【技术实现步骤摘要】
基于背景建模的车位区域车辆检测方法及装置
本专利技术涉及图像处理、视频监控以及安防，特别涉及路侧停车检测方法及装置。
技术介绍
近年来随着机动车数量的迅速增加，同时与之配套的停车场数量却增长缓慢。在没有足够的场地停放机动车时，机动车开始转向马路两侧停放。由于机动车数量过于庞大，同时也由于目前的没有相关部门对路边停车进行合理的规范和制约，从而出现了路边停车秩序混乱，严重时会影响动态交通，使得城市道路上的机动车车速普遍较低，有时还会发生严重的交通堵塞。如何充分使用现有的道路闲散资源，以及合理的科学的规范路边停车秩序，同时要保证二十四小时不间断的工作，从而引导机动车合理有效的停放。目前，通用的车位区域车辆检测方法存在不鲁棒的问题，因为车位管理系统的应用场景中普遍存在车牌车辆互遮挡、非正常出车、出车入车较快等问题，传统方法不能够在算力确定的情况下处理好这几种情况下的车辆检测和跟踪问题，这进一步增加了人工干预的成本。综上所述，目前迫切需要提出基于背景建模的车位区域车辆检测方法及装置。
技术实现思路
...
【技术保护点】
1.基于背景建模的车位区域车辆检测方法，其特征在于，该方法包括：/n第一步骤，采用安装在距离地面高度H处的相机，采集包含车位区域的视频图像；对视频图像内的车位区域进行人工标记，以获得视频图像中车位区域的位置坐标，将车位区域标记为建模区域；/n第二步骤，选取背景视频图像，给定背景视频图像的每个车位区域的初始车位状态，采用梯度直方图建模法，获取背景视频图像的梯度直方图模型；/n第三步骤，采用梯度直方图建模法，获取当前帧视频图像的梯度直方图模型、极值点的位置；计算当前帧视频图像与背景视频图像的梯度直方图模型中所有极值点的直方图相似度值，获取直方图相似度值低阈值小于相似阈值的极值点...
【技术特征摘要】
1.基于背景建模的车位区域车辆检测方法，其特征在于，该方法包括：
第一步骤，采用安装在距离地面高度H处的相机，采集包含车位区域的视频图像；对视频图像内的车位区域进行人工标记，以获得视频图像中车位区域的位置坐标，将车位区域标记为建模区域；
第二步骤，选取背景视频图像，给定背景视频图像的每个车位区域的初始车位状态，采用梯度直方图建模法，获取背景视频图像的梯度直方图模型；
第三步骤，采用梯度直方图建模法，获取当前帧视频图像的梯度直方图模型、极值点的位置；计算当前帧视频图像与背景视频图像的梯度直方图模型中所有极值点的直方图相似度值，获取直方图相似度值低阈值小于相似阈值的极值点集，获取对应的运动区域和运动区域对应的车位号；
第四步骤，如果当前车位区域的车位状态为空，并且运动区域持续的累计时间不小于第一累计时间阈值，则将运动区域标记为变化区域，将车位状态更新为占用；如果当前车位区域的车位状态为占用，并且运动区域持续的累计时间不小于第二累计时间阈值，则将运动区域标记为变化区域，将车位状态更新为空；如果车位状态有更新，如果存在变化区域以外的其他运动区域，则只对变化区域的背景视频图像的梯度直方图模型进行更新，否则更新背景视频图像的梯度直方图模型；进一步地，相机的镜头朝向路侧停车车位，能够同时采集包括2个车位以上的车位区域图像；
第五步骤，针对每个车位区域，统计车位区域内不存在运动区域持续的累计时间，如果车位区域内不存在运动区域持续的累计时间≥第三累计时间阈值T3，则将背景视频图像的梯度直方图模型更新为当前帧视频图像的梯度直方图模型；
所述梯度直方图建模法包括：
建模区域向垂直线段投影步骤，将建模区域R1中的梯度向垂直线段L上投影，线段L上的点P1在图像中的坐标为(x1,y1)，建模区域的两个边界点Pa和Pb与点P1的Y坐标相同，计算线段PaPb上每个投影点的梯度值Vgradi＝αXgradi+(1-α)Ygradi，其中α为X方向梯度的权重，Xgradi和Ygradi分别表示线段PaPb上第i个投影点在图像中水平方向和垂直方向的梯度值，i＝{1，2，3，…，n1}，n1表示线段PaPb上投影点的数量；
投影点强度计算步骤，计算线段PaPb上所有投影点的梯度值的平均值将Vgrad作为线段L上投影点P1对应的强度；
梯度直方图模型获取步骤，将垂直线段L上所有投影点对应的强度序列存储为图像的梯度直方图模型；
极值点位置获取步骤，计算图像的梯度直方图模型上每个投影点的一阶导数值，将一阶导数值为0的点作为极值点，存储极值点的位置。
2.如权利要求1所述的方法，其特征在于，所述投影点强度计算步骤包括：计算线段PaPb上所有投影点的梯度值的平均值如果Vgrad大于255，则Vgrad将设置为255，将Vgrad作为线段L上投影点P1对应的强度。
3.如权利要求1所述的方法，其特征在于，所述极值点位置获取步骤包括：对垂直线段L上的每个投影点进行K次平滑处理；将经过K次平滑处理后的垂直线段L上所有投影点对应的强度序列存储为图像的平滑梯度直方图模型；计算图像的平滑梯度直方图模型上每个点的一阶导数值，将一阶导数值为0的点作为极值点，存储极值点的位置；其中所述平滑处理包括：针对垂直线段L上的投影点，计算投影点前k1点、投影点、投影点后k1点的强度的平均值作为投影点的强度。
4.如权利要求1所述的方法，其特征在于，所述第三步骤包括：
视频图像的梯度直方图模型获取步骤，获取当前帧视频图像，采用梯度直方图建模法，获取当前帧视频图像的梯度直方图模型、极值点的位置；
直方图相似度计算步骤，将当前帧视频图像的梯度直方图模型记为Mj，选取第s个极值点前相邻k2个极值点、第s个极值点、第s个极值点相邻k2个极值点之间的梯度直方图模型片段作为第s个极值点的片段seg(s)；计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值，其中s＝{1，2，…，n2}，n2表示当前帧视频图像的梯度直方图模型中极值点的数量；
运动目标分割步骤，采用分水岭分割方法，将直方图相似度值小于相似阈值ST的片段seg对应的极值点作为下方极值点，将直方图相似度值不小于相似阈值ST的片段seg对应的极值点作为上方极值点；选取相邻2个以上的下方极值点作为一个低阈值极限点集；合并每一个低阈值极限点集所在的片段seg内的所有极值点，根据合并极值点的Y坐标确定运动目标的上、下边界；根据运动目标的上、下边界，从建模区域中获取对应的运动区域，并获取运动区域所在车位区域的车位号。
5.如权利要求4所述的方法，其特征在于，所述直方图相似度计算步骤包括：片段获取步骤，将当前帧视频图像的梯度直方图模型记为Mj，选取第s个极值点前相邻k2个极值点、第s个极值点、第s个极值点后相邻k2个极值点之间的梯度直方图模型片段作为第s个极值点的片段seg(s)，获取片段seg(s)在背景视频图像的梯度直方图模型M1中对应位置的片段seg(s′)；
极值点的直方图相似度计算步骤，计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值其中H1(I)表示当前帧视频图像中片段seg(s)中第I个投影点的强度，H2(I)表示背景视频图像中片段seg(s′)中第I个投影点的强度，N表示当前帧视频图像中片段seg(s)中投影点的数量，将d(H1,H2)作为当前帧视频图像的梯度直方图模型Mj中第s个极值点的直方图相似度值。
6.如权利要求5所述的方法，其特征在于，所述极值点的直方图相似度计算步骤包括：计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)的直方图相似度值d(H1,H2)；计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)向前偏移k3个点后的直方图相似度值d′(H1,H2)；计算第s个极值点的片段seg(s)与背景视频图像的梯度直方图模型对应位置片段seg(s′)向后偏移k3个点后的直方图相似度值d″(H1,H2)；将d(H1,H2)、d′(H1,H2)、d″(H1,H2)中最大值作为当前帧视频图像的梯度直方图模型Mj中第s个极值点的直方图相似度值。
7.如权利要求1所述的方法，其特征在于，所述第四步骤包括：
第一车位状态检测步骤，如果当前车位区域的车位状态为空，针对每个运动区域，统计运动区域持续的累计时间，如果运动区域持续的累计时间≥第一累计时间阈值T1，则认为车辆入车稳定，将对应的运动区域标记为变化区域，将车位状态更新为占用；
第二车位状态检测步骤，如果当前车位区域的车位状态为占用，针对每个运动区域，统计运动区域持续的累计时间，如果运动区域持续的累计时间≥第二累计时间阈值T2，则认为车辆出车稳定，将对应的运动区域标记为变化区域，将车位状态更新为空；
背景视频图像的梯度直方图模型第一更新步骤，如果当前车位区域的车位状态进行了更新，则判断当前车位区域内除了变化区域之外，是否存在其他运动区域，如果存在，只对变化区域对应的背景视频图像的梯度直方图模型进行更新，否则将背景视频图像的梯度直方图模型更新为当前帧视频图像的梯度直方图模型。
8.如权利要求1～7所述的方法，其特征在于，所述H的取值范围为3～8米；所述K的取值范围为1～6次，所述k1的取值范围为1～2；所述k2的取值范围为1～2，所述相似阈值ST的取值范围为0.7～0.85；所述k3的取值范围为1～10；所述第一累计时间阈值T1的取值范围为30～360秒，所述第二累计时间阈值T2的取值范围为20～40...
【专利技术属性】
技术研发人员：郄丽忠，班华忠，王正，崔凯，
申请(专利权)人：北京智芯原动科技有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。