[发明专利]一种基于图像处理的交通拥堵判断方法

说明书

本发明公开了一种基于图像处理的交通拥堵判断方法，将图像纹理特征与深度学习相结合，以判断图片中的场景是否发生交通拥堵，其中，通过灰度共生矩阵GLCM（Gray‑Level Co‑occurrence Matrix）获得图像纹理特征，并通过图像纹理特征进行交通拥堵的初步判断；通过设计卷积神经网络模型进行精确的交通拥堵判断。通过本发明，能够减小统计交通参数时的误差，存在车辆遮挡时也能准确判断拥堵发生；且运算量较小，具有较好的实时性。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于图像处理的交通拥堵判断方法。

背景技术

目前，交通拥堵的判断方法主要有指标法、传感器检测法、基于视频图像处理法等。现阶段，高速公路上已经实现全路段视频监控，相对于传统的传感器检测，视频检测具有便于维护、实时检测的优点。根据目前的科学技术发展趋势，基于视频图像进行交通判断逐渐成为了主流。

现有的基于视频图像的检测方法，大部分需要对每一帧进行大量的处理操作，运算量庞大，实时性差。如通过统计车辆量度的方法进行拥堵检测，需要对感兴趣区域进行反复处理，提取车辆目标以统计车辆数，当车辆数达到一定阈值时判断拥堵的发生，该方法在车辆有遮挡情况时无法统计准确的车辆数，有一定的局限性。又如通过利用宏观交通参数来进行拥堵检测，需要通过背景差分法和帧差法分析图像纹理的变化情况，从而得出道路空间占有率和时间占有率以判断道路拥堵的情况，该方法在统计交通参数时误差较大，难以准确判断拥堵发生。

发明内容

本发明的目的是为解决上述现有技术的不足之处而提供一种基于图像处理的交通拥堵判断方法。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于图像处理的交通拥堵判断方法，包括：

实时提取拍摄的交通运行图像，并对图像进行预处理；

计算预处理后的交通运行图像的灰度共生矩阵，根据灰度共生矩阵计算特征值，根据计算得到的特征值，进一步计算判断值S；其中，所述特征值包括能量、熵、对比度；

根据每一交通运行图像的判断值S，通过与预设判断值阈值进行比较，以对对应交通运行图像的拥堵情况进行判断；

对于判断值阈值无法进行拥堵情况判断的交通运行图像，构建深度学习模型，进行精确交通拥堵判断。

其中，在对图像进行预处理的步骤中，包括步骤：

对交通运行图像进行灰度转化并计算其最大灰度级；

遍历每一交通运行图像的图片矩阵中的灰度值，并将其缩小至16以内。

其中，在计算预处理后的交通运行图像的灰度共生矩阵时，针对交通运行图像的灰度图矩阵中的每一像素点，计算与该像素点的角度呈0°、45°、90°和135°的像素点得到的灰度共生矩阵。

其中，特征值包括能量、熵、对比度；

其中，能量ASM用于反映图像灰度分布均匀程度和纹理粗细程度，计算公式为：

其中，P(i，j)表示灰度共生矩阵第i行、第j列的值；

熵ENT表现图像的复杂程度，计算公式为：

对比度CON反映图像的清晰度和纹理结构深浅，计算公式为：

其中，在根据计算得到的特征值，进一步计算判断值S的步骤中，包括步骤：

对数量级较小的ASM值进行取对数操作：

A′_{0.45，90，135}＝-lnA_{0，45，90，135}