[发明专利]一种基于视频的过境车辆快速检测方法

说明书

技术领域

本发明属于交通监视、视频处理技术领域，具体涉及视频图像的运动估计和检测方法，特别是交通视频图像中运动车辆的检测方法。

背景技术

近年来，随着汽车的普及，道路堵塞、交通事故等问题引起了人们的广泛关注。智能交通系统(Intell igent Transportation System，ITS)是将先进的计算机处理，数据采集和传输技术，计算机控制等有机的结合起来，从而有效的对交通运输进行监测、管理和控制，提高交通运输效率，保障车辆安全的系统。在智能交通系统的具体应用中，随着摄像设备价格的降低，计算机处理能力的增强和网络速度的提高，交通视频监控技术得到了快速的发展和广泛的应用，它为道路上车辆及行人状态分析、流量统计、信号控制、违章检测等很多方面提供重要依据，已经引起学术界的广泛关注。

以车辆为运动目标的运动检测技术是交通视频监控系统中最为关键的技术。运动目标检测是计算机视觉的核心问题之一，它融合了图像处理、模式识别、计算机控制、人工智能等多学科的先进技术，在交通监控，安全管理，自动导航等许多方法有着广泛的应用。运动目标检测的原理是从图像序列中实时的自动识别感兴趣的目标，完成对运动目标的定位。该问题的难点在于在二维图像中，对物体的三维特征进行恢复。因为对物体进行成像的投影变换过程中，必然存在信息的丢失，而且，由于成像角度和运动物体本身姿态的变化，运动物体的所成的像也必然随之变化。再加上物体所在的环境中存在的光照、阴影等噪声的影响，使得该问题的难度进一步增加。其中的遮挡问题，更是对传统运动目标检测算法的有效性和鲁棒性提出了严重挑战，在复杂条件下，特别是夜间场景下的检测问题，也逐渐成为车辆检测问题中的焦点问题。

运动目标检测中，最常用的前景提取算法是背景差分法。首先我们需要在交通场景下进行背景建模，在大多数交通场景中，背景环境并非是完全静止不变的，如场景中树木受到风的影响而晃动，自然光照随时间的变化，建筑物、车辆等物体的影子等等，都会对背景产生影响，因此背景估计模型必须要求能够自适应的处理这种实时动态的跟踪环境的变化。常用的自适应背景估计模型主要有：(1)图像平均模型(Hoose，1992)，这种方法把一系列的图像序列的像素值累加起来求平均值作为背景像素值。(2)选择性背景更新模型(Butler，2005)，这种方法根据背景图像和当前图像进行差分结果进行判断，如果某点的背景图像值和当前图像值的差分值小于某一个阈值时，就认为该点没有运动物体，用当前图像的点作为背景，实现背景跟新，而如果差分值大于该阈值，则表示改点为运动物体，维持背景不变。(3)混合高斯分布模型(Stauffer et al.，2000)，这种方法就是把图像的像素值看成是一些高斯分布的综合作用：前景高斯分布和背景高斯分布的混合体。图像的某点像素值符合前景高斯分布时，就认为该点属于运动目标；符合背景高斯分布时，就认为该点属于背景，并进行背景跟新。混合高斯模型的估计效果较好，但是计算量比较大。

背景差分算法是通过背景与当前帧进行差分的方法得到运动前景，其中的关键步骤是背景估计。这种算法首先对场景的背景进行有效的估计，再用当前图像帧和背景图像进行差分运算，但这但这样得到的前景往往有较大的噪声，需要对差分图像进行滤波，以除去图像中的噪声，然后对滤波后的图像进行区域分割，提取出运动区域。

发明内容

本发明的目的在于提出一种检测精确、受环境影响小、鲁棒性好的对过境车辆进行快速检测的方法。本发明提供的基于视频的过境车辆快速检测方法，利用背景差法、梯度帧间差法和帧间差法，同时消除白天阴影、呼吸效应以及晚上前大灯地面反射光等影响，精确检测运动物体位置，判断运动物体所处车道。具体步骤如下(见图1所示)：

(1)获得原始帧以后，首先进行高斯模糊的处理，模糊处理的好处在于，可以消除一些轻微抖动(如摄像头轻微抖动，树枝轻微抖动等)带来的影响。

(2)在准备阶段，利用帧间差法，对背景做简单判断，加权累加，获得背景图像。

(3)闪光灯检测和消除呼吸效应。主要统计相邻两帧相应像素点的差值的绝对值均值，通过训练阈值判定。

(4)采用背景差法(主要是利用当前帧和背景帧相减)，获得当前帧中的运动物体的大致轮廓。

(5)快速连通区域检测，相交矩形快速检测和合并。

(6)在以后步骤获得的候选区域内，采用帧间差法(主要是利用相邻帧相减)，获得当前帧中的运动物体的精确位置。这里使用梯度的帧间差法，主要是为了消除夜间路灯照明环境一般情况下地面反射光的影响。