[发明专利]一种基于不同焦距视频图像融合的交通状态识别方法

权利要求书

1.一种基于不同焦距视频图像融合的交通状态识别方法，其特征在于，包括以下步骤：

步骤一，安装摄像机

S10，在道路旁不同位置安装第一摄像机和第二摄像机，调整两个摄像的镜头对准道路同一个位置，且两个摄像机的焦距不同；

步骤二，灰度特征参数的获取

步骤S20，对第一摄像机采集的视频图像序列进行灰度化处理；

步骤S21，对灰度化处理后的视频图像序列进行多帧平均法提取背景，背景提取公式为：

B(x,y)=1NΣk=1NFk(x,y)]]>

式中，B(x,y)表示背景图像的灰度值，F_k(x,y)表示第k帧视频图像的灰度值，N为第一摄像机初始化后采集的视频图像的帧数，N的取值为90～110；

步骤S22，通过帧差法实现背景更新，具体步骤如下：

获取第一摄像机采集的第i帧与第i-1帧视频图像，i＞N+1，按照以下公式分别进行处理：

D_i(x,y)＝|F_i(x,y)-F_i-1(x,y)|

Ti(x,y)=1,Di(x,y)≥Thi-10,Di(x,y)<Thi-1]]>

上式中，F_i(x,y)、F_i-1(x,y)分别表示第i帧、i-1帧视频图像的灰度值，Th_i-1为背景更新阈值，该阈值利用自适应阈值算法OSTU获得，T_i(x,y)为二值化模板；

T_i(x,y)为1时，表示像素点(x,y)为第i帧视频图像的前景区域，则对该点(x,y)在第i帧视频图像上对应的灰度值进行去除,对应的背景值保持不变；

T_i(x,y)为0时，表示像素点(x,y)为第i帧视频图像的背景区域，则用该点(x,y)在第i帧视频图像上对应的灰度值更新背景图像B(x,y)上(x,y)点的灰度值；

根据二值化模板T_i(x,y)，利用下面公式对背景图像B(x,y)进行更新：

B0(x,y)=B(x,y),Ti(x,y)=1αFi(x,y)+(1-α)B(x,y),Ti(x,y)=0]]>

式中，B₀(x,y)为更新后的背景图像，α为更新比例，其决定背景图像更新的速度，取值为0.02～0.05；

步骤S23，获取当前第j（j＞N）帧视频图像，对其进行灰度化，然后减去步骤S22得到的更新后的背景图像B₀(x,y)，得到第j帧图像的灰度参数图像；

步骤S24，通过灰度参数算法，得到灰度特征参数，具体如下：

在当前第j帧视频图像的灰度参数图像上，划定感兴趣区域，感兴趣区域为视频图像中整个车辆所在的道路区域，按照下面公式计算感兴趣区域的灰度特征参数G：

G=1NΣx=1MΣy=1MF(x,y,m)]]>

式中，F(x,y,k)表示第j帧视频图像与更新后的背景图像B₀(x,y)做差后，图像上的像素点(x,y)的灰度值为m；M为感兴趣区域内的总像素的个数；

步骤三，速度特征参数的获取

步骤S30～步骤S33与步骤S20～步骤S23的处理步骤相同，不同的是，步骤S30～步骤S33中处理的是第二摄像机采集的视频图像；

步骤S34，对步骤S33处理得到的第二摄像机的第j帧图像的灰度参数图像上，沿道路行车方向依次标出两个模拟矩形线圈R1和R2，R1和R2相互平行且与道路行车方向垂直，R1和R2之间的距离为Δd，然后对整副图像通过阈值分割的方法进行二值化处理，得到二值化图像，阈值分割时的阈值为Th_i-1；再进行以下处理：

a.从第j帧二值化图像开始，判断是否有某一辆车辆进入线圈R1中，判断依据是线圈R1中平均灰度值是否大于Th，Th取70～90；

b.如果读取到第j+p（p＞0）帧二值化图像时，线圈R1平均灰度值大于Th，则有车辆进入R1中；

c.判断是否有车辆进入线圈R2中，判断依据是线圈R2中平均灰度值是否大于Th，Th取70～90；

d.如果读取到第j+q（q＞p）帧二值化图像时，线圈R2平均灰度值大于Th，则车辆进入R2中，则从车辆进入R1到车辆进入R2时共读取的二值化图像的帧数q-p即为该车经过两个线圈需要的帧数；

e.按照以下公式计算该车辆的速度特征参数V：

V=Δd(q-p)·Vf]]>

式中，V_f为视频图像的帧率；

步骤四，数据的训练

步骤S40，按照上述步骤计算出每一个车辆的速度特征参数V和该车辆通过两个线圈的时刻感兴趣区域的灰度特征参数G，可得到多组速度特征参数和灰度特征参数，每一组速度特征参数和灰度特征参数代表一种当前道路交通状态；

步骤S41，利用BP神经网络的反向传播算法训练步骤S40的多组速度参数和灰度特征参数，得到BP神经网络输入层和输出层的权值；再得到一组速度特征参数和灰度特征参数时，通过与输入层和输出层的权值计算，即可得到该组数据对应的当前道路交通状态。

2.如权利要求1所述的基于不同焦距视频图像融合的交通状态识别方法，其特征在于，步骤S22所述的自适应阈值算法OSTU的具体步骤如下：

设当前处理帧的图像总像素数为A，灰度级总数为L，灰度值为a的像素数为A_a，令ω(b)和μ(b)分别表示为从灰度级0到灰度级b的像素的出现概率和平均灰度，分别表示为

ω(b)=Σa=0bAaA]]>

μ(b)=Σi=0baAaA]]>

因此，所有像素的总概率为ω(L-1)＝1,图像的平均灰度为μ_T＝μ(L-1)，设有H-1个阈值(0≤t₁＜t₂＜...＜t_M-1≤L-1)，将图像分成H个像素类C_τ,(C_τ∈[t_τ-1+1,...,t_τ];τ＝1,2,...H;t₀＝0,t_H＝L-1),则C_τ的出现概率为ω_τ,平均灰度为μ_τ和方差σ_τ²为

ω_τ＝ω(t_τ)-ω(t_τ-1)

μτ=μ(tτ)-μ(tτ-1)ω(tτ)-ω(tτ-1)]]>

στ2=Σa=tτ-1+1tτ(a-μτ)2ω(a)ωτ]]>

各类的类间方差为

σB2=(t1,t2,...,tH-1)=Στ=1Hωτ(μT-μτ)2]]>

当σ_B²最大时，此时所取的灰度值a为最佳阈值Th_i-1。