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