專利名稱：一種基于圖像信息熵的交通參數(shù)自動(dòng)提取方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種新的交通參數(shù)提取方法。該方法采用交通視頻圖像作為信息源，結(jié)合圖像信息熵理論，提取多種交通參數(shù)。其中包括交通流(Trafficf low)以及車道占有率(Occupancyratio)，空間平均速率(Space mean speed)等。

背景技術(shù)：
隨著機(jī)動(dòng)車數(shù)量的不斷增長(zhǎng)和城市人口與面積的不斷擴(kuò)張，繁重的交通負(fù)擔(dān)所帶來的負(fù)面影響已經(jīng)成為制約世界各國(guó)城市發(fā)展以及經(jīng)濟(jì)增長(zhǎng)的主要問題之一。集中表現(xiàn)在交通擁堵嚴(yán)重，交通事故增加，能源消耗巨大，環(huán)境污染加重。
面對(duì)交通發(fā)展中所產(chǎn)生的種種問題，智能交通系統(tǒng)技術(shù)結(jié)合通信、電子、自動(dòng)化和信號(hào)處理等先進(jìn)技術(shù)，科學(xué)地協(xié)調(diào)和管理交通資源，使其應(yīng)用率進(jìn)一步提高，從而緩解和解決交通所面臨的問題。主要表現(xiàn)在以下幾個(gè)方面 1)提高公路交通的安全性； 2)提高汽車運(yùn)輸效率和經(jīng)濟(jì)效益； 3)降低能源消耗，減少汽車運(yùn)輸對(duì)大氣環(huán)境的影響。
交通參數(shù)提取是智能交通系統(tǒng)中的重要組成部分，它為有效地協(xié)調(diào)與管理交通資源提供了重要的數(shù)據(jù)參考。因此，如何實(shí)時(shí)并準(zhǔn)確地獲取交通參數(shù)具有重要的現(xiàn)實(shí)意義。傳統(tǒng)的交通參數(shù)提取方法包括超聲波提取、紅外提取和環(huán)形線圈提取等方法。其中，超聲波提取的數(shù)據(jù)精度較低，容易受車輛遮擋和行人的影響，并且檢測(cè)的距離短(一般不超過12m)。紅外線提取的抗噪聲能力不強(qiáng)，易受車輛本身熱源影響，檢測(cè)精度也較差。環(huán)形感應(yīng)器的數(shù)據(jù)提取精度相對(duì)較高.但其安裝需要破壞路面和土木結(jié)構(gòu)，給大規(guī)模的施工與維護(hù)工作帶來諸多不便。
與傳統(tǒng)交通參數(shù)提取方法相比較，基于視頻的交通參數(shù)提取技術(shù)具有以下優(yōu)點(diǎn) 1)視頻傳感器可獲得更大范圍，更豐富的車輛及交通場(chǎng)景信息； 2)視頻傳感器易于安裝和調(diào)試，對(duì)路面和土木結(jié)構(gòu)不會(huì)產(chǎn)生破壞，降低了施工成本； 3)交通參數(shù)提取更為靈活，且種類豐富。
目前，由于采用視頻方式獲取交通參數(shù)的方法優(yōu)勢(shì)明顯，得到了廣泛的研究與應(yīng)用。
目的在實(shí)際的交通場(chǎng)景中，運(yùn)動(dòng)車輛陰影以及環(huán)境光線的變化會(huì)對(duì)基于視頻的交通參數(shù)提取造成極大干擾，嚴(yán)重降低了參數(shù)提取的準(zhǔn)確性和可靠性。為此，本發(fā)明提出了一種新的基于視頻的交通參數(shù)提取方法，集中解決了上述交通參數(shù)提取過程中的問題，進(jìn)一步提高了方法的準(zhǔn)確性及魯棒性。


發(fā)明內(nèi)容
本發(fā)明主要分為四個(gè)部分，它們分別是檢測(cè)區(qū)域提取、預(yù)處理、車輛存在檢測(cè)和交通參數(shù)計(jì)算，如圖3所示。在接下來的章節(jié)中，對(duì)各部分內(nèi)容中的基本原理以及工作流程進(jìn)行詳細(xì)說明。
1、檢測(cè)區(qū)域提取 首先從交通視頻序列F中讀取當(dāng)前RGB彩色圖像幀F(xiàn)n，并采用混合高斯背景建模方法提取背景圖片Bn，然后從圖像Fn及Bn中提取相應(yīng)的檢測(cè)區(qū)域圖像FRn及BRn。其中，檢測(cè)區(qū)域是長(zhǎng)寬各為3米的正方形區(qū)域，如圖1所示。
2、預(yù)處理 經(jīng)研究表明，圖像紋理信息在不同光線條件下的差異很小，具有光照不變性。并且，圖像塊(image block)的紋理信息可以由自相關(guān)函數(shù)R進(jìn)行描述，公式如下 其中，u，v分別為m，n方向上的坐標(biāo)，2M+1，2N+1為圖像塊I的尺寸，I(m，n)為坐標(biāo)點(diǎn)(m，n)處像素點(diǎn)的像素值。
因此，在預(yù)處理階段，將原始圖像與背景圖像進(jìn)行紋理信息差分運(yùn)算，從而提取運(yùn)動(dòng)車輛。這種方法不僅可有效地抑制運(yùn)動(dòng)陰影干擾，還可以解決光線變化產(chǎn)生圖像噪點(diǎn)的問題。具體內(nèi)容如下 首先，將檢測(cè)區(qū)域圖像FRn和BRn由RGB色彩空間轉(zhuǎn)換至YCbCr色彩空間，并提取亮度圖像FRYn和BRYn； 然后，將亮度圖像FRYn和BRYn做紋理均方差運(yùn)算，過程如圖2所示，公式如下 其中，X，Y為圖像尺寸，R(x，y)(u，v)是以(x，y)點(diǎn)為中心，尺寸為2M+1，2N+1的圖像塊內(nèi)坐標(biāo)為(u，v)處像素點(diǎn)的紋理自相關(guān)函數(shù)。
最后，根據(jù)dT與閾值τT的比較結(jié)果，生成二值圖DBn，公式如下 3、車輛存在檢測(cè) 本發(fā)明將二值圖像中像素值為1的像素點(diǎn)定義為動(dòng)態(tài)點(diǎn)。當(dāng)檢測(cè)區(qū)域中不存在車輛時(shí)，動(dòng)態(tài)點(diǎn)個(gè)數(shù)應(yīng)為零。但考慮到圖像噪點(diǎn)的影響，此時(shí)可能存在少量隨機(jī)分布的動(dòng)態(tài)點(diǎn)。反之，當(dāng)車輛完全進(jìn)入檢測(cè)區(qū)域時(shí)，動(dòng)態(tài)點(diǎn)的數(shù)量最多，且分布均勻。因此，本發(fā)明利用動(dòng)態(tài)點(diǎn)的數(shù)量及分布均勻程度兩種特性，進(jìn)行區(qū)域內(nèi)的車輛存在檢測(cè)。具體內(nèi)容如下 首先，為了抑制局部噪點(diǎn)對(duì)檢測(cè)結(jié)果的干擾，將二值圖DBn均勻分成K個(gè)圖塊，并將動(dòng)態(tài)圖塊的個(gè)數(shù)記為Kab。其中，動(dòng)態(tài)圖塊是含有動(dòng)態(tài)點(diǎn)的圖塊。
其次，采用概率因子Pv表征檢測(cè)區(qū)域內(nèi)動(dòng)態(tài)點(diǎn)的數(shù)量，公式如下 并采用圖像信息熵H表征檢測(cè)區(qū)域內(nèi)動(dòng)態(tài)點(diǎn)的分布均勻程度，公式如下 其中，pi為各圖塊中動(dòng)態(tài)點(diǎn)的出現(xiàn)概率，公式如下 其中，Ni為第i個(gè)圖塊中動(dòng)態(tài)點(diǎn)的數(shù)目，Ndz為整個(gè)檢測(cè)區(qū)域內(nèi)動(dòng)態(tài)點(diǎn)的數(shù)目； 結(jié)合動(dòng)態(tài)點(diǎn)的數(shù)量及分布均勻程度兩種性質(zhì)，采用概率因子Pv與圖像信息熵H的乘積來表征車輛的呈現(xiàn)度，記為W，公式如下 W＝Pv×H (7) 最后，將車輛呈現(xiàn)度W與閾值τ進(jìn)行比較，從而判斷檢測(cè)區(qū)域內(nèi)是否存在車輛。公式如下 其中，In為第n幀檢測(cè)結(jié)果標(biāo)識(shí)符，用于表示當(dāng)前幀的檢測(cè)區(qū)域內(nèi)是否存在車輛。
與此同時(shí)，在本發(fā)明中，采用一種自適應(yīng)的計(jì)算方法來確定閾值τ的數(shù)值。公式如下 其中，mean(pi)為pi向量的均值(mean)，std(pi)為pi向量的標(biāo)準(zhǔn)差(Standard Deviation)。
4、計(jì)算交通參數(shù) 在本部分中，通過相應(yīng)公式計(jì)算車輛數(shù)、交通流、車道占有率和空間平均速率四種交通參數(shù)。具體內(nèi)容如下所述。
●車輛數(shù)Qcar 車輛數(shù)是指通過檢測(cè)區(qū)域的車輛數(shù)量。在本發(fā)明中，將當(dāng)前幀的標(biāo)識(shí)符In與前一幀標(biāo)識(shí)符In-1進(jìn)行比較，從而確定車輛數(shù)Qcar是否累加，公式如下 ●交通流q 交通流是指在觀測(cè)時(shí)間內(nèi)，通過檢測(cè)區(qū)域的交通實(shí)體數(shù)目，單位為輛/秒，計(jì)算公式如下 其中，Td為觀測(cè)時(shí)間。
●車道占有率O 車道占有率是指在道路的任一路段上，車輛通過檢測(cè)區(qū)域的時(shí)間累計(jì)值與觀測(cè)時(shí)間的比值，通常用百分比表示，計(jì)算公式如下 其中，Tp為車輛通過檢測(cè)區(qū)域的時(shí)間累計(jì)值，Nf為在觀測(cè)時(shí)間Td內(nèi)標(biāo)識(shí)符I＝1的幀數(shù)目，F(xiàn)r為幀率； ●空間平均速率vs 空間平均速率是指交通實(shí)體通過的路程與通過這些路程所用時(shí)間的比值，計(jì)算公式如下 其中，L為檢測(cè)區(qū)域的長(zhǎng)度，d為通過車輛的平均長(zhǎng)度。
本發(fā)明優(yōu)點(diǎn) 1、與傳統(tǒng)交通參數(shù)提取方法相比，本發(fā)明采用視頻圖像作為信息源，可獲得更大范圍和豐富的交通信息，從而提取更多種類的交通參數(shù)。同時(shí)，視頻傳感器易于安裝和調(diào)試，對(duì)路面和土木結(jié)構(gòu)不會(huì)產(chǎn)生破壞，降低了施工成本。
2、利用圖像信息熵及圖像紋理性質(zhì)有效地消除了陰影干擾，提高了參數(shù)提取的精確度。
3、采用自適應(yīng)的閾值計(jì)算方法，提高了參數(shù)提取算法的自適應(yīng)性以及魯棒性。



檢測(cè)區(qū)域設(shè)置(如圖1) 本發(fā)明采用的紋理均方差運(yùn)算方法示意圖(如圖2) 本發(fā)明提出的處理流程示意圖(如圖3)
具體實(shí)施例方式 下面是對(duì)本發(fā)明提出的交通參數(shù)提取方法的具體實(shí)施案例。本實(shí)施案例并不限制本發(fā)明，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員，在不脫離本發(fā)明原理的前提下，還可以作出若干改進(jìn)和變化，這些改進(jìn)和變化也應(yīng)視為本發(fā)明的保護(hù)范圍之內(nèi)。
本實(shí)施案例運(yùn)行在普通普通臺(tái)式電腦上，具體配置如下 CPU Intel P4 1.7GHz 內(nèi)存 1536M DDR333 操作系統(tǒng) Windows XP Professional Edition 運(yùn)行環(huán)境 The Mathworks Matlab R2008a 視頻幀率 15幀/秒 視頻分辨率320×240 以下是案例實(shí)施的具體過程 ■步驟1從彩色視頻序列中讀取一幀原始圖像Fn，并采用混合高斯背景建模算法提取背景圖像Bn； ■步驟2分別從當(dāng)前圖像幀F(xiàn)n與背景圖像Bn中提取相應(yīng)檢測(cè)區(qū)域圖像FRn和BRn； ■步驟3將圖像FRn和BRn由RGB色彩空間轉(zhuǎn)換為YCrCb色彩空間，并提取亮度空間圖像FRYn和BRYn； ■步驟4將圖像FRYn和BRYn做圖像塊紋理均方差運(yùn)算，并將該結(jié)果進(jìn)行二值化處理，從而得到二值圖DBn； ■步驟5計(jì)算檢測(cè)區(qū)域內(nèi)的車輛呈現(xiàn)度Wn以及自適應(yīng)閾值τn； ■步驟6比較數(shù)值Wn與τn，進(jìn)行判斷，檢測(cè)區(qū)域內(nèi)若存在車輛，則將標(biāo)識(shí)符In置為1；若檢測(cè)區(qū)域內(nèi)不存在車輛，則將標(biāo)識(shí)符In置為0； ■步驟7從視頻序列中新讀入一幀原始圖像Fn+1，重復(fù)執(zhí)行步驟2至步驟6，最終得到標(biāo)識(shí)符結(jié)果為In+1； ■步驟8通過比較In+1與In，判定車輛數(shù)Qcar是否進(jìn)行累加。之后，計(jì)算交通流q，車道占有率O，空間平均速率vs等交通參數(shù)。
使用上述實(shí)施案例對(duì)隨機(jī)選取的五段視頻進(jìn)行測(cè)試，處理結(jié)果如表1所示 表1 對(duì)隨機(jī)選取的五段視頻的處理結(jié)果比較

權(quán)利要求
1、一種基于圖像信息熵的交通參數(shù)自動(dòng)提取方法，其特征在于，所述方法包括
1)從彩色視頻序列中讀取一幀原始圖像Fn，并采用混合高斯背景建模算法提取背景圖像Bn；
2)分別從當(dāng)前圖像幀F(xiàn)n與背景圖像Bn中提取相應(yīng)檢測(cè)區(qū)域圖像FRn和BRn；
3)將圖像FRn和BRn由RGB色彩空間轉(zhuǎn)換為YCrCb色彩空間，并提取亮度空間圖像FRYn和BRYn；
4)將圖像FRYn和BRYn做圖像塊紋理均方差運(yùn)算，并將該結(jié)果進(jìn)行二值化處理，從而得到二值圖DBn；
5)計(jì)算檢測(cè)區(qū)域內(nèi)的車輛呈現(xiàn)度Wn以及自適應(yīng)閾值τn；
6)比較數(shù)值Wn與τn，進(jìn)行判斷，檢測(cè)區(qū)域內(nèi)若存在車輛，則將標(biāo)識(shí)符In置為1；若檢測(cè)區(qū)域內(nèi)不存在車輛，則將標(biāo)識(shí)符In置為0；
7)從視頻序列中新讀入一幀原始圖像Fn+1，重復(fù)執(zhí)行步驟2至步驟6，最終得到標(biāo)識(shí)符結(jié)果為In+1；
8)通過比較In+1與In，判定車輛數(shù)Qcar是否進(jìn)行累加。之后，計(jì)算交通流q，車道占有率O，空間平均速率vs等交通參數(shù)。
2、根據(jù)權(quán)利要求1所述的檢測(cè)區(qū)域設(shè)置，其特征在于，步驟2)所述的，檢測(cè)區(qū)域是寬度為3米，長(zhǎng)度為3米的正方形區(qū)域。
3、根據(jù)權(quán)利要求1所述的紋理均方差運(yùn)算，其特征在于，步驟4)所述的，紋理均方差運(yùn)算的計(jì)算方法為
其中R(x，y)(u，v)的計(jì)算方法為
其中，u，v分別為m，n方向上的坐標(biāo)，2M+1，2N+1為圖像塊的尺寸，I(m，n)為坐標(biāo)點(diǎn)(m，n)處像素點(diǎn)的像素值。
4、根據(jù)權(quán)利要求1所述的車輛呈現(xiàn)度W，其特征在于，步驟5)中，車輛呈現(xiàn)度W的計(jì)算方法為
W＝Pv×H
其中，Pv的計(jì)算方法為
H的計(jì)算方法為
其中，
其中，Ni為每個(gè)圖塊中動(dòng)態(tài)點(diǎn)的數(shù)目。其中，動(dòng)態(tài)點(diǎn)為二值圖DBn中像素值為1的像素點(diǎn)。
5、根據(jù)權(quán)利要求1所述的自適應(yīng)閾值τ，其特征在于，步驟5)中，自適應(yīng)閾值τ的計(jì)算方法為
τ＝mean(pi)+std(pi)
6、根據(jù)權(quán)利要求1所述的比較數(shù)值W與τ，，其特征在于，步驟6)中，W與τ的比較方法為
7、根據(jù)權(quán)利要求1所述的車輛數(shù)Qcar，計(jì)算交通流q，車道占有率O，空間平均速率vs等交通參數(shù)，其特征在于，步驟8)中，各項(xiàng)交通參數(shù)的計(jì)算方法分別為
車輛數(shù)Qcar
其中In-I為前一幀標(biāo)識(shí)符。
交通流q
其中，Td表示觀測(cè)時(shí)間。
車道占有率O
其中，Tp為車輛通過檢測(cè)區(qū)域的時(shí)間累計(jì)值，Nf為在觀測(cè)時(shí)間Td內(nèi)標(biāo)識(shí)符I＝1的幀數(shù)目，F(xiàn)r為幀率。
空間平均速率vs
其中，L為檢測(cè)區(qū)域的長(zhǎng)度，d為通過車輛的平均長(zhǎng)度。
全文摘要
本發(fā)明公開了一種基于圖像信息熵的交通參數(shù)自動(dòng)提取方法。首先，從彩色視頻序列中提取圖像幀，并利用混合高斯背景建模方法獲得背景圖像。其次，利用圖像紋理信息對(duì)檢測(cè)區(qū)域圖像進(jìn)行預(yù)處理。然后，利用圖像信息熵與自適應(yīng)閾值相結(jié)合的方法，進(jìn)行車輛存在檢測(cè)。最后，計(jì)算車輛數(shù)、交通流、車道占有率和空間平均速率等交通參數(shù)。實(shí)施結(jié)果表明，本發(fā)明提出的方法解決了運(yùn)動(dòng)車輛陰影以及環(huán)境光線變化對(duì)交通參數(shù)提取造成干擾的問題，有效地提高了交通參數(shù)提取的準(zhǔn)確性。
文檔編號(hào)G06T7/00GK101499214SQ20091010557
公開日2009年8月5日 申請(qǐng)日期2009年2月27日 優(yōu)先權(quán)日2009年2月27日
發(fā)明者行 施, 王一言, 鄒月嫻 申請(qǐng)人:北京大學(xué)深圳研究生院