一种基于不同焦距视频图像融合的交通状态识别方法
【专利摘要】本发明提供一种基于不同焦距视频图像融合的交通状态识别方法，通过对不同焦距的视频图像进行背景差法和自动背景更新算法检测运动区域，分别计算灰度特征参数和速度特征参数，然后通过BP神经网络对大量的灰度特征参数和速度特征参数数据进行训练，从而实现交通状态的识别。实验结果表明，本方法能够较好通过交通视频流识别出交通状况，并且易于实现、准确性较高，对促进交通诱导系统的研究和应用、解决城市中交通拥堵问题具有较高的应用价值。
【专利说明】一种基于不同焦距视频图像融合的交通状态识别方法
【技术领域】
[0001]本发明属于交通状态识别领域，具体涉及一种基于不同焦距视频图像融合的交通状态识别方法。
技术背景
[0002]交通状态识别系统的目的是监视并理解场景中交通状况，为交通参与者提供可靠的交通状况信息，使得交通参与者可以选择更好的交通路线。
[0003]到目前为止，已形成了以利用地面感应线圈、超声波、微波多普勒效应、红外检测等为手段的一系列交通状况识别方法。这些方法原理简单，物理概念清晰明确，实现起来比较容易，但是存在硬件系统复杂，安装工程量大，系统的环境适应能力较差，维修不便等缺陷，在实际使用中不能够广泛使用。目前基于视频的方法手段得到道路交通状况需要交通流量、速度测试、车辆排队长度等多个交通参数，计算量大，并且实时性不强。
[0004]BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
【发明内容】
[0005]针对现有技术的不足和缺陷，本发明的目的在于，提供一种基于不同焦距视频图像融合的交通状态识别方法，该方法建立于不同焦距视频图像的基础上，检测出车辆的速度以及道路灰度参数，通过BP神经网络训练，达到识别交通状态的目的，从而为预测未来某个时刻的交通状态起到良好的参考作用。
`[0006]本发明的技术方案是这样实现的:
[0007]—种基于不同焦距视频图像融合的交通状态识别方法，包括以下步骤:
[0008]步骤一，安装摄像机
[0009]S10，在道路旁不同位置安装第一摄像机和第二摄像机，调整两个摄像的镜头对准道路同一个位置，且两个摄像机的焦距不同；
[0010]步骤二，灰度特征参数的获取
[0011]步骤S20，对第一摄像机采集的视频图像序列进行灰度化处理；
[0012]步骤S21，对灰度化处理后的视频图像序列进行多帧平均法提取背景，背景提取公式为:
tool 3] B(x, j) = 77 Σ 0' y)
N k=i
[0014]式中，B(x，y)表示背景图像的灰度值,Fk (x, y)表示第k帧视频图像的灰度值,N为第一摄像机初始化后采集的视频图像的帧数，N的取值为90~110 ；
[0015]步骤S22，通过帧差法实现背景更新，具体步骤如下:[0016]获取第一摄像机采集的第i帧与第i_l帧视频图像，i > N+1，按照以下公式分别进行处理:
[0017]Di(Xj) = Fi (x, y) -Fi^1 (x, y)
[0018]
【权利要求】
1.一种基于不同焦距视频图像融合的交通状态识别方法，其特征在于，包括以下步骤: 步骤一，安装摄像机 S10，在道路旁不同位置安装第一摄像机和第二摄像机，调整两个摄像的镜头对准道路同一个位置，且两个摄像机的焦距不同； 步骤二，灰度特征参数的获取 步骤S20，对第一摄像机采集的视频图像序列进行灰度化处理； 步骤S21，对灰度化处理后的视频图像序列进行多帧平均法提取背景，背景提取公式为:
2.如权利要求1所述的基于不同焦距视频图像融合的交通状态识别方法，其特征在于，步骤S22所述的自适应阈值算法OSTU的具体步骤如下: 设当前处理帧的图像总像素数为Α,灰度级总数为L,灰度值为a的像素数为Aa,令ω (b)和μ (b)分别表示为从灰度级O到灰度级b的像素的出现概率和平均灰度，分别表示为
【文档编号】G06K9/62GK103605960SQ201310578627
【公开日】2014年2月26日 申请日期:2013年11月15日 优先权日:2013年11月15日
【发明者】赵祥模, 徐志刚, 李娜, 尚旭明, 孟凡林, 赵佳乐, 刘慧琪, 闵海根 申请人:长安大学