[发明专利]基于交通视频的运动车辆检测方法

说明书

技术领域

本发明涉及一种基于交通视频的运动车辆检测方法。

背景技术

现如今，随着当今经济的高速发展，交通运输行业得到了显著的发展，机动车保有量迅速地增长，仅仅依靠修建道路设施和人工管理很难解决现存的交通问题,采用智能化的交通控制与管理系统来最大限度地行使现有道路体系的通行能力势在必行。对运动车辆的有效检测可以统计出一定时间内车辆流量、车流密度等交通流信息，根据此信息作出相应的道路管理与控制；对运动车辆的有效跟踪可以计算出车辆的行车速度、行车轨迹等交通信息，对此信息进行分析，预测出车辆在未来时间内的行为而做出相应的处理(如对超速、违章车辆发出警告，对交通事故的肇事车辆进行追踪等)。

智能交通系统的发展，随着基于交通视频图像序列的运动车辆检测与跟踪技术的发展而迅速崛起，基于交通视频图像序列的运动车辆检测和跟踪技术广泛应用于智能交通系统当中，是整个智能交通系统最底层的一个模块，也是最重要的模块。致力于车辆检测、跟踪研究的学者们取得了大量的、可观的研究成果，但是视频图像帧序列来源于架设在室外的摄像机，受到突然改变的光照条件、车辆的阴影、车距大小等等的影响，导致场景的动态不固定性，这样对运动车辆检测中所运用到的算法提出更加严格、苛刻的要求；传统的跟踪算法对快速行驶的运动车辆、被遮挡的运动车辆、尺度变化的运动车辆等的跟踪往往达不到预期的结果。

发明内容

本发明要解决的技术问题是提供一种基于交通视频的运动车辆检测方法。

基于交通视频的运动车辆检测方法，包括以下步骤：

S1：通过装置于车辆内的摄像机实时的采集车辆信息，将获得的车辆行驶视频按照帧分割成一系列的图像序列，并对图像进行灰度化、二值化及降噪预处理；

S2：背景建模，是对背景图像中的每一个像素点建立起模型分布，实时更新模型参数；

S3：将预处理后的当前帧图像采用Canny边缘检测来提取边缘信息，获取图像的结构特征和边缘信息；

S4：根据获取的边缘信息，对每一像素建立基于边缘的混合高斯模型；

S5：基于边缘信息的混合高斯模型参数的更新，把长时间驻留组成静止目标区域的像素点归纳为组成背景区域的像素点，短暂驻留目标的像素点慢慢减弱，直到此区域的像素点被一个新出现的运动目标的像素点完全替代；

S6：像素点值与最佳描述背景高斯分布进行匹配，将前景目标提取出来，实现运动车辆的检测。

进一步的，所述背景建模具体如下：

S2-1：用一个赋予权值为w_i,t，维数为n(灰度图像取1)的时间序列{X(x,y,i),1≤i≤t}来表示视频序列图像中像素点的值，任何时候这些像素点的值服从相同的分布且相互独立，采用K个独立的高斯分布(均值向量为μ_i,t，协方差矩阵为∑_i,t的正态分布)概率密度函数的加权和来描述X_t的概率函数表达式表示为：

其中，G_i(X_t,μ_i,t,∑_i,t)为第i个高斯分布；

S2-2：此对组成背景区域像素点的最佳描述是w_i,t/|∑_i,t|比值较大的高斯分布，把描述每个像素点的K个高斯分布的w_i,t/|∑_i,t|由大到小的顺序排列，大于阈值T的前B个高斯分布作为描述组成背景区域的模型：

其中，T(0.5≤T≤1)作为预先设定的阈值很好地表现出组成背景区域像素点出现的概率。

进一步的，所述Canny边缘检测具体方法如下：

S3-1：平滑图像中数据的阵列是像素点f(x,y)与标准差是σ的高斯平滑滤波器H(x,y；σ)进行卷积的表达式表示为：

S(x,y)＝H(x,y；σ)*f(x,y)，

使用2×2一阶有限差分，梯度幅值和方向角分别为：

θ(x,y)＝arctan(P₂(x,y)/P₁(x,y))

其中，

其中，M(x,y)为边缘强度；θ(x,y)为正交于边缘方向的法向矢量；

S3-2：计算图像灰度的偏导数P₁(x,y)、P₂(x,y)，计算出边缘强度为M(x,y)和方向θ(x,y)；