专利名称：基于光照可见度辨识的夜间车辆视频检测方法
技术领域：
本发明涉及一种用于城市交通管理控制系统中夜间机动车辆的检测方法，更确切 地说，本发明涉及一种基于光照可见度辨识的夜间车辆视频检测方法。
背景技术：
随着城市信息化、智能化的快速发展以及计算机图像处理、通信传输技术的不断 更新，视频检测已经广泛应用于城市交通系统，利用视频检测技术可实现运动目标的自动 检测、识别、跟踪、参数获取、行为分析等等，进而实现交通事件及交通状态的实时监控，对 于优化交通管理控制方法，保障城市道路交通安全具有重要的意义。目前国内外已经开发出一些视频检测系统并投入实际应用，但是这些系统大都在 白天环境下检测效果良好，对于夜间复杂环境下的车辆检测准确率相对较低。夜间视频检 测的主要难点在于夜间的光线不足，可见度较低，尤其是在无路灯的情况下，车体轮廓难以 分辨，且夜间道路受周围环境光线的干扰较大，加大了夜间车辆检测的难度。中国专利公开 号为CN101382997，
公开日为2009年3月11，申请号为20081011067317，发明名称为夜间 车辆的检测与跟踪方法及装置，该申请案中提出了一种通过选定合适的检测区域，对车道 线外侧进行最小像素化处理，去除车道线外侧噪声，选取最佳的二值化阈值，然后通过二值 化处理以及数字图像处理的模板操作，提取车灯信息，最后完成对车灯信息的提取和跟踪 从而完成对夜间车辆的检测和跟踪。上述专利申请文件选择车灯为特征值，在夜间没有路 灯时，可见度低，车灯成为明显的特征值，能达到很好的效果，但是在有路灯的情况下，光照 可见度较高，周围环境的光线干扰较大，车灯特征不明显。并且，在车灯跟踪时，车灯轮廓的 周长的提取过程中会出现误差，仅仅据此判定非同一辆车是不准确的。鉴于此，基于视频监 控的机动车交通流夜间检测技术一直是个难题，目前国内外在这方面的研究相对较少，一 种方法是依赖适用于白天的检测方法(例如帧间差分法、背景差分法等)，抽取运动车辆进 而获取交通流参数；一种方法采用检测车辆头灯进而实现车辆识别。这些方法均难以适应 夜间有、无路灯环境下的光线亮度变化，无法保证夜间机动车交通流参数检测的高精度。因 此，现有的夜间车辆视频检测方法离应用于实际的检测要求尚有较大差距。
发明内容
本发明所要解决的技术问题是克服了现有技术存在难以适应夜间有、无路灯环境 下的光线亮度变化，无法保证夜间机动车交通流参数检测的高精度的问题，提供了一种基 于光照可见度辨识的夜间车辆视频检测方法。为解决上述技术问题，本发明是采用如下技术方案实现的所述的基于光照可见 度辨识的夜间车辆视频检测方法包括如下步骤1.夜间交通场景视频图像采集分别于有路灯与无路灯车道上方安装摄像镜头，摄像镜头距路面8 12米且处于 垂直路面的位置，将采集的交通场景的视频图像压缩为MPEG格式传输到计算机进行存储；
2.夜间光照模式识别确定是夜间无路灯模式还是夜间有路灯模式；3.进行夜间无路灯模式下车辆检测或夜间有路灯模式下车辆检测；4.夜间车辆运动跟踪利用kalman滤波算法对匹配的车辆头灯进行运动跟踪，获取车辆的运动状态，实 现连续快速的车辆运动跟踪；5.夜间车辆交通参数提取根据图像坐标与世界坐标的投影关系模型，采用基于黑箱标定的二维重建算法实 现车辆运行速度参数的提取。技术方案中所述的夜间光照模式识别包括如下步骤1.基于聚类识别的背景提取对于采集到的视频图像序列，利用聚类识别的背景提取算法实现场景内背景图像 的获取，即利用搜索到的图像像素时间序列上的不重叠平稳序列，通过像素值变化度约束 构造背景子集实现背景图像的提取。2.特征值选取选取HSI颜色空间的亮度I = 1/3(R+G+B)间接表达光照可见度，从背景图像中的 车道位置标出一个矩形感兴趣区域，感兴趣区域的标准差和均值，作为光照可见度评价特 征指标，其中R、G与B分别表示图像中红、绿与蓝三个通道的颜色。3.夜间光照模式分类模型建立1)提前采集夜间有路灯和无路灯两种交通场景不同时段的视频序列，分别在选定 的感兴趣区域内提取出HSI颜色空间的亮度I的标准差和均值，对采集到光照信息指标数 据样本利用SVM进行离线训练，构建出基于光照可见度的SVM场景识别模型。2)将待检测交通场景的光照信息指标数据输入到离线学习得到的基于光照可见 度的场景识别模型，将其划分为有路灯光照模式或无路灯光照模式。技术方案中所述的夜间无路灯模式下车辆检测包括如下步骤1.通过背景差分法与二值化处理提取车头灯保留车辆车头灯的显著特征，排除其它光源的影响，利用车头灯特征检测运行车 辆，通过背景差分法进行图像分割，选取合适的阈值进行二值化处理，提取得到车头灯。2.运用形态滤波与数学形态学处理提高检测精度为了最大化精确提取出车头灯，运用形态滤波对二值化图像进行处理，去除一些 较小的噪声点，减少影响；3.基于8连通区域方法，采用基于模板扫描的区域增长算法得到正确的运动目标 和提高匹配跟踪的精度；4.采用车辆车头灯匹配函数完成无路灯模式下的车辆检测对于检测区域中的每个车头灯，按照匹配距离准则选择最佳匹配，找到使匹配函 数最小的车头灯确定为同一车辆，具体匹配函数如下Ai-Aj ( εYi-Yj 彡 Φ
其中A为车头灯区域面积，Y为摄像机拍摄垂直方向坐标，X为摄像机拍摄水平方 向坐标，ε，φ，φ , y为提前设定的约束阈值；利用匹配后的每辆车的双车头灯水平距离以及车头灯区域的占空比均值作为分 类特征，根据离线车辆特征采集设置合理分类阈值，对车辆类型进行在线判别，将车辆划分 大型车、中型车和小型车。技术方案中所述的基于8连通区域方法，采用基于模板扫描的区域增长算法得到 正确的运动目标和提高匹配跟踪的精度包括如下步骤1.建立一个ηΧη的扫描模板，并把前景图像划分成pXq个ηΧη的子区域，建立 PXq的前景区域标记矩阵Μ。2.按照从左至右，从上至下的顺序对图像上的pXq个子区域进行逐一扫描，当第ηχηi行，j列区域的前景点个数多于时，M(i，j) = 1，否则，M(i，j) = 0，针对标记矩阵M 按照从左至右，从上至下的顺序搜索连通区域。3.当M(i，j) = 0，按顺序搜索下个点；当M(i，j) = 1，将其作为种子。4.针对种子点M(i，j)，修改M(i，j) = 0，搜索其连通区域，规则如下依次判断邻 域八个点的值，如果左上点为1，将其作为种子点，执行步骤4，否则判别下一个点，以此类 推，直到其邻域无连通点为止，将此连通区域作为一个目标区域，并执行步骤3。技术方案中所述的夜间有路灯模式下车辆检测包括如下步骤1.消除影响因素提取车体轮廓为特征值，利用Retinex算法计算出车头灯与路面的投射光束的反 射强度，然后消除其影响。2.车辆检测采用基于模板扫描的区域增长算法实现前景图像的多区域分割，并采用基于 Kalman滤波模型实现有路灯模式下的运动车辆检测。3.基于矩特征判断车型基于矩特征的目标特征表达方法实现有路灯模式下车辆类型的判断，即构建多类 别车辆训练样本库，提取偏心矩特征，构建基于SVM的车辆类型分类模型，将待检测交通场 景的车辆特征输入到离线学习得到的车辆类别识别模型，在线识别车辆类型，将其划分大 型车、中型车和小型车。技术方案中所述的基于矩特征判断车型包括如下步骤1.偏心矩定义假设存在空间离散化大小为M*N的图像f (X，y)，其pq阶矩定义为mPq=TjTfffDi=l J=I那么对于经过分割以后的二值图像，前景目标区域R中的任意像素点的像素值 f (i，j)均为1，则R中的第(P，q)阶矩有如下表示形式M Nmpq = Yj YJpjqi,怍R
通过上式能够分别计算得出mQQ、mQ1、m1(l，其中mQ(l表示区域R的像素点个数，即面 积，m10, m01则代表中心矩，那么区域R的重心C坐标(χ。，yc)可以表示为
权利要求
1.一种基于光照可见度辨识的夜间车辆视频检测方法，其特征在于，所述的基于光照 可见度辨识的夜间车辆视频检测方法包括如下步骤1)夜间交通场景视频图像采集分别于有路灯与无路灯车道上方安装摄像镜头，摄像镜头距路面8 12米且处于垂直 路面的位置，将采集的交通场景的视频图像压缩为MPEG格式传输到计算机进行存储；2)夜间光照模式识别确定是夜间无路灯模式还是夜间有路灯模式；3)进行夜间无路灯模式下车辆检测或夜间有路灯模式下车辆检测；4)夜间车辆运动跟踪利用kalman滤波算法对匹配的车辆头灯进行运动跟踪，获取车辆的运动状态，实现连 续快速的车辆运动跟踪；5)夜间车辆交通参数提取根据图像坐标与世界坐标的投影关系模型，采用基于黑箱标定的二维重建算法实现车 辆运行速度参数的提取。
2.按照权利要求1所述的基于光照可见度辨识的夜间车辆视频检测方法，其特征在 于，所述的夜间光照模式识别包括如下步骤1)基于聚类识别的背景提取对于采集到的视频图像序列，利用聚类识别的背景提取算法实现场景内背景图像的获 取，即利用搜索到的图像像素时间序列上的不重叠平稳序列，通过像素值变化度约束构造 背景子集实现背景图像的提取；2)特征值选取选取HSI颜色空间的亮度I = 1/3(R+G+B)间接表达光照可见度，从背景图像中的车道 位置标出一个矩形感兴趣区域，感兴趣区域的标准差和均值，作为光照可见度评价特征指 标，其中R、G与B分别表示图像中红、绿与蓝三个通道的颜色；3)夜间光照模式分类模型建立(1)提前采集夜间有路灯和无路灯两种交通场景不同时段的视频序列，分别在选定的 感兴趣区域内提取出HSI颜色空间的亮度I的标准差和均值，对采集到光照信息指标数据 样本利用SVM进行离线训练，构建出基于光照可见度的SVM场景识别模型；(2)将待检测交通场景的光照信息指标数据输入到离线学习得到的基于光照可见度的 场景识别模型，将其划分为有路灯光照模式或无路灯光照模式。
3.按照权利要求1所述的基于光照可见度辨识的夜间车辆视频检测方法，其特征在 于，所述的夜间无路灯模式下车辆检测包括如下步骤1)通过背景差分法与二值化处理提取车头灯保留车辆车头灯的显著特征，排除其它光源的影响，利用车头灯特征检测运行车辆，通 过背景差分法进行图像分割，选取合适的阈值进行二值化处理，提取得到车头灯；2)运用形态滤波与数学形态学处理提高检测精度为了最大化精确提取出车头灯，运用形态滤波对二值化图像进行处理，去除一些较小 的噪声点，减少影响；3)基于8连通区域方法，采用基于模板扫描的区域增长算法得到正确的运动目标和提高匹配跟踪的精度；4)采用车辆车头灯匹配函数完成无路灯模式下的车辆检测对于检测区域中的每个车头灯，按照匹配距离准则选择最佳匹配，找到使匹配函数最 小的车头灯确定为同一车辆，具体匹配函数如下 IAi-Aj ( εIYi-Yj ( φφ^Χ,-Χ^γ其中Α为车头灯区域面积，Y为摄像机拍摄垂直方向坐标，X为摄像机拍摄水平方向坐 标，ε，φ，<ρ , y为提前设定的约束阈值；利用匹配后的每辆车的双车头灯水平距离以及车头灯区域的占空比均值作为分类特 征，根据离线车辆特征采集设置合理分类阈值，对车辆类型进行在线判别，将车辆划分大型 车、中型车和小型车。
4.按照权利要求3所述的基于光照可见度辨识的夜间车辆视频检测方法，其特征在 于，所述的基于8连通区域方法，采用基于模板扫描的区域增长算法得到正确的运动目标 和提高匹配跟踪的精度包括如下步骤1)建立一个ηΧη的扫描模板，并把前景图像划分成pXq个ηΧη的子区域，建立pXq 的前景区域标记矩阵Μ;2)按照从左至右，从上至下的顺序对图像上的pXq个子区域进行逐一扫描，当第i行，j列区域的前景点个数多于j时，M(i，j) = 1，否则，M(i，j) = 0，针对标记矩阵M按照从左至右，从上至下的顺序搜索连通区域；
5.按照权利要求1所述的基于光照可见度辨识的夜间车辆视频检测方法，其特征在 于，所述的夜间有路灯模式下车辆检测包括如下步骤1)消除影响因素提取车体轮廓为特征值，利用Retinex算法计算出车头灯与路面的投射光束的反射强 度，然后消除其影响；2)车辆检测采用基于模板扫描的区域增长算法实现前景图像的多区域分割，并采用基于Kalman 滤波模型实现有路灯模式下的运动车辆检测；3)基于矩特征判断车型基于矩特征的目标特征表达方法实现有路灯模式下车辆类型的判断，即构建多类别车 辆训练样本库，提取偏心矩特征，构建基于SVM的车辆类型分类模型，将待检测交通场景的 车辆特征输入到离线学习得到的车辆类别识别模型，在线识别车辆类型，将其划分大型车、 中型车和小型车。
6.按照权利要求5所述的基于光照可见度辨识的夜间车辆视频检测方法，其特征在于，所述的基于矩特征判断车型包括如下步骤1)偏心矩定义假设存在空间离散化大小为M*N的图像f (X，y)，其pq阶矩定义为
7.按照权利要求1所述的基于光照可见度辨识的夜间车辆视频检测方法，其特征在 于，所述的夜间车辆运动跟踪包括如下步骤1)特征表达令M*N为分割的二值图像，任意一个前景目标R中像素点的f(i，j)均为1，则R的重 心C坐标(x。，y。)可定义为
8.按照权利要求1所述的基于光照可见度辨识的夜间车辆视频检测方法，其特征在 于，所述的夜间车辆交通参数提取包括如下步骤根据图像坐标与世界坐标的投影关系模 型，采用基于黑箱标定的二维重建算法实现车辆运行速度参数的有效采集； 1)摄像机标定图像坐标与世界坐标的投影关系模型关系可以表示为 sm = pM式中s为不为O比例因子，M为三维世界齐次坐标，M= [X Y Z 1]T, m为二维图像齐 次坐标，m= [u ν 1]τ，ρ为三乘四的映射变换矩阵；黑箱标定法只需求解三维到二维的映射变换矩阵P，假设模型平面位于世界坐标系Z =O的平面上，则式sm = pM变为如下形式
全文摘要
本发明公开了一种基于光照可见度辨识的夜间车辆视频检测方法，该方法的步骤如下1.夜间交通场景视频图像采集摄像镜头将采集的交通场景的视频图像压缩为MPEG格式传输到计算机进行存储。2.夜间光照模式识别确定是夜间无路灯模式还是夜间有路灯模式。3.进行夜间无路灯模式下车辆检测或夜间有路灯模式下车辆检测4.夜间车辆运动跟踪利用kalman滤波算法对匹配的车辆头灯(夜间无路灯模式下)或车辆整体(夜间有路灯模式下)进行运动跟踪，获取车辆的运动状态，实现连续快速的车辆运动跟踪。5.夜间车辆交通参数提取根据图像坐标与世界坐标的投影关系模型，采用基于黑箱标定的二维重建算法实现车辆运行速度参数的提取。
文档编号G08G1/01GK102044151SQ20101050579
公开日2011年5月4日 申请日期2010年10月14日 优先权日2010年10月14日
发明者宋现敏, 曲昭伟, 李志慧, 江晟, 胡宏宇, 胡金辉, 陈永恒, 魏巍 申请人:吉林大学