一種城市交通場景中基於時間空間圖像的車輛計數方法與流程

2023-06-10 02:02:21 2

本發明專利涉及智能交通研究領域，尤其是複雜城市交通場景中的車輛計數方法研究。

背景技術：

近年來，作為智能交通系統和智慧城市的重要部分，城市交通的智能化得到了更多的關注，目前，在城市的很多交通卡口都安裝了視頻傳感器，每天都會產生成千上萬的視頻數據，而城市交通中交通密度大，交通擁堵嚴重，各道路使用者呈現多樣性，從城市交通複雜的背景中得到運動的前景中車輛的數量對城市交通擁堵的緩解有著重要意義，然而找到統計車輛數量的方法依然是一個挑戰。

目前，統計車輛的辦法主要是傳感線圈，然而傳感線圈安裝複雜，維護困難，近來提出了基於視頻的檢測方法，而基於視頻的方法關鍵是車輛目標的檢測，而視頻監控系統的目標檢測算法有幀差法、背景差分法、光流法等。幀差法主要比較視頻序列中連續幀之間的差異，方法簡單且檢測速度快，但當光線變化或者車輛停止不動的時候檢測效果較差，光流法是基於投影到圖像表面上的運動，但是這種方法對噪聲比較敏感而且計算量較大，不適用於實時的車輛檢測，背景差法針對固定安裝的攝像機拍攝的視頻目標檢測非常有效，該方法通過構建背景模型，並將輸入視頻幀與當前的背景模型比較，當差值較大的區域被標註為前景。背景差法運用的比較多，關鍵問題是背景模型的構建，而在城市交通場景中，背景一般比較複雜，構成因素主要有移動車輛和行人，而車輛的運行速度各不相同而且在不確定的時刻會臨時停車或者突然移動，在構建背景模型時，背景經常會受到這些因素的汙染，所以需要選擇合適的學習率來自適應地更新背景。

技術實現要素：

發明目的：為了解決現有技術存在的問題，在背景複雜的交通場景中對車輛進行計數，本發明提供一種城市交通場景中基於時間空間圖像的車輛計數方法。

技術方案：一種城市交通場景中基於時間空間圖像的車輛計數方法，包括以下步驟：

(1)視頻傳感器實時採集城市交通場景視頻，在視頻中標註一條虛擬檢測直線；

(2)在所述虛擬檢測直線上，對於位置為(x,y)的像素點，使用最近N個被採集到的每個圖像的值b′M(x,y),M∈[1,N]序列作為背景模型B′(x,y)，對背景模型進行初始化；N為大於1的整數；

(3)在初始化背景模型後，引入圖像前景檢測計數器、背景置信度圖像計數器、圖像各點像素所處的交通狀態，並設置圖像各點像素所處的交通狀態的初始值；

(4)將交通狀態分別定義為「非常暢通」、「暢通」、「一般」、「擁堵」和「非常擁堵」，根據置信區間內前景的次數與當前幀的數量，對當前場景像素點交通狀態進行判別；

(5)計算背景模型中像素點的置信度，判定是否更新，若需要更新，則根據當前交通狀態用閾值自適應更新方法更新背景模型；若不需更新，進行下一步驟；

(6)運用基於像素的自適應分割方法檢測前景，將前景像素記為1；

(7)將虛擬檢測直線上的背景模型和前景檢測的結果累計保持形成時間空間圖像；

(8)對所述時間空間圖像進行形態學濾波處理，得到連通區域，統計連通區域的數量得到車輛的數量。

有益效果：相比較現有技術，本發明提供一種城市交通場景中基於時間空間圖像的車輛計數方法，通過在視頻中人工標註一條虛擬檢測直線，並在虛擬檢測直線上進行前景背景的檢測，形成時間空間圖像，對時間空間圖像進行形態學濾波處理，通過計算連通區域得到車輛的數量，解決了複雜場景下對車輛計數的困難，可以自適應更新背景，排除背景受移動車輛和行人的影響，使得計數更加準確；利用此方法計數簡單且檢測速度快，適用於對車輛的實時檢測。

具體實施方式

下面結合具體實施方式對本技術方案作進一步說明：

第一步：視頻傳感器實時採集城市交通場景視頻，在視頻中標註一條虛擬檢測直線。

第二步：在所述虛擬檢測直線上，對於位置為(x,y)的像素點，使用最近N個被採集到的每個圖像的值b′M(x,y),M∈[1,N]序列作為背景模型B′(x,y)，對背景模型進行初始化；N為大於1的整數；

而這些值可以用在指定間隔時間內最近圖像間隔幀的像素值進行背景模型的初始化，定義如下：

式中，N是背景模型中觀測的圖像像素點個數，K是具體的時間間隔，I1是第一幀，I1+(N-1)×K是第1+(N-1)×K幀(該交通場景中K＝10，N＝25)。為了避免產生不正確的初始化模型，我們使用基於根據公式(1)的間隔幀初始化背景模型，這將減少緩慢移動或者臨時停車的車輛融入到背景模型中的可能性。

第三步：在初始化背景模型後，引入圖像前景檢測計數器、背景置信度圖像計數器、圖像各點像素所處的交通狀態並設置交通狀態的初始值。

在初始化背景模型後，為了避免比如緩慢行駛或臨時停車的車輛和擁擠狀態等複雜交通場景汙染背景模型，利用置信區間基於複雜城市交通場景的背景模型的像素級更新機制被提出。置信區間c(x,y)被稱之為置信度，設置在位於(x,y)的背景模型中，置信度c(x,y)的值變大時，就不需要更新相應像素的背景模型。相應位置的穩定性和可靠性是由參數h(x,y)確定，參數h(x,y)表示該像素點從背景轉變為前景或者從前景轉變為背景的次數，當參數h(x,y)很低時表明背景模型是穩定的，而當值很高時表明背景模型需要更新以獲得更穩定的模型，在模型中使用類似的方案來評估交通流的狀態。

第四步：將交通狀態定義為「非常暢通」、「暢通」、「一般」、「擁堵」和「非常擁堵」，根據置信區間內前景的次數與當前幀的數量，對當前場景像素點交通狀態進行判別；

檢測比率d(x,y)/f(x,y)∈[0,1]將交通狀態分為「非常暢通」、「暢通」、「一般」、「擁堵」和「非常擁堵」，檢測比率中d(x,y)是置信區間內前景的次數，f(x,y)是當前幀的數量。這種劃分方法可以有效地區分定性不同而具有模糊邊界的交通狀態。複雜交通狀態劃分的定義如下：

式中p(x,y)複雜城市交通場景的狀態。在每一個置信周期結束時，c(x,y)的值必須根據當前城市交通狀態和像素點(x,y)處的穩定性進行更新。如果h(x,y)/f(x,y)＜τd(τd為設定的閾值且τd＝0.3)時，表明當前的背景模型是可靠的，應當保留。

第五步：計算背景模型中像素點的置信度，判定是否更新，若需要更新，則根據當前交通狀態用閾值自適應更新方法更新背景模型；若不需更新，進行下一步驟；

c(x,y)的更新定義如下：

否則，若h(x,y)/f(x,y)≥τd說明背景模型並不穩定需要更新來適應動態的場景，這時c(x,y)的更新定義如下：

式中c(x,y)初始化為30，minc(x,y)為25，maxc(x,y)為30，在置信區間更新時，h(x,y)，d(x,y)和f(x,y)被重置為0。在每一置信區間的末端，R′(x,y)必須根據(x,y)處像素的評估背景穩定性進行更新。如果h(x,y)/f(x,y)＜τr就意味著背景是穩定且可靠的，接著R′(x,y)在下一個置信區間必須減少。然而，對於動態背景，這將會增加沒有整合到前景的背景像素，背景的動態性越強，則合適的閾值應該越大。在輸入的像素被分好類以後，背景模型需要根據背景光線、陰影和包括樹木和緩慢行駛或臨時停車的車輛等運動物體的變化進行更新。當交通狀態被認為是合適的時候，很有必要選擇能夠準確處理背景變化的方式更新背景模型。當置信度減少到最小值就認為當前像素位置的交通狀態被認為是合適的並且相應位置可能處於前景中時需要更新背景模型，否則不要進行更新。

根據當前交通狀態用閾值自適應更新方案更新背景模型的具體方法如下：

1)當f(x,y)＜c(x,y)，當前幀的像素處於置信區間，背景更新發生在刷新周期結束時(在本實施例中也就是共P幀，且P＝10),Ft(x,y)＝0並且交通狀態p(x,y)＝0。

2)當f(x,y)＝c(x,y)，當前幀處於置信區間的尾部，但是當h(x,y)/f(x,y)＜τd，Ft(x,y)＝0並且p(x,y)等於0，1或2，此時背景模型可以更新。因此，當置信周期結束時，h(x,y)是在最後c(x,y)幀的狀態變化的數目。如果h(x,y)/f(x,y)＜τd並且p(x,y)＝0，意味著此時在(x,y)位置的像素點狀態是可靠的，接著利用當前場景更新背景模型是有意義的。如果h(x,y)/f(x,y)＜τd並且p(x,y)等於1或2，汙染背景模型的風險很低可以更新背景。相比之下，如果h(x,y)/f(x,y)≥τd並且p(x,y)為0，不管Ft(x,y)＝0或者Ft(x,y)＝1，此時該像素的狀態是不穩定的，此時的交通狀態很難被可靠地評價，所以背景模型僅僅在p(x,y)＝0的情況下更新。如果p(x,y)的值大於2，不管h(x,y)/f(x,y)值的大小，由於背景模型很有可能被汙染所以此時不應該更新。但是，在置信區間減少到最小值時，背景將被強制更新，這一機制非常必要因為可以阻止被鎖定在過時的背景模型中。

如果背景模型在時刻t更新，當前幀的像素值It(x,y)用來更新模型B(x,y)，背景樣本值bM(x,y)(M∈1,…,N)隨機選擇並被當前像素值It(x,y)取代。這就使得當前像素值被融合到背景模型B(x,y)中。同時，我們還更新了隨機選擇點的鄰域像素且像素點的更新策略與基於像素的自適應分割類似，也就是對應背景模型B(x′,y′)的像素值bM(x′,y′)被當前像素值It(x′,y′)取代。

第六步：運用基於像素的自適應分割方法檢測前景：像素點(x,y)的值I(x,y)比N個背景點確定的最小值#min更接近決策閾值R(x,y)則被判定為背景像素，因此，前景的分割就被定義為：

上式中，F(x,y)＝1代表前景，#min是一個固定的全局參數，R(x,y)是決策閾值並且可以按照下式動態調整：

式中的Rinc/dec和Rscale是固定參數，是背景動態更新測度。背景模型只對檢測為前景的像素點進行更新。在更新過程中，對於一個確定的索引M∈[1,N](均勻隨機選擇某一個數)，相應的背景模型值bM(x,y)被當前的像素值I(x,y)取代。

第七步：將虛擬檢測直線上前景背景檢測的結果累計保持形成時間空間圖像。設定一個閾值；將虛擬直線上像素點檢測的結果保存到一副圖像中，作為圖像的列，視頻圖像的每一幀都將得到一條虛擬檢測直線的結果，通過對列的累加，當某一個時刻虛擬檢測直線上前景檢測的像素點少於所述閾值時，此時認為虛擬檢測直線上沒有車輛，則停止虛擬直線的累加，時間空間圖像的每一列對應於一幀，得到一張時間空間圖像。

第八步：對時間空間圖像進行形態學濾波處理，得到連通區域，統計連通區域的數量得到車輛的數量。

1)首先建立一個結構元素，該結構元素的大小為n×n，本實施例中n取3；

2)通過用結構元素(3×3的大小)掃描時間空間圖像中的每一個像素，用結構元素中的每一個像素與其覆蓋的像素做「與」操作，如果都為1，則該像素為1，否則為0。然後，用所述結構元素(3×3的大小)掃描時間空間圖像中的每一個像素，用結構元素中的每一個像素與其覆蓋的像素做「與」操作，如果都為0，則該像素為0，否則為1。

3)從僅0和1組成的一幅點陣時間空間圖像中，將相互鄰接的「1」值像素組合成區域，並用邊界信息來通過執行兩次掃描得到每個連通區域。其中，第一次掃描通過逐行逐列掃描像素。判斷像素之間的相鄰關係，對屬於同一連通區域的像素賦予相同的連通標號，實現連通標識。這種逐行逐列的次序掃描的結果，通常會產生同一像素點被重複標記的現象，同一連通區域的不同子區域被賦予了不同的標記號。因此，需要執行第二次掃描來消除重複的標記，合併屬於同一連通區域但是具有不同標記號的子區域。設定一個連通區域閾值，將所述連通區域的大小與連通區域閾值相比較，去除小於連通區域閾值的連通區域，統計圖像中大於連通區域閾值的連通區域的數量，所述連通區域的數量即為車輛的數量。