一种复杂路况下行车流量视觉检测与计数方法技术

本发明专利技术公开了一种复杂路况下行车流量视觉检测与计数方法，解决基于视觉的检测方法统计运动目标面积进行车流量计数，在汽车、行人、非机动混杂的复杂道路下，计数的准确率极低，且受图像质量影响较大的问题，属于机器视觉技术领域。本发明专利技术包括设置初始信息；循环读取视频图像，利用MSRCR算法同时实现光照均衡和颜色平衡；利用AdaptiveMedian算法进行背景建模，提取运动前景；对前景进行开运算，去除噪声的同时，分离粘连的运动目标；查找轮廓并计算面积，若面积小于阈值，则填充该轮廓；利用Haar特征和AdaBoost分类器，用于识别前景中的车辆；识别每帧前景的车辆，并记录其位置。本发明专利技术用于精确提取复杂路况下的运动目标，并特定识别其中车辆，统计实时采集视频中车辆数目。

【技术实现步骤摘要】
一种复杂路况下行车流量视觉检测与计数方法
一种复杂路况下行车流量视觉检测与计数方法，用于精确提取复杂路况下的运动目标，并特定识别其中车辆，统计实时采集视频中车辆数目，属于机器视觉

技术介绍
“机器视觉”是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。基于视觉的车流量检测与计数，是机器视觉在交通领域应用中的一个重要分支。对于交通管控的需要，每时每刻都在进行着车流量的统计。目前道路交通流的统计，普遍采用在道路口埋放传感器，利用传感器反馈信息进行交通流统计。然而，面对交通情况复杂的城市道路，传感器统计准确率低，且易造成设备损坏。因此，可以采用基于视觉的方法自动检测车辆信息，检测结果可以传入流量、密度、速度模块，完成交通流的统计。然而在拍摄的视频中，经常出现光照变化情况、多个运动物体粘连的情况。所以研究人员在设计算法时，既要解决光照变化的影响，也要克服目标粘连带来的计数困难。近些年来有不少研究机构和企业对智能交通系统进行研究，其中基于视觉的交通流检测是整个系统中基础且重要环节。然而现有研究多采用埋放传感器等方案，已有基于视觉的检测方案多采用根据统计运动目标面积进行计数的方案，不对车辆进行识别，此种方案在交通情况简单的高速公路具有较好的效果，但运用于复杂道路准确率极低，且受图像质量影响较大，难以推广使用。
技术实现思路
本专利技术的目的在于：解决现有技术中基于视觉的检测方法统计运动目标面积进行车流量计数，在汽车、行人、非机动混杂的复杂道路下，计数的准确率极低，且受图像质量影响较大的问题，本专利技术提供了一种复杂路况下行车流量视觉检测与计数方法。本专利技术采用的技术方案如下：一种复杂路况下行车流量视觉检测与计数方法，其特征在于，步骤如下：步骤1、均衡获取的交通监控视频中的图像的颜色与光照；步骤2、对均衡了颜色与光照的交通监控视频中的图像进行灰度化处理，灰度化处理后进行背景建模，得到背景图像；步骤3、将灰度化处理后的图像与背景图像进行差分处理，差分后的图像进行二值化获取前景图像，然后对前景图像进行开运算，再寻找前景图像中的连通区域，并填充连通区域，将填充后的连通区域图像分别与步骤1所得图像的三通道点乘，得到彩色前景图像；步骤4、用Haar与AdaBoost训练好的分类器识别彩色前景图像中的车辆，记录车辆在交通监控视频中的每一帧的位置坐标，根据前后帧车辆位置与车道的关系进行计数，最终获得当前帧识别后的前景图像与累积的车流数量。进一步，所述步骤1的具体步骤如下：步骤1.1：获取交通监控视频，并计算该视频中左右二车道的方向向量V1,V2；步骤1.2：循环读入交通监控视频中的图像fi(x,y),并对图像fi(x,y)用MSRCR算法进行预处理，得到矫正了颜色与光照的彩色图像fi'(x,y)。进一步，所述步骤2的具体步骤如下：步骤2.1：将彩色图像fi'(x,y)转换为灰度图像im(x,y)；步骤2.2：设置参数，用AdaptiveMedian算法进行背景建模，得到背景图像gi(x,y)。进一步，所述步骤3的具体步骤如下：步骤3.1：灰度图像im(x,y)与背景图像gi(x,y)差分，对差分后的图像进行二值化处理得到二值前景图像b(x,y)；步骤3.2：对二值前景图像b(x,y)进行开运算得到二值图像b1(x,y),提取二值图像b1(x,y)中的连通区域轮廓C[k]，并计算对应连通区域的面积S[k]；步骤3.3：对连通区域进行填充处理:如果S[k]<500,则将连通区域轮廓C[k]内所有像素赋值为1，并转到步骤3.2，否则转到步骤3.4；步骤3.4：得到填充后的二值前景图像b'(x,y)，将其分别与步骤1所得图像的三通道图像点乘，得到彩色前景图像fore(x,y)。进一步，所述步骤4的具体步骤如下：步骤4.1：用Haar与AdaBoost训练好的车辆分类器识别彩色前景图像fore(x,y)中的目标，得到第i帧识别后的前景图像ri(x,y)，并记录第i帧识别到的第j辆车的中心位置pi,j(u,v)，及第i帧识别出的车辆数目Ji；步骤4.2：如果当前帧识别出的车辆数目Ji>Ji-1，执行步骤4.7，否则执行步骤4.3；步骤4.3：如果车辆的中心位置pi,j(u,v)位于左车道，执行步骤4.4，否则执行步骤4.5；步骤4.4：当前帧车辆的中心位置pi,j(u,v)与上一帧对应车辆的中心位置pi-1,j(u,v)构成车辆运动的方向向量pi,j,计算车辆运动的方向向量pi,j(u,v)与左车道方向向量V1的夹角a,转到步骤4.6；步骤4.5：当前帧车辆的中心位置pi,j(u,v)与上一帧对应车辆的中心位置pi-1,j(u,v)构成车辆运动的方向向量pi,j,计算车辆运动的方向向量pi,j与右车道方向向量V2的夹角a；步骤4.6：如果夹角a<10°，即表示当前帧识别到的第j辆车与上一帧识别到的为同一车辆，执行步骤4.8，否则执行步骤4.7；步骤4.7：从第一帧视频图像到第i-1帧累积记录车辆数目为N，那么第i帧计数结果N＝N+1，并显示识别后的前景图像ri(x,y)与计数结果N；步骤4.8：如j>Ji转到步骤4.9，否则令j＝j+1，再执行步骤4.3，直到第i帧中所有车辆都识别完；步骤4.9：判断获取的交通监控视频是否结束，若未结束，令i＝i+1，再执行步骤4.3，否则显示最终计数结果N。进一步，所述步骤1.2中，MSRCR算法公式如下：I(x,y)＝L(x,y)*R(x,y)，式中，I(x,y)代表被观察或照相机接收到的图像信号,L(x,y)代表环境光的照射分量，L(x,y)可以通过对图像信号I(x,y)行高斯模糊而得到，R(x,y)表示携带图像细节信息的目标物体的反射分量；Log[R(x,y)]＝Log[I(x,y)]-Log[L(x,y)]，分别计算出Log[R(x,y)]中R、G、B各通道数据的均值Mean[i]和均方差Var[i]，再计算各通道的Min[i]和Max[i]值：Min[i]＝Mean[i]-Dynamic*Var[i]i＝1,2,3；Max[i]＝Mean[i]+Dynamic*Var[i]i＝1,2,3；R(x,y)＝(R(x,y)-Min)/(Max-Min)*(255-0)；Dynamic为自定义的对比度参数，fi'(x,y)即为经过MSRCR处理后的图像。进一步，所述步骤2.2中，Adaptivemedian算法公式如下：g1(x,y)＝median(fi(x,y))，i＝1,2……u；其中g1(x,y)表示建模产生的第一帧的背景图像，fi(x,y)表示i帧交通监控视频图像，u表示学习帧数,median(fi(x,y))表示求这u帧内对应(x,y)处像素值的中值，gi(x,y)表示第i帧的背景图像，fi(x,y)表示第i帧的交通监控视频图像，当第i帧的坐本文档来自技高网...

【技术保护点】
一种复杂路况下行车流量视觉检测与计数方法，其特征在于，步骤如下：步骤1、均衡获取的交通监控视频中的图像的颜色与光照；步骤2、对均衡了颜色与光照的交通监控视频中的图像进行灰度化处理，灰度化处理后进行背景建模，得到背景图像；步骤3、将灰度化处理后的图像与背景图像进行差分处理，差分后的图像进行二值化获取前景图像，然后对前景图像进行开运算，再寻找前景图像中的连通区域，并填充连通区域，将填充后的连通区域图像分别与步骤1所得图像的三通道点乘，得到彩色前景图像；步骤4、用Haar与AdaBoost训练好的分类器识别彩色前景图像中的车辆，记录车辆在交通监控视频中的每一帧的位置坐标，根据前后帧车辆位置与车道的关系进行计数，最终获得当前帧识别后的前景图像与累积的车流数量。

【技术特征摘要】
1.一种复杂路况下行车流量视觉检测与计数方法，其特征在于，步骤如下：步骤1、均衡获取的交通监控视频中的图像的颜色与光照；步骤2、对均衡了颜色与光照的交通监控视频中的图像进行灰度化处理，灰度化处理后进行背景建模，得到背景图像；步骤3、将灰度化处理后的图像与背景图像进行差分处理，差分后的图像进行二值化获取前景图像，然后对前景图像进行开运算，再寻找前景图像中的连通区域，并填充连通区域，将填充后的连通区域图像分别与步骤1所得图像的三通道点乘，得到彩色前景图像；步骤4、用Haar与AdaBoost训练好的分类器识别彩色前景图像中的车辆，记录车辆在交通监控视频中的每一帧的位置坐标，根据前后帧车辆位置与车道的关系进行计数，最终获得当前帧识别后的前景图像与累积的车流数量。2.根据权利1所述的一种复杂路况下行车流量视觉检测与计数方法，其特征在于，所述步骤1的具体步骤如下：步骤1.1：获取交通监控视频，并计算该视频中左右二车道的方向向量V1,V2；步骤1.2：循环读入交通监控视频中的图像fi(x,y),并对图像fi(x,y)用MSRCR算法进行预处理，得到矫正了颜色与光照的彩色图像fi'(x,y)。3.根据权利要求2所述的一种复杂路况下行车流量视觉检测与计数方法，其特征在于，所述步骤2的具体步骤如下：步骤2.1：将彩色图像fi'(x,y)转换为灰度图像im(x,y)；步骤2.2：设置参数，用AdaptiveMedian算法进行背景建模，得到背景图像gi(x,y)。4.根据权利要求3所述的一种复杂路况下行车流量视觉检测与计数方法，其特征在于，所述步骤3的具体步骤如下：步骤3.1：灰度图像im(x,y)与背景图像gi(x,y)差分，对差分后的图像进行二值化处理得到二值前景图像b(x,y)；步骤3.2：对二值前景图像b(x,y)进行开运算得到二值图像b1(x,y),提取二值图像b1(x,y)中的连通区域轮廓C[k]，并计算对应连通区域的面积S[k]；步骤3.3：对连通区域进行填充处理:如果S[k]<500,则将连通区域轮廓C[k]内所有像素赋值为1，并转到步骤3.2，否则转到步骤3.4；步骤3.4：得到填充后的二值前景图像b'(x,y)，将其分别与步骤1所得图像的三通道图像点乘，得到彩色前景图像fore(x,y)。5.根据权利要求4所述的一种复杂路况下行车流量视觉检测与计数方法，其特征在于，所述步骤4的具体步骤如下：步骤4.1：用Haar与AdaBoost训练好的车辆分类器识别彩色前景图像fore(x,y)中的目标，得到第i帧识别后的前景图像ri(x,y)，并记录第i帧识别到的第j辆车的中心位置pi,j(u,v)，及第i帧识别出的车辆数目Ji；步骤4.2：如果当前帧识别出的车辆数目Ji>Ji-1，执行步骤4.7，否则执行步骤4.3；步骤4.3：如果车辆的中心位置pi,j(u,v)位于左车道，执行步骤4.4，否则执行步骤4.5；步骤4.4：当前帧车辆的中心位置pi,j(u,v)与上一帧对应车辆的中心位置pi-1,j(u,v)构成车辆运动的方向向量pi,j,计算车辆运动的方向向量pi,j(u,v)与左车道方向向量V1的夹角a,转到步骤4.6；步骤4.5：当前帧车辆的中心位置pi,j(u,v)与上一帧对应车辆的中心位置pi-1,j(u,v)构成车辆运动的方向向量pi,j,计算车辆运动的方向向量pi,j与右车道方向向量V2的夹角a；步骤4.6：如果夹角a<10°，即表示当前帧识别到的第j辆车与上一帧识别到的为同一车辆，执行步骤4.8，否则执行步骤4.7；步骤4.7：从第一帧视频图像到第i-1帧累积记录车辆数目为N，那么第i帧计数结果N＝N+1，并显示识别后的前景图像ri(x,y)与计数结果N；步骤4.8：如j>Ji转到步骤4.9，否则令j＝j+1，再执行步骤4.3，直到第i帧中所有车辆都识别完；步骤4.9：判断获取的交通监控视频是否结束，若未结束，令i＝i+1，再执行步骤4.3，否则显示最终计数结果N。6.根据权利要求2所述的一种复杂路况下行车流量视觉检测与计数方法，其特征在于，所述步骤1.2中，MSRCR算法公式如下：I(x,y)＝L(x,y)*R(x,y)，式...

【专利技术属性】
技术研发人员：范文澜，李梦雪，谢吉航，陈响，彭真明，马沪敏，张兰丹，张鹏飞，宋立，卓励然，王卓然，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51