一种基于视频图像处理的车辆检测方法与流程

本发明属于视频检测技术领域，涉及一种基于视频图像处理的车辆检测方法。

背景技术：

基于视频图像处理技术的应用研发，是一个应用范围极其广泛的领域。智能交通系统是目前世界各国交通运输领域竞相研究和开发的热点。在智能交通领域中，视频图像处理技术扮演着极其重要的角色，智能交通也随着视频/图像处理技术的发展而不断持续发展完善。

目前在智能交通系统中得以应用的视频/图像处理技术，也仅仅是极少的一部分，还有很多技术可以应用到智能交通系统中。目前基于视频流的车辆检测方法，在检测过程中是对背景进行不断地更新，如果有车长时间停驻的话，则车辆在短时间内即会被视为背景，这样有可能误判了驻车情况，从而影响最终的检测精度。

技术实现要素：

有鉴于此，本发明提供了一种基于视频图像处理的车辆检测方法，本发明通过状态机的方式，能够实现对驻车情况的判断，对背景进行有控制的更新，不会出现驻车误判的情况，准确性高。

为了达到上述目的，本发明的技术方案为：一种基于视频图像处理的车辆检测方法，包括如下步骤：

步骤1、从车辆检测摄像机中的视频图像或者已经获得的车辆检测视频文件中读取各帧图像及其信息。

步骤2、在所读取的图像中设置检测区域。

步骤3、运动车辆检测，包括如下步骤：

s301、对所读取的图像进行透视变换，将图像摆正。

s302、针对各帧图像，基于混合高斯模型GMM背景建模和自适应状态机进行背景提取，获得背景图像。

s303、将图像与背景图像进行背景差分运算，获得前景。

s304、对前景进行形态学处理。

s305、判断前景是否为车辆，对于被判断为车辆的前景采用虚拟线技术，根据标定获得的距离和帧率，计算车辆的速度，并计算车流量。

进一步地，s302包括如下具体步骤：

读取前n帧图像，n为大于或者等于2的正整数，运用GMM背景建模的方法针对前n帧图像建立背景作为原背景，以原背景作为参考背景，随后对后续各帧图像按照时间顺序进行检测，分为四个状态，分别为S1、S2、S3和S4，在S1～S4状态下，实时输出参考背景，将当前帧图像乘以设定比率加到参考背景上作为s302中所提取的背景图像。

S1状态下，依据原背景和当前帧进行帧差提取前景，若前景存在，则运用GMM背景建模的方法处理当前帧图像作为当前背景，将参考背景实时更新为当前背景，若检测到连续设定帧图像中在同一位置处均提取出前景，进入S2状态。

S2状态下，参考背景不进行实时更新，依据参考背景对后续帧图像进行前景提取，当检测到连续设定帧图像中在同一位置处均提取出前景后转入S3状态，否则返回到S1状态。

S3状态下，继续依据参考背景对后续帧图像进行前景提取，判断在S2状态中的同一位置处是否持续设定帧均提取出前景，若不是，则返回S1状态；若是，运用GMM背景建模的方法建立处理当前帧图像作为新背景，存储该新背景；继续对后续帧图像进行判断，当后续帧图像与新背景之间帧差小于设定范围后进入S4状态。

S4状态下，持续对后续帧图像进行判断，当设定数量的后续帧图像与新背景的帧差均小于上述范围，用存储的新背景作为参考背景，重新返回S1状态，否则返回S3状态。

进一步地，步骤2中设置检测区域后，进一步对检测区域进行标定；标定为获取图像中实际物体之间的距离。

有益效果：

本发明由于在混合高斯背景建模的背景提取方法中引入自适应状态机的方法，能够提取出更加符合实际情况的背景，且整个算法不需要人工干预，适用于正常行驶道路、路口停驻车检测，由于采用状态机的形式对长期停留在图像中的物体进行判断，若是长期驻车，能够检测得到驻车情况；判断过程中若有突发物的加入，不会立即将突发物判断为背景，当突发物离开之后，依旧以原背景进行前景提取，因此可以适应突发无加入的情况，具有良好的鲁棒性。

附图说明

图1是本发明专利的算法流程框图；

图2是本发明专利运动车辆检测的算法流程图；

图3是本发明专利自适应状态机的流程框图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

实施例1、

如图1所示，整个检测方法包括读取图像信息，设置检测区域和标定，运动车辆检测，车流量、车速等信息采集，背景更新。

步骤1、读取图像信息，分为从摄像机提取视频图像和从视频文件读取图像信息；

步骤2、设置检测区域，支持任意形状、大小的检测区域设置，方便灵活。

本实施例中可以进一步对检测区域进行标定，标定的主要目的是获取距离以进行速度相关的检测(获取图像中实际物体之间的距离，结合帧率进行速度相关的计算)，提出两种标定方法，一种为利用行车标线与图像进行平面映射的方法；另一种为利用道路地标与图像进行映射的方法。

步骤3、运动车辆检测，具体如图2所示，包括透视变换、基于GMM背景建模和自适应状态机的背景生成、前景提取、形态学处理和判断运动目标；

s301、透视变换的主要作用是消除由于摄像机安装角度造成的图像变形，将图像摆正；

s302、基于GMM背景建模和自适应状态机的背景生成作为本发明的核心，目的是获取准确的背景，在图3中说明；

s303、前景提取，主要对图像与背景图像进行背景差分运算，前景即为运动目标；

s304、形态学处理针对前景进行，主要包括阴影消除、腐蚀、膨胀、绘制轮廓等操作；

s305、判断运动目标，主要针对形态学处理后的前景，根据像素、形态特征等进行是否为车辆的判断。

基于混合高斯背景建模和自适应状态机的背景生成，如图3所示，基于混合高斯背景建模首先对背景进行训练，对图像中每个背景采用一个混合高斯模型进行模拟，常用于进行运动目标提取，但是复杂场景下并不能获取理想的效果。本发明专利引入自适应状态机方法，结合混合高斯背景建模进行背景的生成。

读取前n帧图像，n为大于或者等于2的正整数，运用GMM背景建模的方法针对前n帧图像建立背景作为原背景，以原背景作为参考背景，随后对后续各帧图像按照时间顺序进行检测，分为四个状态，分别为S1、S2、S3和S4，在S1～S4状态下，输出参考背景，将当前帧图像乘以设定比率加到参考背景上作为s302中所提取的背景图像；其中设定比率为经验值，本实施例中可以设定为1/10000。

S1状态下，依据原背景和当前帧进行帧差提取前景，若前景存在，则运用GMM背景建模的方法处理当前帧图像作为当前背景，将参考背景实时更新为当前背景，若检测到连续设定帧图像中在同一位置处均提取出前景，进入S2状态；

S1状态即为对无驻车情况下的背景提取。

S2状态下，参考背景不进行实时更新，依据参考背景对后续帧图像进行前景提取，当检测到连续设定帧图像中在同一位置处均提取出前景后转入S3状态，否则返回到S1状态。

S2状态为一个驻车判断的中转过程，即当同一位置处连续提取出前景时，应当对该前景进行判断，确定是驻车后再进行后续状态的处理。

S3状态下，继续依据原背景对后续帧图像进行前景提取，判断在S2状态中的同一位置处是否持续设定帧均提取出前景，若不是，则返回S1状态；若是，运用GMM背景建模的方法建立处理当前帧图像作为新背景，存储该新背景；继续对后续帧图像进行判断，当后续帧图像与新背景之间帧差小于设定范围后进入S4状态。

S3状态下仅仅对新背景进行了运算，并没有直接将新背景作为背景图像进行更新，是否更新还需要进行后续S4状态的判断。

S4状态下，持续对后续帧图像进行判断，当设定数量的后续帧图像与新背景的帧差均小于上述范围，用存储的新背景更新参考背景，重新返回S1状态，否则返回S3状态。

经过S4状态的判断，可知新背景在一定时间内都没有发生改变，可以确定原来检测到的车辆前景的确是驻车，因此此时再对背景图像进行更新，更加精确，不会误判。

如果采用GMM的方法是对背景进行不断地更新，如果有车长时间停驻的话，则车辆会被视为背景，如果采用本方法则是有控制地对背景进行更新，不会出现上述情况，同时能够实现驻车检测。

综上，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。