專利名稱：一種基于圖像信息熵的多車道車流量檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及智能交通中利用視頻的車流量檢測，特別涉及基于圖像信息熵的多車道車流 量檢測方法。
背景技術(shù)：
基于視頻技術(shù)的交通信息采集與檢測作為智能交通系統(tǒng)中重要組成部分，己經(jīng)成為計(jì)算 機(jī)視覺技術(shù)應(yīng)用的一項(xiàng)重要課題?；谝曨l的道路交通監(jiān)測系統(tǒng)具備直接與現(xiàn)有交通監(jiān)控系 統(tǒng)結(jié)合、檢測范圍大、安裝使用靈活、維護(hù)費(fèi)用低等特點(diǎn)，具有廣闊的應(yīng)用前景。
目前常用的基于視頻的車流檢測方法主要有
1. 背景差檢測法
背景差檢測法是最常用的運(yùn)動(dòng)目標(biāo)檢測的方法之一。檢測時(shí)，用實(shí)時(shí)采集的現(xiàn)場圖像與 預(yù)先準(zhǔn)備的背景圖像進(jìn)行差分運(yùn)算。在理想背景情況下，若無車輛進(jìn)入檢測區(qū)域，則差分值 為0;若有車輛進(jìn)入，則車輛所在處的圖像差分值將不為0。由于實(shí)際的背景圖像存在干擾和 光照變化，通常設(shè)置一個(gè)閾值以減少噪聲和光線的影響。將差分值低于閾值的看作背景，差 分值高于閾值時(shí)，認(rèn)為有車輛通過。背景差分法要求運(yùn)動(dòng)物體的灰度值和背景像素的灰度值 存在一定的差別，算法的準(zhǔn)確性在很大程度上依賴于背景圖像的可靠性。若在光照或天氣發(fā) 生變化時(shí)，會(huì)造成嚴(yán)重的誤檢現(xiàn)象。
2. 幀差法
車輛運(yùn)動(dòng)會(huì)使前后兩幀圖像發(fā)生變化，如能檢測這種變化，就可以分析其運(yùn)動(dòng)特性。根 據(jù)這個(gè)原理將時(shí)間連續(xù)的兩幀圖像(幀間圖像)作差分，即用當(dāng)前圖像的像素灰度值減去前 一幀圖像對(duì)應(yīng)像素的灰度值，可以判斷是否有運(yùn)動(dòng)車輛出現(xiàn)。理想情況下，圖像的背景(即路 面等靜止景物)和運(yùn)動(dòng)車輛重疊的區(qū)域差分值為零，若圖像差分后的灰度值不為零則表明該處 圖像的像素發(fā)生了變化，即圖像像素變化的所處區(qū)域有運(yùn)動(dòng)車輛通過。由于運(yùn)動(dòng)車輛的紋理 比較復(fù)雜，且路面光照不斷變化或天氣因素變化，實(shí)際所采集的交通圖像差分值將不為0， 為此，實(shí)際應(yīng)用中也需要設(shè)置一個(gè)閾值。目前的幀差法存在幾個(gè)缺陷
1) 當(dāng)運(yùn)動(dòng)車輛紋理復(fù)雜時(shí)，幀間圖像的差分結(jié)果很復(fù)雜，由于一個(gè)運(yùn)動(dòng)目標(biāo)可能形成很 多細(xì)小的區(qū)域，給識(shí)別帶來很大困難。
2) 檢測效果受車輛速度的影響。速度很慢的車輛無法檢測到，而當(dāng)車輛運(yùn)動(dòng)速度很大時(shí)， 容易產(chǎn)生虛影，即檢測到的運(yùn)動(dòng)車輛比實(shí)際要大，甚至?xí)霈F(xiàn)一輛車變成兩輛的情況。
3) 幀差法僅適合于運(yùn)動(dòng)車輛的檢測，靜止車輛則無法檢測。
4) 在實(shí)際的檢測系統(tǒng)中，由于攝像機(jī)安裝在室外，所處環(huán)境比較惡劣，這種直接差分的算法，無法有效地將背景去除，從而影響車輛檢測的準(zhǔn)確性。 3.光流場法
其基本原理是對(duì)圖像中的每一個(gè)像素點(diǎn)賦予一個(gè)速度矢量，從而形成一個(gè)圖像運(yùn)動(dòng)場， 在每一特定時(shí)刻，由投影關(guān)系得到所采集圖像上的像素點(diǎn)與三維物體上的像素點(diǎn)之間的一一 對(duì)應(yīng)關(guān)系，根據(jù)各個(gè)像素點(diǎn)的速度矢量特征，對(duì)所采集的圖像進(jìn)行動(dòng)態(tài)分析。光流法的優(yōu)點(diǎn) 是能夠檢測獨(dú)立運(yùn)動(dòng)的目標(biāo)，但由于其需要進(jìn)行迭代運(yùn)算，運(yùn)算量較大，無法滿足實(shí)時(shí)性的 要求，成為制約光流場法在實(shí)際應(yīng)用中的瓶頸。
綜合以上的各種方法可知，現(xiàn)有的車流檢測方法僅利用圖像中的細(xì)節(jié)信息判斷車輛的通 過，這使得這些方法對(duì)細(xì)節(jié)的變化比較敏感，特別是3光照或天氣條件變化時(shí)，容易造成車 流量的誤檢測。

發(fā)明內(nèi)容
本發(fā)明提供一種車流量檢測算法用于解決現(xiàn)有方法對(duì)光照或天氣條件變化敏感的缺陷， 并實(shí)現(xiàn)了多車道車流量檢測。
為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于圖像信息熵的多車道車流量檢測方法，其主要 包括以下幾個(gè)步驟
(1) 自動(dòng)生成檢測框
首先，獲取交通圖像后，通過灰度變換將彩色圖像變成灰度圖像。然后利用Sobel算子 求取邊緣并二值化，再通過Iough變換求得圖像中所有的直線，其中包括車道線以及無關(guān)直 線。將所有得到的直線的斜率和截距看作斜率-截距空間中的一個(gè)點(diǎn)集，再利用Hough變化求 得圖像中的消失點(diǎn)，通過消失點(diǎn)以及斜率的約束去除第一次Hough變換求得的無關(guān)直線，從 而得到圖像中的車道線。再根據(jù)消失點(diǎn)到圖像底邊的距離確定檢測框的高度進(jìn)而繪制出各個(gè) 車道檢測框。
(2) 圖像信息熵檢測
首先，對(duì)圖像進(jìn)行高斯濾波，然后統(tǒng)計(jì)每個(gè)車道檢測框內(nèi)圖像信息熵，圖像信息熵五按 下式計(jì)算
W A1 TV
=-!>>g2 ( a ) - S a log2 (p》- S & log2 (a )
r=0 g=0 A=0
其中￡——圖像信息熵，圖像信息熵作為某種特定信息(這里為圖像灰度)的出現(xiàn)概率，
表示方法如下￡ = -|>,l0g2(p;),其中p,:為第Z個(gè)灰度的出現(xiàn)概率；《，A， &一分別為紅色分量的信息熵，綠色分量的信息熵，藍(lán)色分量的信息熵； A， &， A——分別為紅色分量值為"的像素點(diǎn)出現(xiàn)的概率，綠色分量值為g的像素點(diǎn) 出現(xiàn)的概率，藍(lán)色分量值為6的像素點(diǎn)出現(xiàn)的概率；
——圖像分量的最大值，對(duì)于24位圖像，iV取255。
(3)車流檢測
利用(2)中得到圖像信息熵，根據(jù)以下兩種對(duì)應(yīng)情況獲得檢測車道的車流量。
1、 當(dāng)車輛較完整地從相應(yīng)車道的檢測框經(jīng)過(即運(yùn)動(dòng)車輛遵守交通規(guī)則，沿各自車行道 行駛)時(shí)，檢測框內(nèi)的圖像紋理改變，圖像信息熵值會(huì)發(fā)生較大的變化，并考慮環(huán)境等客觀 因素，提高所提方法的泛化能力(普遍適應(yīng)性)，設(shè)置該檢測框的自適應(yīng)閾值，通過圖像信息 熵與相應(yīng)檢測框的自適應(yīng)閾值進(jìn)行比較，判斷是否有車輛通過。
2、 當(dāng)運(yùn)動(dòng)車輛行駛至檢測框時(shí)發(fā)生從第《條車道向第"+ 1條車道并線(即調(diào)換車道)情 況時(shí)，也就是說，當(dāng)車輛從相鄰兩個(gè)檢測框(第w和"+ l個(gè)檢測框)經(jīng)過時(shí)，相鄰兩檢測框 內(nèi)的圖像信息熵均發(fā)生較小的改變，此時(shí)，若相鄰兩檢測框內(nèi)的圖像信息熵均小于其各自閾 值，則將兩個(gè)信息熵相加，并將其和與兩個(gè)檢測框的信息熵閾值的均值進(jìn)行比較，若兩信息 熵之和大于該均值則認(rèn)定有車輛通過，且第w條車道的車流量加1。
綜合以上兩種情況，車流量分配的具體判斷方法如下式所示
^ = f +1 (五 > m )或(A s頂 ， s u +五 +| > m"+2m", "1 F 其他
其屮"為車道的序號(hào)，W + 1為第W條車道的相鄰車道的序號(hào)； &——第/2條車道的車流量；
A ， ——第"條車道檢測框內(nèi)的圖像信息熵值以及第"+1條車道檢測框內(nèi)的圖
像信息熵值；
JT^ ， 77/。+1 ~~—第w條車道的自適應(yīng)閾值以及第w + 1條車道的自適應(yīng)閾值。 最后更新自適應(yīng)閾值用于下一幀圖像的車流檢測。 本方法的主要優(yōu)點(diǎn)在于
(1) 圖像信息熵對(duì)光照、天氣環(huán)境變化不敏感，故光照發(fā)生變化或天氣條件變化時(shí)對(duì)車流 檢測的影響很?。?br> (2) 由于圖像信息熵是統(tǒng)計(jì)信息，受噪聲的干擾小，故車流檢測的魯棒性強(qiáng)，準(zhǔn)確性高；
(3) 考慮到車輛并線時(shí)通過檢測框的情況，杜絕了當(dāng)車輛部分通過檢測框時(shí)發(fā)生的車輛漏 檢現(xiàn)象；
(4) 使用符合透視關(guān)系的檢測框，可以獲得完整車道內(nèi)的圖像信息。


圖1是本發(fā)明示例的結(jié)構(gòu)示意圖2是基于圖像信息熵的多車道車流量檢測方法流程圖3是基于圖像信息熵的多車道車流量檢測示例軟件中自適應(yīng)閾值算法流程圖； 圖4是基于圖像信息熵的多車道車流量檢測示例軟件中車輛通過判定算法流程圖； 圖5是由于車輛通過反映出的彩色圖像信息熵值的變化曲線； 圖6是車流檢測框的示意圖； 圖7是算法實(shí)際應(yīng)用實(shí)現(xiàn)圖。
具體實(shí)施例方式
基于圖像信息熵的多車道車流量檢測示例系統(tǒng)如圖1所示，該系統(tǒng)包括攝像機(jī)，圖像采 集卡，檢測算法處理器和車流量結(jié)果顯示等。將攝像機(jī)架設(shè)在需要進(jìn)行車流量統(tǒng)計(jì)的道路區(qū) 域上方，并調(diào)整攝像機(jī)使攝像機(jī)視野能覆蓋整個(gè)檢測路面。通過同軸電纜將安裝在檢測算法 處理器內(nèi)的圖像采集卡與攝像機(jī)輸出連接起來，利用安裝在檢測算法處理器中的基于圖像信 息熵的多車道車流量檢測軟件實(shí)時(shí)的對(duì)多車道進(jìn)行車流量檢測并顯示車流量的結(jié)果。
下面結(jié)合示例系統(tǒng)說明實(shí)施過程
(1) 圖像的采集
首先，將攝像機(jī)采集到的模擬圖像信號(hào)傳輸給圖像采集卡，經(jīng)過圖像采集卡的A/D轉(zhuǎn)換 獲得彩色數(shù)字圖像，這樣就獲得了一幀圖像。
(2) 檢測框的自動(dòng)生成
首先，通過灰度變換將彩色圖像變成灰度圖像，轉(zhuǎn)換公式如下
/(U') = +0.587抓力+0.1
其中/(z，y)表示像素(/,力點(diǎn)的灰度值，ko)、 g(!',y)和w,力分別代表像素(^)點(diǎn)的紅 色分量、綠色分量和藍(lán)色分量。
然后通過Sobel算子求取邊緣并二值化，其中對(duì)于像素(z',力，Sobel算子的輸出為
鄰，))=|[/("1,乂-1)+2/(卜1,力+/(卜1,y+l)] -[/("1,卜1) + 2/("1，)) + /(/+1,_/ + 1)〗| 1)+2/"_/-1)] -[/(! -l，_/+l) + 2/(W+l)+/("l,)+l)]|
其中ZO)表示相應(yīng)像素(z',力點(diǎn)的灰度值，|*|代表取絕對(duì)值。
再通過Hough變換求得圖像中所有的直線，其中包括車道線以及無關(guān)直線。將所有得到
8的直線的斜率和截距看作斜率-截距空間中的一個(gè)點(diǎn)集，再次利用Hough變化求得圖像中的消 失點(diǎn)，通過消失點(diǎn)以及斜率的約束去除第一次Hough變換求得的無關(guān)直線，從而得到圖像中 的車道線。再根據(jù)消失點(diǎn)到圖像底邊的距離確定檢測框的高度進(jìn)而繪制出各個(gè)車道檢測框。
具體的方法如下
設(shè)檢測出的第w條車道在圖像坐標(biāo)系中的車道線方程為
其中A, 6,, &》2分別表示第《條車道的兩條車道線的斜率和截距。
在圖像坐標(biāo)中，設(shè)定檢測框上下底邊所在的直線為少二i》，y = 2"其中A為消失點(diǎn)到
2 4
圖像下邊沿的距離。將少=|》，^ = */ 代入到車道線方程可得出檢測框的4個(gè)頂點(diǎn)。對(duì)于第
n個(gè)檢測框可表示為
示例中的自動(dòng)生成的檢測框如圖6所示。 (3)信息熵檢測
首先，對(duì)圖像進(jìn)行高斯濾波，統(tǒng)計(jì)每個(gè)車道檢測框內(nèi)的圖像信息熵，圖像信息熵五按下 式計(jì)算
其中￡——圖像信息熵；
A， A， &——分別為紅色分量的信息熵，綠色分量的信息熵，藍(lán)色分量的信息熵； A， Pg， A一分別為紅色分量值為r的像素點(diǎn)出現(xiàn)的概率，綠色分量值為g的像素點(diǎn)
出現(xiàn)的概率，藍(lán)色分量值為6的像素點(diǎn)出現(xiàn)的概率；
7V——圖像分量的最大值，對(duì)于24位圖像，7V取255。
(4)車流檢測
車輛從一個(gè)檢測框經(jīng)過時(shí)，檢測框內(nèi)圖像信息熵值發(fā)生變化，利用所提方法會(huì)產(chǎn)生一個(gè) 脈沖，其圖像信息熵變化曲線如圖5所示。通過圖像信息熵值與自適應(yīng)閾值的大小關(guān)系并綜 合相鄰檢測框圖像信息熵間的關(guān)系，便可以判定是否有車輛通過。車輛是否車道的判斷流程 如圖4所示。
考慮車輛正常行駛的兩種可能，具體的車輛通過的判定方法分以下兩種情況進(jìn)行說明
1)、在運(yùn)動(dòng)車輛遵守交通規(guī)則前提下，各行駛車輛沿各自車行道行駛時(shí)，此時(shí)相應(yīng)的各
五二五r+五g + A
=—￡ a log2 (a )—X a log2 (p》—￡ ^ log2 (a )車道的檢測框可以完整地捕獲行駛車輛，當(dāng)行駛車輛經(jīng)過檢測框時(shí)，相應(yīng)的檢測框內(nèi)的圖像 紋理會(huì)發(fā)生改變，圖像信息熵值會(huì)發(fā)生較大的變化，并考慮環(huán)境等客觀因素，提高所提方法 的泛化能力(普遍適應(yīng)性)，所提方法設(shè)置檢測框的自適應(yīng)圖像信息熵閾值(簡稱自適應(yīng)閾 值)，通過圖像信息熵與相應(yīng)檢測框的自適應(yīng)閾值進(jìn)行比較，便可以判斷是否有車輛通過車道。
2 )、當(dāng)行駛車輛行駛至檢測框?qū)?yīng)的路面位置時(shí)發(fā)生從第《條車道向第w +1條車道并線 (即調(diào)換車道)情況時(shí)，也就是說，當(dāng)行駛車輛從相鄰兩個(gè)檢測框(第"和"+ l個(gè)檢測框) 中經(jīng)過時(shí)，相鄰兩檢測框內(nèi)的圖像信息熵均會(huì)發(fā)生較小的改變。此時(shí)，若檢測到的相鄰兩檢 測框內(nèi)的圖像信息熵均小于其各自閾值，則將兩個(gè)圖像信息熵相加，并將他們和與兩個(gè)檢測 框的圖像信息熵閾值的均值進(jìn)行比較，若兩圖像信息熵之和大于該均值則認(rèn)定有車輛通過， 且第n條車道的車流量加l。
車輛經(jīng)過車道的具體判斷方法如下式所示
K =
p; +i (五 > m )或Ce s頂 ，s m肝,,五 +> ~^~
2
其他
其中"為車道的序號(hào)，n + l為第"條車道的相鄰車道的序號(hào)； K——第w條車道的車流量；
五 ，五《" 一貞"rt M圖，^肩、Mit W&， " +1 **31@領(lǐng)1』 內(nèi)W 像信息熵值；
rn ， 7W +1——第"條車道的自適應(yīng)閾值以及第"+l條車道的自適應(yīng)閾值。
下面對(duì)檢測框的自適應(yīng)圖像信息熵閾值求取算法作如下說明，其算法流程如圖3所示。 獲取圖像檢測框內(nèi)的圖像信息熵值，并求其導(dǎo)數(shù)，在所提方法中導(dǎo)數(shù)用前向差分來表示， 其表達(dá)式為
<formula>formula see original document page 10</formula>
在導(dǎo)數(shù)大于一定閾值的時(shí)間段內(nèi)，求取導(dǎo)數(shù)的最大值，并記錄該時(shí)刻。此時(shí)刻所對(duì)應(yīng)的 圖像信息熵值就是修正閾值，其表達(dá)式為
T7f =
>眠(o
一第W條車道的修正閾值；
-圖像信息熵導(dǎo)數(shù)，取最大值時(shí)的時(shí)刻；&(^)一圖像信息熵導(dǎo)數(shù)，取ft大值時(shí)對(duì)應(yīng)的圖像信息熵值;
",。——圖像信息熵導(dǎo)數(shù)，大于一定閾值的時(shí)間段，即
在本示例中閾值C取0.035。
設(shè)當(dāng)前閾值與修正閾值的加權(quán)均值便是更新后的自適應(yīng)閾值，更新的自適應(yīng)閾值用于下 -幀圖像的車流檢測比較。更新后的自適應(yīng)閾值的表達(dá)式為
w， =<+膨 +& = 1
" 2
其中W柳
《—
m —
一更新后第w條車道的自適應(yīng)閾值；
-第"條車道的修正閾值；
-當(dāng)甜時(shí)刻第"條車道的閾值；
-分別為修正閾值和當(dāng)前時(shí)刻閾值的權(quán)值，示例中"=0.4， 6 = 0.6。
完成本車道的車流檢測，用上述同樣的方法處理相鄰的K一條車道的車流檢測。但若出 現(xiàn)第w條車道以及相鄰的第"+ l條午-道的兩檢測框內(nèi)的圖像信息熵均小于其對(duì)應(yīng)閾值，并通 過所提方法判定有車輛通過的情況時(shí)，則跳過下一條車道，即跳過第"+ l條車道，直接處理 第n + 2條車道的車流通過情況，也就是說，此類情況屬于行駛車輛下從第n條車道并并線到 第w + l條車道的情況，由于按駕駛員行駛常理，此時(shí)第"和《 + 1不可能出現(xiàn)第二輛行駛車輛， 因此無需考慮第"+1條車道的情況。
完成所有車道的流量檢測后，合并所有車道上的流量就得到了當(dāng)前時(shí)刻整條道路的交通 流量^，其計(jì)算公式如下
其屮，G——整條道路的車流量； ^——第"條車道的車流量； ——道路的車道數(shù)。 重復(fù)上述檢測過程，計(jì)算下一時(shí)刻的車流j
以上對(duì)基于圖像信息熵的多車道車流量檢測方法進(jìn)行說明，該方法的實(shí)際應(yīng)用實(shí)現(xiàn)示意 圖如圖7所示。本方法充分利用圖像信息熵對(duì)光照、天氣環(huán)境變化不敏感且受噪聲干擾影響 小的優(yōu)勢，并利用符合透視關(guān)系的檢測框，獲得完整車道內(nèi)的圖像信息，從而得到圖像信息 熵，再利用所提的自適應(yīng)圖像信息熵閾值算法，提高車流檢測的魯棒性和精準(zhǔn)性，同時(shí)綜合分析運(yùn)動(dòng)車輛的實(shí)際行駛情況，彌補(bǔ)了以往方法對(duì)車輛行駛于兩相鄰車道間(即并線)時(shí)的 漏檢問題，從而實(shí)現(xiàn)對(duì)多車道車流量的實(shí)時(shí)和準(zhǔn)確檢測。
權(quán)利要求
1.一種基于圖像信息熵的多車道車流量檢測方法，其包括以下幾個(gè)步驟從視頻采集獲取的交通圖像中自動(dòng)獲取符合透視關(guān)系的檢測框；實(shí)時(shí)統(tǒng)計(jì)每個(gè)檢測框內(nèi)圖像信息熵；車道車流檢測判斷若車輛完整地從檢測框內(nèi)通過，利用本車道檢測框內(nèi)圖像信息熵與本車道對(duì)應(yīng)的自適應(yīng)圖像信息熵閾值相比較來確定該車道是否有車輛通過，若車輛從相鄰兩檢測框中間通過(即行駛車輛在檢測框?qū)?yīng)的路面區(qū)域進(jìn)行并線行駛)，則通過對(duì)本車道檢測框的圖像信息熵、相鄰車道檢測框的圖像信息熵與兩檢測框自適應(yīng)圖像信息熵閾值的均值的比較，以確定該車道是否有車輛通過；最后統(tǒng)計(jì)所有車道的車輛通過信息得到整條道路的車流量。
2. 對(duì)于權(quán)利要求l所述的基于圖像信息熵的多車道車輛檢測方法，其特征在于對(duì)于檢測 框的自動(dòng)生成，采用如下方法首先通過灰度變換將彩色圖像變成灰度圖像，然后通過Sobel算子求取邊緣并二值化， 再通過Hough變換求得圖像中所有的直線，其中包括車道線以及無關(guān)直線。將所有得到的直 線的斜率和截距看作斜率-截距空間中的一個(gè)點(diǎn)集，再次利用Hough變化求得圖像中的消失 點(diǎn)，通過消失點(diǎn)和斜率的約束去除第一次Hough變換求得的無關(guān)直線，得到圖像中的車道線。 這時(shí)再根據(jù)消失點(diǎn)到圖像底邊的距離確定檢測框的高度，繪制出車道檢測框。設(shè)檢測出的第w 條車道在圖像坐標(biāo)系中的車道線方程為<formula>formula see original document page 2</formula>'其中&A，&A分別表示第n條車道的兩條車道線的斜率和截距。在圖像坐標(biāo)中設(shè)定檢測框上下底邊所在的直線為y-i^ 7 = ^A，其中/j為消失點(diǎn)到圖2 4像下邊沿的距離。將;^丄A，少=^^分別代入到所述車道線方程可得出梯形的4個(gè)頂點(diǎn)。檢2 4測框可表示為<formula>formula see original document page 2</formula>
3.對(duì)于權(quán)利要求1所述的基于圖像信息熵的多車道車輛檢測方法，其特征在于圖像信息熵E按下式計(jì)算<formula>formula see original document page 2</formula>其中￡——圖像信息熵；《，A， &——分別為紅色分量的信息熵，綠色分量的信息熵，藍(lán)色分量的信息熵； A， A， A一分別為紅色分量值為"的像素點(diǎn)出現(xiàn)的頻率，綠色分量值為g的像素點(diǎn) 出現(xiàn)的頻率，藍(lán)色分量值為6的像素點(diǎn)出現(xiàn)的頻率；iV——圖像分量的最大值，對(duì)于24位圖像，TV取255。
4.對(duì)于權(quán)利要求1所述的基于圖像信息熵的多車道車輛檢測方法，其特征在于采用如下 的車流檢測判斷方法當(dāng)檢測框內(nèi)的圖像信息熵值超過其對(duì)應(yīng)的閾值時(shí)，判定車輛由該車道通過；當(dāng)檢測框內(nèi) 的圖像信息熵值小于其對(duì)應(yīng)的閾值時(shí)，同時(shí)其相鄰的檢測框內(nèi)的圖像信息熵也小于其對(duì)應(yīng)閾 值，則將該檢測框與其相鄰檢測框內(nèi)的圖像信息熵值相加，并求這兩個(gè)檢測框的圖像信息熵 閾值的均值，用兩圖像信息信息熵之和與兩閾值的均值進(jìn)行比較，若大于該均值則認(rèn)定有車 輛通過本檢測框；其他情況則認(rèn)定沒有車輛通過。車流檢測具體判斷的方法如下式所示<formula>formula see original document page 3</formula>F" 其他 其中"為車道的序號(hào)，w + l為第w條車道的相鄰車道的序號(hào)， F ——第w條車道的車流量；五 ，五 +1——第n條車道檢測框內(nèi)的圖像信息熵值以及第"+ l條車道檢測框內(nèi)的圖77/ ， 77/—像信息熵值；——第"條車道的自適應(yīng)閾值以及第"+ l條車道的自適應(yīng)閾值。
5.對(duì)于權(quán)利要求3所述的基于信息熵的多車道車輛檢測方法，其特征在于所采用的自適 應(yīng)閾值算法如下獲取圖像中檢測框內(nèi)的圖像信息熵值，求其導(dǎo)數(shù)，并求取當(dāng)導(dǎo)數(shù)大于一定閾值時(shí)間段內(nèi) 導(dǎo)數(shù)的最大值。最大值所對(duì)應(yīng)的圖像信息熵值就是修正閾值，其表達(dá)式為<formula>formula see original document page 3</formula>-第W條車道的修正閾值;信息熵導(dǎo)數(shù)，取最大值時(shí)的時(shí)刻;一信息熵導(dǎo)數(shù)，取最大值時(shí)對(duì)應(yīng)的信息熵值；&，"——信息熵導(dǎo)數(shù)，大于一定閾值的時(shí)間段，即^^<formula>formula see original document page 3</formula>當(dāng)前閾值與修正閾值的加權(quán)均值便是更新后的自適應(yīng)閾值。其表達(dá)式為-<formula>formula see original document page 4</formula>其中w^T^——更新后第"條車道的的自適應(yīng)閾值；7T/:——第"條車道的修正閾值；r// ——當(dāng)前時(shí)刻第"條車道的閾值；a》——分別為修正閾值和當(dāng)前時(shí)刻閾值的權(quán)值。
全文摘要
一種基于圖像信息熵的多車道車流量檢測方法，利用圖像信息熵來統(tǒng)計(jì)多車道車流數(shù)量，其步驟為(1)視頻采集，獲取多車道的交通狀況圖像信息；(2)自動(dòng)獲取檢測框，圖像預(yù)處理后，通過圖像分割和Hough變換，并結(jié)合消失點(diǎn)，獲得符合透視關(guān)系的檢測框；(3)實(shí)時(shí)地統(tǒng)計(jì)每個(gè)梯形車道檢測框的圖像信息熵值；(4)通過對(duì)車道檢測框的圖像信息熵值與該車道的自適應(yīng)閾值大小的比較，確定該車道是否有車輛通過；(5)統(tǒng)計(jì)所有車道的車輛通過信息從而得到整條道路的車流量。本發(fā)明方法具有良好的實(shí)時(shí)性和準(zhǔn)確性，同時(shí)可以有效地排除光照和天氣對(duì)檢測結(jié)果的不利影響，即在光照及天氣環(huán)境變化的情況下具有良好的魯棒性。
文檔編號(hào)G08G1/065GK101639983SQ20091016299
公開日2010年2月3日 申請(qǐng)日期2009年8月21日 優(yōu)先權(quán)日2009年8月21日
發(fā)明者任雪梅, 張興華, 王武宏, 陽 羅, 堉 黃, 鴻 黃 申請(qǐng)人:任雪梅;王武宏;黃 鴻;羅 陽;張興華;黃 堉