一种基于像素点和置信度的自适应分割的车辆检测方法
【专利摘要】本发明公开了一种基于像素点和置信度的自适应分割的车辆检测方法，首先提出了一种背景模型的初始化方法，在初始化背景模型后，引入图像前景检测计数器、背景置信度图像计数器、图像各点像素所处的交通状态并设置初始值，并对当前场景像素点交通状态进行判别和背景模型中像素点置信度的计算及是否更新进行判定且根据当前交通状态用阈值自适应更新方案更新背景模型，最后运用基于像素的自适应分割方法检测前景。本发明可以有效解决复杂城市交通场景中缓慢移动和临时停车的车辆污染背景检测模型的问题。
【专利说明】
-种基于像素点和置信度的自适应分割的车辆检测方法
技术领域
[0001] 本发明设及智能交通研究领域，尤其是复杂城市交通场景中的车辆检测方法研 究。
【背景技术】
[0002] 近年来，作为智能交通系统和智慧城市的重要部分，城市交通的智能化得到了更 多的关注，目前，在城市的很多交通卡口都安装了视频传感器，每天都会产生长千上万的视 频数据，而城市交通中交通密度大，交通拥堵严重，各道路使用者呈现多样性，从城市交通 复杂的背景中得到运动的前景对城市交通和城市公共安全至关重要，然而找到一个通用的 鲁棒的城市交通车辆的前景检测和分割的方法依然是一个挑战。
[0003] 目前，视频监控系统的目标检测算法有帖差法、背景差分法、光流法等。帖差法主 要比较视频序列中连续帖之间的差异，方法简单且检测速度快，但当光线变化或者车辆停 止不动的时候检测效果较差，光流法是基于投影到图像表面上的运动，但是运种方法对噪 声比较敏感而且计算量较大，不适用于实时的车辆检测，背景差法针对固定安装的摄像机 拍摄的视频目标检测非常有效，该方法通过构建背景模型，并将输入视频帖与当前的背景 模型比较，当差值较大的区域被标注为前景。背景差法运用的比较多，关键问题是背景模型 的构建，而在城市交通场景中，背景一般比较复杂，构成因素主要有移动车辆和行人，而车 辆的运行速度各不相同而且在不确定的时刻会临时停车或者突然移动，在构建背景模型 时，背景经常会受到运些因素的污染，所W需要选择合适的学习率来自适应地更新背景。
【发明内容】
[0004] 发明目的：为了解决现有技术存在的问题，有效地解决复杂城市交通场景中缓慢 移动和临时停车的车辆"污染"背景检测模型，本发明提供一种基于像素点和置信度的自适 应分割车辆检测方法。
[0005] 技术方案：本发明提供的一种基于像素点和置信度的自适应分割的车辆检测方 法，包括W下步骤：
[0006] (1)视频传感器实时采集城市交通场景图像，将最近N个被采集到的图像的像素值 1/?^，7)，1￡[1，則序列作为背景模型8/^，7)，并对背景模型进行初始化；
[0007] (2)在初始化背景模型后，引入图像前景检测计数器、背景置信度图像计数器;设 置信区间为c(x，y)并设置初始值;设置信区间内前景的次数为d(x，y);设像素点从背景转 变为前景或从前景转变为背景的次数为Kx, y);设图像各点像素所处的交通状态为p(x，y) 并设置初始值;设前景的分割为F(x，y);设决策阔值为R(x，y);
[000引（3)通过置信区间内前景的次数d(x，y)与当前帖的数量f(x，y)的比值计算出检测 比率，对当前场景像素点交通状态进行判别；
[0009] (4)计算背景模型中像素点的置信度，判定是否需要更新；
[0010] (5)根据当前交通状态，用阔值自适应更新方法更新背景模型；
[0011] (6)运用基于像素的自适应分割方法检测前景。
[0012] 有益效果：相比较现有技术，本发明可W有效解决复杂城市交通场景中缓慢移动 和临时停车的车辆"污染"背景检测模型得问题，其中采用间隔帖初始化背景模型、用置信 区间基于背景模型的像素级更新机制可W减少缓慢移动或者临时停车的车辆融入到背景 模型中的可能性。
【具体实施方式】
[0013] 下面结合【具体实施方式】对本技术方案作进一步说明：
[0014] (1)运用假设在交通卡口的视频传感器实时采集城市交通场景视频，使用最近N个 被采集到的图像的值1/?^，7)，1￡[1，則序列来描述背景模型8/^，7)，而运些值可^用在 指定间隔时间内最近图像间隔帖的像素值进行背景模型的初始化，定义如下：
[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是背景模型中观测的图像像素点个数，K是具体的时间间隔，Ii是第一帖， Ib(N-I)XK是第1+(N-1) XK帖(该交通场景中K=IO,N=25)。为了避免产生不正确的初始化模 型，我们使用基于根据上式的间隔帖初始化背景模型，运将减少缓慢移动或者临时停车的 车辆融入到背景模型中的可能性。
[0018] (2)在初始化背景模型后，引入图像前景检测计数器、背景置信度图像计数器;设 置信区间为c(x，y)并设置初始值;设置信区间内前景的次数为d(x，y);设像素点从背景转 变为前景或从前景转变为背景的次数为Kx, y);设图像各点像素所处的交通状态为p(x，y) 并设置初始值;设前景的分割为F(x，y);设决策阔值为RU, y)。在初始化背景模型后，背景 置信度计算方法，引入图像背景和前景转变计数器，图像各点像素所处的交通状态并设置 初始值。在初始化背景模型后，为了避免比如缓慢行驶或临时停车的车辆和拥挤状态等复 杂交通场景污染背景模型，利用置信区间基于复杂城市交通场景的背景模型的像素级更新 机制被提出。置信区间c(x，y)被称之为置信度，设置在位于(x，y)的背景模型中，置信度C (x，y)的值变大时，就不需要更新相应像素的背景模型。相应位置的稳定性和可靠性是由参 数Kx,y)确定的，参数Kx,y)表示该像素点从背景转变为前景或者从前景转变为背景的次 数，当参数Mx,y)很低时表明背景模型是稳定的，而当值很高时表明背景模型需要更新W 获得更稳定的模型，在模型中使用类似的方案来评估交通流的状态。
[0019] (3)通过置信区间内前景的次数d(x，y)与当前帖的数量f(x，y)的比值计算出检测 比率，对当前场景像素点交通状态进行判别。检测比率(1^，7)处^，7)￡[0，1]将交通状态 分为"非常杨通"、"杨通"、"一般"、"拥堵"和"非常拥堵"，运种划分方法可W有效地区分定 性不同而具有模糊边界的交通状态，复杂交通状态划分的定义如下：
[0020]
[0021] 式中p(x，y)为复杂城市交通场景的状态。在每一个置信周期结束时，c(x，y)的值 必须根据当前城市交通状态和像素点(x，y)处的稳定性进行更新。如果h(x，yVf(x，y)<Td (Td为设定的阔值且Td = O.3)时，表明当前的背景模型是可靠的，应当保留。
[0022] (4)背景模型中像素点置信度的计算及是否更新的判定。c(x，y)的更新定义如下：
[0023]
[0024] 否则，若Kx, y Vf (x，y)>Td说明背景模型并不稳定需要更新来适应动态的场景， 运时C (X，y)的更新定义如下：
[0025]
[00%] 巧中cU，y)初跑化刃30，111111(3(义，7)刃25，111日义(3(义，7)刃30，巧置信区间吏新时，11 ^，7)，(1^，7巧阳片，7)被重置为0。在每一置信区间的末端，1?^，7)是决策阔值且必须根据 (x，y)处像素的评估背景稳定性进行更新。如果11(^，7)处^，7)<1,就意味着背景是稳定且 可靠的，接着RU,y)在下一个置信区间必须减少。然而，对于动态背景，运将会增加没有整 合到前景的背景像素，背景的动态性越强，则合适的阔值应该越大。在输入的像素被分好类 W后，背景模型需要根据背景光线、阴影和包括树木和缓慢行驶或临时停车的车辆等运动 物体的变化进行更新。当交通状态被认为是合适的时候，很有必要选择能够准确处理背景 变化的方式更新背景模型。当置信度减少到最小值就认为当前像素位置的交通状态被认为 是合适的并且相应位置可能处于前景中时需要更新背景模型，否则不要进行更新。
[0027] (5)根据当前交通状态用阔值自适应更新方案更新背景模型。
[0028] (52)当^^，7)<(3^，7)，当前帖的像素处于置信区间，背景更新发生在刷新周期 结束时(在本研究中也就是共?帖，且？ = 1〇)，。1；(^，7)=0并且交通状态9(^，7)=0。
[0029] (53)当f(x，y) = c(x，y)，当前帖处于置信区间的尾部，但是当h(x，y)/f (x，y)< 1<1，尸*^，7)=0并且9^，7)等于0，1或2，此时背景模型可^更新。因此，当置信周期结束时，11 (x，y)是在最后c(x，y)帖的状态变化的数目。如果h(x，y Vf(x，y)<Td并且p(x，y)=0,意味 着此时在(x，y)位置的像素点状态是可靠的，接着利用当前场景更新背景模型是有意义的。 如果11(^，7)处^，7)<1<1并且9(^，7)等于1或2，污染背景模型的风险很低可^更新背景。相 比之下，如果h(x，y Vf (x，y)>Td并且p(x，y)为0,不管Ft(x，y)=0或者Ft(x，y) = l，此时该 像素的状态是不稳定的，此时的交通状态很难被可靠地评价，所W背景模型仅仅在P(x，y) =0的情况下更新。如果P(x，y)的值大于2,不管11^，7)处^，7)值的大小，由于背景模型很 有可能被污染所W此时不应该更新。但是，在置信区间减少到最小值时，背景将被强制更 新，运一机制可W阻止被锁定在过时的背景模型中。
[0030] 如果背景模型在时刻t更新，当前帖的像素值It(x，y)用来更新模型8'^，7)，背景 样本值bM'（x，y)(MG 1，???，N)随机选择并被当前像素值It(x，y)取代。运就使得当前像素值 被融合到背景模型B'（x，y)中。同时，我们还更新了随机选择点的邻域像素且像素点的更新 策略与基于像素的自适应分割类似，也就是对应背景模型B'（x/，/)的像素值bM'（x/，/) 被当前像素值ItU'，y')取代。
[0031] (6)运用基于像素的自适应分割方法检测前景。
[0032 ]像素点（X，y)的值I (X，y)比N个背景点确定的最小值抽Iin更接近决策阔值R (X，y) 则被判定为背景像素，因此，前景的分割就被定义为
[0033]
[0034] 上式中，F(x，y) = l代表前景，抽Iin是一个固定的全局参数，R(x，y)是决策阔值并 且可W按照下式动态调整：
[0035]
[0036] 式中的Rinc/dec和Rscale是固走参数，式血(X.J)是有景动态更新测度。有景板型只对运 一像素点进行更新，F(x，y)=0。在更新过程中，对于一个确定的索引MG[1，N](均匀随机选 择），相应的背景模型值bM'（x，y)被当前的像素值Kx, y)取代。但是，运一更新仅仅在P = I/ T(x，y)的概率下执行，其中T(x，y)定义为
[0037]
[0〇3引式中的Tinc和Tdec为固定参数。同时，随机选择的邻像素点（x'，y'）GN(x，y)也Wp = 1/T(x，y)概率更新，因此，相应的背景模型8'^'，7'）的像素值6?'^'，7'）用当前的像素 点的值I(x'，y'）取代。
【主权项】
1. 一种基于像素点和置信度的自适应分割的车辆检测方法，其特征在于，包括以下步 骤： (1) 视频传感器实时采集城市交通场景图像，将最近N个被采集到的图像的像素值 (x，y)，Me [I，N]序列作为背景模型V (x，y)，并对背景模型进行初始化； (2) 在初始化背景模型后，引入图像前景检测计数器、背景置信度图像计数器;设置信 区间为c(x，y)并设置初始值;设置信区间内前景的次数为d(x， y);设像素点从背景转变为 前景或从前景转变为背景的次数为h(x，y);设图像各点像素所处的交通状态为p(x，y)并设 置初始值;设前景的分割为F(x，y);设决策阈值为R(x，y); (3) 通过置信区间内前景的次数d(x，y)与当前帧的数量f(x，y)的比值计算出检测比 率，对当前场景像素点交通状态进行判别； (4) 计算背景模型中像素点的置信度，判定是否需要更新； (5) 根据当前交通状态，用阈值自适应更新方法更新背景模型； (6) 运用基于像素的自适应分割方法检测前景。2. 根据权利要求1所述的基于像素点和置信度的自适应分割车辆检测方法，其特征在 于，所述步骤(1)中，采用间隔帧初始化背景模型，定义公式为： 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为所述指定间隔时间，I1为第一帧，I1+(N-1)XK为第1+(N-1) XK帧。3. 根据权利要求1或2所述的基于像素点和置信度的自适应分割车辆检测方法，其特征 在于，所述步骤(3)的交通状态划分的定义如下：式中P(x，y)为复杂城市交通场景的状态。4. 根据权利要求3所述的基于像素点和置信度的自适应分割车辆检测方法，其特征在 于，所述步骤(4)包括： (41) 设定阈值Td， (42) 计算c(x，y):(43) 判断11(1，7)/^(1，7)与1：(：1的大小:若]1(1，7)/^(1，7)<1： (：1，贝1|当前的背景模型稳定， 应当保留；若h(x，y)/f (x，y)>Td，则当前的背景模型不稳定，需要更新，c(x，y)的更新定义 为：在置信区间更新时，h(x，y)，d(x，y)和f (x，y)被重置为0。5. 根据权利要求4所述的基于像素点和置信度的自适应分割车辆检测方法，其特征在 于，所述步骤(5)包括： (51) 若汽1，7)<(3(1，7)，当前帧的像素处于置信区间，背景更新发生在刷新周期结束 时，F(x，y)=0且交通状态p(x，y)=0; (52) 若f (x，y) = c(x，y)，当前帧处于置信区间的尾部，若h(x，y)/f (x，y)<Td，Ft(x，y) =〇并且p(x，y)等于〇, 1或2,此时背景模型可以更新;若h(x，y)/f(x，y)彡1：(：1仅在口(1，7) = 〇 时更新背景模型;若P(x，y)>2,不管11(^7)/^(1，7)大小均不更新；当置信区间减小到最小 值时，背景被强制更新。6. 根据权利要求5所述的基于像素点和置信度的自适应分割车辆检测方法，其特征在 于，在置信区间减少到最小值时，背景将被强制更新。7. 根据权利要求1或2所述的基于像素点和置信度的自适应分割车辆检测方法，其特征 在于，所述步骤(6)包括： 像素点的值I (X，y)比N个像素点确定的最小值#mi η更接近决策阈值R (X，y)则被判定为 背景像素，前景的分割定义为：上式中，F(x，y) = l代表前景，#min是一个固定的全局参数，R(x，y)可以按照下式动态 调整：式中的Rin。/^。和RsraIe3是固定参数，^_ (.τ，I)是背景动态更新测度。8. 根据权利要求1或2所述的基于像素点和置信度的自适应分割车辆检测方法，其特征 在于，随机选择的邻像素点（1'，7'）￡以^ 7)以？ = 1/1'(1，7)的概率更新，相应的背景模型 8'&'，7'）的像素值1^'&'， 7'）用当前的像素点的值1&'，7'）取代，其中1'(^7)定义为 ： 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。为固定参数。
【文档编号】G06T7/00GK106023216SQ201610352978
【公开日】2016年10月12日
【申请日】2016年5月25日
【发明人】赵池航, 张运胜, 陈爱伟
【申请人】东南大学