專利名稱：基于視頻的交通信息采集方法
技術(shù)領(lǐng)域：
本發(fā)明涉及智能交通技術(shù)領(lǐng)域，具體是一種基于視頻的交通信息采集方法。
背景技術(shù)：
作為智能交通系統(tǒng)(ITS)的基礎(chǔ)部分，交通信息采集系統(tǒng)在ITS中占有很重要的地位。目前，交通信息的采集主要依靠地感線圈檢測(cè)、超聲波檢測(cè)和視頻檢測(cè)等技術(shù)。地感線圈檢測(cè)技術(shù)需要在車道上切割環(huán)行線槽，然后埋設(shè)感應(yīng)線圈，車輛通過(guò)時(shí)感應(yīng)線圈會(huì)發(fā)出信號(hào)給相應(yīng)設(shè)備。主要優(yōu)點(diǎn)是成本相對(duì)較低，當(dāng)車流量低、車速不是太慢時(shí)對(duì)車輛的檢測(cè)比較準(zhǔn)確，但是遇到復(fù)雜的環(huán)境，機(jī)動(dòng)車和非機(jī)動(dòng)車混雜的道路時(shí)很容易出現(xiàn)誤觸發(fā)。同時(shí)由于需要在地下埋設(shè)感應(yīng)線圈，加大了施工難度同時(shí)提高了工程成本，并且 線圈在大車重壓下容易損壞，增加了維護(hù)成本。超聲波檢測(cè)技術(shù)依據(jù)聲波的傳播和反射原理，通過(guò)測(cè)量發(fā)射波和反射波的時(shí)差來(lái)實(shí)現(xiàn)位移的測(cè)量。其優(yōu)點(diǎn)是安裝無(wú)需破壞路面，且不受路面變形、施工的影響，維護(hù)成本低。其缺點(diǎn)是建設(shè)成本較高、安裝調(diào)試較為復(fù)雜、測(cè)量反應(yīng)時(shí)間長(zhǎng)、誤差大，也比較容易受外界天氣的影響。視頻檢測(cè)技術(shù)是將計(jì)算機(jī)視覺(jué)引入到交通信息的檢測(cè)中，運(yùn)用圖像處理和模式識(shí)別技術(shù)獲取所需的交通信息。其主要優(yōu)點(diǎn)是安裝簡(jiǎn)單、操作容易、維護(hù)方便，克服了上述方法的不足之處。但現(xiàn)有的視頻檢測(cè)技術(shù)還存在準(zhǔn)確性不夠、模型計(jì)算過(guò)于復(fù)雜的問(wèn)題，且在車輛擁堵情況下檢測(cè)不準(zhǔn)確。

發(fā)明內(nèi)容
針對(duì)現(xiàn)有交通信息采集技術(shù)中存在的不足，本發(fā)明提供一種基于視頻的交通信息采集方法。該系統(tǒng)可實(shí)現(xiàn)精確、高效的交通信息采集功能，彌補(bǔ)現(xiàn)有視頻檢測(cè)技術(shù)在車輛擁堵情況下的不足。本發(fā)明通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)，所述基于視頻的交通信息采集方法包括以下步驟
(1)在視頻圖像上設(shè)置檢測(cè)區(qū)域，并在調(diào)試過(guò)程中測(cè)量圖像檢測(cè)區(qū)域所對(duì)應(yīng)的實(shí)際道路區(qū)域的尺寸，完成幾何校正，把圖像坐標(biāo)系變換到世界坐標(biāo)系；
(2)采用混合高斯模型進(jìn)行背景建模，實(shí)時(shí)的進(jìn)行模型的更新，并提取出前景部分；
(3)從樣本圖片集提取正樣本和負(fù)樣本，形成訓(xùn)練樣本集；計(jì)算樣本的矩形特征，并獲得矩形特征集；采用Adaboost方法進(jìn)行訓(xùn)練得到級(jí)聯(lián)分類器；
(4)采用級(jí)聯(lián)分類器在檢測(cè)區(qū)域上進(jìn)行識(shí)別車輛，得到初步的識(shí)別結(jié)果；匹配初步識(shí)別結(jié)果與前景圖像，消除檢測(cè)過(guò)程中存在的虛警；
(5)采用多目標(biāo)粒子濾波和Adaboost檢測(cè)融合的方法實(shí)現(xiàn)車輛目標(biāo)的自適應(yīng)跟蹤，通過(guò)給連續(xù)幾幀目標(biāo)設(shè)定權(quán)值的方法，實(shí)現(xiàn)目標(biāo)的增減。其中，步驟I所述幾何校正包括以下步驟(I. I)固定攝像機(jī)，在圖像上手工設(shè)置車輛檢測(cè)區(qū)域；
(I. 2)測(cè)量對(duì)應(yīng)的實(shí)際道路檢測(cè)區(qū)域的寬度和長(zhǎng)度參數(shù)；
(I. 3)計(jì)算透視變換矩陣，完成幾何校正。步驟2所述背景建模包括以下步驟
(2. I)通過(guò)初始背景得到當(dāng)前像素點(diǎn)的灰度值所匹配的特定高斯分布，建立初始背景模型；
(2. 2)對(duì)于視頻圖像的每個(gè)像素點(diǎn)，去當(dāng)前時(shí)刻的灰度值X與高斯模型依次按序比較，如果差值在一定的閾值范圍內(nèi)，則認(rèn)為像素點(diǎn)與該高斯模型匹配，并實(shí)時(shí)更新高斯模型的參數(shù)，得到背景圖像；
(2. 3)將當(dāng)前幀圖像與背景圖像相減，得到前景圖像。步驟5所述車輛目標(biāo)的自適應(yīng)跟蹤包括以下步驟
(5.1)初始化粒子數(shù)目，選擇運(yùn)動(dòng)模型及模型參數(shù)；
(5.2)粒子的初始化；
(5. 3)粒子狀態(tài)轉(zhuǎn)移，計(jì)算粒子的權(quán)值，并歸一化；
(5. 4)對(duì)粒子進(jìn)行重采樣，對(duì)粒子進(jìn)行加權(quán)，并計(jì)算其后驗(yàn)概率；
(5.5)得到跟蹤的目標(biāo)狀態(tài)，并與Adaboost的檢測(cè)結(jié)果進(jìn)行匹配；
(5. 6)對(duì)目標(biāo)權(quán)值進(jìn)行判斷，如果其大于預(yù)設(shè)值，則判斷目標(biāo)為真，否則，判斷目標(biāo)不正確。本發(fā)明具有如下有益效果
(I)本發(fā)明通過(guò)一臺(tái)攝像機(jī)采集多種交通參數(shù)，可為城市交通管理和信號(hào)控制提供數(shù)據(jù)服務(wù)，有效降低了成本，具有重要的社會(huì)效益和巨大的工程應(yīng)用價(jià)值。(2)本發(fā)明通過(guò)跟蹤和檢測(cè)算法的有效結(jié)合，解決了在交通擁堵情況下基于視頻的交通信息采集所存在的問(wèn)題，大大提高了檢測(cè)精度和效率。


圖I是基于視頻的交通信息采集方法的技術(shù)路線流程圖。圖2是分類器訓(xùn)練和車輛識(shí)別流程圖。圖3是車輛跟蹤流程圖。
具體實(shí)施例方式下面結(jié)合附圖和實(shí)施例對(duì)本實(shí)用新型作進(jìn)一步說(shuō)明。如圖I所示，本發(fā)明所述的基于視頻的交通信息采集方法包括以下步驟
(1)在視頻圖像上設(shè)置檢測(cè)區(qū)域，并在調(diào)試過(guò)程中測(cè)量圖像檢測(cè)區(qū)域所對(duì)應(yīng)的實(shí)際道路區(qū)域的尺寸，完成幾何校正，把圖像坐標(biāo)系變換到世界坐標(biāo)系；
(2)采用混合高斯模型進(jìn)行背景建模，實(shí)時(shí)的進(jìn)行模型的更新，并提取出前景部分；
(3)從樣本圖片集提取正樣本和負(fù)樣本，形成訓(xùn)練樣本集；計(jì)算樣本的矩形特征，并獲得矩形特征集；采用Adaboost方法進(jìn)行訓(xùn)練得到級(jí)聯(lián)分類器；
(4)采用級(jí)聯(lián)分類器在檢測(cè)區(qū)域上進(jìn)行識(shí)別車輛，得到初步的識(shí)別結(jié)果；匹配初步識(shí)別結(jié)果與前景圖像，消除檢測(cè)過(guò)程中存在的虛警；(5)采用多目標(biāo)粒子濾波和Adaboost檢測(cè)融合的方法實(shí)現(xiàn)車輛目標(biāo)的自適應(yīng)跟蹤，通過(guò)給連續(xù)幾幀目標(biāo)設(shè)定權(quán)值的方法，實(shí)現(xiàn)目標(biāo)的增減。以上可以看出，本發(fā)明主要由幾何校正(步驟I)、背景建模(步驟2)、車輛檢測(cè)(步驟3，4)、車輛跟蹤(步驟5)、參數(shù)計(jì)算等部分組成。所述幾何校正是把圖像坐標(biāo)系變換到世界坐標(biāo)系，以便速度計(jì)算和車長(zhǎng)計(jì)算；所述背景建模部分，負(fù)責(zé)背景模型的更新并將前景部分提取出來(lái)；所述車輛檢測(cè)部分，通過(guò)Adaboost方法訓(xùn)練出車輛分類器，并在檢測(cè)區(qū)域負(fù)責(zé)車輛的檢測(cè)；所述車輛跟蹤部分，負(fù)責(zé)連續(xù)幾幀車輛檢測(cè)結(jié)果的匹配和對(duì)應(yīng)；所述參數(shù)計(jì)算部分，負(fù)責(zé)統(tǒng)計(jì)車流量，實(shí)現(xiàn)速度、密度、車道占有率的計(jì)算，并進(jìn)行相應(yīng)的微觀分析，如停車檢測(cè)、逆行檢測(cè)、超速檢測(cè)等，在交通擁堵的情況下還可實(shí)現(xiàn)車輛排隊(duì)長(zhǎng)度的計(jì)算。幾何校正部分主要涉及車道和檢測(cè)區(qū)域的設(shè)置以及攝像機(jī)標(biāo)定等內(nèi)容。具體步驟如下 (1)將攝像機(jī)架設(shè)在固定的裝置上，在圖像區(qū)域中設(shè)置車輛的檢測(cè)區(qū)域，檢測(cè)區(qū)域設(shè)置最主要的就是虛擬先的選取，與地面埋設(shè)的線圈相似。首先選取與道路方向垂直的一條虛擬線，然后隨機(jī)選取一點(diǎn)標(biāo)示出與之平行的虛擬線，它們與車道線組成的不規(guī)則四邊形即為選取的檢測(cè)區(qū)域。也可同時(shí)設(shè)置多個(gè)檢測(cè)區(qū)域(車道)；
(2)測(cè)量出對(duì)應(yīng)的實(shí)際道路檢測(cè)區(qū)域的車道寬度和檢測(cè)區(qū)域長(zhǎng)度等參數(shù)；
(3)通過(guò)圖像坐標(biāo)系中選取的點(diǎn)的坐標(biāo)和世界坐標(biāo)系中的相應(yīng)坐標(biāo)點(diǎn)，計(jì)算透視變換矩陣；
(4)根據(jù)透視變換矩陣，實(shí)現(xiàn)由圖像坐標(biāo)系到世界坐標(biāo)系的轉(zhuǎn)換。背景建模部分主要包括初始背景估計(jì)和背景更新。為了適應(yīng)復(fù)雜多變的交通環(huán)境，本發(fā)明采用了混合高斯背景建模方法，具體步驟如下
(1)通過(guò)初始背景估計(jì)得到當(dāng)前像素點(diǎn)的灰度值所匹配的特定高斯分布，建立初始背景模型；
(2)對(duì)于視頻圖像的每個(gè)像素點(diǎn)，去當(dāng)前時(shí)刻的灰度值X與高斯模型依次按序比較，如果差值在一定的閾值范圍內(nèi)，則認(rèn)為像素點(diǎn)與該高斯模型匹配，并實(shí)時(shí)更新高斯模型的參數(shù)，得到背景圖像；
(3)將當(dāng)前幀圖像與背景圖像相減，得到前景圖像。車輛檢測(cè)部分包括分類器訓(xùn)練、識(shí)別、匹配部分，如圖2所示。具體步驟如下
(1)從訓(xùn)練圖片集中挑選正樣本和負(fù)樣本，形成訓(xùn)練樣本集；
(2)輸入訓(xùn)練樣本集，在給定的矩形特征原型下，計(jì)算并獲得矩形特征集；
(3)輸入特征集，采用弱學(xué)習(xí)算法，獲得弱分離器集，并在檢測(cè)率和誤判率限制下，使用Adaboost算法挑選最優(yōu)的弱分類器構(gòu)成強(qiáng)分類器；
(4)以強(qiáng)分類器為輸入，將其組合得到最終的級(jí)聯(lián)分類器；
(5)在檢測(cè)區(qū)域圖像上，采用級(jí)聯(lián)分類器進(jìn)行分類，得到初步的識(shí)別結(jié)果；
(6)將初步識(shí)別結(jié)果與前景圖像進(jìn)行匹配，有效消除檢測(cè)過(guò)程中存在的虛警，進(jìn)一步提高檢測(cè)的準(zhǔn)確率。在車輛跟蹤部分，本發(fā)明融合了多目標(biāo)粒子跟蹤算法和Adaboost檢測(cè)算法，實(shí)時(shí)更新粒子濾波的狀態(tài)參數(shù)，實(shí)現(xiàn)了自適應(yīng)的跟蹤。在提高跟蹤算法準(zhǔn)確率的同時(shí)，提高了算法的抗干擾能力。算法流程如圖3所示，具體步驟如下(1)初始化粒子數(shù)目，選擇合理的運(yùn)動(dòng)模型及模型參數(shù)；
(2)在初始幀位置，建立模板，并以目標(biāo)中心點(diǎn)為中心，選擇2倍模板區(qū)域的點(diǎn)作為候選粒子，并進(jìn)行粒子的初始化；
(3)采用運(yùn)動(dòng)模型預(yù)測(cè)粒子的運(yùn)動(dòng)狀態(tài)轉(zhuǎn)移過(guò)程，得到粒子的權(quán)值，并進(jìn)行歸一化；
(4)對(duì)粒子進(jìn)行重采樣，對(duì)粒子進(jìn)行加權(quán)，并計(jì)算其后驗(yàn)概率；
(5)得到跟蹤的目標(biāo)狀態(tài)，并與Adaboost的檢測(cè)結(jié)果進(jìn)行匹配，如果匹配成功，則目標(biāo)的權(quán)值加I ;如果匹配失敗，則認(rèn)為是有新目標(biāo)出現(xiàn)，并對(duì)新目標(biāo)進(jìn)行粒子的初始化；
(6)對(duì)目標(biāo)權(quán)值進(jìn)行判斷，如果其大于預(yù)設(shè)值，則認(rèn)為其連續(xù)幾幀都出現(xiàn)了，判斷目標(biāo)為真，否則，判斷目標(biāo)不正確。 參數(shù)計(jì)算部分主要根據(jù)前面幾何校正、車輛檢測(cè)和車輛跟蹤的結(jié)果進(jìn)行參數(shù)計(jì)算和微觀分析。具體步驟如下
(1)根據(jù)車輛跟蹤對(duì)目標(biāo)分配的權(quán)值進(jìn)行判斷，如果權(quán)值大于一定的閾值，則認(rèn)為是車輛目標(biāo)，計(jì)數(shù)加I ;
(2)根據(jù)同一個(gè)目標(biāo)在圖像坐標(biāo)系中前后兩幀的位置，經(jīng)逆透視變換，可計(jì)算其在世界坐標(biāo)系中的位移，并計(jì)算其當(dāng)前速度；根據(jù)所有目標(biāo)的當(dāng)前速度，可統(tǒng)計(jì)平均速度；同時(shí)可計(jì)算車輛長(zhǎng)度，并進(jìn)行車型的劃分；
(3)交通流密度和時(shí)間占有率可根據(jù)車流量和車速進(jìn)行計(jì)算；
(4)根據(jù)車流速度可進(jìn)行交通狀態(tài)的微觀分析，判斷車輛的停車狀態(tài)、逆行、超速等情
況；
(5)根據(jù)車速可對(duì)交通狀態(tài)進(jìn)行判斷，當(dāng)交通運(yùn)行狀態(tài)為擁堵時(shí)，統(tǒng)計(jì)排隊(duì)長(zhǎng)度。其中，計(jì)算基本的交通參數(shù)時(shí)，可根據(jù)車輛跟蹤結(jié)果對(duì)車輛進(jìn)行統(tǒng)計(jì)計(jì)數(shù)，得到車流量；根據(jù)對(duì)跟蹤結(jié)果的分析，得到車輛在間隔t時(shí)間內(nèi)移動(dòng)的距離，計(jì)算得到車輛速度；通過(guò)統(tǒng)計(jì)車輛通過(guò)的時(shí)間，除以采樣總時(shí)間，得到時(shí)間占有率。根據(jù)車輛檢測(cè)的結(jié)果，可得到車輛在圖像上的像素長(zhǎng)度，通過(guò)透視變換計(jì)算出其在世界坐標(biāo)系中的長(zhǎng)度，即車輛長(zhǎng)度；將車輛長(zhǎng)度按照長(zhǎng)度閾值劃分為大、中、小車型。根據(jù)檢測(cè)的車輛速度進(jìn)行車輛狀態(tài)分析，速度為0時(shí)判定為停車狀態(tài)，速度為負(fù)時(shí)，判定為逆行狀態(tài)，速度超過(guò)最大設(shè)定速度，即為超速狀態(tài)。根據(jù)對(duì)車速的統(tǒng)計(jì)，當(dāng)總體車速小于預(yù)設(shè)閾值時(shí)，即判定為擁堵?tīng)顟B(tài)，并按照車輛的數(shù)目和長(zhǎng)度統(tǒng)計(jì)排隊(duì)長(zhǎng)度。
權(quán)利要求
1.基于視頻的交通信息采集方法，其特征在于，包括以下步驟 (1)在視頻圖像上設(shè)置檢測(cè)區(qū)域，并在調(diào)試過(guò)程中測(cè)量圖像檢測(cè)區(qū)域所對(duì)應(yīng)的實(shí)際道路區(qū)域的尺寸，完成幾何校正，把圖像坐標(biāo)系變換到世界坐標(biāo)系； (2)采用混合高斯模型進(jìn)行背景建模，實(shí)時(shí)的進(jìn)行模型的更新，并提取出前景部分； (3)從樣本圖片集提取正樣本和負(fù)樣本，形成訓(xùn)練樣本集；計(jì)算樣本的矩形特征，并獲得矩形特征集；采用Adaboost方法進(jìn)行訓(xùn)練得到級(jí)聯(lián)分類器； (4)采用級(jí)聯(lián)分類器在檢測(cè)區(qū)域上進(jìn)行識(shí)別車輛，得到初步的識(shí)別結(jié)果；匹配初步識(shí)別結(jié)果與前景圖像，消除檢測(cè)過(guò)程中存在的虛警； (5)采用多目標(biāo)粒子濾波和Adaboost檢測(cè)融合的方法實(shí)現(xiàn)車輛目標(biāo)的自適應(yīng)跟蹤，通過(guò)給連續(xù)幾幀目標(biāo)設(shè)定權(quán)值的方法，實(shí)現(xiàn)目標(biāo)的增減。
2.根據(jù)權(quán)利I所述的基于視頻的交通信息采集方法，其特征在于，步驟I所述幾何校正包括以下步驟 (I. D固定攝像機(jī)，在圖像上手工設(shè)置車輛檢測(cè)區(qū)域； (I. 2)測(cè)量對(duì)應(yīng)的實(shí)際道路檢測(cè)區(qū)域的寬度和長(zhǎng)度參數(shù)； (I. 3)計(jì)算透視變換矩陣，完成幾何校正。
3.根據(jù)權(quán)利I所述的基于視頻的交通信息采集方法，其特征在于，步驟2所述背景建模包括以下步驟 (2. I)通過(guò)初始背景得到當(dāng)前像素點(diǎn)的灰度值所匹配的特定高斯分布，建立初始背景模型； (2. 2)對(duì)于視頻圖像的每個(gè)像素點(diǎn)，去當(dāng)前時(shí)刻的灰度值X與高斯模型依次按序比較，如果差值在一定的閾值范圍內(nèi)，則認(rèn)為像素點(diǎn)與該高斯模型匹配，并實(shí)時(shí)更新高斯模型的參數(shù)，得到背景圖像； (2. 3)將當(dāng)前幀圖像與背景圖像相減，得到前景圖像。
4.根據(jù)權(quán)利I所述的基于視頻的交通信息采集方法，其特征在于，步驟5所述車輛目標(biāo)的自適應(yīng)跟蹤包括以下步驟 (5.1)初始化粒子數(shù)目，選擇運(yùn)動(dòng)模型及模型參數(shù)； (5.2)粒子的初始化； (5. 3)粒子狀態(tài)轉(zhuǎn)移，計(jì)算粒子的權(quán)值，并歸一化； (5. 4)對(duì)粒子進(jìn)行重采樣，對(duì)粒子進(jìn)行加權(quán)，并計(jì)算其后驗(yàn)概率； (5.5)得到跟蹤的目標(biāo)狀態(tài)，并與Adaboost的檢測(cè)結(jié)果進(jìn)行匹配； (5. 6)對(duì)目標(biāo)權(quán)值進(jìn)行判斷，如果其大于預(yù)設(shè)值，則判斷目標(biāo)為真，否則，判斷目標(biāo)不正確。
全文摘要
本發(fā)明公開(kāi)基于視頻的交通信息采集方法。該方法基于圖像處理和模式識(shí)別理論，依次經(jīng)過(guò)檢測(cè)區(qū)域設(shè)置并進(jìn)行幾何校正，高斯背景建模提取出前景目標(biāo)，采用分離器進(jìn)行目標(biāo)的識(shí)別，并將識(shí)別結(jié)果與前景區(qū)域進(jìn)行匹配，消除檢測(cè)的虛警，融合粒子濾波算法和車輛檢測(cè)算法實(shí)現(xiàn)車輛的自適應(yīng)跟蹤，在檢測(cè)結(jié)果的基礎(chǔ)上實(shí)現(xiàn)有效的增加目標(biāo)和目標(biāo)融合，最終實(shí)現(xiàn)本發(fā)明的流量統(tǒng)計(jì)、以及速度、密度、時(shí)間占有率等參數(shù)的計(jì)算。另外，本發(fā)明根據(jù)檢測(cè)跟蹤結(jié)果，還可對(duì)目標(biāo)進(jìn)行微觀交通分析，如違章停車、逆行、超速等檢測(cè)。同時(shí)，可實(shí)現(xiàn)交通狀態(tài)的判斷，如擁堵檢測(cè)，并可進(jìn)行擁堵情況下的排隊(duì)長(zhǎng)度計(jì)算。本發(fā)明具有準(zhǔn)確性高、計(jì)算復(fù)雜度低的優(yōu)點(diǎn)，可滿足實(shí)際應(yīng)用的需要。
文檔編號(hào)G08G1/01GK102768804SQ20121026989
公開(kāi)日2012年11月7日 申請(qǐng)日期2012年7月30日 優(yōu)先權(quán)日2012年7月30日
發(fā)明者馮建帥, 臺(tái)憲青, 王艷軍, 趙旦譜 申請(qǐng)人:江蘇物聯(lián)網(wǎng)研究發(fā)展中心