本發(fā)明涉及一種基于局部特征分析的車輛排隊長度快速檢測算法，屬于智能交通管理系統(tǒng)的車流量檢測。

背景技術：

目前已有多種傳感器被用于檢測車輛的存在、數量、排隊情況以及平均速度等，其中基于機器視覺的車輛檢測運用最為廣泛?；跈C器視覺的車輛排隊長度檢測通常由以下幾個步驟組成：車輛存在檢測，尾車檢測，投影轉換等?；诒尘安罘值臋z測算法最為常用，其在一定程度上有賴于運算復雜且系統(tǒng)資源消耗較大的背景建模，背景的純凈度也直接影響著檢測結果的準確性。Albiol A等人提及的算法是利用車輛的角點特征來區(qū)分車輛和背景，同時利用相對位置的變化來判斷其運動狀態(tài)。這種算法需要背景相對純凈，檢測出的背景角點過多會影響檢測結果。Satzoda R K等人將車道內的空間劃分成等距的矩形區(qū)域，由遠到近檢測，并根據像素占用比例獲得隊尾位置。從結果分析可知，在實際中，車輛并不能完全占據某一檢測塊內所有像素點，因此排隊長度檢測不夠準確，且文中只給出了圖中像素長度，并未給出實際長度。Gao Zhongtao采用30m高度以上的攝像頭，可測距離達到500m，把區(qū)域預測和特征檢測相結合，以獲取前景目標，并根據目標的運動特征，計算車輛運行速度以及排隊長度等宏觀交通信息。這種算法以犧牲距離精確度為代價提高檢測范圍，不能準確定位交通道口，針對一個路口給出結論。Song Xiaona將AdaBoost算法和簡單卷積神經網絡相結合，實現了快速分類和實時識別，但是算法復雜度較高，代碼量大，不適合在資源有限的嵌入式系統(tǒng)中使用。上述算法在一定程度上都能夠有效地將車輛檢測出來，但是也都有一定的局限性。

技術實現要素：

本發(fā)明在綜合各類檢測算法的基礎上，提出了一種利用局部特征獲得車輛排隊長度的快速算法：在視頻中每個車道位置提取三列數據并合并為一列進行分析比對，將小波變換和高斯濾波相結合對數據進行去噪處理，最后使用寬度可變的滑動窗進行隊尾檢測，利用建立的攝像機針孔模型獲得映射后的排隊長度。為達到上述目的，本發(fā)明的技術方案為：

一種基于局部特征分析的車輛排隊檢測算法，包括下述步驟：

步驟一、依據針孔模型建立攝像機成像模型，實現像素距離到實際距離的相互轉換；

步驟二、從視頻圖像中的車道所在位置提取三列像素值，并將其合并為一維的特征數組；

步驟三、對視頻圖像中進行特征提取的像素位置建立局部背景，實現局部特征的背景差分；

步驟四、對背景差分后的特征數組進行去噪處理，去噪算法將小波變換和高斯濾波相結合；

步驟五、對去噪后的特征數組進行二值化處理；

步驟六、確定可變滑動窗的窗寬；

步驟七、利用可變滑動窗在一維特征數組上進行跳變檢測，獲得車輛排隊的隊尾位置，并映射為實際長度。

有益效果：

本方法對圖像感興趣區(qū)域進行了縮減，只對畫面中車道所在位置的三列像素值進行研究，極大的減少了算法處理的數據量，實現了車輛排隊長度的快速檢測；

選擇使用攝像機針孔模型實現了像素距離到實際距離的相互轉化，將算法檢測得到的車輛排隊像素長度轉化為實際長度，用于交通燈的智能調節(jié)。

附圖說明

圖1是本發(fā)明中攝像機的成像模型；

圖2是圖像選取局部特征示意圖；

圖3是局部特征數組的去噪處理；

圖4是局部特征數組二值化；

圖5是隊尾檢測算法流程圖；

圖6是車輛排隊長度檢測結果截圖。

具體實施方式

本發(fā)明公開了一種基于局部特征分析的車輛排隊長度快速檢測算法，本方法在原有感興趣區(qū)域的基礎上將圖像特征區(qū)域進一步縮減，只采集圖像中車道所在區(qū)域的三列像素值作為局部特征進行檢測，并且將攝像機抽象為針孔模型實現像素距離到實際距離的轉化。

下面結合附圖并舉具體實施例對本方法做進一步說明：

本實施例針對某一路口的車輛排隊長度進行檢測，檢測步驟如下：

實施例：

步驟一、構建攝像機模型。為測量車輛的排隊情況，需要安裝一個反向的攝像頭迎著來車方向進行拍照。檢測車輛排隊的長度受到攝像機分辨率的限制，需要預先設置視野最遠端。實驗中將攝像機的成像過程簡化為如圖1所示的針孔模型，推導步驟如下：

101、推導出攝像機針孔模型的光軸長度l：

$l=\frac{ab}{AB}(H+\frac{PB\×PA}{H})$

其中P點為攝像機光心在路面上的投影；H為攝像機架設的高度；a點為能夠采集到的畫面底邊位置，對應著路面上的A點，即視野近端，PA段即為攝像機的近端盲區(qū)；成像元件光心所在位置記為b，ob的反向延長線與路面的交點為B，這些量可以通過實際測量，得到光軸l；

102、攝像機與地面呈一定的角度，基于針孔成像原理，利用角關系可以得到相應位置在實際路面上的長度，據此求解得到s(像素距離)向S(實際距離)的轉換：

$S=H\×\frac{|\frac{PB}{H}-\frac{s}{l}|}{1-\frac{s}{l}\×\frac{PB}{H}}$

103、求解S(實際距離)到s(像素距離)的轉換：

$s=\frac{ab}{AB}(H+\frac{PA\×PB}{H})\×\frac{|S/H-PA/H|}{1+S/H\×PA/H}$

步驟二、設車道寬度為L，將車道L/2位置及左右相同距離的位置像素點取出，以中間一列像素值為主要特征對數據進行處理，將另外兩列的數據加權相加作為第二項數據，相應插入到中間一列的像素值中組成一維特征值數組作為圖像關鍵信息點的局部特征。設第n行該列的像素標記為P(n)輸出記為OUT(k)則可以用如式表示：

OUT(k)＝P(n)

OUT(k+1)＝δ×P(n+n×r1)+ε×P(n+n×r2)

式中r1,r2分別是和車道斜率相關的特征點采集斜率，以保證可以均勻的采集到路面上的所有區(qū)域，如圖2所示為選取的路面特征像素位置，通過數據的變化可以表現出車輛對于背景像素灰度值的改變情況，有車輛的位置像素出現與背景差別較大的波動；

步驟三、本發(fā)明基于局部特征的分析，在背景建模中，建模區(qū)域和提取特征像素的位置相同，背景的數據排列結構也與特征提取的結構相同，運用均值法建立背景模型，相比于傳統(tǒng)背景建模極大的減小了算法的時間復雜度，在背景復雜的圖像中背景差分方法能夠很好地降低背景對前景檢測的干擾；

步驟四、利用高斯濾波和小波變換相結合的方法對一維局部特征數組做去噪處理，選取小波基為db4，分解層數為3，效果對比如圖3所示。小波變換是基于短時傅里葉變換發(fā)展起來的，其空域和時域都是局部化的，且各處的頻率自動變換，適合處理非平穩(wěn)信號分析；

步驟五、首先，需要對原數據進行一定的處理，去除幅度較小的信息變化，同時將數據進行絕對值操作方便進行下一步處理，最后再進行局部特征的二值化，二值化閾值為像素均值，結果如圖4所示；

步驟六、確定可變滑動窗的窗寬，具體算法步驟描述如下：

601、確定起點位置start，首次為數組起始點；

602：使用公式計算起點位置對應的路面實際距離L1；

603：將L1加上中型車輛的實際長度e，記為L2；

604：計算L2所對應的圖像中的像素距離，記為窗結束點end；

605：窗寬win的值即為start與end的差值。

步驟七、圖5所示為隊尾檢測流程圖，具體算法步驟描述如下：

701、計算寬度可變的滑動窗的窗寬，利用步驟五介紹的方式求解像素窗寬win；

702、利用滑動窗口在一維特征數組上進行順序檢測，計數各位置窗內的跳變次數，通過實驗確定閾值Y；

703、以閾值Y作為判定條件，確定隊尾位置，結果如圖6所示。再通過像素距離到實際距離的映射公式獲得實際車輛排隊長度。