一种基于监控视频的行车道路分割方法技术

本发明专利技术公开了一种基于监控视频的行车道路分割方法，包括以下步骤：S1、通过监控摄像头获取道路监控视频；S2、使用运动目标检测方法对道路监控视频中的运动目标进行检测，得到运动目标掩码图像；S3、将道路监控视频以时间段序列长度分割为若干段分割结果掩码图，并将该时间段序列长度内的运动目标掩码图像输入到分割结果掩码图中；S4、检测每段分割结果掩码图最外层轮廓边界，统计轮廓边界内的像素数量，设置阈值剔除像素数量较小的连通域，得到形态学处理后的视频图像；S5、对视频图像设置长时间段的道路投票机制，剔除低频率的运动目标后输出行车道路掩码图。

A road segmentation method based on surveillance video

【技术实现步骤摘要】
一种基于监控视频的行车道路分割方法
本专利技术涉及图像处理领域，尤其涉及一种基于监控视频的行车道路分割方法。
技术介绍
监控视频行车道路分割是图像处理、计算机视觉中一项重要的技术，它在智慧交通、智能监控领域都有广泛的应用价值。传统的道路分割常采用两类方法：基于双目视觉深度图的方法和基于运动的方法。近年来，深度学习的研究广泛应用于道路分割领域，目前的方法大多基于深度像素级图像语义分割网络，语义分割网络结构通常可以看作是，编码器-解码器网络。以上道路分割方法都是基于像素分类的图像分割方法。由于深度学习语义分割模型非常依赖于训练数据，而目前的道路分割数据集大多是基于车前视角的自动驾驶数据集，城市高点道路监控场景、城市低点道路监控的数据集非常缺乏。根据实际应用场景来看，城市高点监控由于视角高，包含的城市场景非常复杂，而低点监控布设广泛，有很多道路不明显、场景不典型。道路情况的复杂性和多边性也成为该任务的巨大挑战，目前像素级语义分割模型由于实际分割精度受限，无法直接应用于城市监控道路场景，特别是非理想场景的老旧道路、城市高点的高空俯视道路；并且在视频监控中，局部遮挡、光照、视频画质、摄像头抖动等因素都会影响运动目标检测的精度，因此，急需一种可以提高准确度的行车道路分割方法来满足市场需求。
技术实现思路
本专利技术目的是针对上述问题，提供一种提高准确性的基于监控视频的行车道路分割方法。为了实现上述目的，本专利技术的技术方案是：一种基于监控视频的行车道路分割方法，包括以下步骤：S1、通过监控摄像头获取道路监控视频；S2、使用运动目标检测方法对道路监控视频中的运动目标进行检测，得到运动目标掩码图像；S3、将道路监控视频以时间段序列长度分割为若干段分割结果掩码图，并将该时间段序列长度内的运动目标掩码图像输入到分割结果掩码图中；S4、检测每段分割结果掩码图最外层轮廓边界，统计轮廓边界内的像素数量，设置阈值剔除像素数量较小的连通域，得到形态学处理后的视频图像；S5、对视频图像设置长时间段的道路投票机制，剔除低频率的运动目标后输出行车道路掩码图。进一步的，所述步骤S2中的运动目标检测方法为帧间差分法，其通过对道路监控视频中连续的两帧或三帧图像进行差分运算，得到不同帧图像中对应像素点灰度差的绝对值，当该绝对值超过阈值时，即判断其为运动目标。进一步的，所述步骤S2中，设道路监控视频中第n帧和第n-1帧图像为fn和fn-1，两帧对应像素点的灰度值记为fn(x,y)和fn-1(x,y)，将两帧图像对应像素点的灰度值进行相减，取其绝对值，得到差分图像Dn；计算公式为：Dn(x,y)＝|fn(x,y)-fn-1(x,y)|；设定阈值为T，对道路监控视频中逐个对像素点进行差分计算，得到图像R′n；对图像R′n进行连通性分析即可得到含有完整运动目标的掩码图像Rn；所述图像R'n的计算公式为：进一步的，所述步骤S2中的运动目标检测方法为基于Vibe算法的运动目标检测方法，其包括以下步骤：S201、首先为道路监控视频中每一个像素点建立样本集，该样本集中的灰度值为该像素点在上一帧中的灰度值或其邻域的灰度值；S202、将当前像素点的灰度值与该像素点的样本集的灰度值进行比较，通过其灰度值的差值是否超过阈值来判断当前像素点是否属于背景点；S203、将不属于背景点的像素点筛选出来，即得到含有运动目标的掩码图像。与现有技术相比，本专利技术具有的优点和积极效果是：本专利技术提出了一种利用监控视频进行行车道路分割的方法，其通过分析监控视频中连续图像序列检测出视频中的运动目标，然后采用形态学处理方法去除监控视频中的噪音如视频画质、摄像头抖动、树叶扰动，最后通过加入投票机制减少行人及路外汽车的干扰；得到高质量的行车道路掩码图。其有效避免了由于行人及路外汽车的干扰造成道路分割不够准确的状况发生，极大的提高了道路分割的准确性；另一方面，本专利技术无需构建训练模型，计算量较小，明显提高了检测速率，与传统方法相比，其在复杂场景中具有更强的泛化能力和更高的精确度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为帧间差分法的框架流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。本专利技术提出了一种利用监控视频进行行车道路分割的方法，其包括两个部分，即运动目标检测和行车道路形成部分；运动目标检测方法包括帧间差分、背景查分、Vibe、Vibe+等方法。这些方法可以通过分析视频连续图像序列，检测出视频中的运动目标，为了去除视频中的噪音如视频画质、摄像头抖动、树叶扰动，以及使运动目标在下面的步骤中有更好的表现，对检测出来的运动目标采用形态学处理方法，如腐蚀膨胀操作、去除较小连通域、孔洞填充。经过处理，运动目标主要包括行车道路上的运动汽车、路旁运动的行人、以及路外运动汽车。运动目标区域的积累可以将行车道路大致刻画出来，但由于行人及路外汽车的干扰，会造成道路分割不够准确。因此要进行时段上的腐蚀膨胀及连通域筛除，以及加入投票机制，以此减少行人及路外汽车的干扰。实施例1、基于帧间差分检测运动目标的道路分割该实施例中行车道路分割过程可分为两个部分，第一部分是基于帧间差分的运动目标检测，第二部分是合理地利用连续图像序列中的运动目标估计行车道路并生成掩码图。摄像机采集的视频序列具有连续性的特点。如果场景内没有运动目标，则连续帧的变化很微弱，如果存在运动目标，则连续的帧和帧之间会有明显地变化。帧间差分法(TemporalDifference)就是借鉴了上述思想。由于场景中的目标在运动，目标的影像在不同图像帧中的位置不同。该类算法对时间上连续的两帧或三帧图像进行差分运算，不同帧对应的像素点相减，判断灰度差的绝对值，当绝对值超过一定阈值时，即可判断为运动目标，从而实现目标的检测功能。两帧差分法的运算过程如图1所示，记视频序列中第n帧和第n-1帧图像为fn和fn-1，两帧对应像素点的灰度值记为fn(x,y)和fn-1(x,y)，按照下式将两帧图像对应像素点的灰度值进行相减，并取其绝对值，得到差分图像Dn：Dn(x,y)＝|fn(x,y)-fn-1(x,y)|；设定阈值T，按照式2.14逐个对像素点进行二值化处理，得到二值化图像Rn'。其中，灰度值为255的点即为前景(运动目标)点，灰度值为0的点即为背景点；本文档来自技高网...

【技术保护点】
1.一种基于监控视频的行车道路分割方法，其特征在于：包括以下步骤：/nS1、通过监控摄像头获取道路监控视频；/nS2、使用运动目标检测方法对道路监控视频中的运动目标进行检测，得到运动目标掩码图像；/nS3、将道路监控视频以时间段序列长度分割为若干段分割结果掩码图，并将该时间段序列长度内的运动目标掩码图像输入到分割结果掩码图中；/nS4、检测每段分割结果掩码图最外层轮廓边界，统计轮廓边界内的像素数量，设置阈值剔除像素数量较小的连通域，得到形态学处理后的视频图像；/nS5、对视频图像设置长时间段的道路投票机制，剔除低频率的运动目标后输出行车道路掩码图。/n

【技术特征摘要】
1.一种基于监控视频的行车道路分割方法，其特征在于：包括以下步骤：
S1、通过监控摄像头获取道路监控视频；
S2、使用运动目标检测方法对道路监控视频中的运动目标进行检测，得到运动目标掩码图像；
S3、将道路监控视频以时间段序列长度分割为若干段分割结果掩码图，并将该时间段序列长度内的运动目标掩码图像输入到分割结果掩码图中；
S4、检测每段分割结果掩码图最外层轮廓边界，统计轮廓边界内的像素数量，设置阈值剔除像素数量较小的连通域，得到形态学处理后的视频图像；
S5、对视频图像设置长时间段的道路投票机制，剔除低频率的运动目标后输出行车道路掩码图。


2.如权利要求1所述的基于监控视频的行车道路分割方法，其特征在于：所述步骤S2中的运动目标检测方法为帧间差分法，其通过对道路监控视频中连续的两帧或三帧图像进行差分运算，得到不同帧图像中对应像素点灰度差的绝对值，当该绝对值超过阈值时，即判断其为运动目标。


3.如权利要求2所述的基于监控视频的行车道路分割方法，其特征在于：所述步骤S2中...

【专利技术属性】
技术研发人员：陈杰，楼燚航，白燕，张永祥，柳昊良，
申请(专利权)人：博云视觉北京科技有限公司，
类型：发明
国别省市：北京;11