[发明专利]一种多特征融合的交通视频数据采集处理方法

说明书

技术领域

本发明属于道路交通视频图像数据采集和处理技术领域，具体来说是一种基于多特征融合的交通视频数据采集处理方法，从而克服复杂多样的交通场景和天气条件对图像数据处理的影响，提高检测道路车辆和车速的准确度。

背景技术

在智能交通系统应用、交通管理、交通仿真和交通流理论研究中，一项非常重要的工作就是对交通信息的采集。目前绝大多数交通信息采集设备能够提供的信息主要是单一车型的流量、速度、密度等宏观参数，这些交通信息并不区分车辆类型。采集多车型交通信息对于交通管理和理论研究具有重要意义。传统的交通信息采集方法主要有：地埋式感应线圈法、红外线检测法和超声波检测法等。这些传统方法的成本高、维护困难；而且中国的道路交通环境复杂，导致这些传统方法不能有效地分辨车型。随着视频处理技术的快速发展，基于视频的交通信息采集方法得到广泛应用。相比传统的交通信息采集方法，视频检测系统具有安装简单、维护方便、采集参数多等优点，而且可以在复杂交通场景下有效识别车型。

视频交通数据采集主要有两种研究方法：车辆跟踪法和虚拟区域法。车辆跟踪法首先识别和分割交通视频中的车辆，通过车辆跟踪建立相邻帧之间的车辆对应关系，获取车辆运动轨迹，采集交通数据；虚拟区域法则是模拟地感线圈的工作原理，由用户在图像的关键位置上划定虚拟区域，根据虚拟区域内的像素变化来判断是否存在车辆，从而采集交通数据。这两种方法各有特色。车辆跟踪法从车辆轨迹获得交通数据更加精确，这些信息来源于时间域也来源于空间域，其缺陷在于当交通密度较大时，车辆遮挡严重降低跟踪精度，因此车辆跟踪法通常用于高速公路的监测。与之相比，虚拟区域法不能充分利用图像的空间域信息，因而获得的交通数据比较有限，但其优点在于不受交通状况的限制，全天侯工作时的鲁棒性较好，更加适合实际应用。

现有的商业交通视频检测器主要采用虚拟区域法，但从其实用评估报告来看普遍存在以下缺陷：在车灯反光、运动阴影、恶劣天气、摄像机晃动等条件下，交通检测数据结果错误率较高，例如，由于车灯反光导致夜晚的检测错误率达到74.3％；由于雨雪天气导致的检测错误率即使在白天也高达16.3％，而夜晚的检测错误率高达50％。如何优化交通视频图像数据的检测方法，确保检测率对车灯反光、运动阴影、光照剧烈变化、摄像机晃动等干扰具有较强的免疫能力是交通视频数据采集处理前沿性研究方向。

发明内容

本发明的目的是为了：(1)减少视频图像交通信息监测中由于车灯反光、运动阴影、光照剧烈变化、摄像机晃动等干扰导致的检测错误率高的缺陷；(2)减少双线圈测速法的错误匹配。

实现上述目的本发明的技术方案为，一种多特征融合的交通视频数据采集处理方法，该方法包括步骤为：(1)在交通视频图像上划分虚拟区域；(2)计算虚拟区域的前景像素比例；对所有前景像素,将中值滤波后的输入图像亮度与背景亮度相减得到差分图像做Ede形态学边缘检测,从而确定边缘强度的标准差SD_e；记录虚拟区域中的前景区域的平均运动向量FMV_i，根据虚拟区域记录的FMV_i次数n，确定车辆检测方向∠VD；(3)根据(2)步图像处理得到的前景像素比例、边缘强度的标准差SD_e、车辆检测方向∠VD计算车辆存在信心级数CL，CL∈{0,1,...,k}；CL＝0为最低信心级数，表示虚拟区域内没有车辆；CL＝K为最高信心级数，表示虚拟区域被车辆占有；CL取中间值表示过渡状态；K取2-4范围的整数，与监控场景有关：车速越高，K越小；车速越低，K越大，CL始终处于0-K之间:当CL达到K时,不再增加；达到0时，不再减少；(4)统计CL的数据即可确定监测到的车辆数。

上述步骤中，划分虚拟区域是横向边界小于车道线间距，纵向边界小于普通轿车长度的四边形区域；同时虚拟区域分别沿横向和纵向划分两条特征线a₁、a₂和b₁、b₂，从而将虚拟区域横向和纵向等分为3段，a₁，a₂，b₁和b₂上的前景像素比例依次为FR_a1，FR_a2，FR_b1和FR_b2，它们决定了4条特征线的被占有情况。这种横向和纵向二次通过特征线的划分方式，能够减小“一辆车投影到两条车道带给算法的不利影响以及同一车道上前后车辆的间距太小，虚拟区域可能被两辆车同时占有的问题。