本發(fā)明專(zhuān)利涉及智能交通研究領(lǐng)域，尤其是復(fù)雜城市交通場(chǎng)景中的車(chē)輛計(jì)數(shù)方法研究。

背景技術(shù)：

近年來(lái)，作為智能交通系統(tǒng)和智慧城市的重要部分，城市交通的智能化得到了更多的關(guān)注，目前，在城市的很多交通卡口都安裝了視頻傳感器，每天都會(huì)產(chǎn)生成千上萬(wàn)的視頻數(shù)據(jù)，而城市交通中交通密度大，交通擁堵嚴(yán)重，各道路使用者呈現(xiàn)多樣性，從城市交通復(fù)雜的背景中得到運(yùn)動(dòng)的前景中車(chē)輛的數(shù)量對(duì)城市交通擁堵的緩解有著重要意義，然而找到統(tǒng)計(jì)車(chē)輛數(shù)量的方法依然是一個(gè)挑戰(zhàn)。

目前，統(tǒng)計(jì)車(chē)輛的辦法主要是傳感線(xiàn)圈，然而傳感線(xiàn)圈安裝復(fù)雜，維護(hù)困難，近來(lái)提出了基于視頻的檢測(cè)方法，而基于視頻的方法關(guān)鍵是車(chē)輛目標(biāo)的檢測(cè)，而視頻監(jiān)控系統(tǒng)的目標(biāo)檢測(cè)算法有幀差法、背景差分法、光流法等。幀差法主要比較視頻序列中連續(xù)幀之間的差異，方法簡(jiǎn)單且檢測(cè)速度快，但當(dāng)光線(xiàn)變化或者車(chē)輛停止不動(dòng)的時(shí)候檢測(cè)效果較差，光流法是基于投影到圖像表面上的運(yùn)動(dòng)，但是這種方法對(duì)噪聲比較敏感而且計(jì)算量較大，不適用于實(shí)時(shí)的車(chē)輛檢測(cè)，背景差法針對(duì)固定安裝的攝像機(jī)拍攝的視頻目標(biāo)檢測(cè)非常有效，該方法通過(guò)構(gòu)建背景模型，并將輸入視頻幀與當(dāng)前的背景模型比較，當(dāng)差值較大的區(qū)域被標(biāo)注為前景。背景差法運(yùn)用的比較多，關(guān)鍵問(wèn)題是背景模型的構(gòu)建，而在城市交通場(chǎng)景中，背景一般比較復(fù)雜，構(gòu)成因素主要有移動(dòng)車(chē)輛和行人，而車(chē)輛的運(yùn)行速度各不相同而且在不確定的時(shí)刻會(huì)臨時(shí)停車(chē)或者突然移動(dòng)，在構(gòu)建背景模型時(shí)，背景經(jīng)常會(huì)受到這些因素的污染，所以需要選擇合適的學(xué)習(xí)率來(lái)自適應(yīng)地更新背景。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：為了解決現(xiàn)有技術(shù)存在的問(wèn)題，在背景復(fù)雜的交通場(chǎng)景中對(duì)車(chē)輛進(jìn)行計(jì)數(shù)，本發(fā)明提供一種城市交通場(chǎng)景中基于時(shí)間空間圖像的車(chē)輛計(jì)數(shù)方法。

技術(shù)方案：一種城市交通場(chǎng)景中基于時(shí)間空間圖像的車(chē)輛計(jì)數(shù)方法，包括以下步驟：

(1)視頻傳感器實(shí)時(shí)采集城市交通場(chǎng)景視頻，在視頻中標(biāo)注一條虛擬檢測(cè)直線(xiàn)；

(2)在所述虛擬檢測(cè)直線(xiàn)上，對(duì)于位置為(x,y)的像素點(diǎn)，使用最近N個(gè)被采集到的每個(gè)圖像的值b′_M(x,y),M∈[1,N]序列作為背景模型B′(x,y)，對(duì)背景模型進(jìn)行初始化；N為大于1的整數(shù)；

(3)在初始化背景模型后，引入圖像前景檢測(cè)計(jì)數(shù)器、背景置信度圖像計(jì)數(shù)器、圖像各點(diǎn)像素所處的交通狀態(tài)，并設(shè)置圖像各點(diǎn)像素所處的交通狀態(tài)的初始值；

(4)將交通狀態(tài)分別定義為“非常暢通”、“暢通”、“一般”、“擁堵”和“非常擁堵”，根據(jù)置信區(qū)間內(nèi)前景的次數(shù)與當(dāng)前幀的數(shù)量，對(duì)當(dāng)前場(chǎng)景像素點(diǎn)交通狀態(tài)進(jìn)行判別；

(5)計(jì)算背景模型中像素點(diǎn)的置信度，判定是否更新，若需要更新，則根據(jù)當(dāng)前交通狀態(tài)用閾值自適應(yīng)更新方法更新背景模型；若不需更新，進(jìn)行下一步驟；

(6)運(yùn)用基于像素的自適應(yīng)分割方法檢測(cè)前景，將前景像素記為1；

(7)將虛擬檢測(cè)直線(xiàn)上的背景模型和前景檢測(cè)的結(jié)果累計(jì)保持形成時(shí)間空間圖像；

(8)對(duì)所述時(shí)間空間圖像進(jìn)行形態(tài)學(xué)濾波處理，得到連通區(qū)域，統(tǒng)計(jì)連通區(qū)域的數(shù)量得到車(chē)輛的數(shù)量。

有益效果：相比較現(xiàn)有技術(shù)，本發(fā)明提供一種城市交通場(chǎng)景中基于時(shí)間空間圖像的車(chē)輛計(jì)數(shù)方法，通過(guò)在視頻中人工標(biāo)注一條虛擬檢測(cè)直線(xiàn)，并在虛擬檢測(cè)直線(xiàn)上進(jìn)行前景背景的檢測(cè)，形成時(shí)間空間圖像，對(duì)時(shí)間空間圖像進(jìn)行形態(tài)學(xué)濾波處理，通過(guò)計(jì)算連通區(qū)域得到車(chē)輛的數(shù)量，解決了復(fù)雜場(chǎng)景下對(duì)車(chē)輛計(jì)數(shù)的困難，可以自適應(yīng)更新背景，排除背景受移動(dòng)車(chē)輛和行人的影響，使得計(jì)數(shù)更加準(zhǔn)確；利用此方法計(jì)數(shù)簡(jiǎn)單且檢測(cè)速度快，適用于對(duì)車(chē)輛的實(shí)時(shí)檢測(cè)。

具體實(shí)施方式

下面結(jié)合具體實(shí)施方式對(duì)本技術(shù)方案作進(jìn)一步說(shuō)明：

第一步：視頻傳感器實(shí)時(shí)采集城市交通場(chǎng)景視頻，在視頻中標(biāo)注一條虛擬檢測(cè)直線(xiàn)。

第二步：在所述虛擬檢測(cè)直線(xiàn)上，對(duì)于位置為(x,y)的像素點(diǎn)，使用最近N個(gè)被采集到的每個(gè)圖像的值b′_M(x,y),M∈[1,N]序列作為背景模型B′(x,y)，對(duì)背景模型進(jìn)行初始化；N為大于1的整數(shù)；

而這些值可以用在指定間隔時(shí)間內(nèi)最近圖像間隔幀的像素值進(jìn)行背景模型的初始化，定義如下：

式中，N是背景模型中觀(guān)測(cè)的圖像像素點(diǎn)個(gè)數(shù)，K是具體的時(shí)間間隔，I₁是第一幀，I_1+(N-1)×K是第1+(N-1)×K幀(該交通場(chǎng)景中K＝10，N＝25)。為了避免產(chǎn)生不正確的初始化模型，我們使用基于根據(jù)公式(1)的間隔幀初始化背景模型，這將減少緩慢移動(dòng)或者臨時(shí)停車(chē)的車(chē)輛融入到背景模型中的可能性。

第三步：在初始化背景模型后，引入圖像前景檢測(cè)計(jì)數(shù)器、背景置信度圖像計(jì)數(shù)器、圖像各點(diǎn)像素所處的交通狀態(tài)并設(shè)置交通狀態(tài)的初始值。

在初始化背景模型后，為了避免比如緩慢行駛或臨時(shí)停車(chē)的車(chē)輛和擁擠狀態(tài)等復(fù)雜交通場(chǎng)景污染背景模型，利用置信區(qū)間基于復(fù)雜城市交通場(chǎng)景的背景模型的像素級(jí)更新機(jī)制被提出。置信區(qū)間c(x,y)被稱(chēng)之為置信度，設(shè)置在位于(x,y)的背景模型中，置信度c(x,y)的值變大時(shí)，就不需要更新相應(yīng)像素的背景模型。相應(yīng)位置的穩(wěn)定性和可靠性是由參數(shù)h(x,y)確定，參數(shù)h(x,y)表示該像素點(diǎn)從背景轉(zhuǎn)變?yōu)榍熬盎蛘邚那熬稗D(zhuǎn)變?yōu)楸尘暗拇螖?shù)，當(dāng)參數(shù)h(x,y)很低時(shí)表明背景模型是穩(wěn)定的，而當(dāng)值很高時(shí)表明背景模型需要更新以獲得更穩(wěn)定的模型，在模型中使用類(lèi)似的方案來(lái)評(píng)估交通流的狀態(tài)。

第四步：將交通狀態(tài)定義為“非常暢通”、“暢通”、“一般”、“擁堵”和“非常擁堵”，根據(jù)置信區(qū)間內(nèi)前景的次數(shù)與當(dāng)前幀的數(shù)量，對(duì)當(dāng)前場(chǎng)景像素點(diǎn)交通狀態(tài)進(jìn)行判別；

檢測(cè)比率d(x,y)/f(x,y)∈[0,1]將交通狀態(tài)分為“非常暢通”、“暢通”、“一般”、“擁堵”和“非常擁堵”，檢測(cè)比率中d(x,y)是置信區(qū)間內(nèi)前景的次數(shù)，f(x,y)是當(dāng)前幀的數(shù)量。這種劃分方法可以有效地區(qū)分定性不同而具有模糊邊界的交通狀態(tài)。復(fù)雜交通狀態(tài)劃分的定義如下：

式中p(x,y)復(fù)雜城市交通場(chǎng)景的狀態(tài)。在每一個(gè)置信周期結(jié)束時(shí)，c(x,y)的值必須根據(jù)當(dāng)前城市交通狀態(tài)和像素點(diǎn)(x,y)處的穩(wěn)定性進(jìn)行更新。如果h(x,y)/f(x,y)＜τ_d(τ_d為設(shè)定的閾值且τ_d＝0.3)時(shí)，表明當(dāng)前的背景模型是可靠的，應(yīng)當(dāng)保留。

第五步：計(jì)算背景模型中像素點(diǎn)的置信度，判定是否更新，若需要更新，則根據(jù)當(dāng)前交通狀態(tài)用閾值自適應(yīng)更新方法更新背景模型；若不需更新，進(jìn)行下一步驟；

c(x,y)的更新定義如下：

否則，若h(x,y)/f(x,y)≥τ_d說(shuō)明背景模型并不穩(wěn)定需要更新來(lái)適應(yīng)動(dòng)態(tài)的場(chǎng)景，這時(shí)c(x,y)的更新定義如下：

式中c(x,y)初始化為30，minc(x,y)為25，maxc(x,y)為30，在置信區(qū)間更新時(shí)，h(x,y)，d(x,y)和f(x,y)被重置為0。在每一置信區(qū)間的末端，R′(x,y)必須根據(jù)(x,y)處像素的評(píng)估背景穩(wěn)定性進(jìn)行更新。如果h(x,y)/f(x,y)＜τ_r就意味著背景是穩(wěn)定且可靠的，接著R′(x,y)在下一個(gè)置信區(qū)間必須減少。然而，對(duì)于動(dòng)態(tài)背景，這將會(huì)增加沒(méi)有整合到前景的背景像素，背景的動(dòng)態(tài)性越強(qiáng)，則合適的閾值應(yīng)該越大。在輸入的像素被分好類(lèi)以后，背景模型需要根據(jù)背景光線(xiàn)、陰影和包括樹(shù)木和緩慢行駛或臨時(shí)停車(chē)的車(chē)輛等運(yùn)動(dòng)物體的變化進(jìn)行更新。當(dāng)交通狀態(tài)被認(rèn)為是合適的時(shí)候，很有必要選擇能夠準(zhǔn)確處理背景變化的方式更新背景模型。當(dāng)置信度減少到最小值就認(rèn)為當(dāng)前像素位置的交通狀態(tài)被認(rèn)為是合適的并且相應(yīng)位置可能處于前景中時(shí)需要更新背景模型，否則不要進(jìn)行更新。

根據(jù)當(dāng)前交通狀態(tài)用閾值自適應(yīng)更新方案更新背景模型的具體方法如下：

1)當(dāng)f(x,y)＜c(x,y)，當(dāng)前幀的像素處于置信區(qū)間，背景更新發(fā)生在刷新周期結(jié)束時(shí)(在本實(shí)施例中也就是共P幀，且P＝10),F_t(x,y)＝0并且交通狀態(tài)p(x,y)＝0。

2)當(dāng)f(x,y)＝c(x,y)，當(dāng)前幀處于置信區(qū)間的尾部，但是當(dāng)h(x,y)/f(x,y)＜τ_d，F(xiàn)_t(x,y)＝0并且p(x,y)等于0，1或2，此時(shí)背景模型可以更新。因此，當(dāng)置信周期結(jié)束時(shí)，h(x,y)是在最后c(x,y)幀的狀態(tài)變化的數(shù)目。如果h(x,y)/f(x,y)＜τ_d并且p(x,y)＝0，意味著此時(shí)在(x,y)位置的像素點(diǎn)狀態(tài)是可靠的，接著利用當(dāng)前場(chǎng)景更新背景模型是有意義的。如果h(x,y)/f(x,y)＜τ_d并且p(x,y)等于1或2，污染背景模型的風(fēng)險(xiǎn)很低可以更新背景。相比之下，如果h(x,y)/f(x,y)≥τ_d并且p(x,y)為0，不管F_t(x,y)＝0或者F_t(x,y)＝1，此時(shí)該像素的狀態(tài)是不穩(wěn)定的，此時(shí)的交通狀態(tài)很難被可靠地評(píng)價(jià)，所以背景模型僅僅在p(x,y)＝0的情況下更新。如果p(x,y)的值大于2，不管h(x,y)/f(x,y)值的大小，由于背景模型很有可能被污染所以此時(shí)不應(yīng)該更新。但是，在置信區(qū)間減少到最小值時(shí)，背景將被強(qiáng)制更新，這一機(jī)制非常必要因?yàn)榭梢宰柚贡绘i定在過(guò)時(shí)的背景模型中。

如果背景模型在時(shí)刻t更新，當(dāng)前幀的像素值I_t(x,y)用來(lái)更新模型B(x,y)，背景樣本值b_M(x,y)(M∈1,…,N)隨機(jī)選擇并被當(dāng)前像素值It(x,y)取代。這就使得當(dāng)前像素值被融合到背景模型B(x,y)中。同時(shí)，我們還更新了隨機(jī)選擇點(diǎn)的鄰域像素且像素點(diǎn)的更新策略與基于像素的自適應(yīng)分割類(lèi)似，也就是對(duì)應(yīng)背景模型B(x′,y′)的像素值b_M(x′,y′)被當(dāng)前像素值I_t(x′,y′)取代。

第六步：運(yùn)用基于像素的自適應(yīng)分割方法檢測(cè)前景：像素點(diǎn)(x,y)的值I(x,y)比N個(gè)背景點(diǎn)確定的最小值#min更接近決策閾值R(x,y)則被判定為背景像素，因此，前景的分割就被定義為：

上式中，F(xiàn)(x,y)＝1代表前景，#min是一個(gè)固定的全局參數(shù)，R(x,y)是決策閾值并且可以按照下式動(dòng)態(tài)調(diào)整：

式中的R_inc/dec和R_scale是固定參數(shù)，是背景動(dòng)態(tài)更新測(cè)度。背景模型只對(duì)檢測(cè)為前景的像素點(diǎn)進(jìn)行更新。在更新過(guò)程中，對(duì)于一個(gè)確定的索引M∈[1,N](均勻隨機(jī)選擇某一個(gè)數(shù))，相應(yīng)的背景模型值b_M(x,y)被當(dāng)前的像素值I(x,y)取代。

第七步：將虛擬檢測(cè)直線(xiàn)上前景背景檢測(cè)的結(jié)果累計(jì)保持形成時(shí)間空間圖像。設(shè)定一個(gè)閾值；將虛擬直線(xiàn)上像素點(diǎn)檢測(cè)的結(jié)果保存到一副圖像中，作為圖像的列，視頻圖像的每一幀都將得到一條虛擬檢測(cè)直線(xiàn)的結(jié)果，通過(guò)對(duì)列的累加，當(dāng)某一個(gè)時(shí)刻虛擬檢測(cè)直線(xiàn)上前景檢測(cè)的像素點(diǎn)少于所述閾值時(shí)，此時(shí)認(rèn)為虛擬檢測(cè)直線(xiàn)上沒(méi)有車(chē)輛，則停止虛擬直線(xiàn)的累加，時(shí)間空間圖像的每一列對(duì)應(yīng)于一幀，得到一張時(shí)間空間圖像。

第八步：對(duì)時(shí)間空間圖像進(jìn)行形態(tài)學(xué)濾波處理，得到連通區(qū)域，統(tǒng)計(jì)連通區(qū)域的數(shù)量得到車(chē)輛的數(shù)量。

1)首先建立一個(gè)結(jié)構(gòu)元素，該結(jié)構(gòu)元素的大小為n×n，本實(shí)施例中n取3；

2)通過(guò)用結(jié)構(gòu)元素(3×3的大小)掃描時(shí)間空間圖像中的每一個(gè)像素，用結(jié)構(gòu)元素中的每一個(gè)像素與其覆蓋的像素做“與”操作，如果都為1，則該像素為1，否則為0。然后，用所述結(jié)構(gòu)元素(3×3的大小)掃描時(shí)間空間圖像中的每一個(gè)像素，用結(jié)構(gòu)元素中的每一個(gè)像素與其覆蓋的像素做“與”操作，如果都為0，則該像素為0，否則為1。

3)從僅0和1組成的一幅點(diǎn)陣時(shí)間空間圖像中，將相互鄰接的“1”值像素組合成區(qū)域，并用邊界信息來(lái)通過(guò)執(zhí)行兩次掃描得到每個(gè)連通區(qū)域。其中，第一次掃描通過(guò)逐行逐列掃描像素。判斷像素之間的相鄰關(guān)系，對(duì)屬于同一連通區(qū)域的像素賦予相同的連通標(biāo)號(hào)，實(shí)現(xiàn)連通標(biāo)識(shí)。這種逐行逐列的次序掃描的結(jié)果，通常會(huì)產(chǎn)生同一像素點(diǎn)被重復(fù)標(biāo)記的現(xiàn)象，同一連通區(qū)域的不同子區(qū)域被賦予了不同的標(biāo)記號(hào)。因此，需要執(zhí)行第二次掃描來(lái)消除重復(fù)的標(biāo)記，合并屬于同一連通區(qū)域但是具有不同標(biāo)記號(hào)的子區(qū)域。設(shè)定一個(gè)連通區(qū)域閾值，將所述連通區(qū)域的大小與連通區(qū)域閾值相比較，去除小于連通區(qū)域閾值的連通區(qū)域，統(tǒng)計(jì)圖像中大于連通區(qū)域閾值的連通區(qū)域的數(shù)量，所述連通區(qū)域的數(shù)量即為車(chē)輛的數(shù)量。