一种基于监控视频的停车检测方法及装置与流程

技术特征：

1.一种基于监控视频的停车检测方法，其特征在于，所述方法包括如下步骤：

视频数据采集步骤：普通路边的监控摄像头拍摄的视频数据，所述监控摄像头的相对位置和拍摄的角度保持不变；

背景模型建立步骤：通过分析视频序列建立基于混合高斯模型的背景模型；

前景运动目标提取步骤：提取出视频图像中的运动前景目标；

静止目标区域检测步骤：检测出视频中的静区域，具体为先找到可疑的静止目标区域，然后经过N帧之后，与之前帧图像的相应位置进行相似度比较，确定是否为真正的静止区域；

车辆识别步骤：采用改进的Haar分类器对静止区域进行识别，达到检测车的目的；通过训练多个强分类器，将训练的强分类器级联起来构成所述改进的Haar分类器，逐一对输入图像进行分类识别，通过识别后则输入到下一级分类器，不通过则直接识别为非车辆。

2.根据权利要求1所述的方法，其特征在于：所述方法还包括阴影检测步骤：

采用基于HSV空间的阴影检测方法降低阴影对前景运动目标提取的影响，具体为：判断一个运动的点是否为阴影参照如下的公式：

其中，D、B分别表示HSV颜色空间下的前景图像的像素点和背景图像的像素点，其中D(x,y).V、B(x,y).V分别表示点(x,y)对应的前景点的亮度值和背景像素点的亮度值；D(x,y).H、B(x,y).H分别表示相应点的前景像素和背景像素的色度值；D(x,y).S、B(x,y).S分别表示相应点的前景像素和背景像素的饱和度值；α和β代表亮度的阈值，τ_s代表饱和度的阈值，τ_H代表色度的阈值；

结果用S表示，如果结果为1表示该点为阴影的像素点，如果结果为0表示该点是非阴影点。

3.根据权利要求1所述的方法，其特征在于：所述静止目标区域检测步骤包括可疑静止区域检测子步骤：建立静止像素矩阵，当某一点为前景像素点，则在可疑静止像素矩阵的相对位置的值就会加一；如果某一点有前景变成背景，将该点在静止像素矩阵中的为0；如果某一个点达到了预期设置的阈值，则认为该点为可疑静止像素点，由可疑静止像素点组成的联通区域为可疑静止区域。

4.根据权利要求3所述的方法，其特征在于：在所述可疑静止区域检测步骤之前，所述方法还包括静止像素矩阵的建立：当前景目标由运动状态变成了静止状态的很短的时间内，静止的物体仍然为前景，利用这很短的时间内的像素点是否为前景的信息建立可疑静止像素矩阵，静止像素矩阵的大小和图片的大小相同，静止像素矩阵初始每个元素始化0，B(x,y)代表当前帧的在位置为(x,y)处的点是否为前景，表示如下式：

$B(x,y)=\left\{\begin{array}{cc}1& \begin{array}{cc}if& (x,y)\∈foreground\end{array}\\ 0& else\end{array}\right.$

静止像素矩阵的更新方式如下式：

$F_n(x,y)=\left\{\begin{array}{ccc}{F}_{n-1}(x,y)+1& if& B(x,y)=1\\ 0& if& B(x,y)=0\end{array}\right.$

其中F_n(x,y)代表静止像素矩阵点(x,y)处在第n帧的值。

5.根据权利要求1所述的方法，其特征在于：在所述背景模型建立步骤中，主要是对背景进行建模，便于分离图像的前景和背景，所采用的混合高斯模型是使用K个单高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后更新混合高斯模型，用当前图像中的每个像素点与混合高斯模型匹配，如果成功则判定该点为背景点，否则为前景点。

6.根据权利要求3所述的方法，其特征在于：在所述静止区域检测步骤中，对可疑静止区域进行验证，通过与第N帧之后的图像进行比对，筛选出真正的静止区域；具体步骤如下：

(1)读取两张图像并且进行灰度化，分别标记为图像A和图像B；

(2)分别计算两张图像的灰度直方图，分别标记为A_hist和B_hist；

(3)对A_hist和B_hist进行归一化，归一化的公式如下式所示：

x＝(x-Min)/(Max-Min)

其中x代表直方图中每一个像素级所对应的值，Max代表直方图中最大值，Min代表直方图中最小值；

(4)对归一化之后的A_hist和B_hist，求得它们的之间巴氏距离，巴氏距离DB(A_hist,B_hist)如下所示：

$DB(A\_hist,B\_hist)=-In\left(\underset{i=0}{\overset{i=255}{\Σ}}\sqrt{A\_hist\[i\]\×B\_hist\[i\]}\right);$

(5)判断两个灰度直方图之间巴氏距离，如果巴氏距离过大则认为两张图像的相似度程度较低。如果巴氏距离较小，则认为两张图像的相似程度较高；

(6)当判断两张图像的巴氏距离较小时，继续判断两张图像的相对位置的差异程度，将两张图像缩小至32×32，减少计算量并且减少细节的影响；

(7)计算缩小之后两张图像的欧式距离

$D(A,B)=\underset{x=1}{\overset{32}{\Σ}}\underset{y=1}{\overset{32}{\Σ}}{\left(A\right(x,y)-B(x,y\left)\right)}^2,$

其中D(A,B)为图像A和图像B缩小至32×32之后的欧式距离；当D(A,B)过大时可以判定两张图像的内容差异很大。

7.根据权利要求1所述的方法，其特征在于：在所述的车辆识别步骤中，应用分类器对静止的车辆进行识别，判断是否为车；为达到车辆检测的目的，并且采用基于混合高斯模型进行遮挡检测，降低系统漏检率；具体算法为：

(1)获取静止区域的连通区域以及图片的长度H和宽度W；

(2)计算连通区域的中心点的坐标(x,y)；

(3)计算静止区域的连通区域的外接矩形R_static；

(4)构建以坐标点(x,y)为中心，宽度为W/3，高度为H/3的矩形R；

(5)在原图像中获取以矩形R覆盖位置的子图img；

(6)在子图img上进行车辆识别，得到识别结果包围框；

(7)判断包围框中是否存在和R_static相交面大于75％；

(8)如果存在进行报警，不存在继续进行检测。

8.根据权利要求7所述的方法，其特征在于：在所述的车辆识别步骤中，阴影检测主要是解决在复杂场景下，目标被暂时遮挡的问题，具体的步骤如下：

a.记录上一帧静止车辆的位置矩形框信息；

b.计算目前帧的前景运动目标像素点在当前矩形框的内部相对位置和所占的比例；

c.如果所占的比例大于30％，则判定该静止目标已经运行；

d.如果所占的比例小于等于30％，则判定该静止目标没有运行，仍为静止目标，将当前的矩形信息框作为当前帧中静止车辆的位置信息，继续报警。

9.一种基于监控视频的停车检测装置，其特征在于，所述装置包括：

视频数据采集单元：用于普通路边的监控摄像头拍摄的视频数据，所述监控摄像头的相对位置和拍摄的角度保持不变；

背景模型建立单元：用于通过分析视频序列建立基于混合高斯模型的背景模型；

前景运动目标提取单元：用于提取出视频图像中的运动前景目标；

静止目标区域检测单元：用于检测出视频中的静止区域；

车辆识别单元：用于采用改进的Haar分类器对静止区域进行识别，达到检测车的目的；通过训练多个强分类器，将训练的强分类器级联起来构成所述改进的Haar分类器，逐一对输入图像进行分类识别，通过识别后则输入到下一级分类器，不通过则直接识别为非车辆。

10.根据权利要求9所述的停车检测装置，其特征在于，所述装置还包括：阴影检测单元：用于采用基于HSV空间的阴影检测方法降低阴影对前景运动目标提取的影响；可疑静止区域检测单元：用于建立静止像素矩阵，当某一点为前景像素点，则在可疑静止像素矩阵的相对位置的值就会加一；如果某一点有前景变成背景，将该点在静止像素矩阵中的为0；如果某一个点达到了预期设置的阈值，则认为该点为可疑静止像素点，由可疑静止像素点组成的联通区域为可疑静止区域。