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；代表卷積運(yùn)算；w代表高斯窗口：

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；代表卷積運(yùn)算；w代表高斯窗口：

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)。