一種道路擁堵檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及交通檢測(cè)領(lǐng)域,尤其是涉及一種道路擁堵檢測(cè)方法。
【背景技術(shù)】
[0002]在城市中,隨著機(jī)動(dòng)車擁有數(shù)量的迅速增長(zhǎng),道路的擁堵情況日益嚴(yán)重,尤其是在上、下班等高峰時(shí)期,擁堵現(xiàn)象更為普遍。目前,對(duì)道路交通擁堵的判別方法主要是通過(guò)各種交通檢測(cè)技術(shù)獲得所需要的交通狀態(tài)參數(shù),并通過(guò)對(duì)這些交通狀態(tài)參數(shù)進(jìn)行分析、處理,進(jìn)而判斷道路的擁堵情況。
[0003]現(xiàn)有的交通擁堵檢測(cè)方法主要包括:
[0004]I)線圈檢測(cè)方法:車輛通過(guò)埋設(shè)在路面下的導(dǎo)線線圈,干擾了通過(guò)線圈的地磁磁通線并在線圈里產(chǎn)生一個(gè)電壓,這個(gè)電壓被高增益放大器放大,使檢測(cè)器的繼電器工作,從而實(shí)現(xiàn)檢測(cè)目的。但線圈檢測(cè)方法沒(méi)有方向性、檢測(cè)區(qū)域不明確,修理或安裝需中斷交通,影響路面壽命,易損壞。
[0005]2)應(yīng)線圈檢測(cè)方法:與單感應(yīng)線圈檢測(cè)器的工作方式一樣,但可以提供更為準(zhǔn)確的速度參數(shù)。應(yīng)線圈檢測(cè)方法在修理或安裝時(shí)需中斷交通,且易影響路面壽命,易損壞,而且比單感應(yīng)線圈貴。
[0006]3)視頻檢測(cè)方法:攝像機(jī)攝取檢測(cè)點(diǎn)附近區(qū)域的圖像,由計(jì)算機(jī)程序?qū)D像進(jìn)行處理、識(shí)別、從而檢測(cè)車輛。視頻檢測(cè)方法的費(fèi)用較高且檢測(cè)精度受天氣、檢測(cè)區(qū)域周圍亮度影響。
[0007]4)微波檢測(cè)方法:通過(guò)發(fā)射微波信號(hào),車輛反射雷達(dá)微波(多普勒效應(yīng)),返回天線使檢測(cè)繼電器動(dòng)作從而達(dá)到檢測(cè)目的。微波檢測(cè)方法不能檢測(cè)靜止或低速行駛的車輛,易受外界環(huán)境影響,當(dāng)發(fā)射波的域值選擇不恰當(dāng)時(shí)容易受到人或物的影響,造成誤識(shí)。
[0008]在上述方法中,視頻檢測(cè)技術(shù)由于具有安裝不損壞路面、不會(huì)造成交通的暫時(shí)中斷、獲取的信息多等優(yōu)點(diǎn),在近幾年的時(shí)間里,得到了飛速的發(fā)展和普遍的應(yīng)用。如中國(guó)專利CN102867415A公開(kāi)一種基于視頻檢測(cè)技術(shù)的道路擁堵判別方法,對(duì)獲取的當(dāng)前道路的視頻圖像進(jìn)行處理,得到當(dāng)前道路的背景圖像和前景目標(biāo);根據(jù)所述前景目標(biāo),計(jì)算所述當(dāng)前道路的平均道路占有率和時(shí)間占有率;根據(jù)所述平均道路占有率和時(shí)間占有率,按照建立的道路交通擁堵判別準(zhǔn)則判斷所述當(dāng)前道路的擁堵情況。但現(xiàn)有技術(shù)無(wú)法處理低分辨率/復(fù)雜場(chǎng)景/天氣情況的視頻。
【發(fā)明內(nèi)容】
[0009]本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種速度快、魯棒強(qiáng)的道路擁堵檢測(cè)方法。
[0010]本發(fā)明的目的可以通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn):
[0011]一種道路擁堵檢測(cè)方法,包括以下步驟:
[0012]I)對(duì)獲取的當(dāng)前道路的視頻圖像進(jìn)行處理,得到當(dāng)前道路的背景和前景,具體為:
[0013]a)對(duì)視頻圖像的當(dāng)前幀,采用混合高斯模型對(duì)當(dāng)前幀的每個(gè)像素進(jìn)行建模,判斷每個(gè)像素是否屬于前景,若是,則執(zhí)行步驟b),若否,則執(zhí)行步驟f);
[0014]b)提取圖像的紋理特性和顏色特性,采用RBF Kernel的支持向量機(jī)分類器對(duì)車輛和路面進(jìn)行分類;
[0015]c)計(jì)算前景的連通區(qū)域,判斷各連通區(qū)域的大小是否小于設(shè)定值,若是,則將對(duì)應(yīng)的像素歸入背景,若否,則執(zhí)行步驟d);
[0016]d)對(duì)單一像素,根據(jù)其鄰域內(nèi)像素的變化抽取特征來(lái)判斷是光照變化還是前景變化;
[0017]e)判斷前景是否處于非車輛出現(xiàn)區(qū)域,若是,則將對(duì)應(yīng)的像素歸入背景,執(zhí)行步驟f),若否,直接執(zhí)行步驟f);
[0018]f)采用判斷成背景的像素重新訓(xùn)練混合高斯模型,并更新RBF Kernel的支持向量機(jī)分類器;
[0019]2)根據(jù)得到的前景像素計(jì)算當(dāng)前道路的道路占有率和車輛平均速度。
[0020]所述混合高斯模型中高斯模型個(gè)數(shù)為5個(gè)。
[0021]所述步驟a)中,對(duì)于每個(gè)像素,根據(jù)其顏色值判斷屬于混合高斯模型中的第K個(gè)高斯模型,判斷該高斯模型是否是混合高斯模型中能量最強(qiáng)的,若是,則將對(duì)應(yīng)像素歸入背景,若否則將對(duì)應(yīng)像素歸入前景。
[0022]所述步驟f)中,采用Online-SVM算法中的更新算法更新RBF Kernel的支持向量機(jī)分類器。
[0023]所述步驟f)中,重新訓(xùn)練混合高斯模型的頻率為15分鐘一次。
[0024]與現(xiàn)有技術(shù)相比,本發(fā)明具有以下優(yōu)點(diǎn):
[0025]1、可靠性高,本發(fā)明采用混合高斯模型對(duì)當(dāng)前幀的每個(gè)像素進(jìn)行建模,在判斷時(shí)有效剔除光照變化的影響,從而獲得較高的檢測(cè)準(zhǔn)確率;
[0026]2、本發(fā)明的RBF Kernel的支持向量機(jī)分類器和訓(xùn)練混合高斯模型是變化更新的,實(shí)時(shí)性好;
[0027]3、速度快,滿足實(shí)時(shí)性的需求;
[0028]4、魯棒性強(qiáng),可以在不同場(chǎng)景下使用,可處理復(fù)雜場(chǎng)景變化。
【附圖說(shuō)明】
[0029]圖1為本發(fā)明的流程示意圖。
【具體實(shí)施方式】
[0030]下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。本實(shí)施例以本發(fā)明技術(shù)方案為前提進(jìn)行實(shí)施,給出了詳細(xì)的實(shí)施方式和具體的操作過(guò)程,但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。
[0031]如圖1所示,本實(shí)施例提供一種道路擁堵檢測(cè)方法,根據(jù)交通視頻流獲得當(dāng)前時(shí)刻的道路占有率和車輛平均速度,具體流程如下:
[0032]步驟SI,對(duì)獲取的當(dāng)前道路的視頻圖像進(jìn)行處理,得到當(dāng)前道路的背景和前景,具體為:
[0033]步驟S101,對(duì)視頻圖像的當(dāng)前幀,采用混合高斯模型對(duì)當(dāng)前幀的每個(gè)像素進(jìn)行建模,判斷每個(gè)像素是否屬于前景,若是,則執(zhí)行步驟b),若否,則執(zhí)行步驟f)。
[0034]初始時(shí)將混合高斯模型中的均值設(shè)為0,方差設(shè)為定值,高斯模型數(shù)目設(shè)成5。
[0035]對(duì)于每個(gè)像素,根據(jù)其顏色值判斷屬于混合高斯模型中的第K個(gè)高斯模型,判斷該高斯模型是否是混合高斯模型中能量最強(qiáng)的,若是,則將對(duì)應(yīng)像素歸入背景,若否則將對(duì)應(yīng)像素歸入前景。
[0036]假設(shè)是在一段時(shí)間內(nèi),背景(路面)出現(xiàn)次數(shù)遠(yuǎn)大于前景(車輛),同時(shí)背景(路面)顏色較固定,因此能形成能量最大的高斯模型;而前景(車輛)等由于屬于不同個(gè)體,顏色不一致,很難形成穩(wěn)定的高斯模型。此時(shí)單個(gè)像素判斷成背景的正確率超過(guò)99%。但是判斷成前景的像素也有大概率不屬于前景(車輛),可能的因素有:1)光照變化;2)路面雜物移動(dòng);3)特殊氣候下的雨點(diǎn)移動(dòng)等,因此進(jìn)行后處理。
[0037]步驟S102,提取圖像的紋理特性和顏色特性,采用RBF Kernel的支持向量機(jī)分類器(基于RBF核函數(shù)的支持向量機(jī))對(duì)車輛和路面進(jìn)行分類。分類器使用LBP和Color兩種特征,主要原因是:1)LBP描述紋理特性,車輛表面較平滑,低頻域特幀較強(qiáng),而路面有較多噪點(diǎn),高頻特幀較強(qiáng);2) Color描述顏色特性,對(duì)于特定路口,路面顏色固定和車輛顏色差距大。
[0038]步驟S103,計(jì)算前景的連通區(qū)域,判斷各連通區(qū)域的大小是否小于設(shè)定值,若是,則將對(duì)應(yīng)的像素歸入背景,若否,則執(zhí)行步驟d)。車輛的大小是固定的。這樣處理后可以去除雨點(diǎn)、紙片等雜物。
[0039]步驟S104,對(duì)單一像素,根據(jù)其鄰域內(nèi)像素的變化抽取特征來(lái)判斷是光照變化還是前景變化。光照變化的特性是全局的變化,變化均勻;而前景變化,在鄰域內(nèi)變化較大,這樣處理可以消除光照變化的影響。
[0040]步驟S105,車輛出現(xiàn)的軌跡是固定的,判斷前景是否處于非車輛出現(xiàn)區(qū)域,若是,則將對(duì)應(yīng)的像素歸入背景,執(zhí)行步驟S106,若否,直接執(zhí)行步驟S106。
[0041]步驟S106,采用判斷成背景的像素重新訓(xùn)練混合高斯模型,并更新RBF Kernel的支持向量機(jī)分類器,采用Online-SVM算法中的更新算法(在線學(xué)習(xí)算法)更新RBF Kernel的支持向量機(jī)分類器,重新訓(xùn)練混合高斯模型的頻率為15分鐘一次。
[0042]步驟S2,根據(jù)得到的前景像素計(jì)算當(dāng)前道路的道路占有率和車輛平均速度。
【主權(quán)項(xiàng)】
1.一種道路擁堵檢測(cè)方法,其特征在于,包括以下步驟: 1)對(duì)獲取的當(dāng)前道路的視頻圖像進(jìn)行處理,得到當(dāng)前道路的背景和前景,具體為: a)對(duì)視頻圖像的當(dāng)前幀,采用混合高斯模型對(duì)當(dāng)前幀的每個(gè)像素進(jìn)行建模,判斷每個(gè)像素是否屬于前景,若是,則執(zhí)行步驟b),若否,則執(zhí)行步驟f); b)提取圖像的紋理特性和顏色特性,采用RBFKernel的支持向量機(jī)分類器對(duì)車輛和路面進(jìn)行分類; c)計(jì)算前景的連通區(qū)域,判斷各連通區(qū)域的大小是否小于設(shè)定值,若是,則將對(duì)應(yīng)的像素歸入背景,若否,則執(zhí)行步驟d); d)對(duì)單一像素,根據(jù)其鄰域內(nèi)像素的變化抽取特征來(lái)判斷是光照變化還是前景變化; e)判斷前景是否處于非車輛出現(xiàn)區(qū)域,若是,則將對(duì)應(yīng)的像素歸入背景,執(zhí)行步驟f),若否,直接執(zhí)行步驟f); f)采用判斷成背景的像素重新訓(xùn)練混合高斯模型,并更新RBFKernel的支持向量機(jī)分類器; 2)根據(jù)得到的前景像素計(jì)算當(dāng)前道路的道路占有率和車輛平均速度。
2.根據(jù)權(quán)利要求1所述的道路擁堵檢測(cè)方法,其特征在于,所述混合高斯模型中高斯模型個(gè)數(shù)為5個(gè)。
3.根據(jù)權(quán)利要求1所述的道路擁堵檢測(cè)方法,其特征在于,所述步驟a)中,對(duì)于每個(gè)像素,根據(jù)其顏色值判斷屬于混合高斯模型中的第K個(gè)高斯模型,判斷該高斯模型是否是混合高斯模型中能量最強(qiáng)的,若是,則將對(duì)應(yīng)像素歸入背景,若否則將對(duì)應(yīng)像素歸入前景。
4.根據(jù)權(quán)利要求1所述的道路擁堵檢測(cè)方法,其特征在于,所述步驟f)中,采用Online-SVM算法中的更新算法更新RBF Kernel的支持向量機(jī)分類器。
5.根據(jù)權(quán)利要求1所述的道路擁堵檢測(cè)方法,其特征在于,所述步驟f)中,重新訓(xùn)練混合高斯模型的頻率為15分鐘一次。
【專利摘要】本發(fā)明涉及一種道路擁堵檢測(cè)方法,包括以下步驟:1)對(duì)獲取的當(dāng)前道路的視頻圖像進(jìn)行處理,得到當(dāng)前道路的背景和前景,具體為:采用混合高斯模型對(duì)當(dāng)前幀的每個(gè)像素進(jìn)行建模;對(duì)車輛和路面進(jìn)行分類;計(jì)算前景的連通區(qū)域,判斷各連通區(qū)域的大小是否小于設(shè)定值,若是,則將對(duì)應(yīng)的像素歸入背景;對(duì)單一像素,根據(jù)其鄰域內(nèi)像素的變化抽取特征來(lái)判斷是光照變化還是前景變化;判斷前景是否處于非車輛出現(xiàn)區(qū)域,若是,則將對(duì)應(yīng)的像素歸入背景;采用判斷成背景的像素重新訓(xùn)練混合高斯模型,并更新分類器;2)根據(jù)得到的前景像素計(jì)算當(dāng)前道路的道路占有率和車輛平均速度。與現(xiàn)有技術(shù)相比,本發(fā)明具有速度快、魯棒強(qiáng)等優(yōu)點(diǎn)。
【IPC分類】G06T7-00, G06K9-62, G08G1-01
【公開(kāi)號(hào)】CN104680787
【申請(qǐng)?zhí)枴緾N201510058449
【發(fā)明人】朱瓏, 陳遠(yuǎn)浩
【申請(qǐng)人】上海依圖網(wǎng)絡(luò)科技有限公司
【公開(kāi)日】2015年6月3日
【申請(qǐng)日】2015年2月4日