本發(fā)明屬于視頻檢測技術(shù)領(lǐng)域,涉及一種基于視頻圖像處理的車輛檢測方法。
背景技術(shù):
基于視頻圖像處理技術(shù)的應用研發(fā),是一個應用范圍極其廣泛的領(lǐng)域。智能交通系統(tǒng)是目前世界各國交通運輸領(lǐng)域競相研究和開發(fā)的熱點。在智能交通領(lǐng)域中,視頻圖像處理技術(shù)扮演著極其重要的角色,智能交通也隨著視頻/圖像處理技術(shù)的發(fā)展而不斷持續(xù)發(fā)展完善。
目前在智能交通系統(tǒng)中得以應用的視頻/圖像處理技術(shù),也僅僅是極少的一部分,還有很多技術(shù)可以應用到智能交通系統(tǒng)中。目前基于視頻流的車輛檢測方法,在檢測過程中是對背景進行不斷地更新,如果有車長時間停駐的話,則車輛在短時間內(nèi)即會被視為背景,這樣有可能誤判了駐車情況,從而影響最終的檢測精度。
技術(shù)實現(xiàn)要素:
有鑒于此,本發(fā)明提供了一種基于視頻圖像處理的車輛檢測方法,本發(fā)明通過狀態(tài)機的方式,能夠?qū)崿F(xiàn)對駐車情況的判斷,對背景進行有控制的更新,不會出現(xiàn)駐車誤判的情況,準確性高。
為了達到上述目的,本發(fā)明的技術(shù)方案為:一種基于視頻圖像處理的車輛檢測方法,包括如下步驟:
步驟1、從車輛檢測攝像機中的視頻圖像或者已經(jīng)獲得的車輛檢測視頻文件中讀取各幀圖像及其信息。
步驟2、在所讀取的圖像中設置檢測區(qū)域。
步驟3、運動車輛檢測,包括如下步驟:
s301、對所讀取的圖像進行透視變換,將圖像擺正。
s302、針對各幀圖像,基于混合高斯模型GMM背景建模和自適應狀態(tài)機進行背景提取,獲得背景圖像。
s303、將圖像與背景圖像進行背景差分運算,獲得前景。
s304、對前景進行形態(tài)學處理。
s305、判斷前景是否為車輛,對于被判斷為車輛的前景采用虛擬線技術(shù),根據(jù)標定獲得的距離和幀率,計算車輛的速度,并計算車流量。
進一步地,s302包括如下具體步驟:
讀取前n幀圖像,n為大于或者等于2的正整數(shù),運用GMM背景建模的方法針對前n幀圖像建立背景作為原背景,以原背景作為參考背景,隨后對后續(xù)各幀圖像按照時間順序進行檢測,分為四個狀態(tài),分別為S1、S2、S3和S4,在S1~S4狀態(tài)下,實時輸出參考背景,將當前幀圖像乘以設定比率加到參考背景上作為s302中所提取的背景圖像。
S1狀態(tài)下,依據(jù)原背景和當前幀進行幀差提取前景,若前景存在,則運用GMM背景建模的方法處理當前幀圖像作為當前背景,將參考背景實時更新為當前背景,若檢測到連續(xù)設定幀圖像中在同一位置處均提取出前景,進入S2狀態(tài)。
S2狀態(tài)下,參考背景不進行實時更新,依據(jù)參考背景對后續(xù)幀圖像進行前景提取,當檢測到連續(xù)設定幀圖像中在同一位置處均提取出前景后轉(zhuǎn)入S3狀態(tài),否則返回到S1狀態(tài)。
S3狀態(tài)下,繼續(xù)依據(jù)參考背景對后續(xù)幀圖像進行前景提取,判斷在S2狀態(tài)中的同一位置處是否持續(xù)設定幀均提取出前景,若不是,則返回S1狀態(tài);若是,運用GMM背景建模的方法建立處理當前幀圖像作為新背景,存儲該新背景;繼續(xù)對后續(xù)幀圖像進行判斷,當后續(xù)幀圖像與新背景之間幀差小于設定范圍后進入S4狀態(tài)。
S4狀態(tài)下,持續(xù)對后續(xù)幀圖像進行判斷,當設定數(shù)量的后續(xù)幀圖像與新背景的幀差均小于上述范圍,用存儲的新背景作為參考背景,重新返回S1狀態(tài),否則返回S3狀態(tài)。
進一步地,步驟2中設置檢測區(qū)域后,進一步對檢測區(qū)域進行標定;標定為獲取圖像中實際物體之間的距離。
有益效果:
本發(fā)明由于在混合高斯背景建模的背景提取方法中引入自適應狀態(tài)機的方法,能夠提取出更加符合實際情況的背景,且整個算法不需要人工干預,適用于正常行駛道路、路口停駐車檢測,由于采用狀態(tài)機的形式對長期停留在圖像中的物體進行判斷,若是長期駐車,能夠檢測得到駐車情況;判斷過程中若有突發(fā)物的加入,不會立即將突發(fā)物判斷為背景,當突發(fā)物離開之后,依舊以原背景進行前景提取,因此可以適應突發(fā)無加入的情況,具有良好的魯棒性。
附圖說明
圖1是本發(fā)明專利的算法流程框圖;
圖2是本發(fā)明專利運動車輛檢測的算法流程圖;
圖3是本發(fā)明專利自適應狀態(tài)機的流程框圖。
具體實施方式
下面結(jié)合附圖并舉實施例,對本發(fā)明進行詳細描述。
實施例1、
如圖1所示,整個檢測方法包括讀取圖像信息,設置檢測區(qū)域和標定,運動車輛檢測,車流量、車速等信息采集,背景更新。
步驟1、讀取圖像信息,分為從攝像機提取視頻圖像和從視頻文件讀取圖像信息;
步驟2、設置檢測區(qū)域,支持任意形狀、大小的檢測區(qū)域設置,方便靈活。
本實施例中可以進一步對檢測區(qū)域進行標定,標定的主要目的是獲取距離以進行速度相關(guān)的檢測(獲取圖像中實際物體之間的距離,結(jié)合幀率進行速度相關(guān)的計算),提出兩種標定方法,一種為利用行車標線與圖像進行平面映射的方法;另一種為利用道路地標與圖像進行映射的方法。
步驟3、運動車輛檢測,具體如圖2所示,包括透視變換、基于GMM背景建模和自適應狀態(tài)機的背景生成、前景提取、形態(tài)學處理和判斷運動目標;
s301、透視變換的主要作用是消除由于攝像機安裝角度造成的圖像變形,將圖像擺正;
s302、基于GMM背景建模和自適應狀態(tài)機的背景生成作為本發(fā)明的核心,目的是獲取準確的背景,在圖3中說明;
s303、前景提取,主要對圖像與背景圖像進行背景差分運算,前景即為運動目標;
s304、形態(tài)學處理針對前景進行,主要包括陰影消除、腐蝕、膨脹、繪制輪廓等操作;
s305、判斷運動目標,主要針對形態(tài)學處理后的前景,根據(jù)像素、形態(tài)特征等進行是否為車輛的判斷。
基于混合高斯背景建模和自適應狀態(tài)機的背景生成,如圖3所示,基于混合高斯背景建模首先對背景進行訓練,對圖像中每個背景采用一個混合高斯模型進行模擬,常用于進行運動目標提取,但是復雜場景下并不能獲取理想的效果。本發(fā)明專利引入自適應狀態(tài)機方法,結(jié)合混合高斯背景建模進行背景的生成。
讀取前n幀圖像,n為大于或者等于2的正整數(shù),運用GMM背景建模的方法針對前n幀圖像建立背景作為原背景,以原背景作為參考背景,隨后對后續(xù)各幀圖像按照時間順序進行檢測,分為四個狀態(tài),分別為S1、S2、S3和S4,在S1~S4狀態(tài)下,輸出參考背景,將當前幀圖像乘以設定比率加到參考背景上作為s302中所提取的背景圖像;其中設定比率為經(jīng)驗值,本實施例中可以設定為1/10000。
S1狀態(tài)下,依據(jù)原背景和當前幀進行幀差提取前景,若前景存在,則運用GMM背景建模的方法處理當前幀圖像作為當前背景,將參考背景實時更新為當前背景,若檢測到連續(xù)設定幀圖像中在同一位置處均提取出前景,進入S2狀態(tài);
S1狀態(tài)即為對無駐車情況下的背景提取。
S2狀態(tài)下,參考背景不進行實時更新,依據(jù)參考背景對后續(xù)幀圖像進行前景提取,當檢測到連續(xù)設定幀圖像中在同一位置處均提取出前景后轉(zhuǎn)入S3狀態(tài),否則返回到S1狀態(tài)。
S2狀態(tài)為一個駐車判斷的中轉(zhuǎn)過程,即當同一位置處連續(xù)提取出前景時,應當對該前景進行判斷,確定是駐車后再進行后續(xù)狀態(tài)的處理。
S3狀態(tài)下,繼續(xù)依據(jù)原背景對后續(xù)幀圖像進行前景提取,判斷在S2狀態(tài)中的同一位置處是否持續(xù)設定幀均提取出前景,若不是,則返回S1狀態(tài);若是,運用GMM背景建模的方法建立處理當前幀圖像作為新背景,存儲該新背景;繼續(xù)對后續(xù)幀圖像進行判斷,當后續(xù)幀圖像與新背景之間幀差小于設定范圍后進入S4狀態(tài)。
S3狀態(tài)下僅僅對新背景進行了運算,并沒有直接將新背景作為背景圖像進行更新,是否更新還需要進行后續(xù)S4狀態(tài)的判斷。
S4狀態(tài)下,持續(xù)對后續(xù)幀圖像進行判斷,當設定數(shù)量的后續(xù)幀圖像與新背景的幀差均小于上述范圍,用存儲的新背景更新參考背景,重新返回S1狀態(tài),否則返回S3狀態(tài)。
經(jīng)過S4狀態(tài)的判斷,可知新背景在一定時間內(nèi)都沒有發(fā)生改變,可以確定原來檢測到的車輛前景的確是駐車,因此此時再對背景圖像進行更新,更加精確,不會誤判。
如果采用GMM的方法是對背景進行不斷地更新,如果有車長時間停駐的話,則車輛會被視為背景,如果采用本方法則是有控制地對背景進行更新,不會出現(xiàn)上述情況,同時能夠?qū)崿F(xiàn)駐車檢測。
綜上,以上僅為本發(fā)明的較佳實施例而已,并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內(nèi),所作的任何修改、等同替換、改進等,均應包含在本發(fā)明的保護范圍之內(nèi)。