一種融合實時交通狀態(tài)信息的道路背景提取與更新方法
【專利摘要】本發(fā)明公開了一種融合實時交通狀態(tài)信息的道路背景提取與更新方法，包括：A、根據(jù)道路交通運(yùn)行的實時狀態(tài)和光照變化估測的結(jié)果構(gòu)建選擇性背景幀提取模型；B、根據(jù)構(gòu)建的選擇性背景幀提取模型依次進(jìn)行初始背景選取、背景更新區(qū)域檢測和背景更新處理，以實現(xiàn)對道路背景的自適應(yīng)更新。本發(fā)明根據(jù)道路的實時交通運(yùn)行狀態(tài)和光照變化估測的結(jié)果構(gòu)建選擇性背景幀提取模型，在傳統(tǒng)方法的基礎(chǔ)上建立融合實時交通狀態(tài)信息和光照變化信息的選擇性背景幀提取模型，交通場景的適應(yīng)性較好，且避免了因交通流驟變、運(yùn)動車輛過多或光照變化而對背景圖像造成的干擾，抗干擾能力強(qiáng)且魯棒性較好。本發(fā)明可廣泛應(yīng)用于視頻交通監(jiān)控和圖像處理領(lǐng)域。
【專利說明】一種融合實時交通狀態(tài)信息的道路背景提取與更新方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及視頻交通監(jiān)控和圖像處理領(lǐng)域，尤其是一種融合實時交通狀態(tài)信息的道路背景提取與更新方法。

【背景技術(shù)】
[0002]道路背景的提取與更新是交通運(yùn)動物體檢測、車輛目標(biāo)提取與跟蹤等視頻交通流檢測技術(shù)的重要技術(shù)保障，也是圖像處理中的常用基礎(chǔ)方法。
[0003]目前，道路背景提取與更新算法的核心算法包括三方面，第一個是基本算法的研究，第二個背景更新區(qū)域的檢測和第三個是所采用的樣本源質(zhì)量。在基本算法的研究同內(nèi)容上，主要包括非模型法和模型法兩大類。非模型法的主要思路是通過更多的樣本幀逐步減少或消除噪聲為目的，常見的包括多幀均值法、中值濾波法和直方圖法等；非模型法一般適用于道路交通流量較小的時候，在道路車輛較多且持續(xù)時間較長時，非模型法難以消除車輛的背景噪聲，效果并不理想；模型法則主要以計算量較大的高斯分布的背景模型方法為主，包括眾多現(xiàn)有的混合高斯背景模型的改進(jìn)方法。在背景更新區(qū)域的檢測上，選擇性背景更新模型是一種常用的背景更新模型。選擇性背景更新方法的主要思路是篩選圖像背景更新的區(qū)域，在道路圖像中主要是道路運(yùn)動目標(biāo)的檢測:一種方法是首先提取車輛檢測的初始背景，將當(dāng)前圖像和背景圖像進(jìn)行背景幀差運(yùn)算，如果某點在當(dāng)前圖像和背景圖像的差值小于閾值時，則認(rèn)為該點為背景，進(jìn)行圖像更新，反之，則認(rèn)為該點是運(yùn)動車輛，該方法一般在背景緩慢變化時可以取得很好的效果。此外，還可以通過圖像尺度空間、多分辨率提取算法和運(yùn)動目標(biāo)精確定位等方法對更新區(qū)域進(jìn)行優(yōu)化。
[0004]目前已有不少的道路背景提取與更新算法，但是，現(xiàn)有的道路背景提取與更新算法，一般只考慮到車輛較少的情況或者區(qū)域定位更新的空間層面等背景更新的共性層面，并沒有考慮實時的交通流狀況，交通場景的適應(yīng)性較差，無法避免因交通流驟變、運(yùn)動車輛過多或光照變化而對背景圖像提取與更新造成的干擾，抗干擾能力弱，魯棒性較差。


【發(fā)明內(nèi)容】

[0005]為了解決上述技術(shù)問題，本發(fā)明的目的是:提供一種交通場景的適應(yīng)性較好、抗干擾能力強(qiáng)和魯棒性較好的，融合實時交通狀態(tài)信息的道路背景提取與更新方法。
[0006]本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:一種融合實時交通狀態(tài)信息的道路背景提取與更新方法，包括:
[0007]A、根據(jù)道路交通運(yùn)行的實時狀態(tài)和光照變化估測的結(jié)果構(gòu)建選擇性背景幀提取模型；
[0008]B、根據(jù)構(gòu)建的選擇性背景幀提取模型依次進(jìn)行初始背景選取、背景更新區(qū)域檢測和背景更新處理，以實現(xiàn)對道路背景的自適應(yīng)更新。
[0009]進(jìn)一步，所述步驟A，其包括:
[0010]Al、對交通監(jiān)控視頻圖像進(jìn)行采集；
[0011]A2、對交通監(jiān)控視頻圖像進(jìn)行光照變化估測，得到道路背景更新時刻；
[0012]A3、從交通監(jiān)控視頻圖像中提取出宏觀交通狀態(tài)運(yùn)行參數(shù)，并根據(jù)宏觀交通狀態(tài)運(yùn)行參數(shù)評估道路的實時交通運(yùn)行狀態(tài)；
[0013]A4、根據(jù)道路的實時交通運(yùn)行狀態(tài)參數(shù)計算選擇性圖像幀的模型置信度；
[0014]A5、根據(jù)道路背景更新的光照變化估測結(jié)果、道路的實時交通運(yùn)行狀態(tài)和選擇性圖像幀的模型置信度構(gòu)建選擇性背景幀提取模型。
[0015]進(jìn)一步,所述步驟A2,其包括:
[0016]A21、構(gòu)建時間序列分析自回歸估計模型，所述時間序列分析自回歸估計模型為:
[0017]

【權(quán)利要求】
1.一種融合實時交通狀態(tài)信息的道路背景提取與更新方法，其特征在于:包括: A、根據(jù)道路交通運(yùn)行的實時狀態(tài)和光照變化估測的結(jié)果構(gòu)建選擇性背景幀提取模型； B、根據(jù)構(gòu)建的選擇性背景幀提取模型依次進(jìn)行初始背景選取、背景更新區(qū)域檢測和背景更新處理，以實現(xiàn)對道路背景的自適應(yīng)更新。
2.根據(jù)權(quán)利要求1所述的一種融合實時交通狀態(tài)信息的道路背景提取與更新方法，其特征在于:所述步驟A，其包括: Al、對交通監(jiān)控視頻圖像進(jìn)行采集； A2、對交通監(jiān)控視頻圖像進(jìn)行光照變化估測，得到道路背景更新時刻； A3、從交通監(jiān)控視頻圖像中提取出宏觀交通狀態(tài)運(yùn)行參數(shù)，并根據(jù)宏觀交通狀態(tài)運(yùn)行參數(shù)評估道路的實時交通運(yùn)行狀態(tài)； A4、根據(jù)道路的實時交通運(yùn)行狀態(tài)參數(shù)計算選擇性圖像幀的模型置信度； A5、根據(jù)道路背景更新的光照變化估測結(jié)果、道路的實時交通運(yùn)行狀態(tài)和選擇性圖像幀的模型置信度構(gòu)建選擇性背景幀提取模型。
3.根據(jù)權(quán)利要求2所述的一種融合實時交通狀態(tài)信息的道路背景提取與更新方法，其特征在于:所述步驟A2，其包括: A21、構(gòu)建時間序列分析自回歸估計模型，所述時間序列分析自回歸估計模型為:
其中，11為交通監(jiān)控視頻圖像t時刻的亮度，Tt為交通監(jiān)控視頻圖像t時刻的亮度預(yù)測值，ap為It_p對It的階系數(shù)，ε ρ為隨機(jī)干擾項，P為大于等于I的整數(shù)；Α22、根據(jù)交通監(jiān)控視頻圖像t時刻的亮度It、t時刻的亮度預(yù)測值
'和動態(tài)更新的光照亮度擾動閾值TI，構(gòu)建道路背景更新的亮度置信區(qū)間R，其中，
A23、判斷實時測量的光照亮度是否在亮度置信區(qū)間R內(nèi)，若是，則流程結(jié)束，反之，則轉(zhuǎn)至步驟B對背景進(jìn)行更新。
4.根據(jù)權(quán)利要求2所述的一種融合實時交通狀態(tài)信息的道路背景提取與更新方法，其特征在于:所述步驟A3，其包括: A31、對交通視頻圖像進(jìn)行邊緣特征提取與計算，從而得到交通視頻圖像車輛區(qū)域的圖像邊緣特征點并計算交通監(jiān)控視頻圖像車輛區(qū)域的邊緣占有率，所述交通監(jiān)控視頻圖像車輛區(qū)域的邊緣占有率Occ的計算公式為:
其中，η為劃分的尺度空間數(shù)量，Si為在第i尺度空間提取的邊緣面積，Bi為第i尺度空間的邊緣權(quán)重系數(shù)，Sr為道路區(qū)域的圖像面積，i = 0，1，2，…，η ； Α32、采用幀差法和邊緣提取方法對交通視頻圖像進(jìn)行車輛運(yùn)動特征點提取，從而得到運(yùn)動車輛邊緣特征點集U，然后對特征點集U進(jìn)行光流速度計算，從而得到整個交通流的光流速度，所述交通監(jiān)控視頻圖像車輛區(qū)域的邊緣占有率pg的計算公式為: _ I I /2 m，其中，U e 為提取的運(yùn)動車輛邊緣特征點總數(shù)，bi為第i
/=() /=O尺度空間的光流權(quán)重系數(shù)，Vj為第j個運(yùn)動車輛邊緣特征點的光流速度值； A33、根據(jù)交通視頻圖像車輛區(qū)域的邊緣占有率Occ和整個交通流的光流速度R/ ,采用線性分類器方法對道路的實時交通運(yùn)行狀態(tài)進(jìn)行估測。
5.根據(jù)權(quán)利要求2所述的一種融合實時交通狀態(tài)信息的道路背景提取與更新方法，其特征在于:所述步驟A4，其具體為: 根據(jù)交通視頻圖像當(dāng)前幀車輛區(qū)域的邊緣占有率Occk和運(yùn)動車輛邊緣特征點的光流速度值Velk計算選擇性圖像幀的模型置信度參數(shù)值Wk，所述選擇性圖像幀的模型置信度參數(shù)值Wk的計算公式為:
wk = Velk/Velmax+ (l-0cck/0ccmax)， 其中，{Velk,0cck} 為當(dāng)前幀宏觀交通運(yùn)行狀態(tài)的參數(shù)特征集，Velmax和Occmax分別為參數(shù)特征集采樣序列中光流速度的最大值和邊緣占有率的最大值。
6.根據(jù)權(quán)利要求1所述的一種融合實時交通狀態(tài)信息的道路背景提取與更新方法，其特征在于:所述步驟B，其包括: B1、根據(jù)構(gòu)建的選擇性背景幀提取模型進(jìn)行初始背景選取，從而得到初始背景幀； B2、從交通監(jiān)控視頻圖像中提取出車輛目標(biāo)的運(yùn)動軌跡，然后對多輛車的運(yùn)動軌跡進(jìn)行累積運(yùn)算，從而得到背景更新區(qū)域； B3、根據(jù)構(gòu)建的選擇性背景幀提取模型求取更新樣本的數(shù)量，然后對背景更新區(qū)域進(jìn)行更新； B4、對更新后的道路區(qū)域進(jìn)行中值濾波、連通區(qū)域提取與剔除和校驗后處理。
7.根據(jù)權(quán)利要求6所述的一種融合實時交通狀態(tài)信息的道路背景提取與更新方法，其特征在于:所述步驟BI，其包括: BH、檢測交通視頻圖像中任一視頻幀的交通狀態(tài)級別并計算每個采樣視頻幀的置信度參數(shù)值，然后通過插入排序法對所有視頻幀按置信度參數(shù)值從高至低進(jìn)行排序，從而形成背景選擇幀序列； B12、根據(jù)預(yù)設(shè)的背景收斂準(zhǔn)則采用梯度下降法截斷求取背景候選幀的幀數(shù)N，然后從背景選擇幀序列中選取前N幀作為背景候選幀； B13、判斷背景候選幀的交通狀態(tài)是否為順暢級別以上，若是，則采用中值法求取初始背景幀；反之，則選取置信度參數(shù)值最高的視頻幀作為初始背景幀。
8.根據(jù)權(quán)利要求6所述的一種融合實時交通狀態(tài)信息的道路背景提取與更新方法，其特征在于:所述步驟B2，其具體為: 采用幀差法從交通監(jiān)控視頻圖像中提取車輛目標(biāo)的運(yùn)動軌跡，得到連續(xù)的幀差二值圖像序列，然后對幀差二值圖像序列進(jìn)行累積運(yùn)算，從而得到交通監(jiān)控視頻圖像道路區(qū)域的二值化掩模圖像，所述二值化掩模圖像Ikk(x，y)為:
其中，Λ I/ (χ, y)為t時刻的幀差二值圖像，Ta為道路區(qū)域的迭代累積時間。
9.根據(jù)權(quán)利要求6所述的一種融合實時交通狀態(tài)信息的道路背景提取與更新方法，其特征在于:所述步驟B3，其包括: B31、記錄交通監(jiān)控視頻圖像任一幀的單幀背景更新區(qū)域，然后通過插入排序法對所有幀背景更新區(qū)域按置信度參數(shù)值從高至低進(jìn)行排序，從而得到更新選擇幀序列；B32、對排序后的幀背景更新區(qū)域進(jìn)行并運(yùn)算，從而得到背景更新區(qū)域的迭代掩模圖像； B33、判斷得到的迭代掩模圖像是否與道路區(qū)域相同，若是，則收斂結(jié)束，并以收斂時已參與并運(yùn)算的背景更新區(qū)域個數(shù)作為更新樣本的數(shù)量；反之，則返回步驟B32 ； B34、根據(jù)步驟B12得到的背景候選幀對背景更新區(qū)域進(jìn)行更新。
10.根據(jù)權(quán)利要求6所述的一種融合實時交通狀態(tài)信息的道路背景提取與更新方法，其特征在于:所述步驟B4，其包括: B41、對更新后的道路區(qū)域進(jìn)行中值濾波去噪； B42、從中值濾波后的道路區(qū)域中提取形態(tài)學(xué)處理后的連通域，然后去掉連通域面積小于設(shè)定面積閾值的區(qū)域； B43、對道路區(qū)域的紋理特征進(jìn)行統(tǒng)計與分析，并根據(jù)分析的結(jié)果進(jìn)行覆蓋填充。
【文檔編號】G06T5/40GK104077757SQ201410253503
【公開日】2014年10月1日 申請日期:2014年6月9日 優(yōu)先權(quán)日:2014年6月9日
【發(fā)明者】李熙瑩, 佘永業(yè), 余志 , 羅東華 申請人:中山大學(xué), 廣東方緯科技有限公司