專利名稱：一種高效車輛檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種車輛檢測方法，屬于智能交通技術(shù)領(lǐng)域。
背景技術(shù)：
在智能交通技術(shù)領(lǐng)域，有效的車輛運動和存在信息提取是智能交通中十分重要的環(huán)節(jié)，目前主要的車輛檢測方法有公開號為CN1012^5691、發(fā)明名稱為“基于視頻圖像的車輛計數(shù)方法”的發(fā)明專利，使用基本的背景建模技術(shù)，通過統(tǒng)計像素的灰度值概率分布來檢測前景目標點并以此估計車輛信息，實現(xiàn)了采用計算機視覺技術(shù)實現(xiàn)車輛計數(shù)。在黎明、 傍晚等晝夜轉(zhuǎn)換、光線變化較為明顯的時段，由于圖像亮度、對比度均發(fā)生大幅度下降，容易導致目標遺漏，檢測效果不理想。也有的方法通過對車燈進行檢測，然而在黎明、傍晚晝夜轉(zhuǎn)換時段，同時有較多車輛打開車燈，由于車燈眩光或反光等問題容易造成虛假檢測，檢測精度同樣很低?；诖?，如何發(fā)明一種高效車輛檢測方法，可以抑制復雜光照造成的虛假檢測和目標遺漏，提取正確的車輛信息，是本發(fā)明主要解決的問題之一。

發(fā)明內(nèi)容
本發(fā)明為了解決現(xiàn)有車輛檢測方法不適用于光線變化較為明顯的時段的問題，提供了一種車輛檢測方法，該方法對于車存在和車運動信息的檢測效果較好，有效防止了虛假檢測和目標遺漏。為了解決上述技術(shù)問題，本發(fā)明采用以下技術(shù)方案予以實現(xiàn) 一種高效車輛檢測方法，包括車存在信息檢測和車運動信息檢測， 車存在信息檢測包括以下步驟
(11)、統(tǒng)計背景圖像模型；
(12)、對當前幀圖像與背景圖像做差分運算，得出圖像-背景差分(13)、設(shè)置閾值T，對圖像-背景差分圖做二值化處理，得到包括前景目標點和背景目標點的二值(14)、對前景目標點提取出邊緣點，利用前景目標點的邊緣點數(shù)與前景目標點數(shù)的比值R判斷是否有車存在；
車運動信息檢測包括以下步驟
(21)、對相鄰兩幀圖像做差分，并對差分圖像提取邊緣點；
(22)、計算差分圖像的邊緣點的梯度方向，統(tǒng)計出梯度方向直方(23)、根據(jù)差分圖像的邊緣點數(shù)、梯度方向直方圖、和步驟(14)中車存在的判斷結(jié)果， 判斷是否存在車運動。進一步的，基于上述的車存在信息判斷和車運動館信息的判斷，還包括判斷是否有車輛通過的步驟
(31)、利用步驟(22)中的方向梯度直方圖，判斷當前幀圖像是否包含車頭；(32)、若上一幀判斷沒有車運動，且連續(xù)至少一幀判斷存在車頭，則觸發(fā)計數(shù)；
(33)、若上一幀判斷有車運動，且當前幀圖像中無有車運動，則表示車輛離開。又進一步的，對圖像-背景差分圖做二值化處理時，由于每個場景環(huán)境不一樣，因而背景的灰度相差很大，所以需要根據(jù)不同的背景灰度值設(shè)定不同的閾值，可以更準確的二值化圖像。步驟(13)中閾值T的設(shè)置方法為用T1、T2、T3、T4將亮度值0-255分為5個區(qū)間，該5個區(qū)間相對應(yīng)的閾值為Ni、Ν2、Ν3、Ν4、Ν5,統(tǒng)計當前幀圖像的平均亮度，平均亮度落入其中一個區(qū)間內(nèi)，該區(qū)間對應(yīng)的閾值即為閾值Τ，其中，0 < Tl < Τ2 < Τ3 < Τ4 < 255，Nl、Ν2、Ν3、Ν4、Ν5為正整數(shù)，T1、Τ2、Τ3、Τ4的設(shè)置可以根據(jù)經(jīng)驗值設(shè)定。進一步的，由于梯度值量化了幀差邊緣信息的豐富程度，越大表示邊緣信息越豐富，也即表明有車存在，因此，步驟(14)中車存在的判斷方法為若R大于或等于閾值Τ5，則有車存在，否則無車存在。優(yōu)選的，步驟(11)中利用經(jīng)典的混合高斯建模方法統(tǒng)計背景圖像模型。為了防止相鄰兩幀圖像的差分值出現(xiàn)負值的情況，步驟(21)中還包括對差分圖像取模的步驟，然后對取模后的差分圖像提取邊緣點。再進一步的，梯度大小反映的是邊緣信息是否豐富，本方法在統(tǒng)計了幀差圖像的梯度后，并統(tǒng)計能夠反映幀差邊緣信息分布的梯度直方圖，步驟(22)中梯度方向直方圖的統(tǒng)計方法為利用閾值Τ6、Τ7將梯度值分為3個區(qū)間，統(tǒng)計分別落入三個梯度區(qū)間的個數(shù)， 依次為01、02』3，其中，0 < Τ6 < Τ7。更進一步的，步驟(23)中，車運動的判斷較為復雜，需要綜合車存在、幀差邊緣點總數(shù)、前景點目標邊緣點比例的因素，因此，車運動的判斷方法為若同時滿足車存在的條件、差分圖像的邊緣點數(shù)不小于閾值Τ8、以及Q3 > Τ9，其中，Τ9為正整數(shù)，則判為車運動， 否則為無車運動，由于梯度大小反映的是邊緣信息是否豐富，梯度越大，邊緣信息越復雜， 越可能本幀圖像有車，令Q3大于閾值Τ9就是基于上述原理。再進一步的，由于車頭的邊緣信息最為豐富，步驟(31)中判斷當前幀圖像是否包含車頭的方法為，若同時滿足以下條件，則包含車頭，否則不包括
Q3 > Ql; Q3 < 5XQl;
1/3X (Q1+Q2) < Q2 < 3X (Q1+Q2) 優(yōu)選的，步驟(14)和步驟(22)中使用sobel算子提取邊緣點。與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點和積極效果是
1、克服了同類算法中，在黎明和傍晚時段光線變化較為復雜情況下，由于亮度和對比度降低導致目標遺漏，以及由于車燈眩光或反光造成虛假檢測等問題，有效的提高了檢測精度。2、算法運算量較小，實現(xiàn)性很高。3、由于車輛本身包含一定的邊緣信息，而車燈反光等造成的幀差前景較為平坦， 不包含明顯邊緣，利用前景目標點的邊緣點數(shù)以及幀間差分圖像計算邊緣點數(shù)，可排除車燈反光等造成的影響，對于亮度和對比度都很低的車輛，雖然幀差點不多，但可以通過自適應(yīng)閾值計算出邊緣點，故可以減少遺漏。4、車輛計數(shù)時，利用車頭包含比較豐富的邊緣信息，通過對方向梯度直方圖進行分析，鎖定車頭運動信息，觸發(fā)線圈狀態(tài)，因此可以過濾掉一部分干擾。結(jié)合附圖閱讀本發(fā)明實施方式的詳細描述后，本發(fā)明的其他特點和優(yōu)點將變得更加清楚。


圖1是本發(fā)明所提出的高效車輛檢測方法實施例一中的車存在檢測流程圖； 圖2是本發(fā)明所提出的高效車輛檢測方法實施例一中的車運動檢測流程圖。
具體實施例方式本發(fā)明為了解決在晝夜轉(zhuǎn)換、光線變化明顯、車燈眩光或反光造成光線較復雜時， 車輛檢測困難，檢測效果不好，容易造成誤檢獲漏檢的問題，提供了一種高效車輛檢測方法，通過對原始幀間差分圖像計算邊緣，以及對前景區(qū)域分析邊緣，利用車燈反光等造成的幀差前景較為平坦的特點，可以排除車燈眩光和反光的影響，可以準確檢測到車存在和車運動信息。下面結(jié)合附圖對本發(fā)明的具體實施方式
作進一步詳細地說明。實施例一，參見圖1所示，本實施例的高效車輛檢測方法包括車存在信息檢測和車運動信息檢測，具體的，
車存在信息檢測包括以下步驟 S11、統(tǒng)計背景圖像模型；
本步驟主要是在系統(tǒng)剛上電時候完成，通過統(tǒng)計背景圖像模型，便于后續(xù)步驟中區(qū)分前景目標點和背景目標點。本步驟優(yōu)選采用經(jīng)典的混合高斯建模方法統(tǒng)計背景圖像模型。S12、對當前幀圖像與背景圖像做差分運算，得出圖像-背景差分利用前一步統(tǒng)計的背景圖像模型，將當前幀圖像的灰度值與背景圖像的灰度值做差分運算，可以初步區(qū)分開前景目標點和背景目標點，是因為若是背景目標點的話，相減后灰度差值會很小，反之，若是前景目標點的話，灰度差值相對較大一些。S13、設(shè)置閾值T，對圖像-背景差分圖做二值化處理，得到包括前景目標點和背景目標點的二值通過設(shè)置閾值，對前景目標點和背景目標點作出定量的判斷，得到包括前景目標點和背景目標點的二值圖。在本實施例中，對圖像-背景差分圖做二值化處理時，由于每個場景環(huán)境不一樣， 因而背景的灰度相差很大，所以需要根據(jù)不同的背景灰度值設(shè)定不同的閾值，可以更準確的二值化圖像。步驟S13中閾值T的設(shè)置方法為用Tl、T2、T3、T4將亮度值0-255分為5 個區(qū)間，該5個區(qū)間相對應(yīng)的閾值為N1、N2、N3、N4、N5，統(tǒng)計當前幀圖像的平均亮度，平均亮度落入其中一個區(qū)間內(nèi)，該區(qū)間對應(yīng)的閾值即為閾值T，其中，0 < Tl < T2 < T3 < T4 < 255，N1、N2、N3、N4、N5為正整數(shù)，T1、T2、T3、T4的設(shè)置可以根據(jù)經(jīng)驗值設(shè)定。比如，設(shè)置Tl、 T2J3J4 分別為 80、100、120、150，將亮度值 0-255 分為 5 個區(qū)間:0_80 ；81-100 ； 101-120 ； 121-150 ；151-255，該5個區(qū)間分別對應(yīng)的二值化閾值Ν1、Ν2、Ν3、Ν4、Ν5分別為10、15、20、 30,40 ；統(tǒng)計當前幀圖像的平均亮度，平均亮度落入其中一個區(qū)間內(nèi)，該區(qū)間對應(yīng)的閾值即為閾值T。S14、對前景目標點提取出邊緣點，利用前景目標點的邊緣點數(shù)與前景目標點數(shù)的比值R判斷是否有車存在；
本步驟主要利用車輛的邊緣信息較背景邊緣信息豐富的特點，而且對于車燈眩光或反光造成的前景目標區(qū)域，邊界點較為模糊，邊緣點不明顯，且前景區(qū)域內(nèi)無邊緣點，故通過提取邊緣點信息可以有效的避免了上述情況造成的影響，提高了車輛檢測精確度。本實施例中優(yōu)選使用sobel算子提取邊緣點，算子求幀差圖像邊緣的閾值根據(jù)當前幀圖像的亮度進行自適應(yīng)調(diào)整，比如為圖像平均灰度的十分之一且在5-20的范圍內(nèi)。由于梯度值量化了幀差邊緣信息的豐富程度，越大表示邊緣信息越豐富，也即表明有車存在，因此，步驟S14中車存在的判斷方法為若R大于或等于閾值T5，則有車存在， 否則無車存在。車運動信息檢測包括以下步驟
S21、對相鄰兩幀圖像做差分，并對差分圖像提取邊緣點；
對于運動的車輛來說，相鄰幀的圖像相對有一定得差別，因此，車輛運動信息主要根據(jù)相鄰幀圖像的差別進行判斷。為了防止相鄰兩幀圖像的差分值出現(xiàn)負值的情況，步驟S21中還包括對差分圖像取模的步驟，然后對取模后的差分圖像提取邊緣點。S22、計算差分圖像的邊緣點的梯度方向，統(tǒng)計出梯度方向直方梯度大小反映的是邊緣信息是否豐富，本實施例在統(tǒng)計了幀差圖像的梯度方向后，再統(tǒng)計出能夠反映幀差邊緣信息分布的梯度直方圖，把對直方圖的各種運算作為車輛運動信息的判定條件，有利于精確判斷是否車運動。作為一個具體的實施例，步驟S22中梯度方向直方圖的統(tǒng)計方法為利用閾值T6、 T7將梯度值分為3個區(qū)間，統(tǒng)計分別落入三個梯度區(qū)間的個數(shù)，依次為Ql、Q2、Q3，其中，0 < T6 < T7，例如，在本實施例中，設(shè)置T6=58，T7=173，因此包括0-58 ;59-173 ;174-+°o三個區(qū)間，通過劃分梯度區(qū)間，可以將落入各區(qū)間的個數(shù)作為區(qū)分為車輛信息和背景信息的一項條件。與步驟S14相類似，本步驟中同樣優(yōu)選使用sobel算子提取邊緣點，算子求幀差圖像邊緣的閾值根據(jù)當前幀圖像的亮度進行自適應(yīng)調(diào)整，比如為圖像平均灰度的十分之一且在5-20的范圍內(nèi)。S23、根據(jù)差分圖像的邊緣點數(shù)、梯度方向直方圖、和步驟S14中車存在的判斷結(jié)果，判斷是否存在車運動。車運動信息是一個綜合判斷的結(jié)果，在本實施例中，綜合了差分圖像的邊緣點數(shù)、 梯度方向直方圖、和步驟S14中車存在的判斷結(jié)果，對車運動進行判斷。步驟S23中，車運動的判斷較為復雜，需要綜合車存在、幀差邊緣點總數(shù)、前景點目標邊緣點比例的因素，因此，車運動的判斷方法為若同時滿足車存在的條件、差分圖像的邊緣點數(shù)不小于閾值T8、以及Q3 > T9，則判為車運動，否則為無車運動，由于梯度大小反映的是邊緣信息是否豐富，梯度越大，邊緣信息越復雜，越可能本幀圖像有車，令Q3大于閾值T9就是基于上述原理。實施例二，基于實施例一中的車存在信息判斷和車運動館信息的判斷，本實施例還包括判斷是否有車輛通過的步驟
S31、利用步驟S22中的方向梯度直方圖，判斷當前幀圖像是否包含車頭； 在本具體的實施例中，通過以下方式判斷，由于車頭的邊緣信息最為豐富，Q3對應(yīng)區(qū)間的邊緣信息最豐富，Q2次之，Ql最小，步驟S31中判斷當前幀圖像是否包含車頭的方法為， 若同時滿足以下條件，則包含車頭，否則不包括 Q3 > Ql; Q3 < 5XQl;
1/3X (Q1+Q2) < Q2 < 3X (Q1+Q2) S32、若上一幀判斷沒有車運動，且連續(xù)至少一幀判斷存在車頭，則觸發(fā)計數(shù)； 若上一幀判斷為有車存在，且本幀線圈內(nèi)存在車運動，則表示車輛正在通過； S33、若上一幀判斷有車運動，且當前幀圖像中無有車運動，則表示車輛離開。當然，上述說明并非是對本發(fā)明的限制，本發(fā)明也并不僅限于上述舉例，本技術(shù)領(lǐng)域的普通技術(shù)人員在本發(fā)明的實質(zhì)范圍內(nèi)所做出的變化、改型、添加或替換，也應(yīng)屬于本發(fā)明的保護范圍。
權(quán)利要求
1.一種高效車輛檢測方法，包括車存在信息檢測和車運動信息檢測，其特征在于，車存在信息檢測包括以下步驟(11)、統(tǒng)計背景圖像模型；(12)、對當前幀圖像與背景圖像做差分運算，得出圖像-背景差分圖；(13)、設(shè)置閾值T，對圖像-背景差分圖做二值化處理，得到包括前景目標點和背景目標點的二值圖；(14)、對前景目標點提取出邊緣點，利用前景目標點的邊緣點數(shù)與前景目標點數(shù)的比值R判斷是否有車存在；車運動信息檢測包括以下步驟(21)、對相鄰兩幀圖像做差分，并對差分圖像提取邊緣點；(22)、計算差分圖像的邊緣點的梯度方向，統(tǒng)計出梯度方向直方圖；(23)、根據(jù)差分圖像的邊緣點數(shù)、梯度方向直方圖、和步驟(14)中車存在的判斷結(jié)果， 判斷是否存在車運動。
2.根據(jù)權(quán)利要求1所述的高效車輛檢測方法，其特征在于，還包括判斷是否有車輛通過的步驟(31)、利用步驟(22)中的方向梯度直方圖，判斷當前幀圖像是否包含車頭；(32)、若上一幀判斷沒有車運動，且連續(xù)至少一幀判斷存在車頭，則觸發(fā)計數(shù)；(33)、若上一幀判斷有車運動，且當前幀圖像中無有車運動，則表示車輛離開。
3.根據(jù)權(quán)利要求1所述的高效車輛檢測方法，其特征在于，步驟(13)中閾值T的設(shè)置方法為用Tl、T2、T3、T4將亮度值0-255分為5個區(qū)間，該5個區(qū)間相對應(yīng)的閾值為Ni、 N2、N3、N4、N5，統(tǒng)計當前幀圖像的平均亮度，平均亮度落入其中一個區(qū)間內(nèi)，該區(qū)間對應(yīng)的閾值即為閾值T,其中，0 < Tl < T2 < T3 < T4 < 255，N1、N2、N3、N4、N5為正整數(shù)。
4.根據(jù)權(quán)利要求1所述的高效車輛檢測方法，其特征在于，步驟(14)中車存在的判斷方法為若R大于或等于閾值T5，則有車存在，否則無車存在。
5.根據(jù)權(quán)利要求1-4任一項權(quán)利要求所述的高效車輛檢測方法，其特征在于，步驟 (11)中利用混合高斯建模方法統(tǒng)計背景圖像模型。
6.根據(jù)權(quán)利要求1所述的高效車輛檢測方法，其特征在于，步驟(21)中還包括對差分圖像取模的步驟，然后對取模后的差分圖像提取邊緣點。
7.根據(jù)權(quán)利要求1所述的高效車輛檢測方法，其特征在于，步驟(22)中梯度方向直方圖的統(tǒng)計方法為利用閾值T6、T7將梯度值分為3個區(qū)間，統(tǒng)計分別落入三個梯度區(qū)間的個數(shù)，依次為 Q1、Q2、Q3，其中，0 < T6 < T7。
8.根據(jù)權(quán)利要求7所述的高效車輛檢測方法，其特征在于，步驟(23)中，若同時滿足車存在的條件、差分圖像的邊緣點數(shù)不小于閾值T8、以及Q3 > T9，則判為車運動，否則為無車運動，其中，T9為正整數(shù)。
9.根據(jù)權(quán)利要求7所述的高效車輛檢測方法，其特征在于，步驟(31)中判斷當前幀圖像是否包含車頭的方法為，若同時滿足以下條件，則包含車頭，否則不包括Q3 > Ql;Q3 < 5XQl;1/3X (Q1+Q2) < Q2 < 3X (Q1+Q2)
10.根據(jù)權(quán)利要求1所述的高效車輛檢測方法，其特征在于，步驟(14)和步驟(22)中使用sobel算子提取邊緣點。
全文摘要
本發(fā)明公開了一種高效車輛檢測方法，包括車存在信息檢測和車運動信息檢測，車存在信息檢測包括以下步驟(11)統(tǒng)計背景圖像模型；(12)計算圖像-背景差分圖；(13)對圖像-背景差分圖做二值化處理；(14)判斷是否有車存在；車運動信息檢測包括以下步驟(21)對相鄰兩幀圖像做差分，并對差分圖像提取邊緣點；(22)統(tǒng)計出差分圖像的邊緣點的梯度方向直方圖；(23)判斷是否存在車運動。本發(fā)明的車輛檢測方法檢測精度高，檢測效果好。
文檔編號G06K9/00GK102496276SQ20111039229
公開日2012年6月13日 申請日期2011年12月1日 優(yōu)先權(quán)日2011年12月1日
發(fā)明者劉韶, 孫婷婷, 朱中, 裴雷 申請人:青島海信網(wǎng)絡(luò)科技股份有限公司