基于視頻檢測技術(shù)的車流密度定性判別方法
【專利摘要】本發(fā)明屬于交通監(jiān)測【技術(shù)領(lǐng)域】，提供一種基于視頻檢測技術(shù)的車流密度定性判別方法；本發(fā)明不需要進(jìn)行車輛目標(biāo)提取,而是根據(jù)當(dāng)前攝像頭采集的視頻圖像，即可實(shí)時(shí)、準(zhǔn)確地判斷監(jiān)控視頻中道路車流密度的大小。本發(fā)明所提出的基于視頻檢測技術(shù)的車流密度定性判別方法，包括如下步驟：1)劃定監(jiān)控圖像中的感興趣區(qū)域，以下步驟對感興趣區(qū)域進(jìn)行處理；2)計(jì)算圖像的分形維數(shù)；3)對分形維數(shù)計(jì)算結(jié)果進(jìn)行統(tǒng)計(jì)分析，判斷道路的車流密度大小。
【專利說明】基于視頻檢測技術(shù)的車流密度定性判別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于交通監(jiān)測【技術(shù)領(lǐng)域】，具體涉及一種車流密度定性判別方法。

【背景技術(shù)】
[0002] 高速公路是國家公路交通網(wǎng)絡(luò)的主干，由于車流量大、車速高，高速公路的交通安 全問題也十分突出。高速公路一旦發(fā)生異常交通狀態(tài)，對行車安全的影響極大，極易因?yàn)橐?些小的拋錨或故障，導(dǎo)致發(fā)生重大二次事故或嚴(yán)重的車輛連環(huán)相撞事故。為了最大程度上 確保高速公路行車安全，視頻監(jiān)控系統(tǒng)是目前國內(nèi)外高速公路運(yùn)行管理系統(tǒng)中主要依賴的 技術(shù)手段，而基于視頻的交通事件檢測是高速公路監(jiān)控系統(tǒng)中的重要組成部分。目前，國內(nèi) 外對基于視頻的交通事件檢測已經(jīng)有了很多的研究并取得了一定的成果，而且已開發(fā)出一 些基于視頻的交通事件檢測系統(tǒng)，像美國的Autoscope、法國的Citilog都是應(yīng)用比較廣泛 的事件檢測系統(tǒng)。在基于視頻的交通事件檢測中，車輛目標(biāo)提取是最基本也是最關(guān)鍵的步 驟。常用的車輛目標(biāo)提取方法有光流法、幀間差分法和背景差分法，其中光流法實(shí)現(xiàn)復(fù)雜、 計(jì)算量巨大，不能滿足實(shí)時(shí)性的要求，而幀差分法不能完整的提取車輛目標(biāo)、相鄰幀時(shí)間間 隔無法統(tǒng)一、對于過快或過慢的車輛目標(biāo)檢測困難，背景差分法運(yùn)算簡單，能夠完整的提取 車輛目標(biāo)，因此背景差分法使用最多的車輛目標(biāo)提取方法。
[0003] 背景差法的關(guān)鍵就是需要得到較好的背景圖像，但是當(dāng)?shù)缆飞系能囕v比較多時(shí)， 無論采用哪種方法都不能得到很好的背景圖像，這是因?yàn)闊o論是基于概率的背景建模還是 基于統(tǒng)計(jì)的背景建模，都有一個(gè)共同的要求，那就是背景像素點(diǎn)出現(xiàn)的頻率要比較高。如果 車輛非常多，那么車輛就會長時(shí)間的遮擋住路面，所以根本無法建立好的背景模型。目前通 用的做法就是通過人工的方式選擇時(shí)間段，當(dāng)車流密度較小的時(shí)候進(jìn)行背景建模，避免車 流密度大的情況，但是這不能從根本上解決問題，一種可行的辦法是通過圖像自動的識別 出車流密度大的情況，而不是用肉眼觀察，直到車流密度變小的時(shí)候再進(jìn)行背景建模，這樣 就提高了背景建模的效率，增強(qiáng)了算法的適用性。
[0004] 現(xiàn)有文獻(xiàn)中提到的車流密度檢測方法都是以車輛目標(biāo)檢測為基礎(chǔ)的，如何在不需 要車輛目標(biāo)提取的情況下判斷出車流密度的大小鮮有研究。因此，如何根據(jù)高速公路場景 中視頻圖像的特點(diǎn)，尋找一種不需要進(jìn)行車輛目標(biāo)提取的車流密度判別方法具有重要的理 論和現(xiàn)實(shí)意義。


【發(fā)明內(nèi)容】

[0005] 有鑒于此，本發(fā)明提供一種基于視頻檢測技術(shù)的車流密度定性判別方法，不需要 車輛目標(biāo)提取，即可實(shí)時(shí)、準(zhǔn)確的根據(jù)當(dāng)前攝像頭采集的視頻圖像，判斷監(jiān)控視頻中道路 車流密度的大小。
[0006] 本發(fā)明通過以下技術(shù)手段解決上述技術(shù)問題：
[0007] 基于視頻檢測技術(shù)的車流密度定性判別方法，包括如下步驟：
[0008] 1)劃定監(jiān)控圖像中的感興趣區(qū)域；以下步驟對感興趣區(qū)域進(jìn)行處理；
[0009] 2)計(jì)算圖像的分形維數(shù)；
[0010] 3)對分形維數(shù)計(jì)算結(jié)果進(jìn)行統(tǒng)計(jì)分析，判斷道路的車流密度大小。
[0011] 進(jìn)一步，所述步驟2)具體包括如下步驟：
[0012] 21)將待判斷圖像分割成ηΧη個(gè)圖像塊，n>2 ;
[0013] 22)計(jì)算每個(gè)圖像塊的分形維數(shù)。
[0014] 進(jìn)一步，所述步驟22)中，分形維數(shù)DB通過下式進(jìn)行計(jì)算：

【權(quán)利要求】
1. 基于視頻檢測技術(shù)的車流密度定性判別方法，其特征在于：包括如下步驟： 1) 劃定監(jiān)控圖像中的感興趣區(qū)域；以下步驟對感興趣區(qū)域進(jìn)行處理； 2) 計(jì)算圖像的分形維數(shù)； 3) 對分形維數(shù)計(jì)算結(jié)果進(jìn)行統(tǒng)計(jì)分析，判斷道路的車流密度大小。
2. 如權(quán)利要求1所述的基于視頻檢測技術(shù)的車流密度定性判別方法，其特征在于：所 述步驟2)具體包括如下步驟： 21) 將待判斷圖像分割成ηΧη個(gè)圖像塊，n>2 ; 22) 計(jì)算每個(gè)圖像塊的分形維數(shù)。
3. 如權(quán)利要求2所述的基于視頻檢測技術(shù)的車流密度定性判別方法，其特征在于：所 述步驟22)中，分形維數(shù)DB通過下式進(jìn)行計(jì)算：
式中，R為感興趣區(qū)域的邊長：ε為圖像塊的邊長；
4. 如權(quán)利要求3所述的基于視頻檢測技術(shù)的車流密度定性判別方法，其特征在于：所 述步驟3)中，待判斷圖像的分形維數(shù)大于給定閾值的圖像塊數(shù)目統(tǒng)計(jì)結(jié)果是否大于給定 的比例系數(shù)，如果大于給定的比例系數(shù)則判定當(dāng)前場景車流密度大，否則判定當(dāng)前場景車 流密度小。
【文檔編號】G08G1/065GK104123840SQ201410362757
【公開日】2014年10月29日 申請日期:2014年7月28日 優(yōu)先權(quán)日:2014年7月28日
【發(fā)明者】趙敏, 孫棣華, 劉衛(wèi)寧, 廖孝勇, 梅登 申請人:重慶大學(xué)