本发明涉及高速公路隧道停车事件检测技术领域，特别是一种融合多种特征的高速公路隧道停车事件分级识别方法。
背景技术：
伴随着高速公路建设在我国快速持续的发展，越来越多的高速公路隧道已经投入到实际的运行中。高速公路隧道能够使交通环境复杂的地区实现高效快速地连接，与此同时，由于完全不同的交通环境，又成为了制约高速公路持续健康发展的瓶颈。由于场景的封闭性和行车速度高的特点，隧道内发生停车事故后如果不能及时发现并有效处理，就容易导致二次事故的发生，甚至引起重特大交通事故，严重影响高速公路的正常运行。
阅读现有专利和论文，发现基于视频的停车检测方法主要有两类，即基于目标跟踪和基于网格模型的方法。基于目标跟踪的停车检测方法，如昆明理工大学申请的“一种基于核密度估计的高速公路违章停车检测方法”(cn：105513371)和重庆大学申请的“基于视频检测技术的高速公路隧道停车检测方法”(cn：103617410，这类方法主要是获取车辆目标的运动信息，通过跟踪车辆运动轨迹的质心变化来确定是否是停车事件。但在隧道环境中，会出现影响车辆跟踪的环境灯光和车辆灯光干扰，并且车辆停止时会经常出现车灯闪烁的现象，导致检测出的车辆位置发生跳变，所以直接采用这种方法会产生较高的误检率。而基于网络模型的方法，如长安大学申请的“一种基于块累积的高速公路车辆停车检测方法”(cn：102110366),通过将视频图像分割的方式，然后通过统计相邻块区域的稳定前景个数确定是否是停车事件。但在隧道环境中，由于车辆灯光和系统照明的干扰，有时会在图像中形成局部光斑，导致二值化分割的效果不理想，容易引起误检。
因此，需要一种融合多种特征的高速公路隧道停车事件分级识别方法。
技术实现要素：
本发明的目的是提出一种融合多种特征的高速公路隧道停车事件分级识别方法；该方法可有效用于高速公路隧道停车事件的检测。
本发明的目的是通过以下技术方案来实现的：
本发明提供的融合多种特征的高速公路隧道停车事件分级识别方法，包括以下步骤：
步骤一：从高速公路隧道摄像头获取视频图像，标定各车道的感兴趣区域并建立各车道0-1模板图；
步骤二：利用视频图像建立隧道环境背景模型并提取前景目标；
步骤三：获取单周期t内视频图像特征以及各行车道前景图像像素占比；
步骤四：根据各行车道前景像素占比情况修正相应0-1模板图，剔除伪前景目标；
步骤五：分别提取各车道实际感兴趣区域内的面积、轮廓和质心；分车道匹配前一周期与后一周期间的质心并记录满足阈值的质心、面积以及车道号；
步骤六：计算前景目标的质心方差、平均面积以及色度信息并根据对应阈值进行分级识别是否有停车事件发生。
进一步，所述步骤一中感兴趣区域的标定，按照以下步骤进行：
首先从高速公路隧道摄像头获取视频图像，并标定各车道的感兴趣区域；然后建立各车道的感兴趣区域0-1模板图。
进一步，所述步骤二中前景目标的提取按照以下步骤进行：
利用步骤一中获取的图片序列，建立背景模型；
对背景模型实时更新；
采用背景差分获取前景目标。
进一步，所述步骤三中单周期t内视频图像特征的提取按照以下步骤进行：
获取单周期t内图像；
将单周期内前景图像像素按比例缩放并叠加，产生图像imgfore_scale_sum；
记录单周期内当前帧彩色图像序列；
对各个车道前景图像分别进行形态学处理和二值化处理，并统计各行车道前景像素占比。
进一步，所述步骤四中伪前景目标的剔除按照以下步骤进行：
根据各行车道前景像素占比情况，分别修正各行车道实际感兴趣区域0-1二值图；
剔除单周期内imgfore_scale_sum图中像素值过小的不稳定像素点。
进一步，所述步骤五中对前景目标面积、轮廓和质心特征的分析及处理按照以下步骤进行：
缩放并平均以还原图像imgfore_scale_sum，分车道提取二值化图像后进行形态学处理；
分别提取各车道实际感兴趣区域内的轮廓，计算面积介于上下阈值间的轮廓质心；
分车道匹配前一周期与后一周期间的质心并记录相应质心、面积以及车道号；
清除n个周期t内质心位置未发生改变的干扰目标质心和重复目标质心；
进一步，所述步骤六中的停车事件的分级识别按照以下步骤进行：
根据记录的相应质心计算前景目标质心方差；
在质心方差小于阈值情况下根据记录的面积，计算面积均值；
在面积均值小于阈值情况下根据记录的单周期内当前帧图像序列，计算以质心为中心平均矩形下的色度信息；
根据前景目标质心方差、平均面积以及色度信息等相应阈值分级识别是否有停车事件发生。
由于采用了上述技术方案，本发明具有如下的优点：
本发明提供的融合多种特征的高速公路隧道停车事件分级识别方法，针对隧道内各车道车辆灯光的互相影响，难以提取稳定前景目标的问题，将前景图像进行周期性叠加，按分车道考虑的方式，分别就各车道实现不稳定前景像素点剔除和各车道不同阈值的二值化分割，实现了稳定前景目标的准确提取；在此基础上，针对隧道内发生拥堵或车流量较大，容易造成伪稳定前景目标的问题，结合各车道前景目标的占有率情况，修正占有率过大的相应车道感兴趣区域；同时，充分考虑隧道早晚开关灯引起的前景突变，造成停车目标误检测的问题，本发明就该情况下的伪停车目标和实际情况下的停车目标进行了hsv颜色空间对比分析，用一定阈值范围内的颜色空间判断条件来抑制隧道灯光突变引起的停车目标误检测。
本发明从高速公路隧道实际环境出发，利用停车目标灯光闪烁产生的不稳定前景，结合修正后的各车道感兴趣区域，分车道对多帧融合的前景进行阈值分割，在此基础上提取前景目标的动态质心周期性特征并初步识别停车事件，继而通过分析前景目标的静态颜色和面积均值，逐级识别并最终确认停车事件，形成一种融合多特征的高速公路隧道场景下的停车目标分级识别方法。该方法能有效提取稳定前景目标，合理抑制灯光突变和拥堵情况的停车误检测，实现对停车目标的准确识别，提高现有高速公路隧道停车事件检测的准确率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
本发明的附图说明如下。
图1是基于融合多种特征的高速公路隧道停车事件分级识别方法的流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
实施例1
本实施例提供的方法主要针对高速公路隧道实际应用场景，通过研究隧道场景下停车目标的静态动态特点，分析实际停车目标和伪停车目标的特征差异，融合多特征对高速公路隧道场景下的停车目标进行分级识别；该方法首先结合修正后的各车道感兴趣区域，利用分车道方法以及多帧前景融合方式提取前景的周期性特征并分析、处理，进而以动态质心特征为首、静态颜色、面积特征为辅逐级判断是否有停车事件发生，实现对停车目标的有效识别，提高现有高速公路隧道停车事件检测的准确率；具体包括以下六个步骤：
步骤一：标定感兴趣区域，主要包括以下两个部分：
从高速公路隧道摄像头获取视频图像，并标定各车道的感兴趣区域；
建立各车道的感兴趣区域0-1模板图。
步骤二：提取前景目标，主要包括以下三个部分：
利用步骤一中获取的图片序列，建立背景模型；
对背景模型实时更新；
采用背景差分获取前景目标。
步骤三：获取单周期t内图像特征，主要包括以下三个部分：
单周期内前景图像像素按比例缩放并叠加，产生图像imgfore_scale_sum；
记录单周期内当前帧彩色图像序列；
各个车道前景图像分别进行形态学处理、二值化处理，并统计各行车道前景像素占比。
步骤四：剔除伪前景目标，主要包括以下两个部分：
根据各行车道前景像素占比情况，分别修正各行车道实际感兴趣区域0-1二值图；
剔除单周期内imgfore_scale_sum图中像素值过小的不稳定像素点。
步骤五：分析及处理前景目标特征，主要包括以下四个部分：
缩放并平均以还原图像imgfore_scale_sum，分车道提取二值化图像后进行形态学处理；
分别提取各车道实际感兴趣区域内的轮廓，计算面积介于上下阈值间的轮廓质心；
分车道匹配前一周期与后一周期间的质心并记录相应质心、面积以及车道号；
清除n个周期t内质心位置未发生改变的干扰目标质心和重复目标质心；
步骤六：分级识别停车事件，主要包括以下三个部分：
根据记录的相应质心计算前景目标质心方差；
在质心方差小于阈值情况下根据记录的面积，计算面积均值；
在面积均值小于阈值情况下根据记录的单周期内当前帧图像序列，计算以质心为中心平均矩形下的色度信息；
根据前景目标质心方差、平均面积以及色度信息等相应阈值分级识别是否有停车事件发生。
实施例2
下面结合高速公路隧道停车事件分级识别方法的流程示意图，对上述六个步骤进行详细的说明：
步骤一：标定感兴趣区域，主要包括以下三个部分：
从高速公路隧道摄像头获取视频图像，并手工标定各个车道的感兴趣区域，即标定停车检测区域，这能使处理的图像范围变小，从而减少计算量，提高算法时效性。感兴趣区域一般选择高速公路隧道内车辆可到达区域，包括正常的行车道和紧急停车带；
根据所标定的坐标分别生成各个车道的感兴趣区域0-1模板图，即对每个车道都生成一张感兴趣区域像素值为255，非感兴趣区域像素值为0的黑白图像，从而使各车道分别单独处理。
步骤二：提取前景目标，主要包括以下三个部分：
建立背景模型，这里采用高斯法建立背景模型；
对背景模型实时更新，采用基于像素变化率的背景更新方法，即连续三帧图像中变化率小于某一阈值的像素点以一定的更新率实时更新。
将当前帧图像与背景图像作差，获得前景目标。
步骤三：获取单周期t内图像特征，主要包括以下三个部分：
单周期内前景图像像素按比例先缩放后叠加，得图像imgfore_scale_sum，缩放比例为1/255，叠加次数为周期倒数。这里以8倍速率读取视频帧时，周期t约取1/7或1/8；
记录单周期内当前帧彩色图像序列，为后级色度判断提供原始图像。
各个行车道前景图像分别进行形态学处理并采用阈值分割进行二值化处理，并统计各行车道前景像素占比。形态学处理方法选择开运算，目的是去除较小的噪声并且能够填充一些间隙。二值化阈值的选取采用otsu最大类间方差法。前景占比fore_propo即二值化后图像像素值为255的总数与相应车道感兴趣区域0-1模板图中像素值为255的总数比值，采用公式
其中i仅表示行车道号，pixel表示像素值，binary_image表示二值化后图像，interest_image表示感兴趣区域图像。
步骤四：剔除伪前景目标，主要包括以下两个部分：
根据各车道前景占比情况，分别修正各车道实际感兴趣区域0-1二值图，这里仅对前景占比大于一定阈值area_ratio的行车道感兴趣区域0-1二值图进行修正，修正为像素值都为0的全黑图，即剔除了车流大或者拥堵等情况对停车分析造成的干扰误判，具体公式如下：
其中，i仅表示行车道号，pixel表示像素值，r_interest_image表示各行车道实际感兴趣区域，area_ratio取值为0.4；
剔除单周期内imgfore_scale_sum图中像素值小于阈值min_sum_pixel的像素点，这部分像素点属于不稳定前景，令其为像素值为0，即
其中，min_sum_pixel取5或6。
步骤五：分析及处理前景目标特征，主要包括以下四个部分：
先缩放后平均以还原图像imgfore_scale_sum，并分车道采用阈值分割对该图像进行二值化处理和形态学操作。缩放比例为255，考虑步骤五第二步中操作，二值化阈值的选取应采用不考虑0像素点的otsu最大类间方差法；
分别提取各车道实际感兴趣区域下内的轮廓，并计算轮廓面积介于contour_area_min和contour_area_max之间的轮廓质心，其分别取值为600和6800；
分车道匹配前个周期t与后个周期t间质心，计算质心间欧式距离：
其中，lastt和nextt分别表示前个周期t与后个周期t的质心坐标点，并记录质心距离dis<dis_max的质心对及其所对应的的面积对和车道号，dis_max取10像素值；
清空n个周期t内3)中质心位置不变的记录，避免干扰目标以及重复目标质心重复分析，n取值为4。
步骤六：分级识别停车事件，主要包括以下四个部分：
计算步骤五第3)步中所记录的质心方差cen_var，cen_var<cen_var_max时判定有稳定前景目标，cen_var_max取值为8；
计算步骤五第3)步中所记录的面积均值area_avg，area_ave<area_avg_max时判定为非拥堵状况下的前景目标，area_avg_max取值为6800；
计算步骤三第2)步中所记录的当前帧彩色图像序列平均色度信息，这里将rgb图像转化为hsv图像，以色度(h)、饱和度(s)、明度(v)衡量色度信息。色度h>h_min，饱和度s>s_min，明度v>v_min时判定为非光斑状况下的前景目标，h_min、s_min、v_min分别取值为55、45、150；
综合步骤1)2)3)中信息判断是否有停车事件发生，分级处理可以不计算伪目标面积均值和平均色度信息，减少计算量，提高检测时效性。
由于隧道内不定时开关灯的影响，会在图像中形成局部光斑。这种局部光斑经常容易被处理成前景，通过背景更新需要很长时间才能消除。此类光斑刚出现时，如果不加以区分，会被当作稳定前景目标。而隧道环境内，车辆目标停止时会有明显的双闪灯光，而局部光斑具有一致的偏白亮特性，采用色度信息可以区分是否为伪停车目标。
同时，由于隧道环境内较小的行车空间限制，车流量较大或拥堵时会产生稳定的前景目标，且其色度信息相比于正常停车目标区分度很小。而形态学操作中的膨胀方法可以很好地连接邻近像素点，统计相应前景像素点占比可解决车流量大或者拥堵产生的伪停车目标，步骤4第1)步和步骤6第2)步采用了相关手段。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。