[发明专利]一种基于车辆跟踪的车辆排队长度检测方法

说明书

技术领域

本发明涉及智慧交通领域，尤其涉及一种基于车辆跟踪的车辆排队长度检测方法。

背景技术

目前，机动车拥有量迅速增长，超过同期城市道路和交通设施的增长速度，城市道路拥堵情况十分严重。交通拥堵会导致出行时间增加、车辆启停次数增加、能耗大幅上升、加剧环境污染等不利后果。车辆排队长度、车流量和平均车速作为智能交通中的重要参数，有助于做好应对措施,减少路口拥堵情况的产生，具有重大意义。

在计算车辆排队长度过程中，目前常用的检测方法往往通过分析静态图片的方式计算车辆排队长度。其中，与本发明最接近的技术方案包括：公开号为CN104835142A的中国专利申请公开了一种基于纹理特征的车辆排队长度检测方法，该方法提取纹理特征后与背景库图像的纹理特征进行相似度匹配得到背景图像，然后通过当前图像差分得到车辆前景，从而得到实际的车辆排队长度，但该方法需要提取当前路口在不同光照、天气、时段情况下无车的图像建立背景库，每当路口发生变化时需重新建立背景库，操作较复杂；曹倩霞(中南大学信息科学与工程学院，城市信号交叉口交通运行评价参数视频检测[J].交通运输系统工程与信息，2015,15(6):60-66)提出一种交通运行评价参数综合检测方法，该方法结合选择性背景更新机制和块级帧间差分获得车辆前景，再利用虚拟平行线定位每个车道排队车辆的首尾端位置，但当车道前后两车有一定距离时，该方法的伸缩窗无法伸长，车辆检测准确率较低；史忠科(西北工业大学自动化学院，城市道路排队车辆检测方法[J].交通运输工程学报,2012,12(5):100-109)提出一种基于边缘信息和局部纹理特征的综合检测方法，该方法先采用Canny算法提取车辆边缘信息，采用改进的LBP方法提取车辆纹理特征，同时用帧差法对运动车辆进行分割，得到静止的车辆队列后进行水平投影，从而计算出排队长度，但该方法容易受到路面阴影和车道线干扰，得到的运动车辆和静止车辆不完整，导致排队长度精度不高；综上所述，现有技术方案存在如下问题：(1)车辆检测易受到光照变化、路面阴影干扰，精度不高(2)当出现同车道车辆前后间距较大时，车辆检测准确率低。(3)只能获取车辆排队长度，无法同时采集其他交通参数。为解决上述问题，本发明提供一种基于车辆跟踪的车辆排队长度检测方法。

发明内容

针对上述问题，本发明公开了一种基于车辆跟踪的车辆排队长度检测方法，该方法不受路面阴影、车道线等干扰，能同时统计各车道的排队长度、车流量和平均车速。

本发明公开了一种基于车辆跟踪的车辆排队长度检测方法，其具体包括以下步骤：

步骤1：从道路监控视频中手动标定车辆检测区域、车道分界线，沿车道分界线标定与停止线的实际距离；

步骤2：读取图像序列，截取当前图像中车辆检测区域G；

步骤3：更新跟踪车辆在当前帧的位置，具体为：

步骤3.1：在图像f_j中车辆和车辆位置数据表示为其中i表示车辆编号，j表示图像序列号，c_i表示编号为i的跟踪车辆，表示c_i在f_j中的外接矩形，p表示序列图像帧数的最大值；

步骤3.2：记当前帧序列号为a，更新跟踪车辆在当前帧f_a中的位置，得到集合TL＝{＜c_i,F_i,L_i＞|i＝1,2,3,...,N_a}，其中N_a表示前a帧中车辆编号最大值；F_i＝{MS_i,...,ME_i}，F_i表示车辆c_i存在过的图像序列号集合，MS_i和ME_i分别表示c_i存在的第一次和最后一次图像序列号；L_i表示c_i的外接矩形集合，表示c_i在f_j中的外接矩形；＜c_i,F_i,L_i＞表示车辆c_i、集合F_i和集合L_i的映射关系；

步骤4：检测f_a中新出现的车辆，具体为：

步骤4.1：对车辆检测区域进行背景建模得到前景二值图，对前景二值图进行中值滤波和膨胀操作，得到处理后的前景二值图M；