[发明专利]一种高效车辆检测方法

说明书

技术领域

本发明涉及一种车辆检测方法，属于智能交通技术领域。

背景技术

在智能交通技术领域，有效的车辆运动和存在信息提取是智能交通中十分重要的环节，目前主要的车辆检测方法有：公开号为CN101226691、发明名称为“基于视频图像的车辆计数方法”的发明专利，使用基本的背景建模技术，通过统计像素的灰度值概率分布来检测前景目标点并以此估计车辆信息，实现了采用计算机视觉技术实现车辆计数。在黎明、傍晚等昼夜转换、光线变化较为明显的时段，由于图像亮度、对比度均发生大幅度下降，容易导致目标遗漏，检测效果不理想。

也有的方法通过对车灯进行检测，然而在黎明、傍晚昼夜转换时段，同时有较多车辆打开车灯，由于车灯眩光或反光等问题容易造成虚假检测，检测精度同样很低。

基于此，如何发明一种高效车辆检测方法，可以抑制复杂光照造成的虚假检测和目标遗漏，提取正确的车辆信息，是本发明主要解决的问题之一。

发明内容

本发明为了解决现有车辆检测方法不适用于光线变化较为明显的时段的问题，提供了一种车辆检测方法，该方法对于车存在和车运动信息的检测效果较好，有效防止了虚假检测和目标遗漏。

为了解决上述技术问题，本发明采用以下技术方案予以实现：

一种高效车辆检测方法，包括车存在信息检测和车运动信息检测，

车存在信息检测包括以下步骤：

（11）、统计背景图像模型；

（12）、对当前帧图像与背景图像做差分运算，得出图像-背景差分图；

（13）、设置阈值T，对图像-背景差分图做二值化处理，得到包括前景目标点和背景目标点的二值图；

（14）、对前景目标点提取出边缘点，利用前景目标点的边缘点数与前景目标点数的比值R判断是否有车存在；

车运动信息检测包括以下步骤：

（21）、对相邻两帧图像做差分，并对差分图像提取边缘点；

（22）、计算差分图像的边缘点的梯度方向，统计出梯度方向直方图；

（23）、根据差分图像的边缘点数、梯度方向直方图、和步骤（14）中车存在的判断结果，判断是否存在车运动。

进一步的，基于上述的车存在信息判断和车运动馆信息的判断，还包括判断是否有车辆通过的步骤：

（31）、利用步骤（22）中的方向梯度直方图，判断当前帧图像是否包含车头；

（32）、若上一帧判断没有车运动，且连续至少一帧判断存在车头，则触发计数；

（33）、若上一帧判断有车运动，且当前帧图像中无有车运动，则表示车辆离开。

又进一步的，对图像-背景差分图做二值化处理时，由于每个场景环境不一样，因而背景的灰度相差很大，所以需要根据不同的背景灰度值设定不同的阈值，可以更准确的二值化图像。步骤（13）中阈值T的设置方法为：用T1、T2、T3、T4将亮度值0-255分为5个区间，该5个区间相对应的阈值为N1、N2、N3、N4、N5,统计当前帧图像的平均亮度，平均亮度落入其中一个区间内,该区间对应的阈值即为阈值T,其中，0﹤T1﹤T2﹤T3﹤T4﹤255，N1、N2、N3、N4、N5为正整数，T1、T2、T3、T4的设置可以根据经验值设定。

进一步的，由于梯度值量化了帧差边缘信息的丰富程度，越大表示边缘信息越丰富，也即表明有车存在，因此，步骤（14）中车存在的判断方法为：若R大于或等于阈值T5，则有车存在，否则无车存在。

优选的，步骤（11）中利用经典的混合高斯建模方法统计背景图像模型。

为了防止相邻两帧图像的差分值出现负值的情况，步骤（21）中还包括对差分图像取模的步骤，然后对取模后的差分图像提取边缘点。

再进一步的，梯度大小反映的是边缘信息是否丰富，本方法在统计了帧差图像的梯度后，并统计能够反映帧差边缘信息分布的梯度直方图，步骤（22）中梯度方向直方图的统计方法为：利用阈值T6、T7将梯度值分为3个区间，统计分别落入三个梯度区间的个数，依次为Q1、Q2、Q3，其中，0﹤T6﹤T7。

更进一步的，步骤（23）中，车运动的判断较为复杂，需要综合车存在、帧差边缘点总数、前景点目标边缘点比例的因素，因此，车运动的判断方法为：若同时满足车存在的条件、差分图像的边缘点数不小于阈值T8、以及Q3﹥T9，其中，T9为正整数，则判为车运动，否则为无车运动，由于梯度大小反映的是边缘信息是否丰富，梯度越大，边缘信息越复杂，越可能本帧图像有车，令Q3大于阈值T9就是基于上述原理。