一種基于像素點和置信度的自適應(yīng)分割的車輛檢測方法
【專利摘要】本發(fā)明公開了一種基于像素點和置信度的自適應(yīng)分割的車輛檢測方法，首先提出了一種背景模型的初始化方法，在初始化背景模型后，引入圖像前景檢測計數(shù)器、背景置信度圖像計數(shù)器、圖像各點像素所處的交通狀態(tài)并設(shè)置初始值，并對當前場景像素點交通狀態(tài)進行判別和背景模型中像素點置信度的計算及是否更新進行判定且根據(jù)當前交通狀態(tài)用閾值自適應(yīng)更新方案更新背景模型，最后運用基于像素的自適應(yīng)分割方法檢測前景。本發(fā)明可以有效解決復(fù)雜城市交通場景中緩慢移動和臨時停車的車輛污染背景檢測模型的問題。
【專利說明】
-種基于像素點和置信度的自適應(yīng)分割的車輛檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及智能交通研究領(lǐng)域，尤其是復(fù)雜城市交通場景中的車輛檢測方法研 究。
【背景技術(shù)】
[0002] 近年來，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，每天都會產(chǎn)生長千上萬的視 頻數(shù)據(jù)，而城市交通中交通密度大，交通擁堵嚴重，各道路使用者呈現(xiàn)多樣性，從城市交通 復(fù)雜的背景中得到運動的前景對城市交通和城市公共安全至關(guān)重要，然而找到一個通用的 魯棒的城市交通車輛的前景檢測和分割的方法依然是一個挑戰(zhàn)。
[0003] 目前，視頻監(jiān)控系統(tǒng)的目標檢測算法有帖差法、背景差分法、光流法等。帖差法主 要比較視頻序列中連續(xù)帖之間的差異，方法簡單且檢測速度快，但當光線變化或者車輛停 止不動的時候檢測效果較差，光流法是基于投影到圖像表面上的運動，但是運種方法對噪 聲比較敏感而且計算量較大，不適用于實時的車輛檢測，背景差法針對固定安裝的攝像機 拍攝的視頻目標檢測非常有效，該方法通過構(gòu)建背景模型，并將輸入視頻帖與當前的背景 模型比較，當差值較大的區(qū)域被標注為前景。背景差法運用的比較多，關(guān)鍵問題是背景模型 的構(gòu)建，而在城市交通場景中，背景一般比較復(fù)雜，構(gòu)成因素主要有移動車輛和行人，而車 輛的運行速度各不相同而且在不確定的時刻會臨時停車或者突然移動，在構(gòu)建背景模型 時，背景經(jīng)常會受到運些因素的污染，所W需要選擇合適的學習率來自適應(yīng)地更新背景。

【發(fā)明內(nèi)容】

[0004] 發(fā)明目的：為了解決現(xiàn)有技術(shù)存在的問題，有效地解決復(fù)雜城市交通場景中緩慢 移動和臨時停車的車輛"污染"背景檢測模型，本發(fā)明提供一種基于像素點和置信度的自適 應(yīng)分割車輛檢測方法。
[0005] 技術(shù)方案：本發(fā)明提供的一種基于像素點和置信度的自適應(yīng)分割的車輛檢測方 法，包括W下步驟：
[0006] (1)視頻傳感器實時采集城市交通場景圖像，將最近N個被采集到的圖像的像素值 1/?^，7)，1￡[1，則序列作為背景模型8/^，7)，并對背景模型進行初始化；
[0007] (2)在初始化背景模型后，引入圖像前景檢測計數(shù)器、背景置信度圖像計數(shù)器;設(shè) 置信區(qū)間為c(x，y)并設(shè)置初始值;設(shè)置信區(qū)間內(nèi)前景的次數(shù)為d(x，y);設(shè)像素點從背景轉(zhuǎn) 變?yōu)榍熬盎驈那熬稗D(zhuǎn)變?yōu)楸尘暗拇螖?shù)為Kx, y);設(shè)圖像各點像素所處的交通狀態(tài)為p(x，y) 并設(shè)置初始值;設(shè)前景的分割為F(x，y);設(shè)決策闊值為R(x，y);
[000引（3)通過置信區(qū)間內(nèi)前景的次數(shù)d(x，y)與當前帖的數(shù)量f(x，y)的比值計算出檢測 比率，對當前場景像素點交通狀態(tài)進行判別；
[0009] (4)計算背景模型中像素點的置信度，判定是否需要更新；
[0010] (5)根據(jù)當前交通狀態(tài)，用闊值自適應(yīng)更新方法更新背景模型；
[0011] (6)運用基于像素的自適應(yīng)分割方法檢測前景。
[0012] 有益效果：相比較現(xiàn)有技術(shù)，本發(fā)明可W有效解決復(fù)雜城市交通場景中緩慢移動 和臨時停車的車輛"污染"背景檢測模型得問題，其中采用間隔帖初始化背景模型、用置信 區(qū)間基于背景模型的像素級更新機制可W減少緩慢移動或者臨時停車的車輛融入到背景 模型中的可能性。
【具體實施方式】
[0013] 下面結(jié)合【具體實施方式】對本技術(shù)方案作進一步說明：
[0014] (1)運用假設(shè)在交通卡口的視頻傳感器實時采集城市交通場景視頻，使用最近N個 被采集到的圖像的值1/?^，7)，1￡[1，則序列來描述背景模型8/^，7)，而運些值可^用在 指定間隔時間內(nèi)最近圖像間隔帖的像素值進行背景模型的初始化，定義如下：
[0015] B' (x，y) = {b'i(x，y)，b'2(x，y)，...，b'M(x，y)，...，b'N(x，y)}
[001W ={Ii(x,y) ,Ii+K(x,y),…，Ii+(M-i)xK(x，y)，…，Ii+(N-i)xK(x，y)}
[0017]式中，N是背景模型中觀測的圖像像素點個數(shù)，K是具體的時間間隔，Ii是第一帖， Ib(N-I)XK是第1+(N-1) XK帖(該交通場景中K=IO,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)上式的間隔帖初始化背景模型，運將減少緩慢移動或者臨時停車的 車輛融入到背景模型中的可能性。
[0018] (2)在初始化背景模型后，引入圖像前景檢測計數(shù)器、背景置信度圖像計數(shù)器;設(shè) 置信區(qū)間為c(x，y)并設(shè)置初始值;設(shè)置信區(qū)間內(nèi)前景的次數(shù)為d(x，y);設(shè)像素點從背景轉(zhuǎn) 變?yōu)榍熬盎驈那熬稗D(zhuǎn)變?yōu)楸尘暗拇螖?shù)為Kx, y);設(shè)圖像各點像素所處的交通狀態(tài)為p(x，y) 并設(shè)置初始值;設(shè)前景的分割為F(x，y);設(shè)決策闊值為RU, y)。在初始化背景模型后，背景 置信度計算方法，引入圖像背景和前景轉(zhuǎn)變計數(shù)器，圖像各點像素所處的交通狀態(tài)并設(shè)置 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停車的車輛和擁擠狀態(tài)等復(fù) 雜交通場景污染背景模型，利用置信區(qū)間基于復(fù)雜城市交通場景的背景模型的像素級更新 機制被提出。置信區(qū)間c(x，y)被稱之為置信度，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，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)Kx,y)確定的，參數(shù)Kx,y)表示該像素點從背景轉(zhuǎn)變?yōu)榍熬盎蛘邚那熬稗D(zhuǎn)變?yōu)楸尘暗拇?數(shù)，當參數(shù)Mx,y)很低時表明背景模型是穩(wěn)定的，而當值很高時表明背景模型需要更新W 獲得更穩(wěn)定的模型，在模型中使用類似的方案來評估交通流的狀態(tài)。
[0019] (3)通過置信區(qū)間內(nèi)前景的次數(shù)d(x，y)與當前帖的數(shù)量f(x，y)的比值計算出檢測 比率，對當前場景像素點交通狀態(tài)進行判別。檢測比率(1^，7)處^，7)￡[0，1]將交通狀態(tài) 分為"非常楊通"、"楊通"、"一般"、"擁堵"和"非常擁堵"，運種劃分方法可W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：
[0020]
[0021] 式中p(x，y)為復(fù)雜城市交通場景的狀態(tài)。在每一個置信周期結(jié)束時，c(x，y)的值 必須根據(jù)當前城市交通狀態(tài)和像素點(x，y)處的穩(wěn)定性進行更新。如果h(x，yVf(x，y)<Td (Td為設(shè)定的闊值且Td = O.3)時，表明當前的背景模型是可靠的，應(yīng)當保留。
[0022] (4)背景模型中像素點置信度的計算及是否更新的判定。c(x，y)的更新定義如下：
[0023]
[0024] 否則，若Kx, y Vf (x，y)>Td說明背景模型并不穩(wěn)定需要更新來適應(yīng)動態(tài)的場景， 運時C (X，y)的更新定義如下：
[0025]
[00%] 巧中cU，y)初跑化刃30，111111(3(義，7)刃25，111日義(3(義，7)刃30，巧置信區(qū)間吏新時，11 ^，7)，(1^，7巧陽片，7)被重置為0。在每一置信區(qū)間的末端，1?^，7)是決策闊值且必須根據(jù) (x，y)處像素的評估背景穩(wěn)定性進行更新。如果11(^，7)處^，7)<1,就意味著背景是穩(wěn)定且 可靠的，接著RU,y)在下一個置信區(qū)間必須減少。然而，對于動態(tài)背景，運將會增加沒有整 合到前景的背景像素，背景的動態(tài)性越強，則合適的闊值應(yīng)該越大。在輸入的像素被分好類 W后，背景模型需要根據(jù)背景光線、陰影和包括樹木和緩慢行駛或臨時停車的車輛等運動 物體的變化進行更新。當交通狀態(tài)被認為是合適的時候，很有必要選擇能夠準確處理背景 變化的方式更新背景模型。當置信度減少到最小值就認為當前像素位置的交通狀態(tài)被認為 是合適的并且相應(yīng)位置可能處于前景中時需要更新背景模型，否則不要進行更新。
[0027] (5)根據(jù)當前交通狀態(tài)用闊值自適應(yīng)更新方案更新背景模型。
[0028] (52)當^^，7)<(3^，7)，當前帖的像素處于置信區(qū)間，背景更新發(fā)生在刷新周期 結(jié)束時(在本研究中也就是共?帖，且？ = 1〇)，。1；(^，7)=0并且交通狀態(tài)9(^，7)=0。
[0029] (53)當f(x，y) = c(x，y)，當前帖處于置信區(qū)間的尾部，但是當h(x，y)/f (x，y)< 1<1，尸*^，7)=0并且9^，7)等于0，1或2，此時背景模型可^更新。因此，當置信周期結(jié)束時，11 (x，y)是在最后c(x，y)帖的狀態(tài)變化的數(shù)目。如果h(x，y Vf(x，y)<Td并且p(x，y)=0,意味 著此時在(x，y)位置的像素點狀態(tài)是可靠的，接著利用當前場景更新背景模型是有意義的。 如果11(^，7)處^，7)<1<1并且9(^，7)等于1或2，污染背景模型的風險很低可^更新背景。相 比之下，如果h(x，y Vf (x，y)>Td并且p(x，y)為0,不管Ft(x，y)=0或者Ft(x，y) = l，此時該 像素的狀態(tài)是不穩(wěn)定的，此時的交通狀態(tài)很難被可靠地評價，所W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11^，7)處^，7)值的大小，由于背景模型很 有可能被污染所W此時不應(yīng)該更新。但是，在置信區(qū)間減少到最小值時，背景將被強制更 新，運一機制可W阻止被鎖定在過時的背景模型中。
[0030] 如果背景模型在時刻t更新，當前帖的像素值It(x，y)用來更新模型8'^，7)，背景 樣本值bM'（x，y)(MG 1，???，N)隨機選擇并被當前像素值It(x，y)取代。運就使得當前像素值 被融合到背景模型B'（x，y)中。同時，我們還更新了隨機選擇點的鄰域像素且像素點的更新 策略與基于像素的自適應(yīng)分割類似，也就是對應(yīng)背景模型B'（x/，/)的像素值bM'（x/，/) 被當前像素值ItU'，y')取代。
[0031] (6)運用基于像素的自適應(yīng)分割方法檢測前景。
[0032 ]像素點（X，y)的值I (X，y)比N個背景點確定的最小值抽Iin更接近決策闊值R (X，y) 則被判定為背景像素，因此，前景的分割就被定義為
[0033]
[0034] 上式中，F(xiàn)(x，y) = l代表前景，抽Iin是一個固定的全局參數(shù)，R(x，y)是決策闊值并 且可W按照下式動態(tài)調(diào)整：
[0035]
[0036] 式中的Rinc/dec和Rscale是固走參數(shù)，式血(X.J)是有景動態(tài)更新測度。有景板型只對運 一像素點進行更新，F(xiàn)(x，y)=0。在更新過程中，對于一個確定的索引MG[1，N](均勻隨機選 擇），相應(yīng)的背景模型值bM'（x，y)被當前的像素值Kx, y)取代。但是，運一更新僅僅在P = I/ T(x，y)的概率下執(zhí)行，其中T(x，y)定義為
[0037]
[0〇3引式中的Tinc和Tdec為固定參數(shù)。同時，隨機選擇的鄰像素點（x'，y'）GN(x，y)也Wp = 1/T(x，y)概率更新，因此，相應(yīng)的背景模型8'^'，7'）的像素值6?'^'，7'）用當前的像素 點的值I(x'，y'）取代。
【主權(quán)項】
1. 一種基于像素點和置信度的自適應(yīng)分割的車輛檢測方法，其特征在于，包括以下步 驟： (1) 視頻傳感器實時采集城市交通場景圖像，將最近N個被采集到的圖像的像素值 (x，y)，Me [I，N]序列作為背景模型V (x，y)，并對背景模型進行初始化； (2) 在初始化背景模型后，引入圖像前景檢測計數(shù)器、背景置信度圖像計數(shù)器;設(shè)置信 區(qū)間為c(x，y)并設(shè)置初始值;設(shè)置信區(qū)間內(nèi)前景的次數(shù)為d(x， y);設(shè)像素點從背景轉(zhuǎn)變?yōu)?前景或從前景轉(zhuǎn)變?yōu)楸尘暗拇螖?shù)為h(x，y);設(shè)圖像各點像素所處的交通狀態(tài)為p(x，y)并設(shè) 置初始值;設(shè)前景的分割為F(x，y);設(shè)決策閾值為R(x，y); (3) 通過置信區(qū)間內(nèi)前景的次數(shù)d(x，y)與當前幀的數(shù)量f(x，y)的比值計算出檢測比 率，對當前場景像素點交通狀態(tài)進行判別； (4) 計算背景模型中像素點的置信度，判定是否需要更新； (5) 根據(jù)當前交通狀態(tài)，用閾值自適應(yīng)更新方法更新背景模型； (6) 運用基于像素的自適應(yīng)分割方法檢測前景。2. 根據(jù)權(quán)利要求1所述的基于像素點和置信度的自適應(yīng)分割車輛檢測方法，其特征在 于，所述步驟(1)中，采用間隔幀初始化背景模型，定義公式為： B7 (x，y) = {V i(x，y)，b' 2(x，y)，···，b'M(x，y)，···，b'N(x，y)} =Ui(x，y)，Ii+K(x，y)，···，Ii+(m-i)xK(x，y)，···，Ii+(n-i)xK(x，yM 式中，K為所述指定間隔時間，I1為第一幀，I1+(N-1)XK為第1+(N-1) XK幀。3. 根據(jù)權(quán)利要求1或2所述的基于像素點和置信度的自適應(yīng)分割車輛檢測方法，其特征 在于，所述步驟(3)的交通狀態(tài)劃分的定義如下：式中P(x，y)為復(fù)雜城市交通場景的狀態(tài)。4. 根據(jù)權(quán)利要求3所述的基于像素點和置信度的自適應(yīng)分割車輛檢測方法，其特征在 于，所述步驟(4)包括： (41) 設(shè)定閾值Td， (42) 計算c(x，y):(43) 判斷11(1，7)/^(1，7)與1：(：1的大小:若]1(1，7)/^(1，7)<1： (：1，貝1|當前的背景模型穩(wěn)定， 應(yīng)當保留；若h(x，y)/f (x，y)>Td，則當前的背景模型不穩(wěn)定，需要更新，c(x，y)的更新定義 為：在置信區(qū)間更新時，h(x，y)，d(x，y)和f (x，y)被重置為0。5. 根據(jù)權(quán)利要求4所述的基于像素點和置信度的自適應(yīng)分割車輛檢測方法，其特征在 于，所述步驟(5)包括： (51) 若汽1，7)<(3(1，7)，當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，F(xiàn)(x，y)=0且交通狀態(tài)p(x，y)=0; (52) 若f (x，y) = c(x，y)，當前幀處于置信區(qū)間的尾部，若h(x，y)/f (x，y)<Td，F(xiàn)t(x，y) =〇并且p(x，y)等于〇, 1或2,此時背景模型可以更新;若h(x，y)/f(x，y)彡1：(：1僅在口(1，7) = 〇 時更新背景模型;若P(x，y)>2,不管11(^7)/^(1，7)大小均不更新；當置信區(qū)間減小到最小 值時，背景被強制更新。6. 根據(jù)權(quán)利要求5所述的基于像素點和置信度的自適應(yīng)分割車輛檢測方法，其特征在 于，在置信區(qū)間減少到最小值時，背景將被強制更新。7. 根據(jù)權(quán)利要求1或2所述的基于像素點和置信度的自適應(yīng)分割車輛檢測方法，其特征 在于，所述步驟(6)包括： 像素點的值I (X，y)比N個像素點確定的最小值#mi η更接近決策閾值R (X，y)則被判定為 背景像素，前景的分割定義為：上式中，F(xiàn)(x，y) = l代表前景，#min是一個固定的全局參數(shù)，R(x，y)可以按照下式動態(tài) 調(diào)整：式中的Rin。/^。和RsraIe3是固定參數(shù)，^_ (.τ，I)是背景動態(tài)更新測度。8. 根據(jù)權(quán)利要求1或2所述的基于像素點和置信度的自適應(yīng)分割車輛檢測方法，其特征 在于，隨機選擇的鄰像素點（1'，7'）￡以^ 7)以？ = 1/1'(1，7)的概率更新，相應(yīng)的背景模型 8'&'，7'）的像素值1^'&'， 7'）用當前的像素點的值1&'，7'）取代，其中1'(^7)定義為 ： fr(.Y，3') + l；.)IC,/i7min(.,T,>') ifF(x,r)=l I ?χ, v)={ [T(x.y)-TileJdiiim (-T, v) ifF(x,y)-0 式中的Tin。和Tde。為固定參數(shù)。
【文檔編號】G06T7/00GK106023216SQ201610352978
【公開日】2016年10月12日
【申請日】2016年5月25日
【發(fā)明人】趙池航, 張運勝, 陳愛偉
【申請人】東南大學