本發(fā)明涉及計(jì)算機(jī)視覺領(lǐng)域，特指一種基于運(yùn)動(dòng)車輛檢測(cè)的車流量統(tǒng)計(jì)方法。

背景技術(shù)：

隨著人工智能、計(jì)算機(jī)視覺和硬件技術(shù)的不斷發(fā)展，視頻圖像處理技術(shù)已經(jīng)廣泛應(yīng)用于智能交通系統(tǒng)(its)中。近年來，隨著公路視頻監(jiān)控的推廣，圖像處理方法已經(jīng)開始應(yīng)用到交通分析領(lǐng)域，包括交通事件檢測(cè)、交通隊(duì)列監(jiān)測(cè)、車型識(shí)別、車輛分類、車流量統(tǒng)計(jì)等。

實(shí)時(shí)性的車流量統(tǒng)計(jì)的意義在于快速地統(tǒng)計(jì)出的車流量可以為信號(hào)燈控制提供有效的數(shù)據(jù)，使交通信號(hào)等根據(jù)當(dāng)前車流量的大小實(shí)時(shí)改變紅綠燈時(shí)間的長(zhǎng)短，從而提高城市交通利用率，改善城市車輛擁堵問題。其中，基于運(yùn)動(dòng)車輛檢測(cè)方法能有效地實(shí)現(xiàn)車流量的統(tǒng)計(jì)。

運(yùn)動(dòng)目標(biāo)檢測(cè)是將運(yùn)動(dòng)目標(biāo)從視頻流中精確的分割出來，是交通監(jiān)控系統(tǒng)的基礎(chǔ)部分。常用的運(yùn)動(dòng)檢測(cè)方法有相鄰幀差法、背景差分法和光流法。其中，所述相鄰幀差法對(duì)光照不敏感，非常適合動(dòng)態(tài)變化的環(huán)境，而且運(yùn)算簡(jiǎn)單，檢測(cè)速度快，車輛定位準(zhǔn)確，適合于實(shí)時(shí)性要求較高的應(yīng)用環(huán)境；但是不能檢測(cè)出靜止或運(yùn)動(dòng)速度過慢物體，因此當(dāng)路口發(fā)生擁堵時(shí)此方法失效，并且容易造成目標(biāo)重疊部分出現(xiàn)較大空洞，嚴(yán)重時(shí)會(huì)造成分割結(jié)果不連通，導(dǎo)致多檢或者錯(cuò)檢車輛。所述背景差分法適用于攝像機(jī)靜止的情況，計(jì)算速度快，但是對(duì)場(chǎng)景中光照條件、大面積運(yùn)動(dòng)和噪聲比較敏感。所述光流法在攝像機(jī)運(yùn)動(dòng)時(shí)也能檢測(cè)出獨(dú)立的運(yùn)動(dòng)目標(biāo)，但其缺點(diǎn)在于易受噪聲干擾，且計(jì)算量較大，如果沒有特定的硬件裝置則不能被應(yīng)用于全幀視頻流的實(shí)時(shí)處理。再者，由于復(fù)雜的交通場(chǎng)景中光照條件、噪聲等因素，在實(shí)際應(yīng)用中需對(duì)背景模型進(jìn)行實(shí)時(shí)動(dòng)態(tài)更新，以適應(yīng)環(huán)境的變化。才能正確的統(tǒng)計(jì)出車輛的數(shù)量。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提出一種基于運(yùn)動(dòng)車輛檢測(cè)的車流量統(tǒng)計(jì)方法，實(shí)現(xiàn)了實(shí)時(shí)性的車流量統(tǒng)計(jì)。

為實(shí)現(xiàn)上述目的，本發(fā)明技術(shù)方案具體如下：

一種基于運(yùn)動(dòng)車輛檢測(cè)的車流量統(tǒng)計(jì)方法，包括以下步驟：

s1獲取視頻流圖像，利用多尺度的形態(tài)學(xué)梯度算子對(duì)視頻流圖像進(jìn)行預(yù)處理；

s2設(shè)置大小、位置合適的虛擬檢測(cè)線圈；

s3基于實(shí)時(shí)背景更新、背景差分和邊緣梯度差分的運(yùn)動(dòng)車輛檢測(cè)，獲取車輛目標(biāo)的二值化圖像；

s4利用雙閾值和虛擬檢測(cè)線圈狀態(tài)轉(zhuǎn)變的方法進(jìn)行車流量統(tǒng)計(jì)。

作為本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)，所述步驟s2具體包括分別對(duì)每個(gè)車道設(shè)置大小、位置合適的虛擬檢測(cè)線圈，并分別編號(hào)；

所述虛擬檢測(cè)線圈設(shè)置為寬度略小于每個(gè)車道的寬度，高度為小型車輛長(zhǎng)度的一半，所述虛擬檢測(cè)線圈設(shè)置在靠近圖像底部的位置，且位于人行橫道邊緣與車輛?？烤€之間。

作為本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)，所述步驟s3具體包括以下步驟：

s3.1利用多幀平均算法生成初始背景；

s3.2背景圖像實(shí)時(shí)更新；

s3.3結(jié)合背景差分和邊緣梯度差分檢測(cè)運(yùn)動(dòng)目標(biāo)。

作為本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)，所述s3.2背景圖像實(shí)時(shí)更新具體包括以下步驟：

s3.2.1利用像素塊絕對(duì)差值進(jìn)行視頻圖像的運(yùn)動(dòng)估計(jì)；

將每幀圖像分成p×q個(gè)塊，計(jì)算當(dāng)前幀圖像if(x,y)與背景圖像ib(x,y)在對(duì)應(yīng)塊中的像素絕對(duì)值差(sad)；

計(jì)算公式為：

式中，n表示表示p×q各圖像塊中的某圖像塊，if(x,y,n)為當(dāng)前幀對(duì)應(yīng)塊的像素值，ib(x,y,n)為背景圖像對(duì)應(yīng)塊的像素值；

設(shè)定閾值t，當(dāng)sad值小于閾值t，圖像塊是背景的可能性要大，反之圖像塊為運(yùn)動(dòng)目標(biāo)的可能性要大。

s3.2.2非運(yùn)動(dòng)目標(biāo)置信度coe的累加；

設(shè)置置信度，其值取為0～8，當(dāng)置信度為0表示該目標(biāo)肯定為運(yùn)動(dòng)目標(biāo)，當(dāng)置信度為8表示該目標(biāo)肯定為非運(yùn)動(dòng)目標(biāo)，置信度累加的過程表示認(rèn)為是非運(yùn)動(dòng)目標(biāo)區(qū)域的可能性越來越大；

如下式所示，

當(dāng)判定圖像塊為背景的可能性較大時(shí)，置信度累加，反之不累加；

置信度累加過程在圖像幀序列中累加，當(dāng)置信度不為零的情況下出現(xiàn)sad大于閾值t時(shí)，置信度coe置零；

s3.2.3背景圖像更新；

當(dāng)某圖像塊的置信度達(dá)到5時(shí)，用當(dāng)前幀信息和背景信息進(jìn)行加權(quán)更新，更新公式為：

bupdate(x,y,n)＝α*if(x,y,n)+(1-α)*ib(x,y,n)ifcoe＝5

式中，if(x,y,n)為當(dāng)前幀的第n個(gè)圖像塊，ib(x,y,n)為背景圖像的第n個(gè)圖像塊，α表示適應(yīng)率(0≤α≤1)；

對(duì)于置信度小于5的圖像塊則繼續(xù)累加，直到符合條件時(shí)再更新。

作為本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)，所述s3.3結(jié)合背景差分和邊緣梯度差分檢測(cè)運(yùn)動(dòng)目標(biāo)具體包括以下步驟：

s3.3.1利用步驟s3.2中獲得的背景圖像與當(dāng)前幀圖像進(jìn)行絕對(duì)值相減，即為：

d1(x,y)＝f(x,y)-b(x,y)

式中，d1(x,y)為背景差分圖像，f(x,y)為當(dāng)前幀圖像，b(x,y)為步驟s3.2中獲得背景圖像。

s3.3.2對(duì)當(dāng)前幀圖像和背景圖像進(jìn)行形態(tài)學(xué)邊緣檢測(cè)，得到邊緣梯度差分圖像，檢測(cè)操作具體如下公式所示：

ec＝f-e(f)

dc＝d(f)-f

式中，f表示原圖像，e(f)表示腐蝕操作結(jié)果，d(f)表示膨脹操作結(jié)果；

形態(tài)學(xué)梯度邊緣ede檢測(cè)公式為：

ede＝ec+dc

對(duì)當(dāng)前幀圖像f(x,y)和當(dāng)前幀對(duì)應(yīng)的背景圖像b(x,y)進(jìn)行邊緣檢測(cè)分別得到edef(x,y)、edeb(x,y)，將兩個(gè)邊緣圖像進(jìn)行絕對(duì)差值得到邊緣梯度差分圖像dede(x,y)，即：

dede(x,y)＝|edef(x,y)-edeb(x,y)|

s3.3.3將所述背景差分圖像d1(x,y)和邊緣梯度差分圖像dede(x,y)進(jìn)行邏輯或運(yùn)算，即：

or(x,y)＝d1(x,y)ordede(x,y)

所述運(yùn)算的結(jié)果為檢測(cè)出的運(yùn)動(dòng)車輛區(qū)域，再對(duì)其進(jìn)行ostu閾值化操作以及濾波處理，實(shí)現(xiàn)了車輛目標(biāo)的獲取。

作為本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)，所述s4具體包括：

設(shè)th為一個(gè)較大的閾值，取值為虛擬檢測(cè)線圈內(nèi)像素?cái)?shù)量的35％，tl為一個(gè)較小的閾值，取值為虛擬檢測(cè)線圈內(nèi)像素?cái)?shù)量的15％，狀態(tài)轉(zhuǎn)變用公式表示為：

上式中，nt為第t幀的某車道的虛擬線圈中統(tǒng)計(jì)出的運(yùn)動(dòng)像素的總個(gè)數(shù)，st為當(dāng)前第t幀的的某車道的狀態(tài)，st-1第t-1幀的的某車道的狀態(tài)；

根據(jù)狀態(tài)轉(zhuǎn)移變化判斷車道是否進(jìn)行車輛計(jì)數(shù)，當(dāng)?shù)趖-1幀的的某車道的狀態(tài)st-1為0，第t幀的的某車道的狀態(tài)st為1時(shí)，即st-st-1為1時(shí)，車輛數(shù)計(jì)數(shù)加1，統(tǒng)計(jì)在給定的單位時(shí)間內(nèi)，通過道路某一斷面或某一點(diǎn)的車輛數(shù)，實(shí)現(xiàn)車流量的統(tǒng)計(jì)。

相對(duì)于現(xiàn)有技術(shù)，本發(fā)明具有以下有益效果：

1、本發(fā)明方法可有效快速地統(tǒng)計(jì)出單車道或多車道的車流量，可使交通信號(hào)燈根據(jù)當(dāng)前車流量的大小實(shí)時(shí)改變紅綠燈時(shí)間，提高城市交通的利用率，改善城市車輛擁堵問題。

2、對(duì)背景圖像進(jìn)行了實(shí)時(shí)更新，很好地適應(yīng)公路場(chǎng)景的光線和天氣等外界條件的變化，獲取更加精確的背景圖像和準(zhǔn)確定位出車輛區(qū)域。

3、結(jié)合背景差分和邊緣梯度差分來檢測(cè)運(yùn)動(dòng)目標(biāo)，消減了車輛陰影部分的影響，更加精確的提取了運(yùn)動(dòng)目標(biāo)，有利用車流量的統(tǒng)計(jì)。

4、利用設(shè)定的雙閾值和車道檢測(cè)線圈的狀態(tài)轉(zhuǎn)變的方法有效快速地統(tǒng)計(jì)出單車道或多車道的車流量。

附圖說明

圖1是本實(shí)施例車流量統(tǒng)計(jì)方法操作流程圖；

圖2是本實(shí)施例所述實(shí)時(shí)背景更新算法流程圖；

圖3是本實(shí)施例所述的車輛檢測(cè)流程圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步詳細(xì)說明。

本發(fā)明的一種基于運(yùn)動(dòng)車輛檢測(cè)的車流量統(tǒng)計(jì)方法，其具體操作流程如圖1所示，包括以下步驟s1-s4。

s1獲取視頻流圖像，利用多尺度的形態(tài)學(xué)梯度算子對(duì)視頻流圖像進(jìn)行預(yù)處理；。

為了減少運(yùn)算量，節(jié)省運(yùn)算時(shí)間，只對(duì)檢測(cè)區(qū)域部分的圖像進(jìn)行預(yù)處理，以更好地滿足實(shí)時(shí)性處理的要求。

本發(fā)明采用梯度濾波器進(jìn)行預(yù)處理，其可以抑制亮度、陰影變化和噪聲的影響，具體采用多尺度的形態(tài)學(xué)進(jìn)行預(yù)處理，多尺度的形態(tài)學(xué)梯度算子通過采用平均運(yùn)算的方法使得算子獲得更強(qiáng)的抗噪的能力。

假設(shè)多尺度的形態(tài)學(xué)梯度算子為e，預(yù)處理的公式為：

式中，bi(0≤i≤n)為一組正方形的結(jié)構(gòu)元素；i(x,y)為原始圖像；ie(x,y)為預(yù)處理后的圖像。

s2設(shè)置大小、位置合適的虛擬檢測(cè)線圈；

虛擬線圈的寬度應(yīng)略小于每個(gè)車道的寬度，線圈的高度設(shè)置為小型車輛長(zhǎng)度的一半，以減少視頻中前后車輛粘連對(duì)車流量統(tǒng)計(jì)造成影響。由于車流量檢測(cè)系統(tǒng)的攝像頭一般安裝在高處，越靠近圖像底部的車輛越清晰且車輛之間的間隔也越大，因此在設(shè)置線圈的位置時(shí)，應(yīng)盡量把虛擬線圈設(shè)置在靠近圖像底部的位置，從而減少由于前后車輛間距過小而引起的漏檢現(xiàn)象。同時(shí)，由于城市普通路口情況復(fù)雜，人車交雜，為盡量避免行人誤入虛擬線圈對(duì)車流量統(tǒng)計(jì)造成影響，虛擬線圈應(yīng)設(shè)置在人行橫道邊緣與車輛?？烤€之間。根據(jù)這些特點(diǎn)，分別對(duì)每個(gè)車道設(shè)置大小、位置合適的虛擬檢測(cè)線圈，并分別編號(hào)。

s3基于實(shí)時(shí)背景更新、背景差分和邊緣梯度差分的運(yùn)動(dòng)車輛檢測(cè)，獲取車輛目標(biāo)的二值化圖像；

s3.1利用多幀平均算法生成初始背景；

多幀平均算法的原理是將車輛看作噪聲，用累加平均的方法消除噪聲，從而可以利用車輛運(yùn)行一段時(shí)間的序列圖像進(jìn)行平均得到道路的背景圖像，獲取的初始背景為：

式中，background(x,y)為初始背景圖像，n為圖像幀數(shù)，ii(x,y)表示為第i幀序列圖像。

s3.2背景圖像實(shí)時(shí)更新；

對(duì)于交通場(chǎng)景中光照強(qiáng)度可能出現(xiàn)暫時(shí)的、突然的變化，圖像中的背景光照強(qiáng)度也會(huì)發(fā)生相應(yīng)的變化，如果在背景不作相應(yīng)的處理，則會(huì)引起大面積的誤檢，從而導(dǎo)致智能交通系統(tǒng)事件檢測(cè)的誤報(bào)率增大。為了適應(yīng)公路場(chǎng)景的光線和天氣等外界條件的變化，需要對(duì)背景圖像進(jìn)行實(shí)時(shí)更新。

本發(fā)明的背景圖像實(shí)時(shí)更新如圖2所示，其步驟具體包括：

s3.2.1利用像素塊絕對(duì)差值和進(jìn)行視頻圖像的運(yùn)動(dòng)估計(jì)；

將每幀圖像分成p×q個(gè)塊，計(jì)算當(dāng)前幀圖像if(x,y)與背景圖像ib(x,y)在對(duì)應(yīng)塊中的像素絕對(duì)值差(sad)。

計(jì)算公式為：

式中，n表示表示p×q各圖像塊中的某圖像塊；if(x,y,n)為當(dāng)前幀對(duì)應(yīng)塊的像素值，ib(x,y,n)為背景圖像對(duì)應(yīng)塊的像素值。

通過觀察運(yùn)動(dòng)目標(biāo)有無情況下sad值的變化獲得閾值t，根據(jù)設(shè)定的閾值t進(jìn)行運(yùn)動(dòng)估計(jì)。若公式(3)計(jì)算得到的圖像塊sad值小于閾值t，則認(rèn)為sad值對(duì)應(yīng)的圖像塊是穩(wěn)定變化，圖像塊是背景的可能性要大；反之圖像塊為運(yùn)動(dòng)目標(biāo)的可能性要大。

s3.2.2非運(yùn)動(dòng)目標(biāo)置信度的累加；

置信度是用來衡量某目標(biāo)為非運(yùn)動(dòng)目標(biāo)的程度，取值范圍定為0～8，當(dāng)置信度為0表示該目標(biāo)肯定為運(yùn)動(dòng)目標(biāo)，當(dāng)置信度為8表示該目標(biāo)肯定為非運(yùn)動(dòng)目標(biāo)。置信度累加的過程表示認(rèn)為是非運(yùn)動(dòng)目標(biāo)區(qū)域的可能性越來越大。用coe表示置信度。

通過步驟s3.2.2判定圖像塊為背景的可能性較大時(shí)，置信度累加，如公式(4)所示；反之不累加。置信度累加過程在圖像幀序列中累加，當(dāng)置信度不為零的情況下出現(xiàn)sad大于閾值t時(shí)，置信度coe置零，該原則是認(rèn)為出現(xiàn)動(dòng)蕩的信息是不穩(wěn)定的點(diǎn)，將置信度清零是為了提高置信度的可靠性。

s3.2.3背景圖像更新；

當(dāng)某圖像塊的置信度達(dá)到5時(shí)，認(rèn)為該圖像塊的變化是較為穩(wěn)定的，是背景圖像的可能性較大，則用當(dāng)前幀信息和背景信息進(jìn)行加權(quán)更新，更新公式為：

bupdate(x,y,n)＝α*if(x,y,n)+(1-α)*ib(x,y,n)ifcoe＝5(5)

式中，if(x,y,n)為當(dāng)前幀的第n個(gè)圖像塊，ib(x,y,n)為背景圖像的第n個(gè)圖像塊，α表示適應(yīng)率(0≤α≤1)。

對(duì)于置信度小于5的圖像塊則繼續(xù)累加，直到符合條件時(shí)再更新。

s3.3結(jié)合背景差分和邊緣梯度差分檢測(cè)運(yùn)動(dòng)目標(biāo)；

由于車輛陰影區(qū)域像素點(diǎn)的值與對(duì)應(yīng)背景區(qū)域像素點(diǎn)的顏色值不相同，當(dāng)直接將當(dāng)前幀圖像與背景圖像進(jìn)行絕對(duì)值相減來獲得運(yùn)動(dòng)目標(biāo)，這樣會(huì)導(dǎo)致將車輛陰影誤檢測(cè)為運(yùn)動(dòng)物體。本發(fā)明中結(jié)合背景差分和邊緣梯度差分來檢測(cè)運(yùn)動(dòng)目標(biāo)，消減了車輛陰影部分的影響，更加精確地提取了運(yùn)動(dòng)目標(biāo)，有利用后續(xù)車流量的統(tǒng)計(jì)。

s3.3.1利用步驟s3.2中獲得的背景圖像與當(dāng)前幀圖像進(jìn)行絕對(duì)值相減，即為：

d1(x,y)＝f(x,y)-b(x,y)(6)

式中，d1(x,y)為背景差分圖像，f(x,y)為當(dāng)前幀圖像，b(x,y)為步驟s3.2中獲得背景圖像。

s3.3.2對(duì)當(dāng)前幀圖像和背景圖像進(jìn)行形態(tài)學(xué)邊緣檢測(cè)，得到邊緣梯度差分圖像。

形態(tài)學(xué)邊緣檢測(cè)器的主要原理是使用形態(tài)梯度的基本概念，可以更好的克服噪聲的干擾，提取比較干凈的邊緣，同時(shí)計(jì)算復(fù)雜度比較低。形態(tài)學(xué)邊緣檢測(cè)操作有腐蝕幀差和膨脹幀差。腐蝕幀差操作ec是對(duì)圖像進(jìn)行腐蝕操作，然后用原始圖像減去腐蝕操作結(jié)果，而膨脹幀差操作dc是先對(duì)圖像進(jìn)行膨脹，然后用膨脹操作結(jié)果減去原始圖像，用公式表示為：

ec＝f-e(f)(7)

dc＝d(f)-f(8)

式中，f表示原圖像，e(f)表示腐蝕操作結(jié)果，d(f)表示膨脹操作結(jié)果。

形態(tài)學(xué)梯度邊緣ede為：

ede＝ec+dc(9)

利用公式(9)對(duì)當(dāng)前幀圖像f(x,y)進(jìn)行邊緣檢測(cè)得到edef(x,y)，同樣利用公式(9)對(duì)當(dāng)前幀對(duì)應(yīng)的背景圖像b(x,y)進(jìn)行邊緣檢測(cè)得到edeb(x,y)，將兩個(gè)邊緣圖像進(jìn)行絕對(duì)差值得到邊緣梯度差分圖像dede(x,y)，即：

dede(x,y)＝|edef(x,y)-edeb(x,y)|(10)

s3.3.3將s3.3.1的背景差分圖像和s3.3.2中邊緣梯度差分圖像進(jìn)行邏輯或運(yùn)算，即：

or(x,y)＝d1(x,y)ordede(x,y)(11)

公式(11)的結(jié)果就是檢測(cè)出的運(yùn)動(dòng)車輛區(qū)域，再對(duì)其進(jìn)行ostu閾值化操作以及濾波處理，實(shí)現(xiàn)了車輛目標(biāo)的獲取。

s4利用雙閾值和虛擬檢測(cè)線圈狀態(tài)轉(zhuǎn)變的方法進(jìn)行車流量統(tǒng)計(jì)；

車流量是指在給定的單位時(shí)間內(nèi)，通過道路某一斷面或某一點(diǎn)的車輛數(shù)。

通過統(tǒng)計(jì)每一幀虛擬檢測(cè)線圈中運(yùn)動(dòng)像素的數(shù)量，并將此運(yùn)動(dòng)像素的數(shù)量與設(shè)定的閾值加以比較從而判斷出當(dāng)前幀的虛擬線圈中是否被車輛覆蓋。pt(x,y)＝1表示由步驟s3獲得二值化圖像中(x,y)處的像素點(diǎn)被標(biāo)記為運(yùn)動(dòng)像素；nt為第t幀的某車道的虛擬線圈中統(tǒng)計(jì)出的運(yùn)動(dòng)像素的總個(gè)數(shù)，如公式(12)所示；st為第t幀的某車道的狀態(tài)。若當(dāng)前第t幀的某車道存在被車輛覆蓋的情況，當(dāng)前第t幀的某車道檢測(cè)線圈狀態(tài)記為st＝1；若當(dāng)前第t幀的某車道不存在被車輛覆蓋的情況，當(dāng)前第t幀的某車道檢測(cè)線圈的狀態(tài)記為st＝0。

一輛車輛要通過虛擬檢測(cè)線圈一般需要花費(fèi)一定時(shí)間。顯然不可能僅通過統(tǒng)計(jì)一段時(shí)間內(nèi)圖像幀的某車道檢測(cè)線圈狀態(tài)st＝1的幀數(shù)來計(jì)算車流量，因?yàn)橐惠v汽車經(jīng)過虛擬檢測(cè)線圈時(shí)會(huì)使連續(xù)的很多圖像幀的虛擬線圈狀態(tài)為1。本發(fā)明采用雙閾值和圖像幀的車道檢測(cè)線圈的狀態(tài)變化來統(tǒng)計(jì)車流量。

設(shè)th為一個(gè)較大的閾值，取值為虛擬檢測(cè)線圈內(nèi)像素?cái)?shù)量的35％；tl為一個(gè)較小的閾值，取值為虛擬檢測(cè)線圈內(nèi)像素?cái)?shù)量的15％，狀態(tài)轉(zhuǎn)變用公式表示為：

式中，st為當(dāng)前第t幀的的某車道的狀態(tài)；st-1第t-1幀的的某車道的狀態(tài)。

狀態(tài)轉(zhuǎn)移變化是針對(duì)各編號(hào)的車道的虛擬檢測(cè)線圈進(jìn)行的，便于統(tǒng)計(jì)各個(gè)車道的車流量。

根據(jù)狀態(tài)轉(zhuǎn)移變化判斷車道是否進(jìn)行車輛計(jì)數(shù)，用下表表示為：

本發(fā)明中提出的基于運(yùn)動(dòng)車輛檢測(cè)的車流量統(tǒng)計(jì)方法實(shí)際上可嵌入fpga實(shí)現(xiàn)，運(yùn)用于具有實(shí)時(shí)的車流檢測(cè)相機(jī)或攝像機(jī)中。

本領(lǐng)域技術(shù)人員將清楚本發(fā)明的范圍不限制于以上討論的示例，有可能對(duì)其進(jìn)行若干改變和修改，而不脫離所附權(quán)利要求書限定的本發(fā)明的范圍。盡管己經(jīng)在附圖和說明書中詳細(xì)圖示和描述了本發(fā)明，但這樣的說明和描述僅是說明或示意性的，而非限制性的。本發(fā)明并不限于所公開的實(shí)施例。