一种车辆自动识别方法及装置与流程

本发明涉及图像处理
技术领域：
，具体而言，涉及一种车辆自动识别方法及装置。
背景技术：
：在现代交通系统中，基于视频的交通信息检测是一种重要交通信息采集技术。由于其具有可视化、安装维护便捷、可获取多种交通参数且不破坏路面结构等优势，在交通监控管理和交通研究等领域得到了广泛的应用。但现有的基于视频进行车辆自动识别的方法存在识别效果差的问题。技术实现要素：有鉴于此，本发明的目的在于提供一种车辆识别方法及装置，以解决上述问题。为实现上述目的，本发明提供如下技术方案：一种车辆自动识别方法，所述方法包括：对道路视频的帧图像进行预处理，得到感兴趣区的每帧降维灰度图；对所述感兴趣区的每帧降维灰度图进行对称帧间差分处理及分块背景建模，生成最终背景图；将所述每帧降维灰度图与所述最终背景图进行差分处理，得到每帧运动目标识别图；识别所述每帧运动目标识别图内的前景区域，并将满足预设条件的前景区域识别为车辆。进一步地，所述对所述感兴趣区的每帧降维灰度图进行对称帧间差分处理及分块背景建模，生成最终背景图的步骤包括：对所述感兴趣区的每帧降维灰度图进行对称帧间差分处理、滤波和二值化，获得每帧运动目标初步识别图；将所述每帧降维灰度图划分为多个大小相同的第一子块；将所述每帧运动目标初步识别图划分为多个大小相同的第二子块，每个第二子块与所述第一子块一一对应且大小相同；建立与所述每帧降维灰度图大小相同的空背景图，将所述空背景图划分为多个大小相同的第三子块，每个第三子块与所述第一子块一一对应且大小相同；依次判断所述每帧运动目标初步识别图的每个第二子块的像素是否全为背景像素，并将与像素全为背景像素的第二子块对应的第一子块的像素存入对应的第三子块，直到所有第三子块都存入像素，生成最终背景图。进一步地，所述对所述感兴趣区的每帧降维灰度图进行对称帧间差分处理、滤波和二值化，获得每帧运动目标初步识别图的步骤包括：将所述感兴趣区的每帧降维灰度图与其上一帧降维灰度图和其下一帧降维灰度图分别进行差分处理，分别得到第一差分图和第二差分图；分别对所述第一差分图和第二差分图进行中值滤波，得到滤波后的第一差分图和第二差分图；对所述滤波后的第一差分图和第二差分图进行二值化处理，得到二值化的第一差分图和第二差分图；对所述二值化的第一差分图和第二差分图进行或运算，融合所述二值化的第一差分图和第二差分图内的图像信息并进行去噪处理，获得每帧运动目标初步识别图。进一步地，所述依次判断每帧运动目标初步识别图的每个第二子块的像素是否全为背景像素，并将与像素全为背景像素的第二子块对应的第一子块的像素存入对应的第三子块，直到所有第三子块都存入像素，生成最终背景图的步骤包括：判断一帧运动目标初步识别图的每个第二子块的像素是否全为背景像素，如果该第二子块的像素全为背景像素，则将与该第二子块对应的第一子块的像素存入对应的第三子块以生成新背景图，如果该第二子块的像素不全为背景像素，则判断该帧运动目标初步识别图的下一个第二子块的像素是否全为背景像素，并在该第二子块的像素全为背景像素时，将与该第二子块对应的第一子块的像素存入对应的第三子块以生成新背景图，直到完成该帧运动目标初步识别图的所有第二子块的判断；判断生成的新背景图的所有第三子块是否都存入像素，如果该新背景图的所有第三子块都存入像素，则停止判断并将该新背景图作为最终背景图，如果该新背景图有一个第三子块未存入像素，则判断下一帧运动目标初步识别图的每个第二子块的像素是否全为背景像素，并在该第二子块的像素全为背景像素时，将与该第二子块对应的第一子块的像素存入第三子块以生成新背景图，直到所有第三子块都存入像素，生成最终背景图。进一步地，所述将所述每帧降维灰度图与所述最终背景图进行差分处理，得到每帧运动目标识别图的步骤包括：将所述每帧降维灰度图与所述最终背景图进行差分处理、去噪和二值化，获得每帧运动目标中间识别图；对所述每帧运动目标中间识别图进行膨胀、内轮廓填充、腐蚀处理，得到每帧运动目标识别图。进一步地，所述识别每帧运动目标识别图内的前景区域，并将满足预设条件的前景区域识别为车辆的步骤包括：获取每帧运动目标识别图内的所有前景区域的边界，计算每个前景区域的面积；根据每个前景区域的边界得到该前景区域的外接矩形；计算所述每帧运动目标识别图内的前景区域的面积和外接矩形是否满足预设条件；若满足预设条件则，将该前景区域识别为车辆；若不满足预设条件则，将该前景区域识别为非车辆。一种车辆自动识别装置，包括：预处理模块，用于对道路视频的帧图像进行预处理，得到感兴趣区的每帧降维灰度图；最终背景图生成模块，用于对所述感兴趣区的每帧降维灰度图进行对称帧间差分处理及分块背景建模，生成最终背景图；运动目标识别图生成模块，用于将所述每帧降维灰度图与所述最终背景图进行差分处理，得到每帧运动目标识别图；车辆识别模块，用于识别所述每帧运动目标识别图内的前景区域，并将满足预设条件的前景区域识别为车辆。进一步地，所述最终背景图生成模块包括：运动目标初步识别图生成子模块，用于对所述感兴趣区的每帧降维灰度图进行对称帧间差分处理、滤波和二值化，获得每帧运动目标初步识别图；子块划分子模块，用于将所述每帧降维灰度图划分为多个大小相同的第一子块；所述子块划分子模块，还用于将所述每帧运动目标初步识别图划分为多个大小相同的第二子块，每个第二子块与所述第一子块一一对应且大小相同；空背景图建立子模块，用于建立与所述每帧降维灰度图大小相同的空背景图；所述子块划分子模块，还用于将所述空背景图划分为多个大小相同的第三子块，每个第三子块与所述第一子块一一对应且大小相同；最终背景图生成子模块，用于依次判断所述每帧运动目标初步识别图的每个第二子块的像素是否全为背景像素，并将与像素全为背景像素的第二子块对应的第一子块的像素存入对应的第三子块，直到所有第三子块都存入像素，生成最终背景图。进一步地，所述运动目标初步识别图生成子模块包括：对称帧间差分子模块，用于将所述感兴趣区的每帧降维灰度图与其上一帧降维灰度图和其下一帧降维灰度图分别进行差分处理，分别得到第一差分图和第二差分图；中值滤波子模块，用于分别对所述第一差分图和第二差分图进行中值滤波，得到滤波后的第一差分图和第二差分图；二值化子模块，用于对所述滤波后的第一差分图和第二差分图进行二值化处理，得到二值化的第一差分图和第二差分图；融合去噪子模块，用于对所述二值化的第一差分图和第二差分图进行或运算，融合所述二值化的第一差分图和第二差分图内的图像信息并进行去噪处理，获得每帧运动目标初步识别图。进一步地，所述车辆识别模块包括：面积计算子模块，用于获取每帧运动目标识别图内的所有前景区域的边界，计算每个前景区域的面积；外接矩形获取子模块，用于根据每个前景区域的边界得到该前景区域的外接矩形；车辆识别子模块，用于计算所述每帧运动目标识别图内的前景区域的面积和外接矩形是否满足预设条件，若满足预设条件则，将该前景区域识别为车辆，若不满足预设条件则，将该前景区域识别为非车辆。本发明提供的车辆自动识别方法及装置，采用对称帧间差分处理及分块背景建模相结合的方法，实时生成清晰有效的最终背景图，避免出现拖影及背景变化导致的识别有误的问题，适用于无人机拍摄的视频。并且该车辆自动识别方法及装置仅将满足预设条件的前景区域识别为车辆，剔除不是车辆的前景区域，例如路面标线、摩托车、自行车和行人等干扰因素，提高了识别效果。附图说明为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本发明实施例提供的一种车辆自动识别方法的应用场景示意图；图2为本发明实施例提供的一种车辆自动识别方法的流程图；图3为为一实施方式中图2所示步骤s230包括的子步骤的示意图；图4为为一实施方式中图3所示子步骤s231包括的子步骤的示意图；图5为为一实施方式中图3所示子步骤s239包括的子步骤的示意图；图6为为一实施方式中图2所示步骤s250包括的子步骤的示意图；图7为为一实施方式中图2所示步骤s270包括的子步骤的示意图；图8为为另一实施方式中图2所示步骤s270包括的子步骤的示意图；图9为本发明实施例提供的一种车辆自动识别装置的功能模块框图；图10为图9所示的最终背景图生成模块包括的子模块的示意图；图11为图10所示的运动目标初步识别图生成子模块包括的子模块的示意图；图12为图9所示的车辆识别模块包括的子模块的示意图。附图中，各标号所代表的部件列表如下：100-电子设备；110-存储器；120-处理器；130-网络模块；200-车辆自动识别装置；210-预处理模块；230-最终背景图生成模块；250-运动目标识别图生成模块；270-车辆识别模块；231-运动目标初步识别图生成子模块；233-空背景图建立子模块；235-子块划分子模块；237-最终背景图生成子模块；2311-对称帧间差分子模块；2313-中值滤波子模块；2315-二值化子模块；2317-融合去噪子模块；271-面积计算子模块；273-外接矩形获取子模块；275-车辆识别子模块。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。在本发明的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为只是或暗示相对重要性。请参阅图1，是本发明实施例提供的车辆自动识别方法的应用场景示意图。车辆自动识别方法可应用于自动识别车辆的电子设备100中。该电子设备100包括：存储器110、处理器120及网络模块130。所述存储器110、处理器120以及网络模块130相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器110包括至少一个可以用软件或固件(firmware)的形式存储于所述存储器110中的软件功能模块，所述处理器120通过运行存储在存储器110内的软件程序以及模块，如本发明实施例中的车辆自动识别装置，从而执行各种功能应用以及数据处理，即实现本发明实施例中的车辆自动识别方法。其中，所述存储器110可以是，但不限于，随机存取存储器(randomaccessmemory，ram)，只读存储器(readonlymemory，rom)，可编程只读存储器(programmableread-onlymemory，prom)，可擦除只读存储器(erasableprogrammableread-onlymemory，eprom)，电可擦除只读存储器(electricerasableprogrammableread-onlymemory，eeprom)等。其中，存储器110用于存储程序，所述处理器120在接收到执行指令后，执行所述程序。所述处理器120可能是一种集成电路芯片，具有信号的处理能力。上述的处理器120可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等。还可以是数字信号处理器(dsp))、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规处理器等。网络模块130用于通过网络建立电子设备100与外部通信终端之间的通信连接，实现网络信号及数据的收发操作。上述网络信号可包括无线信号或者有线信号。可以理解，图1所示的结构仅为示意，电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。请参阅图2，本发明实施例提供的一种车辆自动识别方法的流程图。所述方法有关的流程所定义的方法步骤可以由所述处理器120实现。下面将对图2所示的具体流程进行详细阐述。步骤s210，对道路视频的帧图像进行预处理，得到感兴趣区的每帧降维灰度图。所述道路视频可以是地面定点摄像头、无人机等拍摄的道路视频。在本实施例中，所述道路视频由国内某品牌无人机悬停于道路正上方50米至100米处、摄像机镜头以-90°(即垂直朝下)拍摄，视频分辨率为3840像素×2160像素。步骤s210可以包括对道路视频的帧图像进行降维、勾画感兴趣区、灰度化三个过程。对所述道路视频的帧图像进行4×4降维处理，将道路视频的帧图像尺寸降低为960×540像素，可降低计算量、缩短计算时间。由于无人机拍摄的道路视频的场景较广，但车辆识别时仅需针对特定道路范围的图像进行处理，因此需要勾画感兴趣区，使得后续车辆识别只针对该感兴趣区展开运算，进而大幅降低算法复杂度、节省运行时间。其中，灰度化的方法可以采用既有视频和图像识别研究的常见做法。步骤s230，对所述感兴趣区的每帧降维灰度图进行对称帧间差分处理及分块背景建模，生成最终背景图。请参阅图3，进一步地，步骤s230可以包括子步骤s231、子步骤s233、子步骤s235、子步骤s237和子步骤s239。子步骤s231，对所述感兴趣区的每帧降维灰度图进行对称帧间差分处理、滤波和二值化，获得每帧运动目标初步识别图。请参阅图4，进一步地，子步骤s231可以包括子步骤s2311、子步骤s2313、子步骤s2315和子步骤s2317。子步骤s2311，将所述感兴趣区的每帧降维灰度图与其上一帧降维灰度图和其下一帧降维灰度图分别进行差分处理，分别得到第一差分图和第二差分图。子步骤s2313，分别对所述第一差分图和第二差分图进行中值滤波，得到滤波后的第一差分图和第二差分图。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。在本实施例中，可以采用2×2尺寸的中值滤波算子分别对所述第一差分图和第二差分图进行中值滤波。子步骤s2315，对所述滤波后的第一差分图和第二差分图进行二值化处理，得到二值化的第一差分图和第二差分图。图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。二值化的方法有很多，可选地，在本实施例中，可以用otsu法寻找二值化阈值，δ＝25。子步骤s2317，对所述二值化的第一差分图和第二差分图进行或运算，融合所述二值化的第一差分图和第二差分图内的图像信息并进行去噪处理，获得每帧运动目标初步识别图。基于对称帧间差分法融合三帧图像的差分结果，可消除或减少车辆内部空洞像素，增强车辆完整性，有效改善车辆检测效果。子步骤s233，将所述每帧降维灰度图划分为多个大小相同的第一子块。其中，第一子块的大小根据实际情况而定，例如可以将每帧降维灰度图划分为48×27个第一子块，每个子块的尺寸为20×20。子步骤s235，将所述每帧运动目标初步识别图划分为多个大小相同的第二子块，每个第二子块与所述第一子块一一对应且大小相同。子步骤s237，建立与所述每帧降维灰度图大小相同的空背景图，将所述空背景图划分为多个大小相同的第三子块，每个第三子块与所述第一子块一一对应且大小相同。子步骤s239，依次判断所述每帧运动目标初步识别图的每个第二子块的像素是否全为背景像素，并将与像素全为背景像素的第二子块对应的第一子块的像素存入对应的第三子块，直到所有第三子块都存入像素，生成最终背景图。请参阅图5，进一步地，子步骤s239可以包括子步骤s2391和子步骤s2393。子步骤s2391，判断一帧运动目标初步识别图的每个第二子块的像素是否全为背景像素，如果该第二子块的像素全为背景像素，则将与该第二子块对应的第一子块的像素存入对应的第三子块以生成新背景图，如果该第二子块的像素不全为背景像素，则判断该帧运动目标初步识别图的下一个第二子块的像素是否全为背景像素，并在该第二子块的像素全为背景像素时，将与该第二子块对应的第一子块的像素存入对应的第三子块以生成新背景图，直到完成该帧运动目标初步识别图的所有第二子块的判断。子步骤s2393，判断生成的新背景图的所有第三子块是否都存入像素，如果该新背景图的所有第三子块都存入像素，则停止判断并将该新背景图作为最终背景图，如果该新背景图有一个第三子块未存入像素，则判断下一帧运动目标初步识别图的每个第二子块的像素是否全为背景像素，并在该第二子块的像素全为背景像素时，将与该第二子块对应的第一子块的像素存入第三子块以生成新背景图，直到所有第三子块都存入像素，生成最终背景图。步骤s250，将所述每帧降维灰度图与所述最终背景图进行差分处理，得到每帧运动目标识别图。请参阅图6，进一步地，步骤s250可以包括子步骤s251和子步骤s253。子步骤s251，将所述每帧降维灰度图与所述最终背景图进行差分处理、去噪和二值化，获得每帧运动目标中间识别图。为了初步消除差分图像噪声，在将所述每帧降维灰度图与所述最终背景图进行差分处理后，还可以采用2×2尺寸的中值滤波算子进行滤波处理，及上述的二值化方法进行二值化，得到每帧运动目标中间识别图。子步骤s253，对所述每帧运动目标中间识别图进行膨胀、内轮廓填充、腐蚀处理，得到每帧运动目标识别图。对所述每帧运动目标中间识别图进行膨胀和内轮廓填充处理，主要目的是补空洞边缘、增强目标完整性和连续性。腐蚀处理的主要目的是使所有运动目标区域向内收缩，消除部分尺寸较小的噪声。步骤s270，识别所述每帧运动目标识别图内的前景区域，并将满足预设条件的前景区域识别为车辆。请参阅图7，进一步地，步骤s270可以包括子步骤s271、子步骤s273、子步骤s275和子步骤s277。或请参阅图8，步骤s270可以包括子步骤s271、子步骤s273、子步骤s275和子步骤s279。子步骤s271，获取每帧运动目标识别图内的所有前景区域的边界，计算每个前景区域的面积。子步骤s273，根据每个前景区域的边界得到该前景区域的外接矩形。子步骤s275，计算所述每帧运动目标识别图内的前景区域的面积和外接矩形是否满足预设条件。其中，所述预设条件可以是计算所述每帧运动目标识别图内的前景区域的面积大于第一阈值且该前景区域的外接矩形的长宽比小于第二阈值。在本实施例中，第一阈值可以为120，第二阈值可以为6。若满足所述预设条件，则执行步骤s277，如图7所示。若不满足所述预设条件，则执行步骤s279，如图8所示。子步骤s277，将该前景区域识别为车辆。可选地，对于识别为车辆的前景区域还可以用外接矩形框在每帧运动目标识别图上标识出来，便于研究人员查阅。子步骤s279，将该前景区域识别为非车辆。采用子步骤s275、子步骤s277和子步骤s279后，可以将每帧运动目标识别图中面积较小或过于狭长的前景区域，判定为噪声予以剔除，例如可以剔除不是车辆的前景区域，例如路面标线、摩托车、自行车和行人等干扰因素，以提高识别效果。此外，目前没有专门的评价方法评价车辆识别效果的好坏，而是采用图像检测研究常用的f1指标评价法进行评价。其中，式中，p为准确率，r为召回率。根据f1指标评价法的思想，首先将车辆检测结果分为四种情况：车辆被判定为车辆、车辆被漏检、非车辆被检测成车辆及背景被判定为背景。但实际上车辆识别结果还可能存在这种情况：一辆车被识别成两辆车或多辆车。因此，f1指标并不完全适用于评价车辆自动识别方法的优劣。鉴于f1指评价法的缺陷，发明人还提出一种评价方法用于评价车辆自动识别方法的优劣。该评价方法包括：采用正检率、重检率、漏检率和错检率评价车辆自动识别方法的优劣。正检率越高，重检率、漏检率和错检率越低，车辆自动识别方法越优。其中，所述正检率的计算公式为其中，pt表示正检率，nt表示采用所述车辆自动识别方法识别所述感兴趣区内的车辆数，ns表示所述感兴趣区内实际的车辆数。所述重检率的计算公式为其中，pr表示重检率，nr表示采用所述车辆自动识别方法识别所述感兴趣区内的车辆中被重复识别的车辆数。所述漏检率的计算公式为其中，pm表示漏检率，nm表示采用所述车辆自动识别方法识别所述感兴趣区内的车辆中被漏识别的车辆数。ns＝nt+nr+nm。所述错检率的计算公式为其中，pw表示错检率，ne表示采用所述车辆自动识别方法识别所述感兴趣区内的车辆中被误识别的非车辆数。发明人在microsoftvisualstudio2010+opencv2.4.9环境下，将本发明实施例提供的车辆自动识别方法编制为程序，并对无人机采集的道路视频进行识别，随机提取该道路视频的150帧图像的识别结果，基于识别结果和人工判读，每一张图像均可计算出正检率、重检率、漏检率和错检率，统计结果如下表所示。统计值正检率(％)重检率(％)漏检率(％)错检率(％)均值92.290.007.310.39中值94.070.000.000.00方差0.0170.000.0160.001由上表可得，正检率均值92.29％，表明本发明实施例提供的车辆自动识别方法的识别正确率高。重检率均值为0，表明本发明实施例提供的车辆自动识别方法几乎不会将一辆车识别为多辆车。漏检率均值7.31％，表明本发明实施例提供的车辆自动识别方法很少发生车辆漏检情况。错检率均值为0.39％，表明本发明实施例提供的车辆自动识别方法很少将非车辆识别为车辆。从4个指标的均值和中值来看，本发明实施例提供的车辆自动识别方法取得了较好的车辆检测效果。正检率、重检率、漏检率和错检率的方差分别为0.017％、0％、0.016％和0.001％，表明评价指标值分布比较集中于均值附近，离散程度较小，体现了本发明实施例提供的车辆自动识别方法具有较高的稳定性。在上述基础上，如图9所示，本发明实施例还提供了一种车辆自动识别装置200。该车辆自动识别装置200包括预处理模块210、最终背景图生成模块230、运动目标识别图生成模块250和车辆识别模块270。其中，预处理模块210用于对道路视频的帧图像进行预处理，得到感兴趣区的每帧降维灰度图。由于预处理模块210和图2中步骤s210的实现原理类似，因此在此不作更多说明。最终背景图生成模块230用于对所述感兴趣区的每帧降维灰度图进行对称帧间差分处理及分块背景建模，生成最终背景图。最终背景图生成模块230和图2中步骤s230的实现原理类似。请参阅图10，进一步地，最终背景图生成模块230可以包括运动目标初步识别图生成子模块231、空背景图建立子模块233、子块划分子模块235和最终背景图生成子模块237。运动目标初步识别图生成子模块231用于对所述感兴趣区的每帧降维灰度图进行对称帧间差分处理、滤波和二值化，获得每帧运动目标初步识别图。运动目标初步识别图生成子模块231和图3中子步骤s231的实现原理类似。请参阅图11，进一步地，运动目标初步识别图生成子模块231可以包括对称帧间差分子模块2311、中值滤波子模块2313、二值化子模块2315和融合去噪子模块2317。对称帧间差分子模块2311用于将所述感兴趣区的每帧降维灰度图与其上一帧降维灰度图和其下一帧降维灰度图分别进行差分处理，分别得到第一差分图和第二差分图。由于对称帧间差分子模块2311和图4中子步骤s2311的实现原理类似，因此在此不作更多说明。中值滤波子模块2313用于分别对所述第一差分图和第二差分图进行中值滤波，得到滤波后的第一差分图和第二差分图。由于中值滤波子模块2313和图4中子步骤s2313的实现原理类似，因此在此不作更多说明。二值化子模块2315用于对所述滤波后的第一差分图和第二差分图进行二值化处理，得到二值化的第一差分图和第二差分图。由于二值化子模块2315和图4中子步骤s2315的实现原理类似，因此在此不作更多说明。融合去噪子模块2317用于对所述二值化的第一差分图和第二差分图进行或运算，融合所述二值化的第一差分图和第二差分图内的图像信息并进行去噪处理，获得每帧运动目标初步识别图。由于融合去噪子模块2317和图4中子步骤s2317的实现原理类似，因此在此不作更多说明。空背景图建立子模块233用于建立与所述每帧降维灰度图大小相同的空背景图。由于空背景图建立子模块233和图3中子步骤s237的实现原理类似，因此在此不作更多说明。子块划分子模块235用于将所述每帧降维灰度图划分为多个大小相同的第一子块。所述子块划分子模块235还用于将所述每帧运动目标初步识别图划分为多个大小相同的第二子块，每个第二子块与所述第一子块一一对应且大小相同。所述子块划分子模块235还用于将所述空背景图划分为多个大小相同的第三子块，每个第三子块与所述第一子块一一对应且大小相同。由于子块划分子模块235和图3中子步骤s233、子步骤s235和子步骤s237的实现原理类似，因此在此不作更多说明。最终背景图生成子模块237用于依次判断所述每帧运动目标初步识别图的每个第二子块的像素是否全为背景像素，并将与像素全为背景像素的第二子块对应的第一子块的像素存入对应的第三子块，直到所有第三子块都存入像素，生成最终背景图。由于最终背景图生成子模块237和图3中子步骤s239的实现原理类似，因此在此不作更多说明。运动目标识别图生成模块250用于将所述每帧降维灰度图与所述最终背景图进行差分处理，得到每帧运动目标识别图。由于运动目标识别图生成模块250和图2中步骤s250的实现原理类似，因此在此不作更多说明。车辆识别模块270用于识别所述每帧运动目标识别图内的前景区域，并将满足预设条件的前景区域识别为车辆。车辆识别模块270和图2中步骤s270的实现原理类似。请参阅图12，进一步地，车辆识别模块270包括面积计算子模块271、外接矩形获取子模块273和车辆识别子模块275。面积计算子模块271用于获取每帧运动目标识别图内的所有前景区域的边界，计算每个前景区域的面积。由于面积计算子模块271和图7或图8中子步骤s271的实现原理类似，因此在此不作更多说明。外接矩形获取子模块273用于根据每个前景区域的边界得到该前景区域的外接矩形。由于面外接矩形获取子模块273和图7或图8中子步骤s273的实现原理类似，因此在此不作更多说明。车辆识别子模块275用于在该前景区域的面积大于第一阈值且该前景区域的外接矩形的长宽比小于第二阈值时，将该前景区域识别为车辆，在该前景区域的面积小于或等于第一阈值，且该前景区域的外接矩形的长宽比大于或等于第二阈值时，将该前景区域识别为背景。由于车辆识别子模块275和图7或图8中子步骤s275、子步骤s277和子步骤s279的实现原理类似，因此在此不作更多说明。本发明实施例提供的车辆识别方法及装置，采用对称帧间差分处理及分块背景建模相结合的方法，具有帧差分计算简单、运算快的特点，同时可有效规避常规背景建模生成的背景图像混合现象，即车辆拖影，因而可以实时生成清晰有效的最终背景图。并且该车辆自动识别方法及装置仅将满足预设条件的前景区域识别为车辆，剔除不是车辆的前景区域，例如路面标线、摩托车、自行车和行人等干扰因素，提高了识别效果。该车辆识别方法及装置可准确有效地实现车辆识别，且适用于无人机拍摄的视频，为基于无人机视频的广域交通流信息，如交通密度和车辆轨迹的实时采集奠定了基础，弥补现有交通信息采集技术的不足、推动广域交通流分析等相关研究，因此具有较广阔的工程应用价值和理论意义。应当理解到，所揭露的装置及方法，也可以通过其它的方式实现。以上所描述的装置及方法实施例仅仅是示意性的，例如，附图中的框图和/或流程图显示了根据本发明的实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。另外，在本发明实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。当前第1页12