖8是圖1所示基于視頻的混合交通流參數(shù)的檢測(cè)方法的技術(shù)路線流程框圖中運(yùn)動(dòng)跟蹤的預(yù)測(cè)示意圖；圖9是圖1所示基于視頻的混合交通流參數(shù)的檢測(cè)方法的技術(shù)路線流程框圖中物體識(shí)別的流程框圖。
具體實(shí)施例方式
下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)描述參閱圖1，城市的混合交通流參數(shù)的視頻檢測(cè)系統(tǒng)是由硬件和軟件兩部分組成，即有視頻采集與傳輸設(shè)備的硬件部分和混合交通流參數(shù)的視頻檢測(cè)計(jì)算機(jī)程序部分組成。基于視頻的混合交通流參數(shù)的檢測(cè)方法是在現(xiàn)有硬件設(shè)備的基礎(chǔ)上應(yīng)用自編計(jì)算機(jī)程序而實(shí)現(xiàn)的混合交通流參數(shù)的視頻檢測(cè)方法，完整的說(shuō)其包括如下步驟安裝硬件設(shè)備、獲取交通視頻圖幀、初始化、背景表達(dá)與更新、陰影檢測(cè)、物體識(shí)別、運(yùn)動(dòng)跟蹤、獲取混合交通流參數(shù)和將獲取混合交通流參數(shù)進(jìn)行處理得到準(zhǔn)確的控制參數(shù)通過(guò)硬件設(shè)備來(lái)管理控制城市交通或者提供給設(shè)計(jì)部門、科研院所使用，其中初始化步驟包括檢測(cè)區(qū)選擇、交通場(chǎng)景位置映射和背景初始化。
現(xiàn)按時(shí)間順序詳細(xì)描述如下1.安裝攝像頭、交換機(jī)、視頻服務(wù)器，并用電線、光纜或無(wú)線依次將他們連接起來(lái)，為城市的混合交通流參數(shù)的視頻檢測(cè)提供硬件設(shè)備支持，這里所說(shuō)獲取視頻圖幀的攝像頭應(yīng)安置于車道的正上方，盡可能處于垂直位置，且距路面5至6米高，夜晚時(shí)需要補(bǔ)足光線。
2.獲取交通流的視頻圖幀開動(dòng)硬件設(shè)備，使安裝有自編計(jì)算機(jī)程序的整個(gè)視頻采集與傳輸設(shè)備處于工作狀態(tài)。獲取欲檢測(cè)路段交通流的視頻圖幀，并將視頻圖幀信號(hào)經(jīng)交換機(jī)傳輸?shù)揭曨l服務(wù)器。
3.背景初始化該步驟是進(jìn)行視頻檢測(cè)的初始設(shè)置，其包括檢測(cè)區(qū)選擇、交通場(chǎng)景位置映射和背景初始化三個(gè)步驟。
1)有效檢測(cè)區(qū)選擇是利用鼠標(biāo)在視頻圖幀上選定道路上的有效檢測(cè)范圍，其檢測(cè)區(qū)大小根據(jù)實(shí)際交通場(chǎng)景決定，檢測(cè)區(qū)可設(shè)置一個(gè)或多個(gè)，參閱圖7-(a)，所示的矩形框內(nèi)區(qū)域就是選定的有效檢測(cè)區(qū)。
2)交通場(chǎng)景位置映射是指獲取視頻圖幀坐標(biāo)與道路位置坐標(biāo)的換算關(guān)系，根據(jù)該換算關(guān)系可以快速計(jì)算運(yùn)動(dòng)物體的空間位置，為計(jì)算速度、空間占有率奠定基礎(chǔ)。視頻圖像坐標(biāo)I(x，y)與道路空間坐標(biāo)W(u，v)存在xy1=M11M12M13M21M22M23M31M32M33uv1]]>的映射關(guān)系，利用標(biāo)定模板可以快速計(jì)算映射矩陣M，即實(shí)現(xiàn)交通場(chǎng)景位置映射，獲取視頻檢測(cè)區(qū)域內(nèi)的圖像坐標(biāo)I(x，y)與道路空間位置坐標(biāo)W(u，v)的換算關(guān)系矩陣M。利用圖像坐標(biāo)與M-1可計(jì)算出檢測(cè)區(qū)內(nèi)對(duì)應(yīng)點(diǎn)的道路位置坐標(biāo)，從而為計(jì)算不同時(shí)刻的運(yùn)動(dòng)物體位置變化提供了基礎(chǔ)，進(jìn)而可以獲取運(yùn)動(dòng)物體的速度、平均速度、占有率等交通參數(shù)。
3)背景是指視頻圖幀中除了被檢測(cè)車輛、行人、自行車以外的交通場(chǎng)景信息。前景指當(dāng)前視頻圖幀中包括的待檢測(cè)物體，比如車輛、行人、自行車。為了克服外界干擾，如光線變化、綠化帶草木的搖動(dòng)等因素，通常利用當(dāng)前圖像減去背景圖像的背景差分過(guò)程獲取前景物體，即F(x，y，t)＝I(x，y，t)-B(x，y，t-1)，其中F(x，y，t)表示當(dāng)前時(shí)刻的前景圖像，I(x，y，t)表示當(dāng)前時(shí)刻的圖象，B(x，y，t-1)表示前一時(shí)刻的背景圖像。因此，需要給定初始背景，通常情況下直接選取沒(méi)有前景物體的交通場(chǎng)景作為背景，但該方法在混合交通檢測(cè)過(guò)程受到交通狀況的影響，本發(fā)明提出的背景初始化方法，其流程圖如圖2所示。選擇一段時(shí)間的視頻錄像作為訓(xùn)練序列視頻通過(guò)訓(xùn)練獲取初始背景，訓(xùn)練序列中每像素的顏色通道亮度值I(x，y，t)，可看作一個(gè)時(shí)間序列{xi|i＝1…N}，當(dāng)運(yùn)動(dòng)物體通過(guò)該點(diǎn)時(shí)，該點(diǎn)的亮度將發(fā)生較大變化，其它時(shí)間將保持基本不變，因此可以檢測(cè)平穩(wěn)的序列段作為背景，如圖5-(a)所示時(shí)間序列值。本發(fā)明利用滑動(dòng)可變窗口檢測(cè)平滑的子序列，將多個(gè)平滑子序列可作為可能背景。滑動(dòng)可變窗口首先初始窗口的最小長(zhǎng)度，然后將窗口在觀測(cè)點(diǎn)的時(shí)間序列上滑動(dòng)，若窗口內(nèi)的所有觀測(cè)值在允許變化范圍內(nèi)時(shí)，將下一個(gè)觀測(cè)值移進(jìn)窗口，窗口的長(zhǎng)度增加1；否則，判斷當(dāng)前窗口長(zhǎng)度是否大于初始長(zhǎng)度，若大于初始長(zhǎng)度則其若記錄當(dāng)前窗口內(nèi)的觀測(cè)值為一平滑子序列，然后重新利用初始滑動(dòng)窗口在下一個(gè)觀測(cè)值開始滑動(dòng)。按照上述處理過(guò)程，獲取其平滑子序列集L＝<l1，…，lk>，每個(gè)平滑子序列l(wèi)b＝{xi，…，xj}應(yīng)滿足如下條件ω＜j-i， (1)(s，t)|xs-xt|≤δmax式中ω為初始最小長(zhǎng)度，δmax為最大允許變化量。上述平滑序列集可作為可能背景。由于大型緩慢運(yùn)動(dòng)物體的影響，如公交車輛的影響，在固定點(diǎn)其也構(gòu)成一個(gè)平滑子序列成為平滑序列集的一個(gè)分量。根據(jù)固定路段地點(diǎn)的交通流到達(dá)與釋放特性，公交車所構(gòu)成的平滑分量要少于背景所構(gòu)成的分量，且在訓(xùn)練序列中，背景分量基本上不變。根據(jù)該特性，分別選取每個(gè)平滑子序列觀測(cè)值的中值，如式(2)構(gòu)造分類序列<s1，…，sk>，對(duì)分類序列利用無(wú)監(jiān)督聚類，選擇子類包含點(diǎn)數(shù)最多的子集，即“高密度”子集，作為背景子集，然后選擇“高密度”子集中心值作為背景值。
sj＝median(lj)，1≤j≤k(2)上述情況是在平滑子序列數(shù)大于兩個(gè)點(diǎn)時(shí)考慮，一旦少于兩個(gè)點(diǎn)，選取平滑子序列的中值作為背景。
4.背景表達(dá)與更新由于交通場(chǎng)景隨外界條件的變化而變化，為了使背景能夠真實(shí)地反映現(xiàn)實(shí)交通場(chǎng)景，因此背景需要根據(jù)外界環(huán)境的變化而實(shí)時(shí)性變化，即背景的更新。本發(fā)明利用像素級(jí)的混合高斯模型對(duì)背景進(jìn)行表達(dá)，然后根據(jù)運(yùn)動(dòng)物體的狀態(tài)有選擇地進(jìn)行背景更新，其處理過(guò)程見圖3，其中I(x，y，t)表示當(dāng)前時(shí)刻(x，y)點(diǎn)的視頻圖像，B(x，y，t-1)表示前一時(shí)刻的(x，y)點(diǎn)背景圖像，F(xiàn)(x，y，t)表示當(dāng)前時(shí)刻(x，y)點(diǎn)的運(yùn)動(dòng)前景。根據(jù)背景差分獲取當(dāng)前圖幀的前景，然后對(duì)檢測(cè)區(qū)內(nèi)的整個(gè)前景圖像進(jìn)行圖像分割獲取每個(gè)前景物體，然后判斷當(dāng)前像素是否為前景物體區(qū)域，若為運(yùn)動(dòng)物體區(qū)域則該點(diǎn)不進(jìn)行背景更新，否則，按照像素級(jí)的混合高斯背景更新(其中像素級(jí)的混合高斯背景更新參見Stauffer Chris，Grimson W.E.L.Adaptivebackground mixture models for real-time tracking.ICVPR 1999 2246-252)。本發(fā)明方法為結(jié)合區(qū)域特性的混合高斯背景更新，該方法可以克服交通擁堵或交通量較大情況下，像素級(jí)混合高斯模型不能很好地進(jìn)行背景維持的缺點(diǎn)。
5.陰影檢測(cè)陰影分為靜態(tài)陰影和動(dòng)態(tài)陰影，其中靜態(tài)陰影由路邊的樹木或建筑造成，該部分可利用背景表達(dá)與更新克服其影響，而動(dòng)態(tài)陰影由運(yùn)動(dòng)物體自身造成，其運(yùn)動(dòng)特性與運(yùn)動(dòng)物體的運(yùn)動(dòng)特性相同，容易造成運(yùn)動(dòng)物體的誤分類，因此需要陰影檢測(cè)。本發(fā)明根據(jù)陰影的光譜特性，則同一地點(diǎn)在陰影時(shí)RGB顏色通道亮度明顯低于其非陰影時(shí)的亮度，如式(3)所示，其中R表示紅色通道，G表示綠色通道，B表示藍(lán)色通道，下標(biāo)shadow表示陰影狀態(tài)，lit表示光亮無(wú)陰影狀態(tài)。
Rshadow＜RlitBshadow＜Blit(3)Gshadow＜Glit根據(jù)式(3)比較I(x，y，t)在(x，y)點(diǎn)與背景B(x，y，t-1)時(shí)各個(gè)通道顏色亮度，若滿足式(3)則作為候選陰影區(qū)域，然后對(duì)候選應(yīng)用區(qū)域進(jìn)行圖像分割，獲取每個(gè)物體的陰影候選區(qū)域，其中每個(gè)物體的候選陰影區(qū)域包含陰影與部分物體區(qū)域，而通常情況下，道路上物體的RGB總體變化度將大于陰影的RGB總體變化度，即選取位置點(diǎn)(x，y)的RGB三通道亮度變化量最大的通道作為該點(diǎn)的亮度變化如式(4)。
Vc＝max{(Rc-Rb)，(Gc-Gb)，(Bc-Bb)}(4)將每個(gè)物體的候選陰影區(qū)的顏色RGB最大變化度形成一維的GM數(shù)組，統(tǒng)計(jì)GM數(shù)組的顏色變化度分布，由于陰影區(qū)域的顏色變化度為均一性變化，因此，將陰影和物體的部分區(qū)域顏色變化量可看作混合高斯分布，利用EM算法自適應(yīng)地獲取較小變化的分量作為陰影，陰影檢測(cè)的流程圖如圖4所示。本發(fā)明方法根據(jù)每個(gè)運(yùn)動(dòng)物體的特點(diǎn)進(jìn)行陰影檢測(cè)，可以較好地克服陰影影響。
6.物體識(shí)別混合交通中行人、自行車、機(jī)動(dòng)車的分類識(shí)別是混合交通檢測(cè)的必備條件，如果不能有效地實(shí)現(xiàn)物體識(shí)別，便不可能實(shí)現(xiàn)混合交通流檢測(cè)應(yīng)用。由于運(yùn)動(dòng)過(guò)程中，運(yùn)動(dòng)物體出現(xiàn)形變、遮擋等問(wèn)題，因此伸縮、平移、旋轉(zhuǎn)不變性的混合交通運(yùn)動(dòng)物體的特征表達(dá)方法尤為重要，本發(fā)明根據(jù)行人、機(jī)動(dòng)車、自行車的幾何表達(dá)特點(diǎn)，提出了pq階中心距與運(yùn)動(dòng)投影的混合交通特征表達(dá)方法。根據(jù)前景的分割區(qū)域，對(duì)每個(gè)物體區(qū)域建立7維pq階中心距如式(5)與平行于運(yùn)動(dòng)方向的投影寬度w、垂直于運(yùn)動(dòng)方向的投影寬度l，其中w、l為利用交通場(chǎng)景位置映射計(jì)算出實(shí)際物體寬度和長(zhǎng)度，以及w/l共同構(gòu)成10維特征向量，作為運(yùn)動(dòng)物體的特征。
Upq=Σx∈RMΣy∈RN(x-x‾)p(y-y‾)q---(5)]]>式中x‾=m10/m00,]]>y-=m01/m00]]>且
mpq=Σx∈RMΣy∈RNxpyq]]>其中M為物體區(qū)域點(diǎn)數(shù)，p與q為x或y的階數(shù)。特征登記階段將混合交通物體的樣本進(jìn)行特征提取，并將特征保存如特征數(shù)據(jù)庫(kù)。在識(shí)別階段，計(jì)算樣本特征向量Xi與待識(shí)別物體的特征向量X的相似性距離測(cè)度如式(6)所示。
D(X,Xi)=(X-Xi)(X-Xi)T---(6)]]>若相似性距離測(cè)度D(X，Xi)＜D(X，Xj)，則待識(shí)別物體X更接近Xi。根據(jù)計(jì)算待識(shí)別物體與樣本相似性距離測(cè)度，若選擇待識(shí)別物體與樣本Xi的測(cè)度距離最小值，則待識(shí)別物體為Xi，實(shí)現(xiàn)物體識(shí)別，其處理流程如同9所示。
7.運(yùn)動(dòng)跟蹤運(yùn)動(dòng)跟蹤可以快速了解物體的運(yùn)動(dòng)狀態(tài)，同時(shí)為物體分割提供快速的預(yù)測(cè)位置，加快處理速度，運(yùn)動(dòng)跟蹤通常采用Kalman運(yùn)動(dòng)跟蹤預(yù)測(cè)方法，但在交通環(huán)境下，運(yùn)動(dòng)物體進(jìn)入檢測(cè)區(qū)、離開檢測(cè)區(qū)以及運(yùn)動(dòng)遮擋等情況下，需要進(jìn)行特殊處理，以快速辨別物體的運(yùn)動(dòng)狀態(tài)。通常情況下，由于每個(gè)運(yùn)動(dòng)方向上的運(yùn)動(dòng)物體在檢測(cè)區(qū)內(nèi)部不可能突然消失和出現(xiàn)，將運(yùn)動(dòng)物體的運(yùn)動(dòng)次序按照隊(duì)列的數(shù)據(jù)結(jié)構(gòu)表達(dá)如圖8所示，并結(jié)合kalman運(yùn)動(dòng)跟蹤預(yù)測(cè)方法。第K個(gè)運(yùn)動(dòng)物體在行進(jìn)方向上不可能突然出現(xiàn)與消失，若物體在附近沒(méi)有搜索到匹配的對(duì)象，則將物體進(jìn)行標(biāo)號(hào)處理，若連續(xù)3秒內(nèi)沒(méi)有出現(xiàn)，便認(rèn)為物體離開檢測(cè)區(qū)，若重新出現(xiàn)便認(rèn)為物體被遮擋。該方法可以快速預(yù)測(cè)出物體下一時(shí)刻的大致位置，并在附近搜索物體，同時(shí)對(duì)于已經(jīng)分類的物體不需要再次進(jìn)行特征提取和分類操作，極大提高了處理速度，且可以獲取運(yùn)動(dòng)物體的微觀交通行為，如停止，加速，減速。
8.交通流參數(shù)計(jì)算獲取通過(guò)上述處理，可以準(zhǔn)確地實(shí)現(xiàn)運(yùn)動(dòng)物體識(shí)別分類，根據(jù)物體進(jìn)入檢測(cè)區(qū)和離開檢測(cè)區(qū)時(shí)間Δt，以及利用交通場(chǎng)景位置映射M計(jì)算出位移Δs，則運(yùn)動(dòng)物體在該區(qū)域的平均速度V→=Δs/Δt;]]>交通流量統(tǒng)計(jì)每秒鐘離開檢測(cè)區(qū)的累積流量N＝N+1，當(dāng)時(shí)間累積1秒時(shí)，計(jì)數(shù)器N＝0，重新計(jì)數(shù)，其中時(shí)間的計(jì)算根據(jù)視頻格式的播放計(jì)時(shí)進(jìn)行，流量按照交通物體分類分別進(jìn)行統(tǒng)計(jì)。通常情況下視頻每秒播放25或30幀，物體的即時(shí)速度按照每3幀一個(gè)采樣間隔進(jìn)行計(jì)算v→=Δs/Δt;]]>加速度根據(jù)物體相鄰即時(shí)速度計(jì)算，根據(jù)加速度和即時(shí)速度判斷物體的運(yùn)動(dòng)狀態(tài)，如加速、減速、停止等。運(yùn)動(dòng)物體時(shí)間占有率，根據(jù)運(yùn)動(dòng)物體在2米檢測(cè)長(zhǎng)度上的運(yùn)行時(shí)間Δti，在1秒內(nèi)累積∑Δti，將∑Δti/1作為時(shí)間占有率。
9.將獲取混合交通流參數(shù)進(jìn)行處理得到準(zhǔn)確的反應(yīng)道路交通狀態(tài)的參數(shù)通過(guò)硬件設(shè)備來(lái)管理控制城市交通，也可應(yīng)用于設(shè)計(jì)部門或科研院所，實(shí)現(xiàn)城市混合交通管理控制或研究開發(fā)的需要。
實(shí)驗(yàn)分析1.背景初始化本發(fā)明的背景初始化方法可用于視頻監(jiān)控系統(tǒng)的各種應(yīng)用系統(tǒng)中。選擇不同交通狀態(tài)的訓(xùn)練序列視頻圖幀，對(duì)每個(gè)像素點(diǎn)的時(shí)間序列觀測(cè)值進(jìn)行滑動(dòng)窗口檢測(cè)，其中選擇ω＝6，δmax＝5，某一點(diǎn)的時(shí)間序列值如圖5-(a)所示，其平滑子序列如圖5-(b)所示，然后對(duì)平滑子序列進(jìn)行聚類，獲取“高密度”子類中心作為背景值。然后對(duì)視頻圖幀的每個(gè)像素點(diǎn)按照上述處理過(guò)程處理，參閱圖2所示流程框圖。對(duì)不同交通序列的背景初始化效果參閱圖6，由圖6可知，在自行車密集狀態(tài)下，本文方法可以克服50％遮擋影響，同時(shí)克服虛假背景影響，本發(fā)明處理效果明顯優(yōu)于中值背景法和一致性判別法；在交通暢通狀態(tài)，上述三種方法都能達(dá)到良好的背景初始化效果；在交通擁堵和包含緩慢運(yùn)動(dòng)大型物體狀態(tài)下，中值背景法和一致性判別法都不能很好地處理公交車存在的情況，本文方法處理結(jié)果明顯優(yōu)于中值背景法、一致性判別法，能夠克服緩慢運(yùn)動(dòng)的大型物體影響。上述實(shí)驗(yàn)結(jié)果表明，本發(fā)明所述的方法具有良好的魯棒性，可克服大型緩慢運(yùn)動(dòng)前景物體的影響，實(shí)現(xiàn)覆蓋率大于50％的背景初始化，滿足混合交通實(shí)際條件的應(yīng)用。
2.物體識(shí)別選取長(zhǎng)春城市道路的一段交通錄像，結(jié)合圖1描述的方法過(guò)程，利用本發(fā)明所述的方法首先進(jìn)行初始化，包括檢測(cè)區(qū)選擇、交通場(chǎng)景位置映射、背景初始化，背景表達(dá)與更新獲取、陰影檢測(cè)處理，其按照物體識(shí)別步驟對(duì)物體進(jìn)行特征提取，然后與樣本庫(kù)特征向量按照計(jì)算公式(6)計(jì)算相似測(cè)度，選取距離最小的樣本向量，便認(rèn)為該物體與樣本為同一類物體。在分類圖像中選取一圖幀如圖7所示，圖7-(a)為前景顯示的分類效果(矩形區(qū)域內(nèi)部部分)，圖7-(b)為直接在視頻上的分類顯示(矩形區(qū)域內(nèi)部部分)，由實(shí)驗(yàn)結(jié)果表明，本發(fā)明可以很好地區(qū)分機(jī)動(dòng)車和自行車，且具有較高的識(shí)別準(zhǔn)確率，物體識(shí)別準(zhǔn)確度大于98％，速度準(zhǔn)確度大于90％，流量精度大于98％，時(shí)間占有率精度大于89％，可滿足實(shí)際需要。
權(quán)利要求
1.一種采用計(jì)算機(jī)程序的基于視頻的混合交通流參數(shù)的檢測(cè)方法，包括有下列步驟安裝攝像頭、交換機(jī)、視頻服務(wù)器，并用光纜、無(wú)線和電線依次將他們連接起來(lái)，獲取交通視頻圖幀，檢測(cè)區(qū)選擇，交通場(chǎng)景位置映射和獲取混合交通流參數(shù)，其特征在于還包括下列步驟1)在有效檢測(cè)區(qū)域內(nèi)將視頻圖幀中被檢測(cè)的車輛、行人、自行車除去而得到的交通場(chǎng)景圖幀的背景初始化；2)隨外界條件的變化，根據(jù)運(yùn)動(dòng)物體區(qū)域有選擇地進(jìn)行混合高斯的背景表達(dá)與更新；3)利用物體部分和連接陰影區(qū)域的RGB顏色最大變化量可看作混合高斯分布，根據(jù)每個(gè)運(yùn)動(dòng)物體的特點(diǎn)進(jìn)行陰影檢測(cè)，排除運(yùn)動(dòng)物體誤分類影響的陰影檢測(cè)；4)基于距與幾何形態(tài)的混合交通特征表達(dá)方法，將運(yùn)動(dòng)物體進(jìn)行分割，進(jìn)行特征提取，建立特征向量，進(jìn)而利用相似距離測(cè)度比較樣本與待測(cè)物體的相似距離，進(jìn)而達(dá)到實(shí)施不同物體分類與識(shí)別的物體識(shí)別；5)運(yùn)動(dòng)物體的運(yùn)動(dòng)次序按照隊(duì)列的數(shù)據(jù)結(jié)構(gòu)表達(dá)，將物體進(jìn)行標(biāo)號(hào)跟蹤，為了快速進(jìn)行物體分類與分割，跟蹤過(guò)程中利用kalman運(yùn)動(dòng)跟蹤預(yù)測(cè)方法，快速預(yù)測(cè)出物體下一時(shí)刻的大致位置，并在附近搜索物體的運(yùn)動(dòng)跟蹤。
2.按照權(quán)利要求1所述的基于視頻的混合交通流參數(shù)的檢測(cè)方法，其特征在于所述的背景初始化包括下列步驟1)訓(xùn)練序列，即選擇一段時(shí)間的視頻圖幀作為訓(xùn)練序列，對(duì)于圖像的每個(gè)固定像素點(diǎn)的亮度值在訓(xùn)練序列中，可看作一個(gè)時(shí)間序列{xi|i＝1…N}；2)滑動(dòng)可變窗口，即根據(jù)上述特點(diǎn)利用滑動(dòng)可變窗口檢測(cè)平滑子序列，該平滑子序列可作為可能背景；3)判斷平滑子序列數(shù)是否大于兩個(gè)點(diǎn)，如果大于兩個(gè)點(diǎn)則按如下步驟進(jìn)行a)構(gòu)建分類集；b)無(wú)監(jiān)督聚類；c)選擇高密度子類中心；d)作為初始背景值；如果是少于兩個(gè)點(diǎn)則按如下步驟進(jìn)行a)選序列中值；b)作為初始背景值。
3.按照權(quán)利要求1所述的基于視頻的混合交通流參數(shù)的檢測(cè)方法，其特征在于所述的背景表達(dá)與更新包括下列步驟1)根據(jù)F(x，y，t)＝I(x，y，t)-B(x，y，t-1)，即根據(jù)背景差分獲取當(dāng)前圖幀的前景，其中I(x，y，t)表示當(dāng)前時(shí)刻(x，y)點(diǎn)的視頻圖像，B(x，y，t-1)表示前一時(shí)刻(x，y)點(diǎn)的背景圖像；2)然后對(duì)檢測(cè)區(qū)內(nèi)的整個(gè)前景圖像進(jìn)行圖像分割獲取每個(gè)前景物體；3)判斷當(dāng)前像素是否為前景物體區(qū)域，若為運(yùn)動(dòng)物體區(qū)域則該點(diǎn)不進(jìn)行背景更新；4)否則，按照像素級(jí)的混合高斯背景更新。
4.按照權(quán)利要求1所述的基于視頻的混合交通流參數(shù)的檢測(cè)方法，其特征在于所述的陰影檢測(cè)包括下列步驟1)比較前景與背景區(qū)域，獲取候選陰影區(qū)域；2)圖像分割，獲取每個(gè)陰影與其相連的部分圖像區(qū)域；3)統(tǒng)計(jì)每個(gè)區(qū)域的RGB最大變化度分布；4)利用EM算法獲取區(qū)域的混合高斯分布；5)選取變化量最小的高斯分量作為陰影區(qū)域
5.按照權(quán)利要求1所述的基于視頻的混合交通流參數(shù)的檢測(cè)方法，其特征在于所述的物體識(shí)別包括下列步驟1)選取前景圖像；2)進(jìn)行物體分割；3)特征提??；4)進(jìn)入特征登記階段，該階段為將樣本特征存入樣本數(shù)據(jù)庫(kù)；5)進(jìn)入特征識(shí)別階段，該部分為利用物體的特征向量與樣本庫(kù)德特征向量進(jìn)行比較識(shí)別。
6.按照權(quán)利要求5所述的基于視頻的混合交通流參數(shù)的檢測(cè)方法，其特征在于所述的特征提取包括下列步驟1)獲取物體區(qū)域；2)計(jì)算7個(gè)pq階中心距、實(shí)際物體長(zhǎng)度l、實(shí)際物體寬度w和w/l；3)構(gòu)成10維特征向量，作為運(yùn)動(dòng)物體的特征。
7.按照權(quán)利要求5所述的基于視頻的混合交通流參數(shù)的檢測(cè)方法，其特征在于所述的特征識(shí)別階段包括下列步驟1)計(jì)算與每個(gè)樣本特征向量相似距離測(cè)度；2)獲取最小距離；3)分類判斷。
全文摘要
本發(fā)明公開了一種基于視頻的混合交通流參數(shù)的檢測(cè)方法。該方法是在現(xiàn)有硬件設(shè)備的基礎(chǔ)上應(yīng)用計(jì)算機(jī)程序而實(shí)現(xiàn)混合交通流參數(shù)的視頻檢測(cè)方法，其包括如下步驟安裝硬件設(shè)備、獲取交通視頻圖幀、初始化、背景模型、陰影檢測(cè)、物體識(shí)別、運(yùn)動(dòng)跟蹤、獲取混合交通流參數(shù)和將獲取混合交通流參數(shù)進(jìn)行處理得到準(zhǔn)確的控制參數(shù)通過(guò)硬件設(shè)備來(lái)管理控制交通，其中初始化步驟包括檢測(cè)區(qū)選擇、交通場(chǎng)景位置映射和背景初始化。本發(fā)明根據(jù)物體的運(yùn)動(dòng)跟蹤，可獲取其微觀交通行為，如加速、換道、停止、轉(zhuǎn)向、逆行等。本發(fā)明具有較高的準(zhǔn)確性，物體識(shí)別準(zhǔn)確度大于98％，速度準(zhǔn)確度大于90％，流量精度大于98％，時(shí)間占有率精度大于89％，可滿足實(shí)際需要。
文檔編號(hào)H04N5/14GK101025862SQ20071005534
公開日2007年8月29日 申請(qǐng)日期2007年2月12日 優(yōu)先權(quán)日2007年2月12日
發(fā)明者曲昭偉, 王殿海, 李志慧, 陳永恒, 宋現(xiàn)敏, 胡宏宇, 陳紅艷 申請(qǐng)人:吉林大學(xué)