一種基于紋理特征的車輛排隊長度檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于智慧交通領(lǐng)域，涉及一種基于紋理特征的車輛排隊長度檢測方法。
【背景技術(shù)】
[0002] 基于視頻的車流量信息檢測是圖像處理技術(shù)在智慧交通領(lǐng)域的應(yīng)用。它根據(jù)安裝 在交通道路網(wǎng)中的攝像頭對道路狀況實時采集視頻。將采集到的視頻傳輸?shù)揭曨l處理單 元，對視頻進(jìn)行預(yù)處理，包括將視頻分解成圖像、濾波、消抖等。預(yù)處理后的圖像進(jìn)入檢測單 元。通過一些圖像處理技術(shù)和人工智能算法挖掘圖像中的車流信息。
[0003] 對于直接從路口采集到的視頻，圖像中包含一些噪聲干擾，攝像頭晃動引起的視 頻擾動，不同時段、天氣引起圖像的對比度和亮度發(fā)生明顯變化，這些干擾直接影響檢測結(jié) 果的準(zhǔn)確率，因此不能直接對原始視頻進(jìn)行檢測。通過數(shù)字圖像處理的方法對原始圖像進(jìn) 行平滑濾波、圖像增強、消除抖動等操作，大大降低這些干擾因素對檢測結(jié)果的影響，提高 檢測準(zhǔn)確率。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明針對現(xiàn)有技術(shù)的不足，提供了一種基于紋理特征的車輛排隊長度檢測方 法。
[0005] 本發(fā)明的具體步驟是：
[0006] 步驟（1).建立圖像背景庫
[0007] 對于在攝像頭固定條件下拍攝的某一交通路口的視頻，提取在不同光照、天氣、時 段情況下某車道無車的圖像，存儲這些圖像，建立背景庫。
[0008] 步驟（2).提取紋理特征
[0009] 2. 1設(shè)定特征區(qū)域：將圖像左上角的80X80區(qū)域作為特征區(qū)域，在該區(qū)域上完成 提取紋理特征的操作。
[0010] 2. 2產(chǎn)生灰度共生矩陣：灰度共生矩陣表述為在灰度圖像上，像素值為i的點與和 它相距為d的位置上出現(xiàn)像素值為j的概率。用Pd(i，j) (i，j = 0, 1，2, 3,…，L-1)表示， 其中，i、j為相應(yīng)兩像素的像素值，L為圖像灰度級。Pd為灰度共生矩陣，d為兩個像素的 距離。兩像素的相對位置，取0°、45°、90°和135°。
[0011] 2. 3計算紋理特征，在特征區(qū)域中根據(jù)灰度共生矩陣計算4種常用的標(biāo)量來描述 其紋理特征：
[0012] 1)角二階矩。它反映圖像灰度分布的均勻程度和紋理粗細(xì)度。如果矩陣中所有值 都相等，則該值較小，反之則值較大。即
【主權(quán)項】
1. 一種基于紋理特征的車輛排隊長度檢測方法，其特征在于該方法包括以下步驟： 步驟（1).建立圖像背景庫 對于在攝像頭固定條件下拍攝的某一交通路口的視頻，提取在不同光照、天氣、時段情 況下某車道無車的圖像，存儲這些圖像，建立背景庫； 步驟（2).提取紋理特征 2. 1設(shè)定特征區(qū)域：將圖像左上角的80X80區(qū)域作為特征區(qū)域，在該區(qū)域上完成提取 紋理特征的操作； 2. 2產(chǎn)生灰度共生矩陣：灰度共生矩陣表述為在灰度圖像上，像素值為i的點與和它相 距為d的位置上出現(xiàn)像素值為j的概率；用Pd(i，j) (i，j = 0, 1，2, 3,…，L-1)表示，其中， i、j為相應(yīng)兩像素的像素值，L為圖像灰度級；Pd為灰度共生矩陣，d為兩個像素的距離；兩 像素的相對位置，取0°、45°、90°和135° ; 2. 3計算紋理特征，在特征區(qū)域中根據(jù)灰度共生矩陣計算四種常用的標(biāo)量來描述其紋 理特征： 1) 角二階矩；它反映圖像灰度分布的均勻程度和紋理粗細(xì)度；如果矩陣中所有值都相 等，則該值較小，反之則值較大；即
2) 熵；它反映圖像像素值分布的復(fù)雜程度，該值越大，圖像的紋理越復(fù)雜；即
3) 逆差分矩，描述了圖像紋理的同質(zhì)性，如果圖像紋理各區(qū)域較為均勻，局部不發(fā)生顯 著變化，則該值較大，BP
4) 對比度，反映了圖像紋理溝紋的深淺，該值越大，則溝紋越深，圖像越清晰，即
將每幅圖像的四個紋理特征值保存至特征庫，各背景圖和特征向量一一對應(yīng)； 步驟（3).特征相似度匹配及背景模板構(gòu)建 對于當(dāng)前的圖像，需要從背景庫找出一幅與它最相近的圖像作為它的背景；首先按步 驟（2)計算該圖像的局部紋理特征，將該紋理特征與特征庫中各特征向量進(jìn)行相似度比 較，由于每種紋理特征的取值范圍都不同，這里將特征值歸一化：
其中，Φ_，Φ-，Φ分別農(nóng)不呆一特祉的最大值、最小值和當(dāng)前值；通過轉(zhuǎn)換，向量中 的四個特征值都為（〇，1)的小數(shù)，對于轉(zhuǎn)換后的特征向量，采用歐幾里得距離來度量兩者 之間的相似度；
%,和仍》分別為當(dāng)前圖像紋理模型和背景庫圖像紋理模型中第i個特征值；由于采用 四種不同紋理特征，因此η = 4 ;這樣就得到了多種紋理的相似性比較方法，其中該值越小， 則相似度越高；通過匹配得到與當(dāng)前圖像紋理相似度最高的圖像，作為當(dāng)前圖像的背景圖 像； 步驟（4).車輛排隊長度檢測，具體更新步驟如下： 4. 1設(shè)定檢測區(qū)域：將車道中平行于車道方向?qū)挒?0個像素的條狀區(qū)域設(shè)定為檢測區(qū) 域； 4. 2將背景圖像與當(dāng)前圖像在檢測區(qū)域上進(jìn)行差分，設(shè)定閾值將該區(qū)域二值化，得到局 部分割圖； 4. 3在車道上標(biāo)定與停車線的實際距離，通過將分割圖的白色前景與車道上的距離進(jìn) 行比對，得到實際的車輛排隊長度。
【專利摘要】本發(fā)明公開了一種基于紋理特征的車輛排隊長度檢測方法。本發(fā)明針對交通路口拍攝的視頻，首先提取不同光照條件、不同天氣的該路口無車背景圖建立一個背景庫，根據(jù)該圖像局部區(qū)域的灰度共生矩陣提取紋理特征形成特征向量對圖像進(jìn)行描述，將當(dāng)前圖像的特征向量與背景圖中的特征向量進(jìn)行相似度匹配，得到背景圖像，然后將當(dāng)前圖像與背景圖像在車道中間條狀檢測區(qū)域里進(jìn)行差分，在圖像的車道上對到停車線的實際距離進(jìn)行標(biāo)定，通過比對，得到車輛實際排隊長度。本發(fā)明既能根據(jù)不同光照、天氣選擇相應(yīng)的背景模板，提高檢測準(zhǔn)確率，又能避免對整幅圖像進(jìn)行計算處理，提高檢測速度，滿足實時性要求。
【IPC分類】G06T7-00
【公開號】CN104835142
【申請?zhí)枴緾N201510104348
【發(fā)明人】劉俊, 鄭志杰, 薛安克, 彭冬亮, 谷雨
【申請人】杭州電子科技大學(xué)
【公開日】2015年8月12日
【申請日】2015年3月10日