基于扫描线聚类的安防视频道路自动识别算法
【技术领域】
[0001] 本发明涉及安防监控视频处理、模式识别、人工智能和图像处理领域，具体是基于 扫描线聚类的安防视频监控道路自动识别算法。
【背景技术】
[0002] 视频道路识别是视频图像处理的一个重要研究领域。在校园或居民住宅小区中， 由于人口居住密度大，需要对居民生活小区内或校园内的道路进行监控管理，如有乱停车， 聚众闹事，交通意外事件应能够及时报警。要实现居民校区或校园内道路智能视频监控，必 须首先能够识别监控视频中的道路区域，并在视频中道路区域设置防区，然后根据报警类 型进行视频内容分析。
[0003] 对校园或居民住宅小区的安防视频进行道路自动检测，有助于提高安防监控的智 能化。目前关于道路识别的研究主要集中在以下两点：
[0004] (1)从车载摄像的视频图像中识别道路边缘，用于无人驾驶技术的道路识别。
[0005] 道路感知是智能车辆中最基本的要求。这种应用背景下，摄像机安装在车辆前端。 通过对视频图像进行处理，进行道路自动识别。传统的道路检测算法包括边缘检测、主动轮 廓模型分割、阈值分割或颜色聚类方法等等，由于受到阴影遮挡、噪声和不连续道路边界或 标志线的影响，通常基于边缘检测、图像阑值等的方法无法从本质上解决上述问题，因此无 法获得满意的道路检测效果。为改进智能车辆道路感知效果，研究人员提出了一些改进算 法：如基于变形模板和遗传算法的道路检测方法；用图像颜色信息进行道路场景聚类，将 道路的先验知识对分类结果进行后续处理后，最后用参考区域法对道路进行识别。智能车 辆道路识别问题一个最大的特点为：道路识别过程是在车辆行驶过程中实时进行的，道路 的路面情况是实时变化的。
[0006] ⑵从遥感图像中识别城市道路
[0007] 道路在遥感影像呈现独特的特征，如光谱特征、形状特征以及拓扑特征，这些特征 使得道路在遥感影像上表现出独特的色调、反差、形状、纹理等。传统的道路识别方法大多 基于像素和道路特征，如在模板匹配法、主动轮廓模型、区域生长等方法，融入道路的拓扑、 纹理、形状等特征，从遥感图像中识别城市道路，但这些识别方法需要人工采集算法的种 子点，也容易受非道路因素的影响，这使得算法的效果受到影响，应用范围也有一定的局限 性。
[0008] 这两种道路识别算法的应用背景和特点，与小区或校园安防视频中识别道路区 域，用于突发事件的预警是完全不同的。从摄像头安装的位置来看，所获取的视频图像也是 完全不同的，因此，不能直接将上述技术直接用于本发明中。为此，本发明给出了基于扫描 线聚类的安防视频道路自动检测算法。
【发明内容】
[0009] 本发明的目的是克服现有的基于像素阈值、图像分割等道路识别算法需要手工采 集种子点的不足，提供基于扫描线聚类的安防视频监控道路自动识别算法。
[0010] 本发明解决上述技术问题的技术方案如下：
[0011] 基于扫描线聚类的安防视频道路自动识别算法包括两个模块：获取汽车行驶区域 和方向模块和道路区域自动识别模块；其中道路区域自动识别模块主要是对背景图做扫描 线聚类处理，各模块具体说明如下：
[0012] 1.获取汽车行驶区域和行驶方向模块具体操作如下：
[0013] 步骤一.标识运动目标：由于校园或居民住宅生活小区里行人、车辆移动速度不 快，因此选用传统的背景差算法来进行视频中移动目标的有效检测。
[0014] 步骤二.提取运动目标边缘特征：校园或居民住宅生活小区内的移动目标包括行 人、车辆等，由于行人的活动区域比较大，往往超过道路区域，因此以车辆的活动区域作为 道路自动检测的依据，从视频中提取活动目标之后，用现有的小波分析方法对活动目标进 行边缘检测。
[0015] 步骤三.检查运动目标边缘特征是否与车辆边缘特征匹配：将目标的边缘特征与 数据库中的车辆边缘特征进行相似度计算，若相似度超过预先给定的阈值，则执行步骤四 计算运动目标的移动速度V。否则，跳转至步骤一标识运动目标，重新标识新的运动目标。
[0016] 步骤四.计算运动目标的移动速度V:校园或居民住宅生活小区内在道路区域有 可能出现人员搬运大型板报或大型家具的情况，大型板报或大型家具的边缘特征类似于车 辆轮廓。为进一步精确提取车辆目标，需要计算移动目标的运动速度。
[0017] 假设目标检测获得当前帧Ft中运动目标的坐标为P i (xt，yt)，经过W时间后第Fi+W 帧中运动物体的坐标为，此刻的运动目标的移动速度V根据相应的坐标计算 获得：
[0019] 式中，dist (P1 (xt, yt)，)表示 P1, p2两点间的欧式距离。
[0020] 步骤五.判断运动目标的移动速度是否在车辆移动速度预设的范围内：行人和车 辆的移动速度有明显的差异，若某运动物体的V值大于或等于预设的车辆速度值，继续执 行步骤六。否则，移动目标不能确认为车辆，跳转至步骤一，重新标识新的运动目标。
[0021] 步骤六.记录车辆在图像中的坐标：标识该运动目标为车辆，记录车辆在图像中
[0022] 步骤七.计算车辆的行驶方向：仅考虑监控区域的道路是直线型，车辆在行驶过 程中其方向不会发生突然变化。根据车辆目标在当前帧^中的坐标（xt，yt)，和经过妈时间 后在第€&帧中运动的坐标CVmlvi)，近似计算车辆行驶方向与水平方向的夹角为：
[0024] 步骤八·输出（xQ，y。)、（X1J1)和 Θ。
[0025] 2.道路区域自动识别模块具体操作步骤如下：
[0026] 步骤一.输入干净的背景图G。
[0027] 步骤二.将背景图G进行镜头矫正、去噪处理。
[0028] 步骤三.以（X。，y。）为坐标原点，将背景图G按（Xl，yi)到水平线的方向旋转Θ度， 得到水平道路的背景图G'。
[0029] 步骤四.计算背景图G'的大小尺寸，记图背景图G'的总行数为M，G'的总列数为 N，即 size (G'）= M*N。
[0030] 步骤五·获取（x。，y。）的灰度值 g。，g。= gray ((x。，y。)）。
[0031] 步骤六.设置扫描线初始值：i = 0。
[0032] 步骤七.i〈M :判断第i条扫描线还在背景图G'中，若是，则执行步骤八，否则，扫 描完毕，转而执行步骤十。
[0033] 步骤八.调用扫描线聚类算法SCL(s，t，A1, A2):其中参数s，t为扫描线起点 和终点值，〇，A1,八2为阈值，σ为像素灰度聚类的最小距离，Δ 扫描线上前景线段聚 类的最小长度，A2为扫描线上背景线段聚类的最小长度。
[0034] 步骤九i = i+Ι :准备处理下一条扫描线。重复执行步骤七-步骤九，直到i彡3M。
[0035] 步骤十输出道路识别结果。
[0036] 3.扫描线聚类算法SCL(Scan Line Cluster):在上述道路区域自动检测算法模块 的步骤八中，调用了扫描线聚类算法SCL，具体执行步骤如下：
[0037] 步骤一 j = 0 :开始处理第i条扫描线上的第一个像素点。
[0038] 步骤二获取第i条扫描线上第j个像素点的灰度值gj，g_j= gray (X ;，xj。
[0039] 步骤三若I (gfg。）|〈 = 〇，说明像素（Xi, Xj)的灰度值与（χ。，y。）的灰度值非常接 近，则执行步骤四，否则转而执行七。
[0040] 步骤四初始化像素个数统计变量Ii1 = 1，记录当前像素点的位置p = j。
[0041] 步骤五统计灰度值I (gfg。）|〈=。的像素个数叫。
[0042] 步骤六若叫〉=Δ i，则标记该叫个像素为前景，即置该Ii1个像素点的灰度为1 (流 程图中的gray (i, pip+r^-l) = 1 ;表示将第i行，第p到p+r^-1列的像素点的灰度值置为 1)，否则，标记该Ii1个像素为背景，即置该n i个像素点为灰度为0。转而执行步骤十。
[0043] 步骤七初始化像素个数统计变量n2= 1，记录当前像素点的位置p = j。
[0044] 步骤八统计灰度值I (gfg。）|> 〇的像素个数n2。
[0045] 步骤九若叫〉=A2，则标记该n2个像素为背景，即置该1! 2个像素点为灰度为〇,否 则，标记该n/H象素为前景，即置该η 2个像素点为灰度为1。
[0046] 步骤十j = j+Ι :准备处理下一个像素。
[0047] 步骤十一若j〈N，表示还有像素点需要处理，转而执行步骤二，否则，表示扫描线处 理完毕，执行步骤十二。
[0048] 步骤十二输出扫描线聚类结果。
[0049] 本发明与现有技术比较的优点有：
[0050] 1.在识别汽车行驶区域的时候，充分考虑了校园道路通行情况复杂的特点，增加 了去除行人搬移大型板报等情况，更有效的检测出复杂地域的道路区域。
[0051] 2.通过获取车辆行驶区域的坐标点，自动确定像素聚类的种子点，提高了道路自 动识别的智能程度。
[0052] 3.利用水平扫描线检测道路，能够对道路中的水痕，裂纹，对机动车道路与人行道 路的分界线自动修补和识别，提高道路识别的准确性。
【附图说明】
[0053] 图1是本发明基于扫描线聚类的安防视频道路自动识别算法组成示意图。
[0054] 图2是本发明获取汽车行驶区域和行驶方向模块流程图。
[0055] 图3是本发明道路区域自动识别模块流程图。
[0056] 图4是本发明扫描线聚类算法SCL(Scan Line Cluster)流程图。
【具体实施方式】
[0057] 下面结合附图对本发明作进一步描述。
[0058] 本发明基于扫描线聚类的安防视频道路自动识别算法组成如图1所示，包括两个 模块：获取汽车行驶区域和方向模块1 ;道路区域自动识别模块2。其中道路区域自动识别 模块2主要是对背景图做扫描线聚类处理。各模块具体说明如下：
[0059] 1.获取汽车行驶区域和行驶方向模块1，其流程图见图2。具体操作如下：
[0060] 步骤一：标识运动目标。由于校园或居民住宅生活小区里行人、车辆移动速度不 快，因此选用传统的背景差算法来进行视频中移动目标的有效检测。
[0061] 步骤二：提取运动目标边缘特征。校园或居民住宅生活小区内的移动目标包括行 人、车辆等，由于行人的活动区域比较大，往往超过道路区域，因此以车辆的活动区域作为 道路自动检测的主要依据。从视频中提取活动目标之后，用现有的小波分析方法对活动目 标进行边缘检测。
[0062] 步骤三：检查运动目标边缘特征是否与车辆边缘特征匹配。将目标的边缘特征与 数据库中的车辆边缘特征进行相似度计算，若相似度超过预先给定的阈值，则执行步骤四 计算运动目标的移动速度V。否则，跳转至步骤一标识运动目标，重新标识新的运动目标。 [006