一種用于智能交通檢測系統(tǒng)的車輛目標物識別算法
【專利摘要】本發(fā)明涉及一種基于視頻檢測識別目標物的方法。一種用于智能交通檢測系統(tǒng)的車輛目標物識別算法，包括步驟A、建立背景模型；步驟B、背景更新；步驟C、背景差分；步驟D、多幀差分；步驟E、采用多幀差分和背景差分相結合的方法來得到目標物的輪廓：E1、采集連續(xù)的多幀圖像并保存；E2、將第一、第二幀圖像進行幀差分算法得到二值化圖像D1，將第二、第三幀圖像進行幀差分算法得到二值化圖像D2，以此類推，分別得到二值化圖像D3和D4；E3、將D1和D2進行與運算得到二值化圖像D5，D3和D4進行與運算得到D6，D5和D6進行與運算得到最終的二值化圖像D7；E4、將得到的二值化圖像D7和步驟C背景差分得到的二值化圖像進行與運算，識別出車輛目標物的輪廓。
【專利說明】 一種用于智能交通檢測系統(tǒng)的車輛目標物識別算法
【技術領域】
[0001]本發(fā)明涉及一種基于視頻檢測識別目標物的方法，具體的說，涉及了一種應用于智能交通視頻檢測系統(tǒng)中的車輛目標物識別算法。
【背景技術】
[0002]車輛目標物提取與識別算法是智能交通系統(tǒng)中的關鍵部分，其中車輛目標物的識別有多種方法，包括幀差法、背景差分法、邊緣檢測法以及區(qū)域生長算法等等。車輛識別是智能交通系統(tǒng)的重要組成部分，由于視頻設備和高性能計算機硬件的發(fā)展以及視頻處理技術的日益成熟，基于視頻的車輛識別技術成為智能交通領域研究的熱點，并得到越來越廣泛的應用。
[0003]前景提取和識別方法在車輛識別中尤為重要。常用的前景提取方法主要有:邊緣檢測法、差分法、區(qū)域生長算法等。其中，差分法又包括幀差法和背景差法。邊緣檢測法:由于目標和背景內部的像素具有較低的梯度值，而其邊界具有較高的梯度值，因此可以通過對圖像中梯度值的統(tǒng)計來進行邊緣的檢測，即邊緣檢測法。其缺點是:常用的邊緣檢測算法存在運算耗時多、效率低，另外，對于一些不是很明顯的目標，邊緣檢測算法檢測不出來。其次，噪聲干擾會造成檢測出偽邊緣。
[0004]幀差法是目前經常使用的目標識別方法，通過相鄰兩幀圖像對應像素進行相減得到的值，與事先設定好的閾值進行比較，如果大于閾值，就說明存在運動目標，并且進行二值化處理，將確定為運動目標的區(qū)域標記為前景像素，否則，就沒有運動目標，并將其標記為背景像素。其存在的缺點是:運動慢或者靜止的前景會被漏掉；有可能在目標內部產生空洞從而無法完整地提取運動目標；存在一定的滯后性，產生“拖尾”現象，并且目標運動的速度越快這種情況就會越嚴重。
[0005]背景差分法是一種有效的運動目標檢測算法，基本思想是先獲取ROI區(qū)域的背景圖像，并保存起來，然后將當前幀圖像與保存的背景圖像對應像素進行減運算，差值大于設定閾值的標記為前景像素，否則標記為背景像素，并且對其進行二值化處理，就可以識別出圖像中的前景目標。其缺點是獲取背景模板的算法和背景的自動更新相對復雜；而且滯后性較嚴重，當環(huán)境變化而背景沒有及時更新，就會出現獲取的目標不準確。
[0006]區(qū)域生長算法:區(qū)域生長算法的基本思想是將具有相似性質的像素集合起來構成區(qū)域。首先對每個要分割的區(qū)域找一個種子點，接著將種子像素周圍鄰域中與種子像素由相同或相似性質的像素合并到種子像素所在的區(qū)域中。將這些新像素當作新的種子點繼續(xù)進行上述過程，直到沒有滿足條件的像素點為止。其缺點是:區(qū)域生長算法復雜度相對較高，計算所用時間較長，不適應于對實時性要求高的系統(tǒng)；生長準則的開始和結束條件如果選擇不好容易弓I起程序進入死循環(huán)，且生長點需要人工指定，魯棒性較差。
[0007]公布號為CN102509101的中國發(fā)明專利《交通視頻監(jiān)控中的背景更新方法和車輛目標提權方法》只適用于理想的環(huán)境，最主要的弊端是:〈1>如果是雨、雪、風極端惡劣天氣，很難得到一個理想的背景，背景不理想直接影響車輛目標物提取的準確性；〈2>陽光斜射出現的非車輛目標物的陰影，極易導致誤判和漏判；〈3>在白天理想情況下可以得到不錯的背景，但在夜間同樣不可能得到理想的背景，直接影響車輛目標物提取的精準性。

【發(fā)明內容】

[0008]本發(fā)明針對現有技術不足，提出一種能準確識別車輛目標物的算法，即使在惡劣的環(huán)境下也能夠精準地識別白天和晚上的車輛目標物。
[0009]為了實現上述目的，本發(fā)明所采用的技術方案是:
一種用于智能交通檢測系統(tǒng)的車輛目標物識別算法，包括以下幾個步驟:
步驟A、讀取連續(xù)的多幀圖像，任取一種背景建模算法，建立背景模型；
步驟B、背景更新；
步驟C、背景差分；
步驟D、多幀差分；
步驟E、車輛目標物識別；采用多幀差分和背景差分相結合的方法來得到目標物的輪廓，其步驟如下:
El 、首先采集到連續(xù)的多幀圖像并保存起來；
E2、第一幀圖像和第二幀圖像進行幀差分算法得到二值化圖像D1，第二幀圖像和第三幀圖像進行幀差分算法得到二值化圖像D2，以此類推，分別得到二值化圖像D3和D4 ；
E3、Dl和D2進行與運算得到二值化圖像D5，D3和D4進行與運算得到D6，D5和D6進行與運算得到最終的二值化圖像D7 ；
E4、通過E3得到的二值化圖像D7，和步驟C中背景差分得到的二值化圖像進行與運算，完整的識別出車輛目標物的輪廓。
[0010]所述的車輛目標物識別算法，步驟B中，采用背景更新算法得到理想的背景；所述背景更新算法包括以下幾個步驟:
步驟B1、標定出圖像中需要檢測的敏感區(qū)域的坐標；
步驟B2、對得到的連續(xù)的多幀圖像，用幀差分算法和背景差分算法相結合的方法，獲取步驟BI中標定的敏感區(qū)域的初始背景；
步驟B3、進行背景更新判決；
步驟B4、背景更新；
所述的車輛目標物識別算法，步驟B3中，進行背景更新判決的步驟如下:
Cl、用函數神經鏈網絡算法得到區(qū)分當前幀和背景幀的閾值；
C2、用灰度直方圖算法得到某種灰度級的像素個數；
C3、將當前幀圖像與背景圖像進行差分，如果當前像素差分結果大于設定的閾值，那么認為存在運動目標，標記為前景像素，否則，標記為背景像素；然后將標記為背景像素的部分替換到背景模板中對應的像素中去，以實現背景的實時更新。
[0011]發(fā)明的有益積極效果:
1、本發(fā)明車輛目標物識別算法，夜間和白天車輛目標物的識別率都能達到國標，有效解決了在智能交通視頻分析系統(tǒng)中算法對環(huán)境的依懶性。采用背景差判據和幀差判據相結合的方法，通過背景差分模塊中得到的二值化圖像和所述多幀差分的二值化圖像進行與運算，即使在極端惡劣天氣下，也能夠精確地識別出車輛目標物。[0012]2、本發(fā)明車輛目標物識別算法，具有智能化、目標物識別精準、識別效率高等優(yōu)點。I)即使是雨、雪、風極端惡劣天氣，也可以很容易得到理想的背景，并能夠根據天氣情況進行快速有效的背景更新；2)可以有效避免由于陽光造成目標物出現陰影，導致車輛目標物識別錯誤的問題。
[0013]3、本發(fā)明車輛目標物識別算法，利用幀差判據和背景差分判據相結合的方法來學習和實時更新背景，根據更新條件來判斷是否進行背景更新，可以有效避免背景更新時靜止目標作為背景被更新，不但有效解決了傳統(tǒng)智能視頻分析系統(tǒng)對環(huán)境的高度依懶性；而且通過采用五幀差分和前景圖像做“與運算”的方法來實現車輛目標物的識別，有效解決了識別出的目標物存在空洞的缺陷。
【專利附圖】

【附圖說明】
[0014]圖1:本發(fā)明車輛目標物識別算法流程圖。
【具體實施方式】
[0015]下面通過【具體實施方式】，對本發(fā)明的技術方案做進一步的詳細描述。
[0016]實施例1
參見圖1。本發(fā)明用于智能交通檢測系統(tǒng)的車輛目標物識別算法，包括:步驟A、讀取連續(xù)的多幀圖像，任取一種背景建模算法，建立背景模型；
步驟B、背景更新；
步驟C、背景差分；
步驟D、多幀差分；
步驟E、車輛目標物識別:采用多幀差分和背景差分相結合的方法來得到目標物的輪廓，其步驟如下:
El 、首先采集到連續(xù)的多幀圖像并保存起來；
E2、第一幀圖像和第二幀圖像進行幀差分算法得到二值化圖像D1，第二幀圖像和第三幀圖像進行幀差分算法得到二值化圖像D2，以此類推，分別得到二值化圖像D3和D4 ；
E3、Dl和D2進行與運算得到二值化圖像D5，D3和D4進行與運算得到D6，D5和D6進行與運算得到最終的二值化圖像D7 ；
E4、通過E3得到的二值化圖像D7，和步驟C中背景差分得到的二值化圖像進行與運算，完整的識別出車輛目標物的輪廓。
[0017]實施例2
本實施例的用于智能交通檢測系統(tǒng)的車輛目標物識別算法，與實施例1不同的是:步驟B中，具體采用如下的背景更新算法得到理想的背景:
步驟B1、標定出圖像中需要檢測的敏感區(qū)域的坐標；
步驟B2、對得到的連續(xù)的多幀圖像，用幀差分算法和背景差分算法相結合的方法，獲取步驟BI中標定的敏感區(qū)域的初始背景；
步驟B3、進行背景更新判決；
步驟B4、背景更新。
[0018]實施例3本實施例的用于智能交通檢測系統(tǒng)的車輛目標物識別算法，與實施例2不同之處在
于:
步驟B3中，進行背景更新判決的步驟如下:
Cl、用函數神經鏈網絡算法得到區(qū)分當前幀和背景幀的閾值；
C2、用灰度直方圖算法得到某種灰度級的像素個數；
C3、將當前幀圖像與背景圖像進行差分，如果當前像素差分結果大于設定的閾值，那么認為存在運動目標，標記為前景像素，否則，標記為背景像素；然后將標記為背景像素的部分替換到背景模板中對應的像素中去，以實現背景的實時更新。
【權利要求】
1.一種用于智能交通檢測系統(tǒng)的車輛目標物識別算法，包括以下幾個步驟: 步驟A、讀取連續(xù)的多幀圖像，任取一種背景建模算法，建立背景模型； 步驟B、背景更新； 步驟C、背景差分； 步驟D、多幀差分； 步驟E、車輛目標物識別； 其特征在于，步驟E中，采用多幀差分和背景差分相結合的方法來得到目標物的輪廓，其步驟如下: El 、首先采集到連續(xù)的多幀圖像并保存起來； E2、第一幀圖像和第二幀圖像進行幀差分算法得到二值化圖像D1，第二幀圖像和第三幀圖像進行幀差分算法得到二值化圖像D2，以此類推，分別得到二值化圖像D3和D4 ； E3、Dl和D2進行與運算得到二值化圖像D5，D3和D4進行與運算得到D6，D5和D6進行與運算得到最終的二值化圖像D7 ； E4、通過E3得到的二值化圖像D7，和步驟C中背景差分得到的二值化圖像進行與運算，完整的識別出車輛目標物的輪廓。
2.根據權利要求1所述的車輛目標物識別算法，其特征是:步驟B中，采用背景更新算法得到理想的背景；所述背景更新算法包括以下幾個步驟: 步驟B1、標定出圖像中需要檢測的敏感區(qū)域的坐標； 步驟B2、對得到的連續(xù)的多幀圖像，用幀差分算法和背景差分算法相結合的方法，獲取步驟BI中標定的敏感區(qū)域的初始背景； 步驟B3、進行背景更新判決； 步驟B4、背景更新。
3.根據權利要求2所述的車輛目標物識別算法，其特征在于:步驟B3中，進行背景更新判決的步驟如下: Cl、用函數神經鏈網絡算法得到區(qū)分當前幀和背景幀的閾值； C2、用灰度直方圖算法得到某種灰度級的像素個數； C3、將當前幀圖像與背景圖像進行差分，如果當前像素差分結果大于設定的閾值，那么認為存在運動目標，標記為前景像素，否則，標記為背景像素；然后將標記為背景像素的部分替換到背景模板中對應的像素中去，以實現背景的實時更新。
【文檔編號】G06K9/46GK103473547SQ201310433102
【公開日】2013年12月25日 申請日期:2013年9月23日 優(yōu)先權日:2013年9月23日
【發(fā)明者】陳長寶, 張俊奎, 盧志淵, 楊磊 申請人:百年金?？萍加邢薰?br>