基于交通视频的运动车辆检测方法技术

本发明专利技术公开了一种基于交通视频的运动车辆检测方法，包括以下步骤：S1：通过装置于车辆内的摄像机实时的采集车辆信息，将获得的车辆行驶视频按照帧分割成一系列的图像序列，并对图像进行灰度化、二值化及降噪预处理；S2：背景建模，是对背景图像中的每一个像素点建立起模型分布，实时更新模型参数；S3：将预处理后的当前帧图像采用Canny边缘检测来提取边缘信息，获取图像的结构特征和边缘信息；S4：根据获取的边缘信息，对每一像素建立基于边缘的混合高斯模型；S5：基于边缘信息的混合高斯模型参数的更新；S6：像素点值与最佳描述背景高斯分布进行匹配，将前景目标提取出来，实现运动车辆的检测。

Moving vehicle detection method based on traffic video

The invention discloses a method for detection of moving vehicles based on traffic video, which comprises the following steps: S1: the collection of vehicle information real-time camera through a device in the vehicle, the vehicle will be in accordance with the video frame is divided into a series of images, and the image into grayscale, binarization and noise reduction processing; S2: background modeling for each pixel in the background image to establish the model of distribution, update the model parameter; S3: after pretreatment of the current frame image using Canny edge detection to extract the edge information, obtain the structural characteristics and the edge information of the image; S4: according to the edge information. For each pixel to build the Gauss mixture model based on edge; S5: Gauss mixture model parameter updating based on edge information; S6: pixel value and the best description of the Gauss distribution in the background Then, the foreground object is extracted and the moving vehicle is detected.

【技术实现步骤摘要】
基于交通视频的运动车辆检测方法
本专利技术涉及一种基于交通视频的运动车辆检测方法。
技术介绍
现如今，随着当今经济的高速发展，交通运输行业得到了显著的发展，机动车保有量迅速地增长，仅仅依靠修建道路设施和人工管理很难解决现存的交通问题,采用智能化的交通控制与管理系统来最大限度地行使现有道路体系的通行能力势在必行。对运动车辆的有效检测可以统计出一定时间内车辆流量、车流密度等交通流信息，根据此信息作出相应的道路管理与控制；对运动车辆的有效跟踪可以计算出车辆的行车速度、行车轨迹等交通信息，对此信息进行分析，预测出车辆在未来时间内的行为而做出相应的处理(如对超速、违章车辆发出警告，对交通事故的肇事车辆进行追踪等)。智能交通系统的发展，随着基于交通视频图像序列的运动车辆检测与跟踪技术的发展而迅速崛起，基于交通视频图像序列的运动车辆检测和跟踪技术广泛应用于智能交通系统当中，是整个智能交通系统最底层的一个模块，也是最重要的模块。致力于车辆检测、跟踪研究的学者们取得了大量的、可观的研究成果，但是视频图像帧序列来源于架设在室外的摄像机，受到突然改变的光照条件、车辆的阴影、车距大小等等的影响，导致场景的动态不固定性，这样对运动车辆检测中所运用到的算法提出更加严格、苛刻的要求；传统的跟踪算法对快速行驶的运动车辆、被遮挡的运动车辆、尺度变化的运动车辆等的跟踪往往达不到预期的结果。
技术实现思路
本专利技术要解决的技术问题是提供一种基于交通视频的运动车辆检测方法。基于交通视频的运动车辆检测方法，包括以下步骤：S1：通过装置于车辆内的摄像机实时的采集车辆信息，将获得的车辆行驶视频按照帧分割成一系列的图像序列，并对图像进行灰度化、二值化及降噪预处理；S2：背景建模，是对背景图像中的每一个像素点建立起模型分布，实时更新模型参数；S3：将预处理后的当前帧图像采用Canny边缘检测来提取边缘信息，获取图像的结构特征和边缘信息；S4：根据获取的边缘信息，对每一像素建立基于边缘的混合高斯模型；S5：基于边缘信息的混合高斯模型参数的更新，把长时间驻留组成静止目标区域的像素点归纳为组成背景区域的像素点，短暂驻留目标的像素点慢慢减弱，直到此区域的像素点被一个新出现的运动目标的像素点完全替代；S6：像素点值与最佳描述背景高斯分布进行匹配，将前景目标提取出来，实现运动车辆的检测。进一步的，所述背景建模具体如下：S2-1：用一个赋予权值为wi,t，维数为n(灰度图像取1)的时间序列{X(x,y,i),1≤i≤t}来表示视频序列图像中像素点的值，任何时候这些像素点的值服从相同的分布且相互独立，采用K个独立的高斯分布(均值向量为μi,t，协方差矩阵为∑i,t的正态分布)概率密度函数的加权和来描述Xt的概率函数表达式表示为：其中，Gi(Xt,μi,t,∑i,t)为第i个高斯分布；S2-2：此对组成背景区域像素点的最佳描述是wi,t/|∑i,t|比值较大的高斯分布，把描述每个像素点的K个高斯分布的wi,t/|∑i,t|由大到小的顺序排列，大于阈值T的前B个高斯分布作为描述组成背景区域的模型：其中，T(0.5≤T≤1)作为预先设定的阈值很好地表现出组成背景区域像素点出现的概率。进一步的，所述Canny边缘检测具体方法如下：S3-1：平滑图像中数据的阵列是像素点f(x,y)与标准差是σ的高斯平滑滤波器H(x,y；σ)进行卷积的表达式表示为：S(x,y)＝H(x,y；σ)*f(x,y)，使用2×2一阶有限差分，梯度幅值和方向角分别为：θ(x,y)＝arctan(P2(x,y)/P1(x,y))其中，其中，M(x,y)为边缘强度；θ(x,y)为正交于边缘方向的法向矢量；S3-2：计算图像灰度的偏导数P1(x,y)、P2(x,y)，计算出边缘强度为M(x,y)和方向θ(x,y)；S3-3：某个像素点的灰度值与8邻域的8个像素灰度值作比较，如果不是最大值，则该像素点不是边缘像素点而把此像素点的值置为0，以此来决定出局部极大值；S3-4：通过步骤S3-3得到了非极大值抑制的图像，在此基础上使用高阈值τ1和低阈值τ2(τ1≈τ2)分割图像得到了Th[x,y]和Tl[x,y]两个阈值边缘图像，图像Th[x,y]不包含假边缘，但造成轮廓上可能的间断，因此需在Th[x,y]中把边缘连接成轮廓，达到轮廓端点时，在图像Tl[x,y]的8邻域位置内寻找可以连接到利用阈值τ1得到的间断轮廓上的边缘像素点，重复此操作直到Th[x,y]图像中的所有间断连接起来。进一步的，基于边缘信息的混合高斯模型建立具体如下：1)初始化：K个边缘混合高斯模型中的第一个高斯分布的均值为第一帧图像像素点灰度值的平均值，协方差为较大的初始值V0，权系数初始化为1，其它高斯分布均值为0，协方差为较大的初始值V0，权系数为0；2)匹配校验：每帧图像中的每个像素点Xt的值满足|Xt-μi,t|≤2.5δi,t时，此像素点与边缘高斯分布Gi(Xt,μi,t,Σi,t)相匹配。进一步的，基于边缘信息的混合高斯模型参数的更新具体如下：S5-1：均值向量μi,t，协方差矩阵∑i,t、权系数wi,t的更新：1)像素点Xt对应的K个高斯模型中，如果存在大于或者是等于一个高斯分布满足|Xt-μi,t|≤2.5δi,t时：对于不满足|Xt-μi,t|≤2.5δi,t的高斯分布，μi,t和Σi,t不进行更新，满足|Xt-μi,t|≤2.5δi,t的μi,t和Σi,t更新为：μi,t＝(1-ρ)·μi,t-1+ρ·Xt，Σi,t＝(1-ρ)Σi,t-1+ρ·diag[(Xt-μi,t)T(Xt-μi,t)]，ρ＝α·Gi(Xt|μi,t,Σi,t)，其中，Xt表示的通过边缘检测得到的边缘像素点的值，α为学习因子；2)像素点Xt对应的K个高斯模型中，如果没有一个高斯分布满足|Xt-μi,t|≤2.5δi,t时，需要将K个模型中wi,t/|Σi,t|最小的Gj模型参数重新赋值：wj,t＝w0,μj,t＝X,其中，j＝mini{wi,t-1},i＝1,...,k；3)在t时刻的K个边缘高斯分布权系数wi,t更新为：wi,t＝(1-α)·wi,t-1+α(Mi,t)，其中，不匹配时高斯分布Gi(Xt,μi,t,∑i,t)相应的权值将衰减，因此若t时刻的像素值Xt与高斯分布Gi(Xt,μi,t,∑i,t)相匹配，则Mi,t＝1，否则Mi,t＝0。S5-2：参数估计学习因子α的动态调整：1)用连续三帧差来动态调整α：其中，λ反映了连续三帧像素值都明显发生变化的比率；“∧”表示与运算；H为在线学习获得的判定两帧间像素值发生变化的阈值；2)参数估计学习因子α的动态调整依据：在满足1)中公式的情况下：当α<0.1时，α＝2*α；当α>0.1时，α的值保持不变；在不满足1)中公式的情况下：当α<0.05时，α＝0.5*α；当α>0.05时，α的值保持不变。进一步的，所述前景目标提取具体方法如下：S6-1：场景背景的建立：t时刻，对于描述组成背景区域像素点的最佳前B个高斯分布中，如果当前视频图像帧中的像素点的值满足|Xt-μi,t|≤2.5δi,t，则把该像素归纳为组成背景区域的像素点，满足匹配关系的像素点映射到背景图像的像素点值更新为该本文档来自技高网...

【技术保护点】
基于交通视频的运动车辆检测方法，其特征在于，包括以下步骤：S1：通过装置于车辆内的摄像机实时的采集车辆信息，将获得的车辆行驶视频按照帧分割成一系列的图像序列，并对图像进行灰度化、二值化及降噪预处理；S2：背景建模，是对背景图像中的每一个像素点建立起模型分布，实时更新模型参数；S3：将预处理后的当前帧图像采用Canny边缘检测来提取边缘信息，获取图像的结构特征和边缘信息；S4：根据获取的边缘信息，对每一像素建立基于边缘的混合高斯模型；S5：基于边缘信息的混合高斯模型参数的更新，把长时间驻留组成静止目标区域的像素点归纳为组成背景区域的像素点，短暂驻留目标的像素点慢慢减弱，直到此区域的像素点被一个新出现的运动目标的像素点完全替代；S6：像素点值与最佳描述背景高斯分布进行匹配，将前景目标提取出来，实现运动车辆的检测。

【技术特征摘要】
1.基于交通视频的运动车辆检测方法，其特征在于，包括以下步骤：S1：通过装置于车辆内的摄像机实时的采集车辆信息，将获得的车辆行驶视频按照帧分割成一系列的图像序列，并对图像进行灰度化、二值化及降噪预处理；S2：背景建模，是对背景图像中的每一个像素点建立起模型分布，实时更新模型参数；S3：将预处理后的当前帧图像采用Canny边缘检测来提取边缘信息，获取图像的结构特征和边缘信息；S4：根据获取的边缘信息，对每一像素建立基于边缘的混合高斯模型；S5：基于边缘信息的混合高斯模型参数的更新，把长时间驻留组成静止目标区域的像素点归纳为组成背景区域的像素点，短暂驻留目标的像素点慢慢减弱，直到此区域的像素点被一个新出现的运动目标的像素点完全替代；S6：像素点值与最佳描述背景高斯分布进行匹配，将前景目标提取出来，实现运动车辆的检测。2.根据权利要求1所述的运动车辆检测方法，其特征在于，所述背景建模具体如下：S2-1：用一个赋予权值为wi,t，维数为n(灰度图像取1)的时间序列{X(x,y,i),1≤i≤t}来表示视频序列图像中像素点的值，任何时候这些像素点的值服从相同的分布且相互独立，采用K个独立的高斯分布(均值向量为μi,t，协方差矩阵为∑i,t的正态分布)概率密度函数的加权和来描述Xt的概率函数表达式表示为：其中，Gi(Xt,μi,t,∑i,t)为第i个高斯分布；S2-2：此对组成背景区域像素点的最佳描述是wi,t/|∑i,t|比值较大的高斯分布，把描述每个像素点的K个高斯分布的wi,t/|∑i,t|由大到小的顺序排列，大于阈值T的前B个高斯分布作为描述组成背景区域的模型：其中，T(0.5≤T≤1)作为预先设定的阈值很好地表现出组成背景区域像素点出现的概率。3.根据权利要求1所述的运动车辆检测方法，其特征在于，所述Canny边缘检测具体方法如下：S3-1：平滑图像中数据的阵列是像素点f(x,y)与标准差是σ的高斯平滑滤波器H(x,y；σ)进行卷积的表达式表示为：S(x,y)＝H(x,y；σ)*f(x,y)，使用2×2一阶有限差分，梯度幅值和方向角分别为：θ(x,y)＝arctan(P2(x,y)/P1(x,y)),其中，其中，M(x,y)为边缘强度；θ(x,y)为正交于边缘方向的法向矢量；S3-2：计算图像灰度的偏导数P1(x,y)、P2(x,y)，计算出边缘强度为M(x,y)和方向θ(x,y)；S3-3：某个像素点的灰度值与8邻域的8个像素灰度值作比较，如果不是最大值，则该像素点不是边缘像素点而把此像素点的值置为0，以此来决定出局部极大值；S3-4：通过步骤S3-3得到了非极大值抑制的图像，在此基础上使用高阈值τ1和低阈值τ2(τ1≈τ2)分割图像得到了Th[x,y]和Tl[x,y]两个阈值边缘图像，图像Th[x,y]不包含假边缘，但造成轮廓上可能的间断，因此需在Th[x,y]中把边缘连接成轮廓，达到轮廓端点时，在图像Tl[x,y]的8邻域位置内寻找可以连接到利用阈值τ1得到的间断轮廓上的边缘像素点，重复此操作直到Th[...

【专利技术属性】
技术研发人员：陈锡清，
申请(专利权)人：南宁市浩发科技有限公司，
类型：发明
国别省市：广西,45