專利名稱：基于航拍圖像的交通信息獲取方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理 技術(shù)領(lǐng)域，涉及一種基于航拍圖像的交通信息獲取方法及系 統(tǒng)。
背景技術(shù)：
稀疏路網(wǎng)交通狀態(tài)檢測是路網(wǎng)交通監(jiān)控與預(yù)警的基礎(chǔ)。為了對交通事件和其他的 交通事故等進(jìn)行科學(xué)的、迅速的評測和預(yù)警，首先要對交通視頻檢測系統(tǒng)設(shè)備進(jìn)行功能升 級，使之能夠適應(yīng)西部稀疏路網(wǎng)的特殊地理、自然條件。然后需要研究基于視頻的交通狀態(tài) 檢測與識別算法，實(shí)現(xiàn)交通事件的有效檢測，從而為路網(wǎng)安全預(yù)警提供可靠的信息。由于稀疏路網(wǎng)交通狀態(tài)比較特殊，車流量相對較小，又沒有足夠人員去現(xiàn)場監(jiān)控， 所以亟需可以監(jiān)控該區(qū)域的系統(tǒng)解決以下問題(1)對于無人監(jiān)控的道路區(qū)域需要對其交通情況進(jìn)行監(jiān)控，盡量減小交通故障帶 來的損失。(2)通過智能控制，減少人力資源占用，以優(yōu)化人力配置。

發(fā)明內(nèi)容
本發(fā)明的目的提供一種基于航拍圖像的交通信息獲取方法，克服傳統(tǒng)的基于斑塊 檢測與跟蹤的背景差方法針對動態(tài)背景的不適用，可適用背景變化及交通稀疏的場所。為達(dá)到以上目的，本發(fā)明所采用的解決方案是一種基于航拍圖像的交通信息獲取方法，根據(jù)航拍圖像進(jìn)行分析，檢測動態(tài)目標(biāo) 和靜態(tài)目標(biāo)，提取道路交通參數(shù)；其中，動態(tài)目標(biāo)檢測方法為采用KLT算法獲得若干特征點(diǎn)以及動態(tài)目標(biāo)的運(yùn)動參 數(shù)，通過道路區(qū)域方向投影確定運(yùn)動方向矢量，采用k-medoids算法將若干特征點(diǎn)聚類，從 而通過特征點(diǎn)將動態(tài)目標(biāo)分離出來；靜態(tài)目標(biāo)檢測方法為采用道路區(qū)域限制和斑塊分析方法限定出道路區(qū)域和靜態(tài) 目標(biāo)。進(jìn)一步，所述KLT算法是在航拍圖像相鄰幀之間的特征區(qū)域灰度相似的條件下， 在灰度圖像序列中選取大量的特征點(diǎn)，進(jìn)行二維特征跟蹤從而得到特征點(diǎn)位置，據(jù)此求解 出二維特征運(yùn)動參數(shù)的方法；同時(shí)，根據(jù)運(yùn)動矢量的投影方向，提取出道路方向，并利用霍 夫變換檢測出道路線。所述k-medoids算法，包括以下步驟(1)從特征點(diǎn)中任意選取K個(gè)對象作為Hiedoids(C)1, O2, . . . Oi. ..Ok)；(2)將余下的對象根據(jù)與medoid最相近的原則分到各個(gè)類中去；(3)對于每個(gè)類(Oi)中，順序選取一個(gè)仏，計(jì)算用Or代替Oi后的消耗E(0》，選擇 E最小的那個(gè)A來代替Oi ；(4)返回步驟⑵循環(huán)計(jì)算，直到Kfmedoids固定下來。
所述道路區(qū)域限制是采用顏色直方圖分布的方式將道路區(qū)域標(biāo)識處理，結(jié)合霍夫 變化檢測出的道路線共同限定出道路區(qū)域。所述斑塊分析是具體獲取斑塊的中心點(diǎn)坐標(biāo)、斑塊面積、斑塊的RGB信息和斑塊 數(shù)目等信息，斑塊的中心點(diǎn)坐標(biāo)反映靜態(tài)目標(biāo)的位置；斑塊面積可用于去除噪聲；斑塊的 RGB信息是在將航拍得到的圖像進(jìn)行二值化處理(即由彩色圖像轉(zhuǎn)換為只有黑白二色的圖 像)后，在此圖像)中確定斑塊的位置后，到原航拍圖像中找到相應(yīng)的斑塊位置，統(tǒng)計(jì)RGB 信息以區(qū)分出目標(biāo)物體和周圍環(huán)境；斑塊數(shù)目用于對整個(gè)航拍圖像中的斑塊統(tǒng)一處理。所述提取道路交通參數(shù)包括提取車輛行駛方向、車輛速度和車身長度。所述車輛行駛方向，是根據(jù)車輛運(yùn)動矢量與背景點(diǎn)運(yùn)動矢量的大小關(guān)系來確定車 輛的行駛方向，所述車輛運(yùn)動矢量是指動態(tài)目標(biāo)相對于飛機(jī)的運(yùn)動矢量，所述背景點(diǎn)運(yùn)動 矢量是指靜態(tài)目標(biāo)相對于飛機(jī)的運(yùn)動矢量，如果車輛運(yùn)動矢量大于背景點(diǎn)運(yùn)動矢量；那么 車輛與飛機(jī)逆向行駛；如果車輛運(yùn)動矢量小于背景點(diǎn)運(yùn)動矢量，那么車輛與飛機(jī)同向行駛。所述車輛速度根據(jù)下式計(jì)算，車輛與飛機(jī)逆向行駛時(shí)，V車=V相對-V飛機(jī)；車輛與飛機(jī)同向行駛時(shí)，V車=V相對+V飛機(jī)；其中，￥￥是指動態(tài)目標(biāo)的速度，Viw是指靜態(tài)目標(biāo)的速度，ν、Λ是指飛機(jī)的速度。所述車身長度根據(jù)length = (ymax_ymin) *cos θ * (Vplane*0. 04/vectorbackgromd)計(jì)算， 其為車輛在飛機(jī)飛行方向上的位移，0為飛機(jī)飛行方向與車輛行駛方向的夾角， Vplane是飛機(jī)的飛行速度，Vectorbaekgraund為圖像上背景點(diǎn)的相對運(yùn)動速度，0. 04為每幀之間 相隔時(shí)間。根據(jù)道路目標(biāo)的特點(diǎn)，分別對運(yùn)動車輛和靜止車輛進(jìn)行檢測。動態(tài)目標(biāo)檢測方法對于運(yùn)動車輛，采用KLT算法進(jìn)行檢測，KLT算法是在圖像相鄰幀之間的特征區(qū)域 灰度相似的條件下，在灰度圖像序列中選取大量的特征點(diǎn)，進(jìn)行二維特征跟蹤從而得到特 征點(diǎn)位置，據(jù)此求解出二維特征運(yùn)動參數(shù)的方法。同時(shí)，根據(jù)運(yùn)動矢量的投影方向，可以提取出道路方向，以減小飛機(jī)抖動帶來的誤 差。利用霍夫變換檢測出道路線。霍夫變換可以檢測出圖像中的所有直線(霍夫變換檢測 直線的方法是行業(yè)內(nèi)公知的？最好能夠簡單介紹一下)，由此計(jì)算出所有直線的斜率k和 截距b，根據(jù)斜率求出分布最大的斜率范圍并求出平均值kavg，由此求出道路線的方向并篩 選掉其他無關(guān)直線。由所得截距求出最大的截距bmax和最小的截距bmin可以得出道路線的 兩個(gè)邊界，由此可以粗略估計(jì)出目標(biāo)區(qū)域。在聚類算法中，最常用的是k-means算法。k-means算法接受輸入量k ；然后將η 個(gè)數(shù)據(jù)對象劃分為k個(gè)聚類以便使得所獲得的聚類滿足同一聚類中的對象相似度較高； 而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個(gè)“中 心對象”(引力中心)來進(jìn)行計(jì)算的。 k-means算法的工作過程說明如下首先從η個(gè)數(shù)據(jù)對象任意選擇k個(gè)對象作為 初始聚類中心；而對于所剩下其它對象，則根據(jù)它們與這些聚類中心的相似度(距離)，分 別將它們分配給與其最相似的(聚類中心所代表的)聚類；然后再計(jì)算每個(gè)所獲新聚類的 聚類中心(該聚類中所有對象的均值)；不斷重復(fù)這一過程直到標(biāo)準(zhǔn)測度函數(shù)開始收斂為 止。一般都采用均方差作為標(biāo)準(zhǔn)測度函數(shù).k個(gè)聚類具有以下特點(diǎn)各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。通過KLT算法可以得到若干特征點(diǎn)以及目標(biāo)的運(yùn)動參數(shù)，然后通過道路區(qū)域方向 投影確定運(yùn)動方向矢量，而k-means算法則是將若干特征點(diǎn)聚類，從而通過特征點(diǎn)將運(yùn)動 目標(biāo)分離出來。

靜態(tài)目標(biāo)檢測方法對于靜止車輛，采用道路區(qū)域限制加斑塊分析的方法，由于霍夫變換檢測出來的 直線不一定能夠準(zhǔn)確地描述道路線，因此需要結(jié)合其他算法共同完成道路區(qū)域的檢測。一 般來說，路面顏色分布相對比較固定，根據(jù)圖像處理中已有的求取顏色直方圖分布的方式， 可以將道路區(qū)域標(biāo)識出來，結(jié)合前邊由霍夫變換方法檢測出的道路線信息共同限定出道路 區(qū)域。(1)斑塊分析在四連通環(huán)境下對斑塊進(jìn)行分析。所謂四連通，是指一個(gè)象素點(diǎn)的 上下左右方向四個(gè)緊鄰的點(diǎn)與這個(gè)點(diǎn)是相鄰關(guān)系，而左上、左下、右上、右下四個(gè)點(diǎn)與這個(gè) 點(diǎn)不屬于相鄰關(guān)系。斑塊信息越豐富，車輛檢測和跟蹤就越精確。斑塊分析提取的基本信 息主要有斑塊的最上、下、左、右坐標(biāo)。利用這四個(gè)坐標(biāo)，可以方便地計(jì)算斑塊的中心點(diǎn)坐 標(biāo)和斑塊的矩形面積。(2)斑塊的中心點(diǎn)坐標(biāo)中心點(diǎn)坐標(biāo)可以粗略地反映車輛的位置，是車輛檢測和跟蹤的主要依據(jù)之一。(3)斑塊面積斑塊面積包括實(shí)際面積和矩形面積。利用面積信息可以去除一些噪聲的影響。進(jìn) 一步精確地得到斑塊的位置。(4)斑塊的RGB信息在二值圖中確定斑塊的位置后，到RGB圖中找到相應(yīng)的斑塊位置，然后統(tǒng)計(jì)RGB信 息。RGB信息也是車輛檢測和跟蹤的主要依據(jù)之一。通過統(tǒng)計(jì)RGB信息，可以較為準(zhǔn)確地區(qū) 分出目標(biāo)物體和周圍環(huán)境，成為檢測出靜止車輛的重要步驟之一。(5)斑塊數(shù)目整個(gè)二值圖中，所有斑塊的數(shù)目。得到斑塊數(shù)目便于對整個(gè)圖像中的斑塊進(jìn)行統(tǒng)
一處理。通過斑塊分析，利用RGB顏色信息，可以初步確定靜止車輛的位置，實(shí)現(xiàn)靜止車輛 的檢測。道路交通參數(shù)提取對道路目標(biāo)檢測之后，可以提取相應(yīng)參數(shù)來直觀評價(jià)道路交通信息。1、車輛的行駛方向根據(jù)車輛運(yùn)動矢量與背景點(diǎn)運(yùn)動矢量(即地面上的靜止物體相對于飛機(jī)的運(yùn)動 矢量)的大小關(guān)系來確定車輛的行駛方向。根據(jù)對視頻的觀察可以得到運(yùn)動矢量的大小關(guān) 系如下vector逆向行駛車輛> vector背景點(diǎn)> vector同向行駛車輛 (1)首先，在所得到的特征點(diǎn)中，背景點(diǎn)是最多的，這樣便可以得到vector背景點(diǎn)，然 后再根據(jù)上式將每輛車的運(yùn)動矢量與vector背景點(diǎn)進(jìn)行比較確定車輛的行駛方向是與飛 機(jī)同向還是與飛機(jī)逆向。如果車輛的運(yùn)動矢量大于背景點(diǎn)運(yùn)動矢量，那么車輛與飛機(jī)逆向行駛；如果車輛的運(yùn)動矢量小于背景點(diǎn)運(yùn)動矢量，那么車輛與飛機(jī)同向行駛。2、車輛速度值的提取由于飛機(jī)的飛 行速度是給定的，而背景特征點(diǎn)的運(yùn)動矢量~飛機(jī)的飛行速度(給 定)，同時(shí)車輛特征點(diǎn)的運(yùn)動矢量~車輛相對于飛機(jī)的相對速度，這樣，便可以利用比例關(guān) 系得出飛機(jī)的相對速度，再利用下式推算出車輛的實(shí)際行駛速度V車=V相對-V飛機(jī)(車輛與飛機(jī)逆向行駛) ⑵V車=V相對+V飛機(jī)(車輛與飛機(jī)同向行駛) ⑶3、車型的提取車身長度length = (ymax-ymin) *cos θ * (Vpl咖*0· 04/vectorbackground) (4)其中ymax_ymin為車輛在飛機(jī)飛行方向上的位移，θ為飛機(jī)飛行方向與車輛行駛方 向的夾角，Vplane是飛機(jī)的飛行速度，Vectorbaekgraund為圖像上背景點(diǎn)的相對運(yùn)動速度，0. 04 為每幀之間相隔時(shí)間。上式同樣是利用已知的飛機(jī)速度，將相鄰兩幀之間飛機(jī)飛行的實(shí)際距離與圖像的 像素單位對應(yīng)起來，從而估算出車身的長度。以上過程都是根據(jù)航拍圖像，利用計(jì)算機(jī)圖像技術(shù)進(jìn)行處理，針對不同參數(shù)通過 不同方法提取而實(shí)現(xiàn)的，最終得到本系統(tǒng)所需的各項(xiàng)參數(shù)，包括車輛行駛方向、速度以及車 身長度?；诤脚膱D像的交通信息獲取系統(tǒng)該系統(tǒng)通過對無人機(jī)航拍視頻進(jìn)行處理，可以獲取航拍路段上的交通量信息，和 每輛車的世界坐標(biāo)、行駛速度等信息。在交通信息獲取的基礎(chǔ)上，通過對該信息的綜合分析 與處理，如對車輛數(shù)目的統(tǒng)計(jì)，對車速的測量等，得出該地區(qū)路面的綜合交通信息以及詳細(xì) 的交通參數(shù)。由于采用了上述方案，本發(fā)明具有以下特點(diǎn)不僅能夠應(yīng)用在一般交通流量下路 況的分析，特別能夠針對西部地區(qū)的稀疏路段進(jìn)行交通狀況分析，得到所需交通參數(shù)和綜 合路況。且由于所得圖像來源于無人機(jī)航拍，本發(fā)明更能夠適應(yīng)采集圖像的變化。


圖1是本發(fā)明方法的一種實(shí)施例的流程示意圖。圖2是本發(fā)明方法的一種實(shí)施例的運(yùn)動目標(biāo)特征檢測跟蹤方法流程圖。圖3是本發(fā)明方法的一種實(shí)施例的靜止目標(biāo)檢測方法流程圖。
具體實(shí)施例方式以下結(jié)合附圖所示實(shí)施例對本發(fā)明作進(jìn)一步的說明。本系統(tǒng)通過攝像頭在無人機(jī)上航拍獲取視頻，對視頻進(jìn)行相關(guān)預(yù)處理后得到需要 的輸入視頻。如圖1所示，即為采集視頻的過程。接下來，需要對視頻進(jìn)行一系列相關(guān)處理 以得到所需內(nèi)容。首先，將視頻截成幀，每一幀相當(dāng)于一幅圖像，然后針對每一幅圖像進(jìn)行處理。下 面分別闡述針對運(yùn)動目標(biāo)檢測和靜止目標(biāo)檢測的不同方法。
對于運(yùn)動目標(biāo)，第一步需要得到其特征點(diǎn)。對于每一幀圖像，如圖2，利用KLT算法 對圖像進(jìn)行掃描獲取特征點(diǎn)，KLT算子首先計(jì)算每個(gè)特征點(diǎn)的δ矩陣的特征值λ 1、λ 2，如 果πι ^λ” λ2) > H(閾值)(一般來說閾值為經(jīng)驗(yàn)值)則該點(diǎn)為有效特征點(diǎn)。δ矩陣定 義為 式中ΙΧ為一階χ方向?qū)?shù)，Iy為一階y方向?qū)?shù)。隨著相機(jī)的移動，圖像的強(qiáng)度以復(fù)雜的方式發(fā)生著變化。如果攝像機(jī)捕獲圖像的 速度足夠快，那么對于相鄰幀而言，由于各種影響灰度變化因素的相似性，在局部區(qū)域內(nèi)的 灰度變化是極其相似的，因此可以認(rèn)為，相鄰兩幀的局部區(qū)域之間存在沿X和Y方向的位 移，這就是所謂的二維特征平移運(yùn)動模型。這意味著t時(shí)刻圖像上的某個(gè)特征點(diǎn)X= (x，y) 在t+1時(shí)刻運(yùn)動到了 X’ = 0^-叔，7-(^)，其中(1= (dx,dy)為二維特征的平移運(yùn)動參數(shù)向 量，該特征點(diǎn)的灰度值在運(yùn)動前后是近似相等的，即J(X) = I(X-d)+n(X) (6)其中J(X) = I (X，t+1)為t+Ι時(shí)刻的特征點(diǎn)X的灰度值，I (X-d) = I (X-d，t)為 t時(shí)刻該特征點(diǎn)的灰度值，η(X)為相應(yīng)的噪聲。顯然需要選擇合適的運(yùn)動參數(shù)向量d使在特征點(diǎn)X周圍的某個(gè)特征窗口 W內(nèi)如下 的二重積分得到的殘差最小ε = / w(I(X-d)-J(X))2codX (J)式中ω為對特征區(qū)域內(nèi)不同象素點(diǎn)的加權(quán)方程。如果相鄰兩幀之間的運(yùn)動比較 小的情況下，可以將I (X-d)在X點(diǎn)進(jìn)行一階泰勒展開I (X-d) = J(X)-g · d (8)g是梯度向量，于是可以將式(7)重新寫成如下的形式ε = / w(I(X-d)-J(X))2codX = / w(h_g · d)2codX (9)其中h = I (X)-J(X)?？梢钥闯?，殘差是平移向量d的二次方程，這個(gè)最優(yōu)化問題 可以得到閉合形式的解。為了使殘差最小，對式(9)等號兩邊，求其對d的一階導(dǎo)數(shù)，得到/ w(h_g · d)gcodX = 0 (10)由于(g*d)g= (ggT)d，而且在特征窗口區(qū)域中假設(shè)d為常量，因此得到dX / w(ggT) ω Χ = / whgcodX (11)上式是特征跟蹤計(jì)算中的基本計(jì)算步驟，對于特征窗口內(nèi)的所有像素都可以計(jì)算 出其沿X和Y方向的梯度，因此可以得到實(shí)對稱的交叉梯度矩陣G，同時(shí)對于特征窗口內(nèi)的 所有像素都能計(jì)算出兩幀之間灰度差并得到向量e。這樣就能計(jì)算出運(yùn)動參數(shù)d的值。得 到d以后，移動特征窗口，再重復(fù)以上過程，直到d小于某個(gè)閾值，這表明相鄰兩幀的特征 窗口已經(jīng)匹配成功，將前面重復(fù)過程中每一輪得到的d都加起來就得到最終的平移運(yùn)動參 數(shù)。第二步，為了將特征點(diǎn)聚類，以準(zhǔn)確將運(yùn)動目標(biāo)分離出來，需要采用有效的聚類算 法。傳統(tǒng)的聚類算法應(yīng)用較多的是k-means算法。k-means算法的工作過程說明如下首先從η個(gè)數(shù)據(jù)對象任意選擇k個(gè)對象作為 初始聚類中心；而對于所剩下其它對象，則根據(jù)它們與這些聚類中心的相似度(距離)，分別將它們分配給與其最相似的(聚類中心所代表的)聚類；然后再計(jì)算每個(gè)所獲新聚類的 聚類中心(該聚類中所有對象的均值)；不斷重復(fù)這一過程直到標(biāo)準(zhǔn)測度函數(shù)開始收斂為 止。一般都采用均方差作為標(biāo)準(zhǔn)測度函數(shù).k個(gè)聚類具有以下特點(diǎn)各聚類本身盡可能的緊 湊，而各聚類之間盡可能的分開。k-means有其缺點(diǎn)產(chǎn)生類的大小相差不會很大，對于臟數(shù)據(jù)很敏感?；谶@一 點(diǎn)，提出了一種改進(jìn)的算法k-med0idS方法。

K-medoids算法選取一個(gè)對象叫做medoid來代替上面的中心的作用，這樣的一個(gè) medoid就標(biāo)識了這個(gè)類。步驟(1)從特征點(diǎn)中任意選取K個(gè)對象作為medoids (O1, 02，· · · Oi. · · Ok)。以下是循環(huán)的(2)將余下的對象分到各個(gè)類中去(根據(jù)與medoid最相近的原則)；(3)對于每個(gè)類(Oi)中，順序選取一個(gè)0r，計(jì)算用Or代替Oi后的消耗-E(Or)。選 擇E最小的那個(gè)0,來代替Oi。這樣K個(gè)medoids就改變了，下面就再轉(zhuǎn)到(2)。(4)這樣循環(huán)直到K個(gè)medoids固定下來。這種算法對于臟數(shù)據(jù)和異常數(shù)據(jù)不敏感，但計(jì)算量顯然要比K均值要大，一般只 適合小數(shù)據(jù)量。基于密度的k-medoids算法是在聚類過程中，不需要輸入聚類的個(gè)數(shù)，而是根據(jù) 數(shù)據(jù)之間的距離將相鄰類進(jìn)行合并。第三步，道路交通參數(shù)的提取。1)運(yùn)動方向的提取。由前邊得到的目標(biāo)運(yùn)動矢量以及背景點(diǎn)相對于飛機(jī)的運(yùn)動矢 量，根據(jù)(1)式可以得出運(yùn)動方向。2)車輛速度值的提取。由運(yùn)動矢量得出的相對速度以及從航拍中獲得的飛機(jī)速度 可以根據(jù)式⑵和式⑶得出車輛速度。3)車型提取。根據(jù)相應(yīng)點(diǎn)的坐標(biāo)以及運(yùn)動矢量由式(4)可以獲得車輛長度，并進(jìn) 行分類提取出車型。對于靜止車輛，需要得到車輛目標(biāo)的位置信息。如圖3所示，首先進(jìn)行道路區(qū)域選定，一般來說，路面顏色分布相對比較固定，根 據(jù)顏色直方圖分布，可以將道路區(qū)域標(biāo)識出來，結(jié)合前邊檢測出的道路線信息共同限定出 道路區(qū)域。其次，采用斑塊分析的方法確定靜止目標(biāo)位置(坐標(biāo))。對于斑塊分析方法，共需兩次掃描，第一次掃描從下往上、從左往右掃描，掃描到 象素值為O的點(diǎn)，不做任何處理。當(dāng)掃描到第一個(gè)象素值為255的點(diǎn)，把它標(biāo)記為“1”，并記 錄下來。然后掃描該點(diǎn)的四個(gè)鄰居，如果有象素值為255的點(diǎn)，把它標(biāo)記為與該點(diǎn)相同的標(biāo) 記“1”，表示它們屬于同一個(gè)斑塊“1”。最后記錄該點(diǎn)的坐標(biāo)值，以及記錄“1號斑塊目前有 1個(gè)象素”。然后繼續(xù)掃描，重復(fù)上面的步驟。第二次掃描主要完成的是標(biāo)記修正。在合并象素的同時(shí)，這次掃描也完成了信息的統(tǒng)計(jì)，包括斑塊的面積，最上、下、 左、右的坐標(biāo)，中心點(diǎn)坐標(biāo)，RGB信息等。所有檢測結(jié)束后，根據(jù)前述方法提取出所需各交通參數(shù)，完成系統(tǒng)功能。
本系統(tǒng)能夠有效地獲得某一路段上的交通流量、車速、車型等交通參數(shù)和交通狀 態(tài)信息，是一種綜合性的系統(tǒng)，包括視頻輸入設(shè)備，視頻分析工具(軟件)以及結(jié)果顯示設(shè) 備(計(jì)算機(jī))，通過系統(tǒng)分析處理將結(jié)果顯示出來，給相關(guān)人員或部門提供所需信息。上述的對實(shí)施例的描述是為便于該技術(shù)領(lǐng)域的普通技術(shù)人員能理解和應(yīng)用本發(fā) 明。熟悉本領(lǐng)域技術(shù)的人員顯然可以容易地對這些實(shí)施例做出各種修改，并把在此說明的 一般原理應(yīng)用到其他實(shí)施例中而不必經(jīng)過創(chuàng)造性的勞動。因此，本發(fā)明不限于這里的實(shí)施 例，本領(lǐng)域技術(shù)人員根據(jù)本發(fā)明的揭示，對于本發(fā)明做出的改進(jìn)和修改都應(yīng)該在本發(fā)明的 保護(hù) 范圍之內(nèi)。
權(quán)利要求
1.一種基于航拍圖像的交通信息獲取方法，其特征在于根據(jù)航拍圖像進(jìn)行分析，檢 測動態(tài)目標(biāo)和靜態(tài)目標(biāo)，提取道路交通參數(shù)；其中，動態(tài)目標(biāo)檢測方法為采用KLT算法獲得若干特征點(diǎn)以及動態(tài)目標(biāo)的運(yùn)動參數(shù)， 通過道路區(qū)域方向投影確定運(yùn)動方向矢量，采用k-medoids算法將若干特征點(diǎn)聚類，從而 通過特征點(diǎn)將動態(tài)目標(biāo)分離出來；靜態(tài)目標(biāo)檢測方法為采用道路區(qū)域限制和斑塊分析方法限定出道路區(qū)域和靜態(tài)目標(biāo)。
2.如權(quán)利要求1所述的基于航拍圖像的交通信息獲取方法，其特征在于所述KLT算 法是在航拍圖像相鄰幀之間的特征區(qū)域灰度相似的條件下，在灰度圖像序列中選取大量的 特征點(diǎn)，進(jìn)行二維特征跟蹤從而得到特征點(diǎn)位置，據(jù)此求解出二維特征運(yùn)動參數(shù)的方法；同 時(shí)，根據(jù)運(yùn)動矢量的投影方向，提取出道路方向，并利用霍夫變換檢測出道路線。
3.如權(quán)利要求1所述的基于航拍圖像的交通信息獲取方法，其特征在于所述 k-medoids算法，包括以下步驟(1)從特征點(diǎn)中任意選取K個(gè)對象作為medoids(O1, O2, . . . Oi. ..Ok)；(2)將余下的對象根據(jù)與medoid最相近的原則分到各個(gè)類中去；(3)對于每個(gè)類(Oi)中，順序選取一個(gè)化，計(jì)算用A代替(^后的消耗E(0》，選擇E最 小的那個(gè)化來代替Oi;(4)返回步驟(2)循環(huán)計(jì)算，直到K個(gè)medoids固定下來。
4.如權(quán)利要求1所述的基于航拍圖像的交通信息獲取方法，其特征在于所述道路區(qū) 域限制是采用顏色直方圖分布的方式將道路區(qū)域標(biāo)識處理，結(jié)合霍夫變化檢測出的道路線 共同限定出道路區(qū)域。
5.如權(quán)利要求1所述的基于航拍圖像的交通信息獲取方法，其特征在于所述斑塊分 析是具體獲取斑塊的中心點(diǎn)坐標(biāo)、斑塊面積、斑塊的RGB信息和斑塊數(shù)目信息，斑塊的中心 點(diǎn)坐標(biāo)反映靜態(tài)目標(biāo)的位置；斑塊面積用于去除噪聲；斑塊的RGB信息是在將航拍得到的 圖像進(jìn)行二值化處理后，在此圖像中確定斑塊的位置，然后到原航拍圖像中找到相應(yīng)的斑 塊位置，統(tǒng)計(jì)RGB信息以區(qū)分出目標(biāo)物體和周圍環(huán)境；斑塊數(shù)目用于對整個(gè)航拍圖像中的 斑塊統(tǒng)一處理。
6.如權(quán)利要求1所述的基于航拍圖像的交通信息獲取方法，其特征在于所述提取道 路交通參數(shù)包括提取車輛行駛方向、車輛速度和車身長度。
7.如權(quán)利要求6所述的基于航拍圖像的交通信息獲取方法，其特征在于所述車輛行 駛方向，是根據(jù)車輛運(yùn)動矢量與背景點(diǎn)運(yùn)動矢量的大小關(guān)系來確定車輛的行駛方向，所述 車輛運(yùn)動矢量是指動態(tài)目標(biāo)相對于飛機(jī)的運(yùn)動矢量，所述背景點(diǎn)運(yùn)動矢量是指靜態(tài)目標(biāo)相 對于飛機(jī)的運(yùn)動矢量，如果車輛運(yùn)動矢量大于背景點(diǎn)運(yùn)動矢量；那么車輛與飛機(jī)逆向行駛； 如果車輛運(yùn)動矢量小于背景點(diǎn)運(yùn)動矢量，那么車輛與飛機(jī)同向行駛。
8.如權(quán)利要求6所述的基于航拍圖像的交通信息獲取方法，其特征在于所述車輛速 度根據(jù)下式計(jì)算，車輛與飛機(jī)逆向行駛時(shí)，V車=V相對-V飛機(jī)；車輛與飛機(jī)同向行駛時(shí)，V車=V相對+V^a ；其中，^^是指動態(tài)目標(biāo)的速度，Vw是指靜態(tài)目標(biāo)的速度，V.是指飛機(jī)的速度。
9.如權(quán)利要求6所述的基于航拍圖像的交通信息獲取方法，其特征在于所述車身長度根據(jù) length = (ymax_ymin)*cos θ *(Vpl咖*0· 04/vectorbackground)計(jì)算，其中 ymax_ymin 為車輛 在飛機(jī)飛行方向上的位移，θ為飛機(jī)飛行方向與車輛行駛方向的夾角，Vpl_是飛機(jī)的飛行 速度，Vectorbaekgraund為圖像上背景點(diǎn)的相對運(yùn)動速度，0. 04為每幀之間相隔時(shí)間。
全文摘要
一種基于航拍圖像的交通信息獲取方法，根據(jù)航拍圖像進(jìn)行分析，檢測動態(tài)目標(biāo)和靜態(tài)目標(biāo)，其中，動態(tài)目標(biāo)檢測方法為采用KLT算法獲得若干特征點(diǎn)以及動態(tài)目標(biāo)的運(yùn)動參數(shù)，通過道路區(qū)域方向投影確定運(yùn)動方向矢量，采用k-medoids算法將若干特征點(diǎn)聚類，從而通過特征點(diǎn)將動態(tài)目標(biāo)分離出來；靜態(tài)目標(biāo)檢測方法為采用道路區(qū)域限制和斑塊分析方法限定出道路區(qū)域和靜態(tài)目標(biāo)，在交通信息獲取的基礎(chǔ)上，通過對該信息的綜合分析與處理，可以得到綜合交通狀況以及詳細(xì)的交通參數(shù)指標(biāo)。
文檔編號G06K9/00GK102073846SQ201010588880
公開日2011年5月25日 申請日期2010年12月15日 優(yōu)先權(quán)日2010年12月15日
發(fā)明者劉富強(qiáng), 劉曉豐, 崔建竹, 張姍姍, 李志鵬, 龔劍 申請人:同濟(jì)大學(xué)