国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種在車輛動態(tài)行駛中的擁堵檢測方法

      文檔序號:9811416閱讀:286來源:國知局
      一種在車輛動態(tài)行駛中的擁堵檢測方法
      【技術(shù)領(lǐng)域】
      [0001] 本發(fā)明屬于車輛擁堵檢測方法技術(shù)領(lǐng)域,尤其涉及一種在車輛動態(tài)行駛中的擁堵 檢測方法。
      【背景技術(shù)】
      [0002] 隨著私家車數(shù)量的不斷增加,城市交通是日益不堪重負,往往在整個交通運行高 峰期中,不得不通過交警在各路口的值守,來解決目前日益擁堵的交通問題,這樣耗費了大 量的人力。不過隨著科學(xué)技術(shù)的進步,研發(fā)了一種攝像裝置,通過后臺人工觀察視頻上的車 輛流動的密集程度和速度來判斷擁堵情況,導(dǎo)致準(zhǔn)確性不高,而且還不能提前預(yù)測擁堵的 到來。

      【發(fā)明內(nèi)容】

      [0003] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)存在的不足,而提供一種在車輛動態(tài)行駛中的擁 堵檢測方法,目的在于檢測效果精確,可快速解決擁堵情況。
      [0004] 本發(fā)明的目的是通過如下技術(shù)方案來完成的,該方法包括如下步驟:
      [0005] 1 )、車輛前景檢測:通過視頻拍攝,輸入視頻檢測區(qū)域內(nèi)的每一幀灰度圖,框選每 一幀灰度圖的某一區(qū)域采用Vibe算法進行背景建模,并提取車輛運動前景,對每個運動前 景進行面積過濾,濾除面積太大或太小的前景,保留最有可能是車輛的前景;
      [0006] 2)、車輛跟蹤:采用Felzenszwalb算法對每一個車輛前景目標(biāo),提取以目標(biāo)中心為 中心、尺寸為目標(biāo)二倍大小的方形區(qū)域的同尺度FH0G特征和不同的33個尺度的FH0G特征, 提取步驟如下:
      [0007] (1)把圖像轉(zhuǎn)換成灰度圖,用X方向上的梯度算子[_1,0,1]和y方向上的梯度算子 [_1,0,1]T對灰度圖進行濾波;
      [0008] (2)對圖像上的每一個特征點,計算梯度方向和幅值,公式如下:
      [0011] 計算梯度方向時同時計算有符號(0-360°)或無符號(0-180°)的梯度方向;
      [0012] (3)用梯度方向和幅值對有符號的18個bin和無符號的9個bin進行權(quán)重投票,得到 一個長度為18的向量和一個長度為9的向量;
      [0013] (4)每四個單元組合成一個塊,塊內(nèi)對向量進行歸一化,以消除光照影響;
      [0014] (5)Felzenszwalb提取了大量單元的無符號梯度,每個單元共4X9 = 36維特征,并 進行主成分分析(PCA),發(fā)現(xiàn)使用前11個特征向量基本上可以包含所有的信息,不過為了快 速計算,由主成分可視化的結(jié)果得到了一種近似的PCA降維效果;具體來說,將36維向量看 成4 X 9的矩陣,對每一行,每一列求和得到13維特征,基本上能達到H0G特征36維的檢測效 果;為了提高那些適合使用有符號梯度目標(biāo)的檢測精度,再對18個有符號梯度方向求和得 到18維向量,并加入其中,最后得到下圖中的13+18 = 31維特征向量;
      [0015] (6)FH0G特征提取完成以后,分別用平移濾波器和尺度濾波器對目標(biāo)進行平移跟 蹤和尺度跟蹤;
      [0016] 3)、根據(jù)跟蹤的結(jié)果計算每一個車輛目標(biāo)的實時速度,并對累積實時速度Va進行 更新,更新率可以設(shè)置成0.1;判斷Va是否小于一定閾值,若是,代表車輛擁堵并進行報警, 否則不報警。
      [0017] 作為優(yōu)選,所述的車輛前景檢測通過判斷當(dāng)前幀像素點和背景模型中的樣本像素 點像素值距離是否大于閾值R來實現(xiàn),其判斷遵循如下公式:
      [0018] #{Sr(v(x) ) Π {vi,V2, ···,vn} } > #min
      [0019] 參數(shù)設(shè)置為 N=20,#min = 2,R = 20。
      [0020] 作為優(yōu)選,所述的平移跟蹤的平移濾波步驟如下:
      [0021] 1)、初始化目標(biāo)的預(yù)期高斯輸出G(二維);
      [0022] 2)、以目標(biāo)舊位置為中心,采集一個尺寸為目標(biāo)2倍大小的樣本Z;
      [0023] 3)、樣本中每個像素點計算28維融合特征(1維原始灰度特征+27維fhog特征),乘 以二維hann窗口后作為測試輸入Z;
      [0025] 作為優(yōu)選,所述的尺度跟蹤的尺度濾波步驟如下:
      [0026] 1)、初始化尺度的預(yù)期高斯輸出G(三維);
      [0027] 2)、以目標(biāo)新位置為中心,提取33種不同尺度下的樣本Z;
      [0028] 3)、把每個樣本resize成固定尺寸,分別提取317維fhog特征,每個樣本的所有 fhog特征再串聯(lián)成一個特征向量構(gòu)成33層金字塔特征,乘以一維harm窗口后作為測試輸入 Z;
      [0030] 本發(fā)明的有益效果為:可以快速、精準(zhǔn)、直觀的反應(yīng)車輛擁堵情況,并對可能的擁 堵進行提前報警,從而提高車輛的通行效率及保證道路的通暢,為車輛的快速通行提供強 有力的支撐。
      【附圖說明】
      [0031] 圖1是本發(fā)明的擁堵檢測流程示意圖。
      [0032] 圖2是本發(fā)明的FH0G特征向量提取捕捉示意圖。
      [0033]圖3是本發(fā)明的用梯度方向和幅值進行權(quán)重投票示意圖。
      [0034]圖4是本發(fā)明的平移跟蹤的平移濾波步驟示意圖。
      [0035]圖5是本發(fā)明的尺度跟蹤的尺度濾波步驟示意圖。
      [0036]圖6是本發(fā)明的vibe原理示意圖。
      【具體實施方式】
      [0037] 下面將結(jié)合附圖對本發(fā)明做詳細的介紹:如附圖1所示,本發(fā)明的方法包括如下步 驟:
      [0038] 1 )、車輛前景檢測:通過視頻拍攝,輸入視頻檢測區(qū)域內(nèi)的每一幀灰度圖,框選每 一幀灰度圖的某一區(qū)域采用Vibe算法進行背景建模,并提取車輛運動前景,對每個運動前 景進行面積過濾,濾除面積太大或太小的前景,保留最有可能是車輛的前景;
      [0039] 2)、車輛跟蹤:采用Felzenszwalb算法對每一個車輛前景目標(biāo),提取以目標(biāo)中心為 中心、尺寸為目標(biāo)二倍大小的方形區(qū)域的同尺度FH0G特征和不同的33個尺度的FH0G特征, 提取步驟如下:
      [0040] (1)把圖像轉(zhuǎn)換成灰度圖,用X方向上的梯度算子[_1,0,1]和y方向上的梯度算子 [_1,0,1]T對灰度圖進行濾波;
      [0041] (2)對圖像上的每一個特征點,計算梯度方向和幅值,公式如下:
      [0044] 計算梯度方向時同時計算有符號(0-360°)或無符號(0-180°)的梯度方向;
      [0045] (3)用梯度方向和幅值對有符號的18個bin和無符號的9個bin進行權(quán)重投票,得到 一個長度為18的向量和一個長度為9的向量(如附圖3所不);
      [0046] (4)每四個單元組合成一個塊,塊內(nèi)對向量進行歸一化,以消除光照影響;
      [0047] (5)Felzenszwalb提取了大量單元的無符號梯度,每個單元共4X9 = 36維特征,并 進行主成分分析(PCA),發(fā)現(xiàn)使用前11個特征向量基本上可以包含所有的信息,不過為了快 速計算,由主成分可視化的結(jié)果得到了一種近似的PCA降維效果;具體來說,將36維向量看 成4 X 9的矩陣,對每一行,每一列求和得到13維特征,基本上能達到H0G特征36維的檢測效 果;為了提高那些適合使用有符號梯度目標(biāo)的檢測精度,再對18個有符號梯度方向求和得 到 18維向量,并加入其中,最后得到下圖中的13+18 = 31維特征向量(如附圖2所示);
      [0048] (6)FH0G特征提取完成以后,分別用平移濾波器和尺度濾波器對目標(biāo)進行平移跟 蹤和尺度跟蹤;其中平移跟蹤的平移濾波步驟如下(如附圖4所示):
      [0049] 1、初始化目標(biāo)的預(yù)期高斯輸出G(二維);
      [0050] 2、以目標(biāo)舊位置為中心,采集一個尺寸為目標(biāo)2倍大小的樣本Z;
      [0051] 3、樣本中每個像素點計算28維融合特征(1維原始灰度特征+27維fhog特征),乘以 二維hann窗口后作為測試輸入Z;
      [0053] 尺度跟蹤的尺度濾波步驟如下(如附圖5所示):
      [0054] 1、初始化尺度的預(yù)期高斯輸出G(三維);
      [0055] 2、以目標(biāo)新位置為中心,提取33種不同尺度下的樣本Z;
      [0056] 3、把每個樣本resize成固定尺寸,分別提取317維fhog特征,每個樣本的所有fhog 特征再串聯(lián)成一個特征向量構(gòu)成33層金字塔特征,乘以一維harm窗口后作為測試輸入Z;
      [0058] 3)、根據(jù)跟蹤的結(jié)果計算每一個車輛目標(biāo)的實時速度,并對累積實時速度Va進行 更新,更新率可以設(shè)置成0.1;判斷Va是否小于一定閾值,若是,代表車輛擁堵并進行報警, 否則不報警。
      [0059] 所述的車輛前景檢測通過判斷當(dāng)前幀像素點和背景模型中的樣本像素點像素值 距離是否大于閾值R來實現(xiàn),其判斷遵循如下公式:
      [0060] #{Sr(v(x) ) Π {vi,V2, ···,vn} } > #min
      [006
      當(dāng)前第1頁1 2 
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1