本發(fā)明涉及智能交通領(lǐng)域,具體而言涉及一種基于航拍圖像的道路交通擁堵分析方法。
背景技術(shù):
隨著經(jīng)濟(jì)的快速發(fā)展,人民生活水平普遍提高,汽車代步行的出行方式日益普及,而城市道路建設(shè)跟不上汽車普及的步伐,隨之而來的就是道路交通狀況日益惡化,這不僅影響了整個(gè)城市的交通問題還嚴(yán)重影響到人們的生命財(cái)產(chǎn)安全。交通智能化是解決當(dāng)今交通問題最有效的重要措施。智能交通技術(shù)的發(fā)展不僅能有效提高車輛運(yùn)行效率,還能緩解駕駛員的疲勞,是減少交通事故的重要途徑。
城市道路交通擁堵分析是智能交通系統(tǒng)的基礎(chǔ)而又非常重要的部分,而城市交通主干道的擁堵分析是其中的研究熱點(diǎn)之一,主要通過交通信息的采集以及建立交通擁堵分析模型來實(shí)現(xiàn)。而當(dāng)前的交通信息采集主要依賴于固定布設(shè)的各類交通檢測設(shè)備,由于維護(hù)成本高、覆蓋面不全,導(dǎo)致當(dāng)前交通擁堵問題尚未解決。近年來無人機(jī)在軍用領(lǐng)域得到了廣泛的應(yīng)用,并且取得了實(shí)質(zhì)性的進(jìn)展和突破,由于無人機(jī)檢測技術(shù)具有使用維護(hù)方便、處理信息量大、無需破壞地面等優(yōu)點(diǎn),因此,將無人機(jī)結(jié)合圖像處理技術(shù)應(yīng)用到道路交通擁堵分析領(lǐng)域中具有重要的意義和應(yīng)用價(jià)值。
技術(shù)實(shí)現(xiàn)要素:
本發(fā)明所要解決的技術(shù)問題是針對現(xiàn)有的交通信息采集設(shè)備的不足以及擁堵分析模型的智能化程度不高,利用無人機(jī)結(jié)合圖像處理技術(shù),提出一種基于航拍圖像的道路交通擁堵分析方法,高效,準(zhǔn)確地分析道路的交通擁堵程度,為交通部門進(jìn)一步做交通擁堵分析以及擁堵疏導(dǎo)策略提供數(shù)據(jù)支持,從而可以盡量避免交通擁堵現(xiàn)象的發(fā)生,使道路交通資源的利用率獲得最大化的合理使用。
本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案:
基于航拍圖像的道路交通擁堵分析方法,包括如下步驟:
步驟1),航拍圖像獲取
通過無人機(jī)采集得到航拍圖像,比如通過無人機(jī)緩慢飛行于道路上方拍攝或者懸停在道路上方旋轉(zhuǎn)攝像頭拍攝的方式,并傳輸至遠(yuǎn)程服務(wù)器保存。
步驟2),動(dòng)態(tài)背景補(bǔ)償
選取首幀為參考幀,后續(xù)幀中某一幀為待補(bǔ)償幀,采用harris算法對參考幀和待補(bǔ)償幀進(jìn)行角點(diǎn)提取,進(jìn)而采用模板匹配法對參考幀和待補(bǔ)償幀中的角點(diǎn)進(jìn)行粗匹配,在粗匹配的基礎(chǔ)上,引入極線約束條件,運(yùn)用ransac算法,剔除粗匹配中的錯(cuò)誤匹配點(diǎn)對,實(shí)現(xiàn)精確匹配,最后根據(jù)精確匹配結(jié)果,求解透射變換矩陣,將待補(bǔ)償幀進(jìn)行透視變換,從而完成背景補(bǔ)償。以此類推,對后續(xù)幀中的每一幀進(jìn)行背景補(bǔ)償。
步驟3),車輛提取
在基于動(dòng)態(tài)背景補(bǔ)償基礎(chǔ)之上,本發(fā)明提出基于像素灰度投票策略完成背景提取,從視頻首幀開始連續(xù)選取若干幀進(jìn)行背景建模。一旦提取出背景后,利用背景減和形態(tài)腐蝕技術(shù),提取出道路車輛。
步驟4),車輛跟蹤
在檢測出首幀的車輛位置后,采用基于多線程技術(shù)的檢測跟蹤復(fù)合算法跟蹤后續(xù)幀中的所有車輛。
步驟5),交通特征參數(shù)提取
在檢測和跟蹤基礎(chǔ)上,根據(jù)車輛的位置信息,結(jié)合視頻幀率和以及像素與實(shí)際物理距離的關(guān)系,計(jì)算交通特征參數(shù):平均行程速度、時(shí)間占有率。
步驟6),交通擁堵分析
利用平均行程速度和時(shí)間占有率作為交通擁堵分析基本指標(biāo),采用模糊理論技術(shù),將路段的擁堵程度分為三個(gè)等級,為基本指標(biāo)建立隸屬度函數(shù),根據(jù)基于加權(quán)的隸屬度最大值來判定擁堵程度等級。
作為本發(fā)明基于航拍圖像的道路交通擁堵分析方法進(jìn)一步的優(yōu)化方案,所述步驟2)中harris角點(diǎn)提取算法的詳細(xì)步驟如下:
步驟2.1)假設(shè)一幅圖像f,其中像素點(diǎn)記為i=(x,y),選取鄰域窗口w∈f,然后平移窗口(δx,δy),求出其水平x方向、垂直y方向的梯度值,再對圖像進(jìn)行高斯濾波,構(gòu)造局部自相關(guān)矩陣m:
式中,ix為點(diǎn)i的x方向的梯度值;iy為點(diǎn)i的y方向的梯度值;
步驟2.2)計(jì)算每個(gè)像素點(diǎn)的harries角點(diǎn)響應(yīng)函數(shù)r(m):
r(m)=det(m)-β·trace2(m)(3)
式中,β是經(jīng)驗(yàn)參數(shù),通常取0.02~0.05;det(m)代表矩陣m行列式值;trace(m)代表矩陣m的跡。當(dāng)r(m)的絕對值較小時(shí),點(diǎn)處于平坦位置,當(dāng)r(m)為負(fù)值且較大時(shí),點(diǎn)處于邊界上,當(dāng)r(m)為正值且較大時(shí),點(diǎn)處在角點(diǎn)位置,則只要對r(m)給定一個(gè)門限閾值t,當(dāng)響應(yīng)值r(m)大于t則認(rèn)為是一個(gè)有意義的角點(diǎn)。
步驟2.3)抑制非極大值,去除偽角點(diǎn)。以像素點(diǎn)i為中心,取大小為3×3模板窗口,滑動(dòng)窗口。對一個(gè)角點(diǎn)的鄰域內(nèi),用當(dāng)前窗口中心角點(diǎn)的響應(yīng)值填充一個(gè)模板,然后用模板覆蓋區(qū)域里的角點(diǎn)和模板值大小比較,保留大值的角點(diǎn),抑制小響應(yīng)值的角點(diǎn)。
作為本發(fā)明基于航拍圖像的道路交通擁堵分析方法進(jìn)一步的優(yōu)化方案,所述步驟2)中模板匹配法的詳細(xì)步驟如下:
步驟3.1)在參考幀中選擇某個(gè)特征點(diǎn)及其鄰域窗口h1;
步驟3.2)在待補(bǔ)償幀中選擇某個(gè)特征點(diǎn)及其鄰域窗口h2;
步驟3.3)將兩個(gè)窗口h1和h2內(nèi)的像素值用公式4進(jìn)行計(jì)算,記錄下s;
步驟3.4)依次選擇待補(bǔ)償幀中其他特征點(diǎn)及其鄰域窗口,重復(fù)步驟3.3,選擇所有求得的s中最小的對應(yīng)的特征點(diǎn)窗口,作為參考幀中該特征點(diǎn)在待補(bǔ)償幀中匹配的特征點(diǎn);
步驟3.5)依次選擇待補(bǔ)償幀中所有特征點(diǎn),重復(fù)步驟(1)到(4),完成所有特征點(diǎn)匹配。
作為本發(fā)明基于航拍圖像的道路交通擁堵分析方法進(jìn)一步的優(yōu)化方案,所述步驟2)中精確匹配的詳細(xì)步驟如下:
步驟4.1)設(shè)定一次抽取到的4對匹配點(diǎn)能夠構(gòu)成最優(yōu)基礎(chǔ)矩陣的概率w,以及模型校驗(yàn)允許的最大誤差ε;
步驟4.2)根據(jù)公式5計(jì)算最大迭代次數(shù),設(shè)擬合定概率p則可以求出迭代次數(shù)k的值;
k=log1-w(1-p)(5)
步驟4.3)從粗匹配集中隨機(jī)取出4組匹配點(diǎn)對,根據(jù)公式6,其中u和u'為匹配點(diǎn)對,并計(jì)算對應(yīng)的基礎(chǔ)矩陣f;
u'tfu=0(6)
步驟4.4)對粗匹配集中剩下的點(diǎn)進(jìn)行模型校驗(yàn),合計(jì)計(jì)算得到的點(diǎn)坐標(biāo)和匹配點(diǎn)真實(shí)點(diǎn)坐標(biāo)在誤差ε的范圍內(nèi)的匹配點(diǎn)對數(shù)量;
步驟4.5)迭代計(jì)數(shù)加1,重復(fù)步:4.3和4.4,直到迭代次數(shù)達(dá)到上限;
步驟4.6)選出所有模型中滿足匹配點(diǎn)數(shù)量最多的模型為最優(yōu)模型,其對應(yīng)的基礎(chǔ)矩陣為最優(yōu)基礎(chǔ)矩陣;
步驟4.7)利用最優(yōu)基礎(chǔ)矩陣,剔除不滿足誤差ε的范圍內(nèi)的匹配點(diǎn)對,得到精確匹配集。
作為本發(fā)明基于航拍圖像的道路交通擁堵分析方法進(jìn)一步的優(yōu)化方案,所述步驟2)中透射變換矩陣的求解詳細(xì)步驟如下:
步驟5.1)設(shè)定一次抽取到的4對匹配點(diǎn)能夠構(gòu)成最優(yōu)透射變換矩陣的概率w,以及模型校驗(yàn)允許的最大誤差ε;
步驟5.2)根據(jù)公式5計(jì)算最大迭代次數(shù),設(shè)擬合定概率p則可以求出迭代次數(shù)k的值;
步驟5.3)從精確匹配集中隨機(jī)取出4組匹配點(diǎn)對,并計(jì)算對應(yīng)的透射變換矩陣;
步驟5.4)對精確匹配集中剩下的點(diǎn)進(jìn)行模型校驗(yàn),合計(jì)計(jì)算得到的點(diǎn)坐標(biāo)和匹配點(diǎn)真實(shí)點(diǎn)坐標(biāo)在誤差ε的范圍內(nèi)的匹配點(diǎn)對數(shù)量;
步驟5.5)迭代計(jì)數(shù)加1,重復(fù)步驟5.3和5.4,直到迭代次數(shù)達(dá)到上限;
步驟5.6)選出所有模型中滿足匹配點(diǎn)數(shù)量最多的模型為最優(yōu)模型,其對應(yīng)的透射變換矩陣為最優(yōu)透射變換矩陣。
作為本發(fā)明基于航拍圖像的道路交通擁堵分析方法進(jìn)一步的優(yōu)化方案,所述步驟3)中基于像素灰度投票策略完成背景提取的詳細(xì)步驟如下:
步驟6.1)設(shè)隊(duì)列長度l,背景調(diào)節(jié)最大步長為δ,計(jì)數(shù)器初始值比例為q;
步驟6.2)取l幀圖像進(jìn)入隊(duì)列,用投票法計(jì)算每個(gè)像素點(diǎn)的背景灰度z(x,y)并生成背景圖z;
步驟6.3)取下一幀圖像進(jìn)入隊(duì)列尾,將隊(duì)列頭的圖像從隊(duì)列中排除;
步驟6.4)再次用投票法計(jì)算每個(gè)像素點(diǎn)的背景灰度z'(x,y);
步驟6.5)若新的背景灰度z'(x,y)-z(x,y)>δ,則背景灰度保持z(x,y),并啟動(dòng)計(jì)數(shù)器;
步驟6.6)重復(fù)步驟6.3和6.4,若更新的背景灰度在計(jì)數(shù)器計(jì)數(shù)期間內(nèi)一直保持在z'(x,y)±δ的范圍內(nèi),則更新背景灰度z(x,y)=z'(x,y);
步驟6.7)循環(huán)重復(fù)步驟6.3至6.6。
上述步驟中,投票法指的是根據(jù)像素在一段時(shí)間內(nèi)的灰度變化,建立灰度變化投票直方圖。若灰度變化緩慢,則直方圖對應(yīng)灰度的投票值大,反之亦然。為抑制光照影響,選取一定鄰域大小,依次為每個(gè)像素所在的鄰域進(jìn)行投票,根據(jù)投票直方圖的投票值,選取最大投票值所對應(yīng)的灰度值作為背景。
作為本發(fā)明基于航拍圖像的道路交通擁堵分析方法進(jìn)一步的優(yōu)化方案,所述步驟4)中基于多線程技術(shù)的檢測跟蹤復(fù)合算法的詳細(xì)步驟如下:
步驟7.1)令計(jì)數(shù)器j=0,檢測線程開始檢測序列圖像第一幀中的車輛,并將檢測結(jié)果包括車輛數(shù)量和位置信息等保存至全局車輛對象detectcarinfo,同時(shí)開啟跟蹤線程,并初始化車輛模型和初始位置;
步驟7.2)j=j(luò)+1,讀入下一幀圖像,判斷j%3==0,如果成立,則跳轉(zhuǎn)至步驟7.3。反之不跳轉(zhuǎn)。同時(shí)判斷j%5==0,如果成立,跳轉(zhuǎn)至步驟7.4,反之,不跳轉(zhuǎn),保持detectcarinfo不更新;跟蹤線程持續(xù)進(jìn)行車輛跟蹤,結(jié)束后跳轉(zhuǎn)至步驟7.5;
步驟7.3)檢測線程讀取j+2幀圖像進(jìn)行檢測,并將檢測結(jié)果保存至temp對象;
步驟7.4)比較temp和detectcarinfo對象屬性中的車輛總數(shù),如果前者大于后者,根據(jù)車輛位置信息相對應(yīng)地將temp賦值給detectcarinfo,并重新初始化車輛模型,其余情況不做操作,保持detectcarinfo不更新,返回步驟7.2;
步驟7.5)若視頻序列未結(jié)束,則返回步驟7.2。
上述步驟中,跟蹤線程指的是采用改進(jìn)的均值漂移算法對車輛進(jìn)行跟蹤,檢測線程指的是步驟2中的車輛提取算法。
作為本發(fā)明基于航拍圖像的道路交通擁堵分析方法進(jìn)一步的優(yōu)化方案,所述步驟5)中平均行程速度的詳細(xì)計(jì)算步驟如下:
基于航拍圖像的平均行程速度計(jì)算公式如下:
式中l(wèi)代表跟蹤區(qū)域路段的長度,單位為km,n代表在該路段在觀測時(shí)段內(nèi)的小時(shí)交通量(veh),ti代表觀測時(shí)段內(nèi)通過該路段的第i輛車所需的行程時(shí)間(s),fvi1'代表車輛接觸跟蹤區(qū)域時(shí)記錄的當(dāng)前幀數(shù),fvi2'代表車身離開跟蹤區(qū)域時(shí)記錄的當(dāng)前幀數(shù),fps代表視頻的幀率,lline代表車道分界線實(shí)際長度,單位為km,lpixel代表車道分界線的成像的像素長度,lpixel代表跟蹤區(qū)域路段的像素長度。
作為本發(fā)明基于航拍圖像的道路交通擁堵分析方法進(jìn)一步的優(yōu)化方案,所述步驟5)中時(shí)間占有率的詳細(xì)計(jì)算步驟如下:
基于航拍圖像的時(shí)間占有率提取公式如下:
式中ti代表第i輛車的車身通過道路某斷面占用的時(shí)間(s),n代表路段在觀測時(shí)段內(nèi)的小時(shí)交通量(veh),t代表總觀測時(shí)間(s),foi1代表車輛開始接觸道路某斷面時(shí)記錄的當(dāng)前幀數(shù),foi2代表車身離開該斷面時(shí)記錄的當(dāng)前幀數(shù),fps代表視頻的幀率。
作為本發(fā)明基于航拍圖像的道路交通擁堵分析方法進(jìn)一步的優(yōu)化方案,所述步驟6)中模糊理論技術(shù)的詳細(xì)步驟如下:
步驟9.1)確定因素集和評判集
將城市主干道劃分為a、b、c三個(gè)等級,因此評判集可以表示為v={暢通,輕微擁堵,嚴(yán)重?fù)矶聖。
選擇時(shí)間占有率和平均行程速度作為評價(jià)指標(biāo),因此因素集可以表示為
步驟9.2)確定因素集中每個(gè)因素的隸屬函數(shù)
時(shí)間占有率的隸屬函數(shù)為:
其中a、b、c分別代表暢通狀態(tài)、輕微擁堵狀態(tài)、嚴(yán)重?fù)矶聽顟B(tài)。
平均行程速度隸屬函數(shù)為:
其中a、b、c分別代表暢通狀態(tài)、輕微擁堵狀態(tài)、嚴(yán)重?fù)矶聽顟B(tài)。
綜上所述,可得模糊關(guān)系矩陣為
步驟9.3)確定因素集的權(quán)重集
選擇加權(quán)平均法,那么權(quán)重集可以表示為a=[a1,a2],其中a1+a2=1。a1表示時(shí)間占有率在評判上的重要程度;a2表示車輛平均行程速度在評判上的重要程度。車輛平均行程速度最能反應(yīng)路段交通狀態(tài)的變化。因此取a1=0.4,a2=0.6,即權(quán)重向量a=[0.4,0.6]。
步驟9.4)模糊變換,確定綜合評判結(jié)果
進(jìn)行模糊變換b=a·r,歸一化后得最終的綜合評判集。
采取最大隸屬度法,即選擇綜合評判集b=(b1,b2,…,bn)中隸屬度最大的bj所對應(yīng)的評判等級bj作為最終的評判結(jié)果。通過比較ba,bb,bc三個(gè)數(shù)值的大小,評判當(dāng)前道路的交通擁堵程度為哪一等級
本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比,具有以下技術(shù)效果:
本發(fā)明提出的基于航拍圖像的道路交通擁堵分析方法,以車輛為分析對象,通過圖像檢測技術(shù)提取車輛平均行程速度和時(shí)間占有率來設(shè)計(jì)擁堵分析模型,實(shí)現(xiàn)道路交通擁堵的分析。首先通過無人機(jī)緩慢飛行于道路上方拍攝或者懸停在道路上方旋轉(zhuǎn)攝像頭拍攝的方式,采集得到航拍圖像,并傳輸至遠(yuǎn)程服務(wù)器保存;其次針對動(dòng)態(tài)背景的航拍圖像引入背景補(bǔ)償技術(shù),在一段時(shí)間內(nèi)重建出靜態(tài)場景,在此基礎(chǔ)上采用基于像素灰度投票策略完成背景提取,進(jìn)而利用背景減和形態(tài)腐蝕技術(shù),提取出道路車輛;然后采用改進(jìn)的均值漂移跟蹤算法,完成所有車輛的跟蹤;最后結(jié)合幀率,計(jì)算出時(shí)間占有率和平均行程速度,并將其作為擁堵分析模型的基本指標(biāo),基于模糊理論建立模型,實(shí)現(xiàn)交通擁堵分析。本發(fā)明能夠?yàn)榻煌ú块T進(jìn)一步做交通擁堵分析以及擁堵疏導(dǎo)策略提供數(shù)據(jù)支持,從而可以盡量避免交通擁堵現(xiàn)象的發(fā)生,使道路交通資源的利用率獲得最大化的合理使用。
附圖說明
圖1為本發(fā)明某些實(shí)施例的基于航拍圖像的道路交通擁堵分析方法的流程示意圖;
圖2為角點(diǎn)粗匹配圖;
圖3為角點(diǎn)精確匹配圖;
圖4(a)和圖4(b)為視頻第5幀和第7幀,以圖4(a)為參考幀,圖4(b)為待補(bǔ)償幀;
圖5(a)為參考幀,圖5(b)為待補(bǔ)償幀的背景補(bǔ)償后結(jié)果;
圖6(a)為視頻中的第856幀,圖6(b)為視頻中的第858幀,圖6(c)為視頻中的第860幀,圖6(d)為視頻中的第862幀,圖6(e)為視頻中的第864幀,圖6(f)為視頻中的第866幀;
圖7(a)為視頻中的第856幀的車輛前景提取圖,圖7(b)為視頻中的第858幀的車輛前景提取圖,圖7(c)為視頻中的第860幀的車輛前景提取圖,圖7(d)為視頻中的第862幀的車輛前景提取圖,圖7(e)為視頻中的第864幀的車輛前景提取圖,圖7(f)為視頻中的第866幀的車輛前景提取圖;
圖8(a)至圖8(f)為車輛跟蹤圖;圖8(a)為視頻中的第746幀車輛跟蹤圖,圖8(b)為視頻中的第748幀車輛跟蹤圖,圖8(c)為視頻中的第750幀車輛跟蹤圖,圖8(d)為視頻中的第752幀車輛跟蹤圖,圖8(e)為視頻中的第754幀車輛跟蹤圖,圖8(f)為視頻中的第756幀車輛跟蹤圖;
圖9(a)至圖9(c)為交通擁堵分析結(jié)果,其中圖9(a)檢測中間車道為暢通狀態(tài),圖9(b)檢測中間車道為輕微擁堵狀態(tài),圖9(c)檢測中間車道為嚴(yán)重?fù)矶聽顟B(tài);
圖10(a)為時(shí)間占有率示意圖,圖10(b)為時(shí)間占有率初始幀示意圖,圖10(c)為時(shí)間占有率結(jié)束幀示意圖;
圖11(a)為平均行程速度示意圖,圖11(b)為平均行程速度初始幀示意圖,圖11(c)為平均行程速度結(jié)束幀示意圖。
具體實(shí)施方式
下面結(jié)合附圖對本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)說明:
圖1所示為基于航拍圖像的道路交通擁堵分析方法的流程示意圖,總體上來說,整個(gè)檢測方法包括下述過程:
第一步:航拍圖像獲取
通過無人機(jī)緩慢飛行于道路上方拍攝或者懸停在道路上方旋轉(zhuǎn)攝像頭拍攝的方式,采集得到航拍圖像,并通過無線網(wǎng)絡(luò)傳輸至遠(yuǎn)程服務(wù)器保存。
第二步:動(dòng)態(tài)背景補(bǔ)償
選取首幀為參考幀,后續(xù)幀中某一幀為待補(bǔ)償幀,采用harris算法對參考幀和待補(bǔ)償幀進(jìn)行角點(diǎn)提取,進(jìn)而采用模板匹配法對參考幀和待補(bǔ)償幀中的角點(diǎn)進(jìn)行粗匹配,在粗匹配的基礎(chǔ)上,引入極線約束條件,運(yùn)用ransac算法,剔除粗匹配中的錯(cuò)誤匹配點(diǎn)對,實(shí)現(xiàn)精確匹配,最后根據(jù)精確匹配結(jié)果,求解透射變換矩陣,將待補(bǔ)償幀進(jìn)行透視變換,從而完成背景補(bǔ)償。以此類推,對后續(xù)幀中的每一幀進(jìn)行背景補(bǔ)償。
第三步:車輛提取
在基于動(dòng)態(tài)背景補(bǔ)償基礎(chǔ)之上,本發(fā)明提出基于像素灰度投票策略完成背景提取,從視頻首幀開始連續(xù)選取若干幀進(jìn)行背景建模。一旦提取出背景后,利用背景減和形態(tài)腐蝕技術(shù),提取出道路車輛。
第四步:車輛跟蹤
在檢測出首幀的車輛位置后,采用基于多線程技術(shù)的檢測跟蹤復(fù)合算法跟蹤后續(xù)幀中的所有車輛。
第五步:交通特征參數(shù)提取
在檢測和跟蹤基礎(chǔ)上,根據(jù)車輛的位置信息,結(jié)合視頻幀率和以及像素與實(shí)際物理距離的關(guān)系,計(jì)算交通特征參數(shù):平均行程速度、時(shí)間占有率。
第六步:交通擁堵分析
利用平均行程速度和時(shí)間占有率作為交通擁堵分析基本指標(biāo),采用模糊理論技術(shù),將路段的擁堵程度分為三個(gè)等級,為基本指標(biāo)建立隸屬度函數(shù),根據(jù)基于加權(quán)的隸屬度最大值來判定擁堵程度等級。
下面結(jié)合圖示與具體實(shí)例對本發(fā)明作進(jìn)一步說明。
圖2展示了角點(diǎn)粗匹配圖,圖3展示了角點(diǎn)精確匹配圖,圖中的連線代表一對匹配的角點(diǎn),從兩幅圖對比可以發(fā)現(xiàn),粗匹配中的連線交叉混亂,而精確匹配圖中的連線基本統(tǒng)一走向,說明引入極線約束條件后,匹配效果更理想。
圖4(a)和圖4(b)為視頻第5幀和第7幀,以圖4(a)為參考幀,圖4(b)為待補(bǔ)償幀,經(jīng)過背景補(bǔ)償后,圖4(b)轉(zhuǎn)化為圖5(b),轉(zhuǎn)化之后,圖5(a)和圖5(b)已經(jīng)切換到同一視角。
圖6(a)至圖6(f)為視頻中的第856幀、第858幀、第860幀、第862幀、第864幀、第866幀。圖7(a)至圖7(f)展示了第856幀、第858幀、第860幀、第862幀、第864幀、第866幀的車輛前景提取效果;
圖8(a)至圖8(f)為車輛跟蹤圖,可以實(shí)現(xiàn)跟蹤圖像中的所有車輛;
圖9(a)至圖9(c)為交通擁堵分析結(jié)果,其中圖9(a)檢測中間車道為暢通狀態(tài),圖9(b)檢測中間車道為輕微擁堵狀態(tài),圖9(c)檢測中間車道為嚴(yán)重?fù)矶聽顟B(tài)。
圖10(a)至圖10(c)為時(shí)間占有率示意圖,圖中的中心水平線代表斷面,車輛從開始接觸水平線時(shí)記錄當(dāng)前幀,到車身離開水平線時(shí)記錄當(dāng)前幀。
圖11(a)至圖11(c)為平均行程速度示意圖,圖中兩條水平線的中間區(qū)域代表跟蹤區(qū)域,車輛從開始接觸第一條水平線時(shí)記錄當(dāng)前幀,到車身離開另一條水平線時(shí)記錄當(dāng)前幀。
下面對本發(fā)明一些步驟進(jìn)行更詳細(xì)的解釋與描述。
第二步中,本發(fā)明采用的是harris角點(diǎn)提取算法,而目前較為經(jīng)典的檢測算法有:susan算法、moravec算法、sift算法、mic算法和harris算法等,其中susan算法計(jì)算量較大,不利于快速配準(zhǔn),moravec算法定位準(zhǔn)確度不高,抗干擾能力低,sift算法維數(shù)高,實(shí)時(shí)性差,mic算法需要設(shè)置兩個(gè)閾值門限,在實(shí)際中需要輔助操作,相對來說,harris算法速度快,精度高,抗干擾能力強(qiáng),可以有效地解決航拍圖像背景復(fù)雜,干擾較多等問題,因此本發(fā)明決定選擇harris算法進(jìn)行角點(diǎn)提取,其詳細(xì)步驟如下:
步驟2.1)假設(shè)一幅圖像f,其中像素點(diǎn)記為i=(x,y),選取鄰域窗口w∈f,然后平移窗口(δx,δy),求出其水平x方向、垂直y方向的梯度值,再對圖像進(jìn)行高斯濾波,構(gòu)造局部自相關(guān)矩陣m:
式中,ix為點(diǎn)i的x方向的梯度值;iy為點(diǎn)i的y方向的梯度值;
步驟2.2)計(jì)算每個(gè)像素點(diǎn)的harries角點(diǎn)響應(yīng)函數(shù)r(m):
r(m)=det(m)-β·trace2(m)(3)
式中,β是經(jīng)驗(yàn)參數(shù),通常取0.02~0.05;det(m)代表矩陣m行列式值;trace(m)代表矩陣m的跡。當(dāng)r(m)的絕對值較小時(shí),點(diǎn)處于平坦位置,當(dāng)r(m)為負(fù)值且較大時(shí),點(diǎn)處于邊界上,當(dāng)r(m)為正值且較大時(shí),點(diǎn)處在角點(diǎn)位置,則只要對r(m)給定一個(gè)門限閾值t,當(dāng)響應(yīng)值r(m)大于t則認(rèn)為是一個(gè)有意義的角點(diǎn)。
步驟2.3)抑制非極大值,去除偽角點(diǎn)。以像素點(diǎn)i為中心,取大小為3×3模板窗口,滑動(dòng)窗口。對一個(gè)角點(diǎn)的鄰域內(nèi),用當(dāng)前窗口中心角點(diǎn)的響應(yīng)值填充一個(gè)模板,然后用模板覆蓋區(qū)域里的角點(diǎn)和模板值大小比較,保留大值的角點(diǎn),抑制小響應(yīng)值的角點(diǎn)。
第二步中,本發(fā)明采用的粗匹配方法為模板匹配法,所有匹配中屬模板匹配最為簡單,以每個(gè)特征點(diǎn)為中心提取出(2n+1)×(2n+1)的一個(gè)窗口,然后將兩幅圖中所有特征點(diǎn)按最小二乘的原則進(jìn)行匹配,差異最小的窗口認(rèn)為匹配成功,其詳細(xì)步驟如下:
步驟3.1)在參考幀中選擇某個(gè)特征點(diǎn)及其鄰域窗口h1;
步驟3.2)在待補(bǔ)償幀中選擇某個(gè)特征點(diǎn)及其鄰域窗口h2;
步驟3.3)將兩個(gè)窗口h1和h2內(nèi)的像素值用公式4進(jìn)行計(jì)算,記錄下s;
步驟3.4)依次選擇待補(bǔ)償幀中其他特征點(diǎn)及其鄰域窗口,重復(fù)步驟3.3,選擇所有求得的s中最小的對應(yīng)的特征點(diǎn)窗口,作為參考幀中該特征點(diǎn)在待補(bǔ)償幀中匹配的特征點(diǎn);
步驟3.5)依次選擇待補(bǔ)償幀中所有特征點(diǎn),重復(fù)步驟(1)到(4),完成所有特征點(diǎn)匹配。
第二步中,本發(fā)明在粗匹配的基礎(chǔ)上進(jìn)行精確匹配,因?yàn)榇制ヅ潆m然實(shí)現(xiàn)簡單,基本上也能準(zhǔn)確匹配,但類似于其他匹配算法一樣,由于沒有引入任何判決條件,僅僅通過修正相關(guān)窗之間的相互關(guān)系來進(jìn)行匹配,必會(huì)使得圖像中有一些偶然相似或者結(jié)構(gòu)重復(fù)的單元極易受到誤判而被認(rèn)為是相同的場景部分。如果在此基礎(chǔ)上通過引入一些判決條件,利用判決條件剔除模板匹配中的錯(cuò)誤匹配點(diǎn)對,那么就能理想的獲取精準(zhǔn)的匹配點(diǎn)對。因此,本發(fā)明引入極線約束條件,運(yùn)用ransac算法求得最優(yōu)基礎(chǔ)矩陣,然后根據(jù)基礎(chǔ)矩陣剔除粗匹配中的錯(cuò)誤匹配點(diǎn)對,得到精確匹配結(jié)果。其詳細(xì)步驟如下:
步驟4.1)設(shè)定一次抽取到的4對匹配點(diǎn)能夠構(gòu)成最優(yōu)基礎(chǔ)矩陣的概率w,以及模型校驗(yàn)允許的最大誤差ε;
步驟4.2)根據(jù)公式5計(jì)算最大迭代次數(shù),設(shè)擬合定概率p則可以求出迭代次數(shù)k的值;
k=log1-w(1-p)(5)
步驟4.3)從粗匹配集中隨機(jī)取出4組匹配點(diǎn)對,根據(jù)公式6,其中u和u'為匹配點(diǎn)對,并計(jì)算對應(yīng)的基礎(chǔ)矩陣f;
u'tfu=0(6)
步驟4.4)對粗匹配集中剩下的點(diǎn)進(jìn)行模型校驗(yàn),合計(jì)計(jì)算得到的點(diǎn)坐標(biāo)和匹配點(diǎn)真實(shí)點(diǎn)坐標(biāo)在誤差ε的范圍內(nèi)的匹配點(diǎn)對數(shù)量;
步驟4.5)迭代計(jì)數(shù)加1,重復(fù)步:4.3和4.4,直到迭代次數(shù)達(dá)到上限;
步驟4.6)選出所有模型中滿足匹配點(diǎn)數(shù)量最多的模型為最優(yōu)模型,其對應(yīng)的基礎(chǔ)矩陣為最優(yōu)基礎(chǔ)矩陣;
步驟4.7)利用最優(yōu)基礎(chǔ)矩陣,剔除不滿足誤差ε的范圍內(nèi)的匹配點(diǎn)對,得到精確匹配集。
第二步中,采用的是透射變換矩陣,而目前常用的幾種運(yùn)動(dòng)參數(shù)模型有:平移運(yùn)動(dòng)模型、投影運(yùn)動(dòng)模型、雙線性運(yùn)動(dòng)模型、仿射運(yùn)動(dòng)模型等,其中平移運(yùn)動(dòng)模型,是最簡單的運(yùn)動(dòng)參數(shù)模型,涉及兩個(gè)參數(shù),雖然計(jì)算量小,但運(yùn)動(dòng)矢量與航拍載具的實(shí)際運(yùn)動(dòng)存在著差異,因此利用此模型進(jìn)行全局運(yùn)動(dòng)估計(jì)會(huì)帶來較大誤差。投影運(yùn)動(dòng)參數(shù)模型,相比于與仿射運(yùn)動(dòng)模型更為精確,它涉及八個(gè)參數(shù),不僅可處理矩形到任意四邊形的轉(zhuǎn)變,而且也可以處理旋轉(zhuǎn)。雙線性運(yùn)動(dòng)參數(shù)模型共有十參數(shù),可以處理平行四邊形的任意形變,但是其計(jì)算復(fù)雜度較大。本發(fā)明考慮到后續(xù)檢測的準(zhǔn)確性,又兼顧計(jì)算復(fù)雜度,所以,選擇投影運(yùn)動(dòng)參數(shù)模型,其關(guān)鍵在于求解透射變換矩陣。求解的詳細(xì)步驟如下:
步驟5.1)設(shè)定一次抽取到的4對匹配點(diǎn)能夠構(gòu)成最優(yōu)透射變換矩陣的概率w,以及模型校驗(yàn)允許的最大誤差ε;
步驟5.2)根據(jù)公式5計(jì)算最大迭代次數(shù),設(shè)擬合定概率p則可以求出迭代次數(shù)k的值;
步驟5.3)從精確匹配集中隨機(jī)取出4組匹配點(diǎn)對,并計(jì)算對應(yīng)的透射變換矩陣;
步驟5.4)對精確匹配集中剩下的點(diǎn)進(jìn)行模型校驗(yàn),合計(jì)計(jì)算得到的點(diǎn)坐標(biāo)和匹配點(diǎn)真實(shí)點(diǎn)坐標(biāo)在誤差ε的范圍內(nèi)的匹配點(diǎn)對數(shù)量;
步驟5.5)迭代計(jì)數(shù)加1,重復(fù)步:5.3和5.4,直到迭代次數(shù)達(dá)到上限;
步驟5.6)選出所有模型中滿足匹配點(diǎn)數(shù)量最多的模型為最優(yōu)模型,其對應(yīng)的透射變換矩陣為最優(yōu)透射變換矩陣。
第三步中采用基于像素灰度投票策略完成背景提取,該方法考察圖像內(nèi)的每一個(gè)像素點(diǎn)的變化情況,通過變化情況來估算該點(diǎn)像素灰度的概率分布,進(jìn)而確定該點(diǎn)的背景像素灰度值。相比高斯建模法,在效果相當(dāng)?shù)那闆r下,提升了建模速度。相比均值建模法,建模效果明顯更好。因此本發(fā)明提出的基于像素灰度投票策略滿足工程開發(fā)需求,其詳細(xì)步驟如下:
步驟6.1)設(shè)隊(duì)列長度l,背景調(diào)節(jié)最大步長為δ,計(jì)數(shù)器初始值比例為q;
步驟6.2)取l幀圖像進(jìn)入隊(duì)列,用投票法計(jì)算每個(gè)像素點(diǎn)的背景灰度z(x,y)并生成背景圖z;
步驟6.3)取下一幀圖像進(jìn)入隊(duì)列尾,將隊(duì)列頭的圖像從隊(duì)列中排除;
步驟6.4)用投票法計(jì)算每個(gè)像素點(diǎn)的背景灰度z'(x,y);
步驟6.5)若新的背景灰度z'(x,y)-z(x,y)>δ,則背景灰度保持z(x,y),并啟動(dòng)計(jì)數(shù)器
步驟6.6)重復(fù)步驟6.3和6.4,若更新的背景灰度在計(jì)數(shù)器計(jì)數(shù)期間內(nèi)一直保持在z'(x,y)±δ的范圍內(nèi),則更新背景灰度z(x,y)=z'(x,y);
步驟6.7)循環(huán)重復(fù)步驟6.3至6.6。
上述步驟中,投票法指的是根據(jù)像素在一段時(shí)間內(nèi)的灰度變化,建立灰度變化投票直方圖。若灰度變化緩慢,則直方圖對應(yīng)灰度的投票值大,反之亦然。為抑制光照影響,選取一定鄰域大小,依次為每個(gè)像素所在的鄰域進(jìn)行投票,根據(jù)投票直方圖的投票值,選取最大投票值所對應(yīng)的灰度值作為背景。
第四步中采用基于多線程技術(shù)的檢測跟蹤復(fù)合算法,因?yàn)榭紤]到道路車輛的總數(shù)是時(shí)刻變化的,可能來自于新車輛的隨機(jī)出現(xiàn)或者舊車輛的消失,如果僅僅采用改進(jìn)的均值漂移跟蹤算法是沒法跟蹤新出現(xiàn)的車輛,所以本發(fā)明利用多線程技術(shù),同時(shí)計(jì)算車輛檢測算法和車輛跟蹤算法,為兩個(gè)算法獨(dú)立分配一個(gè)線程,每隔一段時(shí)間進(jìn)行通信矯正跟蹤結(jié)果,有效解決因車輛總數(shù)時(shí)刻變化而導(dǎo)致跟蹤難的問題,其詳細(xì)步驟如下:
步驟7.1)令計(jì)數(shù)器j=0,檢測線程開始檢測序列圖像第一幀中的車輛,并將檢測結(jié)果包括車輛數(shù)量和位置信息等保存至全局車輛對象detectcarinfo,同時(shí)開啟跟蹤線程,并初始化車輛模型和初始位置;
步驟7.2)j=j(luò)+1,讀入下一幀圖像,判斷j%3==0,如果成立,則跳轉(zhuǎn)至步驟7.3。反之不跳轉(zhuǎn)。同時(shí)判斷j%5==0,如果成立,跳轉(zhuǎn)至步驟7.4,反之,不跳轉(zhuǎn),保持detectcarinfo不更新;跟蹤線程持續(xù)進(jìn)行車輛跟蹤,結(jié)束后跳轉(zhuǎn)至步驟7.5;
步驟7.3)檢測線程讀取j+2幀圖像進(jìn)行檢測,并將檢測結(jié)果保存至temp對象;
步驟7.4)比較temp和detectcarinfo對象屬性中的車輛總數(shù),如果前者大于后者,根據(jù)車輛位置信息相對應(yīng)地將temp賦值給detectcarinfo,并重新初始化車輛模型,其余情況不做操作,保持detectcarinfo不更新,返回步驟7.2;
步驟7.5)若視頻序列未結(jié)束,則返回步驟7.2。
上述步驟中,跟蹤線程指的是采用改進(jìn)的均值漂移算法對車輛進(jìn)行跟蹤,檢測線程指的是步驟2中的車輛提取算法。
第五步中采用的平均行程速度和時(shí)間占有率作為評價(jià)指標(biāo),而常用的評價(jià)指標(biāo)有很多,比如:交通流量、平均行程速度、瞬時(shí)速度、時(shí)間占有率、空間占有率、平均排隊(duì)長度以及飽和度等。為了使所建立的道路交通擁堵分析模型更加準(zhǔn)確并且具有很好的推廣性,需要了解每個(gè)評價(jià)指標(biāo)與路網(wǎng)的表征關(guān)系,以確保道路交通擁堵分析模型數(shù)據(jù)輸入的準(zhǔn)確可靠性。同時(shí)評價(jià)指標(biāo)的選取不能從單個(gè)方面考慮,而是必須從多方面進(jìn)行綜合考慮,既要保證所選取的評價(jià)指標(biāo)能夠準(zhǔn)確地評價(jià)道路的交通狀態(tài),還要保證所選取的評價(jià)指標(biāo)測量或者計(jì)算過程簡單。
因此本發(fā)明考慮到平均排隊(duì)長受紅綠燈配時(shí)影響較大,獲取難度大;交通流量不能真實(shí)反映交通狀態(tài),流量為零時(shí),路上有可能沒車也有可能發(fā)生嚴(yán)重?fù)矶卢F(xiàn)象;瞬時(shí)速度和空間占有率從圖像檢測角度提取難度較大,精度不高,影響后續(xù)模型分析的準(zhǔn)確性,而平均行程速度和時(shí)間占有率無論從計(jì)算角度還是準(zhǔn)確角度都能很好的滿足工程需求。所以本發(fā)明選擇這兩者作為評價(jià)指標(biāo)。參考圖10和圖11,其計(jì)算步驟如下:
基于航拍圖像的平均行程速度計(jì)算公式如下:
式中l(wèi)代表跟蹤區(qū)域路段的長度,單位為km,n代表在該路段在觀測時(shí)段內(nèi)的小時(shí)交通量(veh),ti代表觀測時(shí)段內(nèi)通過該路段的第i輛車所需的行程時(shí)間(s),fvi1'代表車輛接觸跟蹤區(qū)域時(shí)記錄的當(dāng)前幀數(shù),fvi2'代表車身離開跟蹤區(qū)域時(shí)記錄的當(dāng)前幀數(shù),fps代表視頻的幀率,lline代表車道分界線實(shí)際長度,單位為km,lpixel代表車道分界線的成像的像素長度,lpixel代表跟蹤區(qū)域路段的像素長度。
基于航拍圖像的時(shí)間占有率提取公式如下:
式中ti代表第i輛車的車身通過道路某斷面占用的時(shí)間(s),n代表路段在觀測時(shí)段內(nèi)的小時(shí)交通量(veh),t代表總觀測時(shí)間(s),foi1代表車輛開始接觸道路某斷面時(shí)記錄的當(dāng)前幀數(shù),foi2代表車身離開該斷面時(shí)記錄的當(dāng)前幀數(shù),fps代表視頻的幀率。
第六步中采用的模糊理論技術(shù),其詳細(xì)步驟如下:
步驟9.1)確定因素集和評判集
將城市主干道劃分為a、b、c三個(gè)等級,因此評判集可以表示為v={暢通,輕微擁堵,嚴(yán)重?fù)矶聖。
選擇時(shí)間占有率和平均行程速度作為評價(jià)指標(biāo),因此因素集可以表示為
步驟9.2)確定因素集中每個(gè)因素的隸屬函數(shù)
時(shí)間占有率的隸屬函數(shù)為:
其中a、b、c分別代表暢通狀態(tài)、輕微擁堵狀態(tài)、嚴(yán)重?fù)矶聽顟B(tài)。
平均行程速度隸屬函數(shù)為:
其中a、b、c分別代表暢通狀態(tài)、輕微擁堵狀態(tài)、嚴(yán)重?fù)矶聽顟B(tài)。
綜上所述,可得模糊關(guān)系矩陣為
步驟9.3)確定因素集的權(quán)重集
選擇加權(quán)平均法,那么權(quán)重集可以表示為a=[a1,a2],其中a1+a2=1。a1表示時(shí)間占有率在評判上的重要程度;a2表示車輛平均行程速度在評判上的重要程度。車輛平均行程速度最能反應(yīng)路段交通狀態(tài)的變化。因此取a1=0.4,a2=0.6,即權(quán)重向量a=[0.4,0.6]。
步驟9.4)模糊變換,確定綜合評判結(jié)果
進(jìn)行模糊變換b=a·r,歸一化后得最終的綜合評判集。
采取最大隸屬度法,即選擇綜合評判集b=(b1,b2,…,bn)中隸屬度最大的bj所對應(yīng)的評判等級bj作為最終的評判結(jié)果。通過比較ba,bb,bc三個(gè)數(shù)值的大小,假設(shè)bb=max(ba,bb,bc),則可評判當(dāng)前道路的交通擁堵程度為b等級,即輕微擁堵狀態(tài)。
本技術(shù)領(lǐng)域技術(shù)人員可以理解的是,除非另外定義,這里使用的所有術(shù)語(包括技術(shù)術(shù)語和科學(xué)術(shù)語)具有與本發(fā)明所屬領(lǐng)域中的普通技術(shù)人員的一般理解相同的意義。還應(yīng)該理解的是,諸如通用字典中定義的那些術(shù)語應(yīng)該被理解為具有與現(xiàn)有技術(shù)的上下文中的意義一致的意義,并且除非像這里一樣定義,不會(huì)用理想化或過于正式的含義來解釋。
以上所述的具體實(shí)施方式,對本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳細(xì)說明,所應(yīng)理解的是,以上所述僅為本發(fā)明的具體實(shí)施方式而已,并不用于限制本發(fā)明,凡在本發(fā)明的精神和原則之內(nèi),所做的任何修改、等同替換、改進(jìn)等,均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。