一种基于车辆跟踪的车辆排队长度检测方法与流程

文档序号：13575902阅读：3540来源：国知局

本发明涉及智慧交通领域，尤其涉及一种基于车辆跟踪的车辆排队长度检测方法。

背景技术：

目前，机动车拥有量迅速增长，超过同期城市道路和交通设施的增长速度，城市道路拥堵情况十分严重。交通拥堵会导致出行时间增加、车辆启停次数增加、能耗大幅上升、加剧环境污染等不利后果。车辆排队长度、车流量和平均车速作为智能交通中的重要参数，有助于做好应对措施,减少路口拥堵情况的产生，具有重大意义。

在计算车辆排队长度过程中，目前常用的检测方法往往通过分析静态图片的方式计算车辆排队长度。其中，与本发明最接近的技术方案包括：公开号为cn104835142a的中国专利申请公开了一种基于纹理特征的车辆排队长度检测方法，该方法提取纹理特征后与背景库图像的纹理特征进行相似度匹配得到背景图像，然后通过当前图像差分得到车辆前景，从而得到实际的车辆排队长度，但该方法需要提取当前路口在不同光照、天气、时段情况下无车的图像建立背景库，每当路口发生变化时需重新建立背景库，操作较复杂；曹倩霞(中南大学信息科学与工程学院，城市信号交叉口交通运行评价参数视频检测[j].交通运输系统工程与信息，2015,15(6):60-66)提出一种交通运行评价参数综合检测方法，该方法结合选择性背景更新机制和块级帧间差分获得车辆前景，再利用虚拟平行线定位每个车道排队车辆的首尾端位置，但当车道前后两车有一定距离时，该方法的伸缩窗无法伸长，车辆检测准确率较低；史忠科(西北工业大学自动化学院，城市道路排队车辆检测方法[j].交通运输工程学报,2012,12(5):100-109)提出一种基于边缘信息和局部纹理特征的综合检测方法，该方法先采用canny算法提取车辆边缘信息，采用改进的lbp方法提取车辆纹理特征，同时用帧差法对运动车辆进行分割，得到静止的车辆队列后进行水平投影，从而计算出排队长度，但该方法容易受到路面阴影和车道线干扰，得到的运动车辆和静止车辆不完整，导致排队长度精度不高；综上所述，现有技术方案存在如下问题：(1)车辆检测易受到光照变化、路面阴影干扰，精度不高(2)当出现同车道车辆前后间距较大时，车辆检测准确率低。(3)只能获取车辆排队长度，无法同时采集其他交通参数。为解决上述问题，本发明提供一种基于车辆跟踪的车辆排队长度检测方法。

技术实现要素：

针对上述问题，本发明公开了一种基于车辆跟踪的车辆排队长度检测方法，该方法不受路面阴影、车道线等干扰，能同时统计各车道的排队长度、车流量和平均车速。

本发明公开了一种基于车辆跟踪的车辆排队长度检测方法，其具体包括以下步骤：

步骤1：从道路监控视频中手动标定车辆检测区域、车道分界线，沿车道分界线标定与停止线的实际距离；

步骤2：读取图像序列，截取当前图像中车辆检测区域g；

步骤3：更新跟踪车辆在当前帧的位置，具体为：

步骤3.1：在图像fj中车辆和车辆位置数据表示为其中i表示车辆编号，j表示图像序列号，ci表示编号为i的跟踪车辆，表示ci在fj中的外接矩形，p表示序列图像帧数的最大值；

步骤3.2：记当前帧序列号为a，更新跟踪车辆在当前帧fa中的位置，得到集合tl＝{＜ci,fi,li＞|i＝1,2,3,...,na}，其中na表示前a帧中车辆编号最大值；fi＝{msi,...,mei}，fi表示车辆ci存在过的图像序列号集合，msi和mei分别表示ci存在的第一次和最后一次图像序列号；li表示ci的外接矩形集合，表示ci在fj中的外接矩形；＜ci,fi,li＞表示车辆ci、集合fi和集合li的映射关系；

步骤4：检测fa中新出现的车辆，具体为：

步骤4.1：对车辆检测区域进行背景建模得到前景二值图，对前景二值图进行中值滤波和膨胀操作，得到处理后的前景二值图m；

步骤4.2：找到m中所有连通区域的最小外接矩形，对其进行高度、宽度和面积的过滤后，得到候选车辆的外接矩形集合rl；

步骤4.3：从g中截取rl中外接矩形对应的子图，用训练好的车辆分类器进行车辆检测，得到外接矩形集合nrl＝{nrli|i＝1,2,...m}，其中m表示检测到的车辆数，nrli表示第i个车辆在当前图像中的外接矩形；

步骤5：将新出现车辆加入集合tl中，具体为：

步骤5.1：若任意nrli和满足式(1)，则认为nrli所在车辆为fa中已存在车辆，将其从nrl中剔除，遍历nrl得到集合

且a∈fj(1)

式中，表示矩形nrli和矩形的相交区域，表示相交区域的面积；

步骤5.2：将集合加入到tl中；

步骤6：计算各个车道的排队长度，具体为：

步骤6.1：记车道集合lane＝{lanei|i＝1,2,...,lcount}，其中lcount表示标定的车道数，lanei表示第i个车道；

步骤6.2：从tl中筛选出fa中lanej的车辆集合clj＝{ci|i＝1,2,...na}，使tl中满足式(2)：

a∈fi且

式中，i表示车辆编号，j表示车道编号，a表示当前帧序列号，表示ci在fa中所属车道；

步骤6.3：找出clj中排队车辆首尾端，根据沿车道分界线标定与停止线的实际距离，将像素坐标转换到车辆排队长度距离；

步骤7：计算各车道的车流量，具体为：

步骤7.1：统计时刻ta到tb内的车流量，ta和tb分别对应图像序列fx和fy；

步骤7.2：从tl中筛选出各个车道在ta到tb内通过的车辆，得到集合qlane＝{qlanej|j＝1,2,3...,lcount},使其同时满足式(3)、(4)：

式中，i表示车辆编号，j表示车道编号，表示fy中车辆ci所属的车道,表示ci是否通过lanej，qlanej表示第j个车道的车流量；

步骤8：计算各车道通过车辆的平均车速，具体为：

步骤8.1：统计时刻ta到tb内的平均速度，ta和tb分别对应图像序列fx和fy；

步骤8.2：从tl中筛选出各个车道在ta到tb内通过的车辆，从而计算得到平均车速集合slane＝{slanei|i＝1,2,...,lcount}，使tl中{ci,fi,li}同时满足式(5)、(6)：

mei∈[x,y]且

式中，i表示车辆编号，j表示车道编号，表示ci结束跟踪前所在车道,slanej表示第j个车道中车辆的平均速度，ci.dis表示ci在被跟踪的路程,|fi|表示ci存在的视频帧数，t0表示两帧图像的时间间隔；

与现有技术相比，本发明不受道路弯曲、车道线和路面阴影等影响，且可同时获得各车道的车辆排队长度、车流量、平均车速这3种交通参数。

附图说明

图1为本发明实施例一种车辆排队长度检测方法流程图。

图2为本发明的实施例经过步骤1处理后的车道标定图像。

具体实施方式

下面结合实施例来详细阐述本发明的一种车辆排队长度检测方法和系统的具体实施方式。在本实施例中，参照图1，对一种基于车辆跟踪的车辆排队长度检测方法进行具体介绍：

步骤1：从道路监控视频中手动标定车辆检测区域、车道分界线，沿车道分界线标定与停止线的实际距离；在本实施例中，车道标定后的结果如图2所示；