[发明专利]一种基于自适应背景差分的车流量检测方法

说明书

技术领域

本发明涉及智慧交通中的车流量检测方法，尤其是一种基于自适应背景差分的车流量检测方法。

背景技术

众所周知，我国城市交通、尤其是大城市交通随着经济、人口、私家车与便捷的物流等一系列的发展，安全、便捷、高效的道路交通越来越显得重要。 

车流量检测一直是交通领域中比较重要的方面，它保证道路行驶的安全，同时也可达到宏观调控的目的。准确、高效的提取图像中车辆的数目在道路交通优化中起着重要的作用。

目前较常用的车辆检测方法包括超声波检测、空气管道检测、电磁感应检测、微波多普勒检测、视频检测、红外线检测。由于电磁波在传播过程中会衰减，在实现中的准确性较低；空气管道检测技术的方法比较繁琐，使用寿命短；对于电磁感应的装置是固定埋在地面上的，当车辆违章行驶时，容易出现误差，同时路面的可维修性也相应的降低了不少；对于视频检测，容易出现大型车辆遮挡随行的小型车，同时阴影和积水反射或昼夜转换可造成检测的误差。相对而言，基于自适应差分背景的车流量检测技术，通过利用现有的计算机技术，具有较低的成本、稳定性强、准确性高、以及交通管理信息全面等优点。

发明内容

由于现有技术存在的不足，本发明的目的是提出一种基于自适应背景差分的车流量监测方法。该发明的优势是对于多变的环境条件有着较好的适应性，同时有较高的准确率、较低的漏检率和误检率。该发明可用于城市道路、高速公路和普通道路等的交通监控系统中，对于道路交通的管理、控制以及规划，可以提供较好的便利。

本发明为解决其技术问题，所采用的技术方案如下:

步骤1：对于所有获取的图像进行灰度化处理，获得相应的灰度图像，对于无车时，各种环境状况下的图像记为gi(x,y)，其中i=1,2,…,30，对于有车时的图像记为f(x,y)。

步骤2：对所有获取的图像，就某一主要特征，在图像的某一特定小的区域提取图像的特征值，对于无车时的图像gi(x,y)图像特征值记为Ci，其中i=1,2,…,30，对于有车时图像f(x,y)的相应图像特征值为d。

步骤3：依次比较d与Ci的大小，选择与d最接近的特征值，记为Cl，Cl对应的无车图像记为gl(x,y)。

步骤4：对于有车时的图像f(x,y)，用图像gl(x,y)进行差分处理，获得差分图像,并用固定阈值法对差分图像进行二值化处理，产生包含车辆信息的二值化差分图像h(x,y)。

步骤5：通过使用聚类算法的思想，统计得出差分图像h(x,y)中车辆的数目。

与现有技术相比，本发明的有益效果是：对实际的有车时的道路图像通过选取特定小区域的图像进行特征提取，与提取到的30种不同环境条件下同一交通路段的图像的相应特征进行比较，获得特征值最接近的图像进行差分以及二值化的处理，得到的图像相对于其他方法获取的车辆信息更加全面，可以提高后续的车辆统计的准确性；同时，由于获取的30种无车时的图像是对于不同环境条件的，这使得该车流量检测算法具有较好的适应性。

附图说明

图1是本发明方法流程图。

具体实施方式

以下结合附图1对本发明做进一步的描述。

实验前采集好所需的图像：30种不同环境条件（如：阴天、晴天、雨天、雪天等，以及其不同程度时的环境条件）下无车时的道路交通图像，对应同一交通路段有车时的交通图像。

具体的步骤如下：

步骤1：对于所有获取的图像进行灰度化处理，获得相应的灰度图像，对于无车时，各种环境状况下的图像记为gi(x,y)，其中i=1,2,…,30，对于有车时的图像记为f(x,y)。

步骤2：对所有获取的图像，就图像的变化系数特征，在图像中车道内选择半径为1cm的圆形区域提取图像的特征值（所选取的半径为3cm是对应采集得到的图像），对于无车时的图像gi(x,y)特征值记为Ci，其中i=1,2,…,30，对于有车时图像f(x,y)的相应图像特征值为d。

步骤3：依次比较d与Ci（其中，i = 1,2,3,......,30）的大小，选择与d最接近的特征值，记为Cl (其中, 1<= l <= 30)，Cl对应的无车图像记为gl(x,y)。

步骤4：对于有车时的图像f(x,y)，用图像gl(x,y)进行差分处理，获得差分图像，并用全局的固定阈值为0的阈值法对差分图像进行二值化处理，产生包含车辆信息的二值化差分图像，标记为h(x,y)。

步骤5：通过使用聚类算法的思想，统计得出差分图像h(x,y)中车辆的数目。