一種對固定攝像頭的交通視頻流量追蹤分析方法技術(shù)

本發(fā)明專利技術(shù)涉及一種對固定攝像頭的交通視頻流量追蹤分析方法，包括以下步驟：1)選擇輸入視頻；2)獲取圖像幀；3)前景提取與預(yù)處理，區(qū)域生長與粘連物體分割，獲取檢測目標；4)分配檢測給追蹤；5)更新追蹤。與現(xiàn)有技術(shù)相比，本發(fā)明專利技術(shù)能有效減少普通HSV空間固定閾值分割的陰影消除技術(shù)的誤差并優(yōu)于固定變換核的形態(tài)學(xué)操作以獲取車身的做法等優(yōu)點。

【技術(shù)實現(xiàn)步驟摘要】

本專利技術(shù)涉及圖像分析和視頻處理
，尤其是涉及一種對固定攝像頭的交通視頻流量追蹤分析方法。
技術(shù)介紹
交通流量追蹤分析在小區(qū)出入口，高速公路或是交通要道的流量信息提取記錄等方面有著廣泛的應(yīng)用。運動物體跟蹤包含運動目標的檢測和跟蹤兩個部分。運動目標的檢測主要有幀差分法、背景差分法和光流法：幀間差分法、背景消除法、光流法。幀間差分法是指在相鄰的兩個或三個圖像幀間對每一點像素進行差分運算，將所得到的結(jié)果閾值化從而獲得圖像中的運動區(qū)域；幀間差分法對于動態(tài)環(huán)境有很好的適應(yīng)性，但卻不能夠很好地分割運動對象。背景消除法的基本思想就是對圖像的背景建模，之后將當前幀與背景圖像相減進而得到運動的目標區(qū)域，它的重點就在于背景的建立和更新；背景差分法能夠較完整地提取目標點，卻又對光照和外部條件造成的動態(tài)場景變化過于敏感。基于光流法的目標檢測是根據(jù)運動目標隨時間變化的光流特性，研究圖像灰度值在時間上的變化與景象中物體結(jié)構(gòu)及其運動的關(guān)系；它的優(yōu)點是能夠檢測出獨立運動的對象，不需要預(yù)先知道場景的任何信息，缺點是對光線依賴程度大，容易丟失目標，實現(xiàn)復(fù)雜，需要特定的硬件支持，否則很難達到一定的效果。運動目標檢測完成以后，接下來要做的就是根據(jù)前一幀目標的位置、速度、狀態(tài)模型等通過跟蹤算法定位目標在當前幀中的狀態(tài)，獲得目標的運動軌跡，從而來實現(xiàn)所謂的目標跟蹤。目前比較成熟的跟蹤算法有基于模型的跟蹤、基于特征的跟蹤方法、基于活動輪廓線的跟蹤方法、基于團塊的跟蹤方法以及基于Bayes框架的跟蹤。
技術(shù)實現(xiàn)思路
本專利技術(shù)的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種對固定攝像頭的交通視頻流量追蹤分析方法。本專利技術(shù)的目的可以通過以下技術(shù)方案來實現(xiàn)：一種對固定攝像頭的交通視頻流量追蹤分析方法，包括以下步驟：1)選擇輸入視頻；2)獲取圖像幀；3)前景提取與預(yù)處理，區(qū)域生長與粘連物體分割，獲取檢測目標；4)分配檢測給追蹤；5)更新追蹤。所述的步驟3)具體為：首先采用兩次HSV空間變換和OTSU算法去除陰影，采用Sobel算子分割道路邊界，以及采用區(qū)域生長算法獲取完整車身；然后利用基于高斯混合模型的背景差除算法的前景提取器提取到遮罩后的二值化圖像；最后使用形態(tài)學(xué)操作來填補連通的區(qū)域和消去小的斑點噪聲。所述的HSV空間變換具體為：利用HSV空間亮度分量，首先將圖像轉(zhuǎn)化為HSV空間，將V分量進行如下操作：之后再將其返回RGB空間，即完成了亮度均衡。所述的Sobel算子分割道路邊界具體為：該算子包含兩組3x3的矩陣，分別為橫向及縱向，將之與圖像作平面卷積，即可分別得出橫向及縱向的亮度差分近似值；再用形態(tài)學(xué)開操作和閉操作清除樹木房屋邊檢的斑駁。所述的分配檢測給追蹤包括對已有追蹤的預(yù)測，以及關(guān)聯(lián)物體的檢測和追蹤。所述的對已有追蹤的預(yù)測具體為：利用卡爾曼濾波器對已經(jīng)得到追蹤的物體在這一幀的位置進行預(yù)測，并更新這些被預(yù)測的追蹤。所述的關(guān)聯(lián)物體的檢測和追蹤具體為：將每一幀中得到的目標檢測需要和與之移動代價最小的已有的追蹤關(guān)聯(lián)，并更新追蹤結(jié)果；繼續(xù)使用卡爾曼濾波器來分配檢測到各個追蹤。所述的更新追蹤具體為：首先對所有分配了新的檢測的追蹤和未分配的追蹤進行相關(guān)統(tǒng)計數(shù)據(jù)的更新；對于幀數(shù)可見率不足的追蹤和長時間未分配檢測的追蹤進行刪除，相關(guān)閾值數(shù)據(jù)為提前設(shè)置；對于未分配給追蹤的檢測定位新的物體進入攝像頭視野并為其新建新的追蹤以分配。與現(xiàn)有技術(shù)相比，本專利技術(shù)提出了兩次HSV空間變換的陰影消除技術(shù)以及利用區(qū)域生長獲取完整車身的算法。算法能有效減少普通HSV空間固定閾值分割的陰影消除技術(shù)的誤差并優(yōu)于固定變換核的形態(tài)學(xué)操作以獲取車身的做法。附圖說明圖1為本專利技術(shù)的流程圖。圖2為相近目標的遮罩示意圖。圖3為sobel算子卷積示意圖。具體實施方式下面結(jié)合附圖和具體實施例對本專利技術(shù)進行詳細說明。本實施例以本專利技術(shù)技術(shù)方案為前提進行實施，給出了詳細的實施方式和具體的操作過程，但本專利技術(shù)的保護范圍不限于下述的實施例。本專利技術(shù)針對現(xiàn)有方法存在的上述不足，提出了兩次HSV空間變換的陰影消除技術(shù)以及利用區(qū)域生長獲取完整車身的算法。該算法能有效減少普通HSV空間固定閾值分割的陰影消除技術(shù)的誤差并優(yōu)于固定變換核的形態(tài)學(xué)操作以獲取車身的做法。由于交通攝像頭往往俯視地面，并考慮到陰天行車和夜間行車等光線不足的情況，首先對圖像幀進行亮度修正：利用HSV空間亮度分量，首先將圖像轉(zhuǎn)化為HSV空間，將V分量進行如下操作：之后再將其返回RGB空間，即完成了亮度均衡。由于圖像在不同的色彩空間可以表現(xiàn)出不同的光譜特性，從而適用于不同的應(yīng)用場合。在HSV色彩空間中，陰影在色度和飽和度通道中都與非陰影區(qū)域有明顯的區(qū)別。根據(jù)陰影的這種特性，利用連續(xù)兩次的HSV彩色空間變換，可以在圖像中有效的區(qū)分出陰影與非陰影區(qū)域。另外，由于不同圖像的大小、灰度分布、亮度和紋理等各不相同，本文采用OTSU算法自動閾值分割，減小了固定閾值給客戶造成的修正難度。在OTSU算法中，對圖像Image，記t為前景與背景的分割閾值，前景點數(shù)占圖像比例為w0，平均灰度為u0；背景點數(shù)占圖像比例為w1，平均灰度為u1。圖像的總平均灰度為：u＝w0*u0+w1*u1。從最小灰度值到最大灰度值遍歷t，當t使得值g＝w0*(u0-u)2+w1*(u1-u)2最大時t即為分割的最佳閾值。該式實際上就是類間方差值，因方差是灰度分布均勻性的一種度量,方差值越大,說明構(gòu)成圖像的兩部分差別越大,當部分目標錯分為背景或部分背景錯分為目標都會導(dǎo)致兩部分差別變小，因此使類間方差最大的分割意味著錯分概率最小。對于無過多遮擋物遮掩的道路，根據(jù)道路縱向和橫向特征明顯，本文采用sobel算子提取圖像幀邊界。如圖3所示，該算子包含兩組3x3的矩陣，分別為橫向及縱向，將之與圖像作平面卷積，即可分別得出橫向及縱向的亮度差分近似值。再用形態(tài)學(xué)開操作和閉操作清除樹木房屋邊檢的斑駁。對于以拍攝前方道路為主的攝像頭，可規(guī)范化道路區(qū)域，減少路邊行人和樹葉的運動對前景提取的影響。從第三步中分類出的結(jié)果中選取代表不規(guī)則運動的一類或者幾類運動向量，并提取相應(yīng)特征。在利用高斯混合模型建模提取圖像前景后，選取每塊前景的質(zhì)心作為種子點，采用區(qū)域生長法獲取完整車身。區(qū)域生長是一個迭代的過程，每個種子像素點都迭代生長。初始時選取一個種子點，進入隊列，之后重復(fù)從隊列中取出像素點，檢查它周圍最多8個像素點，與中心點的差異大于閾值T的像素點標記為與中心點不同的一類，入隊。重復(fù)這個過程，直至處理過圖像中的每一個像素點。本專利技術(shù)屬于多目標追蹤在交通流量分析方面的實用軟件，采用的基本算法為卡爾曼濾波算法。軟件算法主要目的有兩個。檢測到視頻每一幀中的移動物體。將檢測得到的目標和相對應(yīng)的相同物體的追蹤聯(lián)系起來移動目標的檢測使用的是基于高斯混合模型的背景差除法，然后再對前景遮罩圖像進行形態(tài)學(xué)處理以過濾掉噪聲，最后對得到的連接區(qū)塊進行分析，每一個區(qū)塊有很大可能就是一個檢測到的目標。統(tǒng)一檢測到的目標和已有的追蹤路徑基于相同的移動特性。目標的移動特性由卡爾曼濾波算法得到。使用卡爾曼濾波器來預(yù)測每個已得到的物體在這一幀中的預(yù)測的位置，然后估計新得到的檢測目標是否屬于該物體，如果是將其加入這個物體的軌跡中。本軟件使用的算法對視頻進行逐幀處理和分析，最本文檔來自技高網(wǎng)...

【技術(shù)保護點】
一種對固定攝像頭的交通視頻流量追蹤分析方法，其特征在于，包括以下步驟：1)選擇輸入視頻；2)獲取圖像幀；3)前景提取與預(yù)處理，區(qū)域生長與粘連物體分割，獲取檢測目標；4)分配檢測給追蹤；5)更新追蹤。

【技術(shù)特征摘要】
1.一種對固定攝像頭的交通視頻流量追蹤分析方法，其特征在于，包括以下步驟：1)選擇輸入視頻；2)獲取圖像幀；3)前景提取與預(yù)處理，區(qū)域生長與粘連物體分割，獲取檢測目標；4)分配檢測給追蹤；5)更新追蹤。2.根據(jù)權(quán)利要求1所述的一種對固定攝像頭的交通視頻流量追蹤分析方法，其特征在于，所述的步驟3)具體為：首先采用兩次HSV空間變換和OTSU算法去除陰影，采用Sobel算子分割道路邊界，以及采用區(qū)域生長算法獲取完整車身；然后利用基于高斯混合模型的背景差除算法的前景提取器提取到遮罩后的二值化圖像；最后使用形態(tài)學(xué)操作來填補連通的區(qū)域和消去小的斑點噪聲。3.根據(jù)權(quán)利要求2所述的一種對固定攝像頭的交通視頻流量追蹤分析方法，其特征在于，所述的HSV空間變換具體為：利用HSV空間亮度分量，首先將圖像轉(zhuǎn)化為HSV空間，將V分量進行如下操作：Xv′=1-(Xv-1)2]]>之后再將其返回RGB空間，即完成了亮度均衡。4.根據(jù)權(quán)利要求2所述的一種對固定攝像頭的交通視頻流量追蹤分析方法，其特征在于，所述的Sobel算子分割道路邊界具體為：該算子包含兩組3x3的矩陣，分別為橫向及縱向，將之與圖像作平...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：盛斌，趙超，
申請(專利權(quán))人：上海交通大學(xué)，
類型：發(fā)明
國別省市：上海;31