一种高速公路多车道车流量统计方法

摘要

本发明公开了一种高速公路多车道车流量统计方法，应用于计算机视觉技术领域，包括：获取并对高速公路视频数据进行预处理，得到视频帧；对视频帧进行背景建模与更新，得到背景视频帧模型；应用背景差分法从视频帧中分割出运动车辆目标；应用动态质心距离跟踪法动态跟踪运动车辆目标；应用双虚拟检测线法对不同方向的运动车辆目标进行流量统计。该方法通过对视频数据最优灰度处理以及中值滤波法边缘像素锐化处理，减少了视频数据受到噪声以及摄像头抖动的影响；通过采用动态质心距离跟踪方法，并预设一最小距离阈值以及一帧数阈值，提高了车辆跟踪中新车辆的出现与旧车辆的消失识别的及时性；通过双虚拟检测线法，实现了不同方向的车流量统计。

权利要求

1.一种高速公路多车道车流量统计方法，其特征在于，包括:

步骤(1)：获取高速公路视频数据，并对所述视频数据进行预处理，得到视频帧；

步骤(2)：对所述视频帧进行背景建模与更新，得到背景视频帧模型；应用背景差分法从所述视频帧中分割出运动车辆目标；

步骤(3)：应用动态质心距离跟踪法动态跟踪所述运动车辆目标；

步骤(4)：应用双虚拟检测线法对不同方向的所述运动车辆目标进行流量统计；

步骤(3)中，所述动态质心距离跟踪法具体为：预设一最小距离阈值，计算当前帧的所述运动车辆目标的边界框质心位置与上一帧中所有边界框质心位置之间的距离，在所述距离符合所述预设最小距离阈值的情况下，将上一帧中的最小距离的边界框与当前帧的所述运动车辆目标的边界框进行关联；

所述动态质心距离跟踪法还包括：预设一帧数阈值，当在相邻的所述预设帧数阈值内无法对所述运动车辆目标的边界框进行关联时，将所述运动车辆目标判定为新车辆的出现或旧车辆的消失；

步骤(4)中，所述双虚拟检测线法具体为：设置垂直于车道且位于视频帧中间的两条虚拟检测线，且所述两条虚拟检测线之间的距离大于所述运动车辆目标车身长度；预设一像素值变化阈值；设置所述运动车辆目标未经过所述虚拟检测线的状态S＝1；经过所述虚拟检测线，所述虚拟检测线的像素值发生变化且大于所述预设像素值变化阈值，则状态变为S＝0；当所述运动车辆目标驶离所述虚拟检测线时，状态又变为S＝1；当所述虚拟检测线的状态由S＝1变为S＝0再变为S＝1，则检测到所述运动车辆目标经过，计数器加一；通过所述运动车辆目标经过所述双虚拟检测线的先后顺序，识别所述运动车辆目标的行驶方向。

2.根据权利要求1所述的一种高速公路多车道车流量统计方法，其特征在于，步骤(1)中，所述预处理为最优灰度处理；

所述最优灰度处理公式如下：

Gray＝(R*28+G*61+B*11)/100；

其中，Gray为灰度的像素值；R为红色通道、G为绿色通道、B为蓝色通道。

3.根据权利要求1所述的一种高速公路多车道车流量统计方法，其特征在于，步骤(2)中，所述背景建模与更新具体为：把所述视频帧中的第一帧作为背景图像，后连续输入所述视频帧进行背景建模与更新，得到所述背景视频帧模型。

4.根据权利要求1所述的一种高速公路多车道车流量统计方法，其特征在于，步骤(2)中，所述背景差分法具体为：将所述视频帧输入与得到的背景视频帧模型做差，得到背景差分图像；对所述背景差分图像进行二值化处理，分割出所述运动车辆目标；

所述背景差分法公式如下：

Li(x，y)＝|Ii(x，y)‑Bi(x，y)|

其中，Li(x，y)为得到的背景差分图像；Ii(x，y)为所述视频帧中的当前帧图像；Bi(x，y)为所述背景视频帧模型中的背景图像；

所述二值化处理公式如下：

其中，T为二值化阈值；Ti(x，y)为所述运动车辆目标，也为符合所述二值化阈值T的背景差分图像。

5.根据权利要求4所述的一种高速公路多车道车流量统计方法，其特征在于，在将所述视频帧输入与得到的背景视频帧模型做差，得到所述背景差分图像后，还包括：通过中值滤波法对所述背景差分图像进行边缘像素锐化处理；

所述中值滤波法公式如下：

g(x，y)＝med{h(x‑k，y‑t)，(k，t)∈w}；

其中，g(x，y)为中值滤波处理后得到的灰度值；h(x，y)代表原灰度值；w为可选图形各异的窗口模板；k和t为窗口模板的大小；med为中值滤波函数。

说明书

一种高速公路多车道车流量统计方法

技术领域

[0001] 本发明涉及计算机视觉技术领域，特别涉及一种高速公路多车道车流量统计方法。

背景技术

[0002] 高速公路车流量统计是针对指定路段在单位时间内通过的车辆总数，高速公路车流量的数目检测与统计是智能交通车流能够及时描述各高速公路的负荷状况，为交通控制和智能调度提供了便利目前基于视频的车流量统计方法主要采用车辆检测跟踪与计数相结合的方法。

[0003] 高速公路车流量统计往往分为三步，分别为：车辆识别、车辆跟踪以及车流量统计。而高速公路因所处环境使得摄像头所拍摄的高速公路视频通常会受到噪声以及摄像头抖动的影响，从而影响后续针对高速公路视频进行的车辆识别、车辆跟踪以及车流量统计的准确性。并且，现有的车辆跟踪中往往伴随着实时性差、准确性差，且新车辆的加入以及旧车辆的消失无法及时识别的问题。以及现有的车流量统计无法进行不同方向车流量统计的问题。

[0004] 为此，如何提供一种能够避免高速公路视频存在的噪声以及摄像头抖动的影响、跟踪实时性强且能及时识别新车辆的加入以及旧车辆的消失以及对不同方向的车流量进行统计的高速公路多车道车流量统计方法是本领域技术人员亟需解决的问题。

发明内容

[0005] 有鉴于此，本发明提出了一种高速公路多车道车流量统计方法。通过将获得的高速公路视频数据进行最优灰度处理以及通过中值滤波法对经过背景更新和背景差分法获得的背景差分图像进行边缘像素锐化处理，减少了视频数据受到噪声以及摄像头抖动的影响，提高了后续车辆识别、车辆跟踪以及车流量统计的准确性；为了提高车辆跟踪的实时性，采用动态质心距离跟踪方法对车辆进行动态跟踪；并通过预设一最小距离阈值，在符合预设最小距离阈值的情况下，对最小距离的边界框进行关联跟踪，提高了车辆跟踪的准确性；并通过预设一帧数阈值，将在相邻的预设帧数阈值内无法关联的边界框识别为新车辆的出现与旧车辆的消失，提高了车辆跟踪中对新车辆的出现与旧车辆的消失识别的及时性和准确性；通过双虚拟检测线法，在车流量统计的同时，通过车辆经过双虚拟检测线的先后顺序，识别车辆的行驶方向，实现了不同方向的车流量统计。

[0006] 为了实现上述目的，本发明采用如下技术方案：

[0007] 一种高速公路多车道车流量统计方法，包括:

[0008] 步骤(1)：获取高速公路视频数据，并对视频数据进行预处理，得到视频帧。

[0009] 步骤(2)：对视频帧进行背景建模与更新，得到背景视频帧模型；应用背景差分法从视频帧中分割出运动车辆目标。

[0010] 步骤(3)：应用动态质心距离跟踪法动态跟踪运动车辆目标。

[0011] 步骤(4)：应用双虚拟检测线法对不同方向的运动车辆目标进行流量统计。

[0012] 可选的，步骤(1)中，预处理为最优灰度处理；

[0013] 最优灰度处理公式如下：

[0014] Gray＝(R*28+G*61+B*11)/100；

[0015] 其中，Gray为灰度的像素值；R为红色通道、G为绿色通道、B为蓝色通道。

[0016] 可选的，步骤(2)中，背景建模与更新具体为：把视频帧中的第一帧作为背景图像，后连续输入视频帧进行背景建模与更新，得到背景视频帧模型。

[0017] 可选的，步骤(2)中，背景差分法具体为：将视频帧输入与得到的背景视频帧模型做差，得到背景差分图像；对背景差分图像进行二值化处理，分割出运动车辆目标；

[0018] 背景差分法公式如下：

[0019] Li(x,y)＝|Ii(x,y)‑Bi(x,y)|

[0020] 其中，Li(x,y)为得到的背景差分图像；Ii(x,y)为视频帧中的当前帧图像；Bi(x,y)为背景视频帧模型中的背景图像；

[0021] 二值化处理公式如下：

[0022]

[0023] 其中，T为二值化阈值；Ti(x,y)为运动车辆目标，也为符合二值化阈值T的背景差分图像。

[0024] 可选的，在将视频帧输入与得到的背景视频帧模型做差，得到背景差分图像后，还包括：通过中值滤波法对背景差分图像进行边缘像素锐化处理；

[0025] 中值滤波法公式如下：

[0026] g(x,y)＝med{h(x‑k,y‑t),(k,t)w}；

[0027] 其中，g(x,y)为中值滤波处理后得到的灰度值；h(x,y)代表原灰度值；w为可选图形各异的窗口模板；k和t为窗口模板的大小；med为中值滤波函数。

[0028] 可选的，步骤(3)中，动态质心距离跟踪法具体为：预设一最小距离阈值，计算当前帧的运动车辆目标的边界框质心位置与上一帧中所有边界框质心位置之间的距离，在距离符合预设最小距离阈值的情况下，将上一帧中的最小距离的边界框与当前帧的运动车辆目标的边界框进行关联，实现动态跟踪运动车辆目标。

[0029] 可选的，动态质心距离跟踪法还包括：预设一帧数阈值，当在相邻的预设帧数阈值内无法对运动车辆目标的边界框进行关联时，将运动车辆目标判定为新车辆的出现或旧车辆的消失。

[0030] 可选的，步骤(4)中，双虚拟检测线法具体为：设置垂直于车道且位于视频帧中间的两条虚拟检测线，且两条虚拟检测线之间的距离大于运动车辆目标车身长度；预设一像素值变化阈值；设置运动车辆目标未经过虚拟检测线的状态S＝1；经过虚拟检测线，虚拟检测线的像素值发生变化且大于预设像素值变化阈值，则状态变为S＝0；当运动车辆目标驶离虚拟检测线时，状态又变为S＝1；当虚拟检测线的状态由S＝1变为S＝0在变为S＝1，则检测到运动车辆目标经过，计数器加一；通过运动车辆目标经过双虚拟检测线的先后顺序，识别运动车辆目标的行驶方向。

[0031] 经由上述的技术方案可知，与现有技术相比，本发明提出了一种高速公路多车道车流量统计方法。通过将获得的高速公路视频数据进行最优灰度处理以及通过中值滤波法对经过背景更新和背景差分法获得的背景差分图像进行边缘像素锐化处理，减少了视频数据受到噪声以及摄像头抖动的影响，提高了后续车辆识别、车辆跟踪以及车流量统计的准确性；为了提高车辆跟踪的实时性，采用动态质心距离跟踪方法对车辆进行动态跟踪；并通过预设一最小距离阈值，在符合预设最小距离阈值的情况下，对最小距离的边界框进行关联跟踪，提高了车辆跟踪的准确性；并通过预设一帧数阈值，将在相邻的预设帧数阈值内无法关联的边界框识别为新车辆的出现与旧车辆的消失，提高了车辆跟踪中对新车辆的出现与旧车辆的消失识别的及时性和准确性；通过双虚拟检测线法，在车流量统计的同时，通过车辆经过双虚拟检测线的先后顺序，识别车辆的行驶方向，实现了不同方向的车流量统计。

附图说明

[0032] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

[0033] 图1为本发明的整体框架示意图。

[0034] 图2为本发明的车辆识别流程示意图。

[0035] 图3为本发明的车辆跟踪中实现动态跟踪的流程示意图。

[0036] 图4为本发明的车辆跟踪中实现及时识别新车辆的出现与旧车辆的消失的流程示意图。

[0037] 图5为本发明的车辆流量统计流程示意图。

具体实施方式

[0038] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0039] 实施例1

[0040] 本发明实施例公开了一种高速公路多车道车流量统计方法，包括：

[0041] 一种高速公路多车道车流量统计方法，包括:

[0042] 步骤(1)：获取高速公路视频数据，并对视频数据进行最优灰度处理，得到视频帧。

[0043] 最优灰度处理公式如下：

[0044] Gray＝(R*28+G*61+B*11)/100；

[0045] 其中，Gray为灰度的像素值；R为红色通道、G为绿色通道、B为蓝色通道；28、61、11分别代表经过多次实验得出的最优灰度处理中的红色通道、绿色通道、蓝色通道的颜色变化所占百分比。

[0046] 上述最优灰度处理，去除了图像中过亮或过暗的像素点，不仅提高了图像的视觉效果与清晰度，提高了车辆检测精度，还使图像变得有利于计算机处理提高计算速度，减少了计算开销，提高了方法运行速率。

[0047] 步骤(2)：通过把视频帧中的第一帧作为背景图像，后连续输入视频帧进行背景建模与更新，以准确的获得与高速公路实际场景相吻合的背景，得到背景视频帧模型。

[0048] 应用背景差分法将视频帧输入与得到的背景视频帧模型做差，得到背景差分图像；通过中值滤波法对背景差分图像进行边缘像素锐化处理，得到更加完整清晰的前景运动车辆目标，且去除了过亮或过暗的斑点，提高了车辆检测的正确性和有效性。

[0049] 中值滤波法公式如下：

[0050] g(x,y)＝med{h(x‑k,y‑t),(k,t)w}；

[0051] 其中，g(x,y)为中值滤波处理后得到的灰度值；h(x,y)代表原灰度值；w为可选图形各异的窗口模板，针对高速公路视频不同的分辨率，不同的窗口大小对中值滤波效果不同；k和t为窗口模板的大小；med为中值滤波函数。

[0052] 对经过中值滤波处理后的背景差分图像进行二值化处理，分割出运动车辆目标。

[0053] 背景差分法公式如下：

[0054] Li(x,y)＝|Ii(x,y)‑Bi(x,y)|

[0055] 其中，Li(x,y)为得到的背景差分图像；Ii(x,y)为视频帧中的当前帧图像；Bi(x,y)为背景视频帧模型中的背景图像。

[0056] 二值化处理公式如下：

[0057]

[0058] 其中，T为二值化阈值；Ti(x,y)为运动车辆目标，也为符合二值化阈值T的背景差分图像。

[0059] 步骤(3)：应用动态质心距离跟踪法动态跟踪所述运动车辆目标；动态质心距离跟踪法具体为：预设一最小距离阈值，计算当前帧的运动车辆目标的边界框质心位置与上一帧中所有边界框质心位置之间的距离，在距离符合预设最小距离阈值(距离大于预设最小距离阈值)的情况下，将上一帧中的最小距离的边界框与当前帧的运动车辆目标的边界框进行关联，实现动态跟踪运动车辆目标，提高了距离跟踪的准确性。

[0060] 动态质心距离跟踪法还包括：预设一帧数阈值，当在相邻的预设帧数阈值内无法对运动车辆目标的边界框进行关联(即运动车辆目标在相邻的预设帧数中均不符合上述最小距离阈值的情况)时，将运动车辆目标判定为新车辆的出现或旧车辆的消失，提高了距离跟踪中识别新车辆的出现或旧车辆的消失的准确性和及时性。

[0061] 步骤(4)：应用双虚拟检测线法对不同方向的运动车辆目标进行流量统计，具体为：设置垂直于车道且位于视频帧中间的两条虚拟检测线，且两条虚拟检测线之间的距离大于运动车辆目标车身长度；预设一像素值变化阈值；设置运动车辆目标未经过虚拟检测线的状态S＝1；经过虚拟检测线，虚拟检测线的像素值发生变化且大于预设像素值变化阈值，则状态变为S＝0；当运动车辆目标驶离虚拟检测线时，状态又变为S＝1；当虚拟检测线的状态由S＝1变为S＝0在变为S＝1，则检测到运动车辆目标经过，计数器加一；通过运动车辆目标经过双虚拟检测线的先后顺序，识别运动车辆目标的行驶方向。

[0062] 本发明公开的一种高速公路多车道车流量统计方法。通过将获得的高速公路视频数据进行最优灰度处理以及通过中值滤波法对经过背景更新和背景差分法获得的背景差分图像进行边缘像素锐化处理，减少了视频数据受到噪声以及摄像头抖动的影响，提高了后续车辆识别、车辆跟踪以及车流量统计的准确性；为了提高车辆跟踪的实时性，采用动态质心距离跟踪方法对车辆进行动态跟踪；并通过预设一最小距离阈值，在符合预设最小距离阈值的情况下，对最小距离的边界框进行关联跟踪，提高了车辆跟踪的准确性；并通过预设一帧数阈值，将在相邻的预设帧数阈值内无法关联的边界框识别为新车辆的出现与旧车辆的消失，提高了车辆跟踪中对新车辆的出现与旧车辆的消失识别的及时性和准确性；通过双虚拟检测线法，在车流量统计的同时，通过车辆经过双虚拟检测线的先后顺序，识别车辆的行驶方向，实现了不同方向的车流量统计。

[0063] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

[0064] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。