一种基于直方图统计与多帧平均混合算法的车流量检测模型.docVIP

一种基于直方图统计与多帧平均混合算法的车流量检测模型 摘要 新一代智能视觉监控技术的研究是一个极具挑战性的前沿课题，它旨在赋予监控系统观察分析场景内容的能力，实现监控的自动化和智能化，因而具有巨大的应用潜力。在智能视频监控系统中，对包含运动目标的图像序列进行的分析处理主要由运动目标检测、分类、跟踪和视频内容分析等几个基本环节组成。其中目标检测技术作为系统的最底层，是进行各种后续处理的基础。 本文通过建立数学模型采用统计直方图和多帧平均混合的算法解决如何从视频图像中提取出高质量的背景图像和车辆图像的问题，为车辆的外形、速度、流量等一系列参数的处理提供前提，并根据附录视频中提取的背景图像进一步应用，建立了计算车流量的模型。 具体地讲，针对问题一，我们利用统计直方图和多帧平均混合的方法，提取出背景图像，并考虑到环境的光线等因素的不断变化，及时对背景进行更新。对于不同光线背景下的差分图像，采用Otsu求阈值技术，得到车辆的二值化图像。 如下图所示： 图1 (a)实时路况图像 (b)对应背景图像 (c)二值化图像 针对问题二，我们以问题一中得到的背景为基础，运用虚拟线检测法，在采集到的视频图像帧中，在每条车道上人为地设置一条横向的虚拟线，利用检测线处产生的颜色灰度变化是否超过设定的阈值来检测车辆是否通过并计数，得到如下结果： 车道 程序数车 人工数车 漏数 多数 漏检率/% 虚警率/% 准确率/% 1 68 70 2 0 2.86 0 97.14 2 22 22 0 0 0 0 100 3 44 43 0 1 0 2.27 97.73 4 43 43 0 0 0 0 100 5 28 28 0 0 0 0 100 6 13 14 1 0 7.14 0 92.86 7 55 53 0 2 0 3.64 96.36 总计 273 273 3 3 1.10 1.10 97.80 表 关键词：目标检测技术；背景提取与更新；虚拟线车流量检测法；统计直方图和多帧平均；Otsu阈值技术 1 问题重述 问题重述： 传统的视频监控由人工进行视频监测发现安全隐患或异常状态，或者用于事后分析，这种应用具有其固有的缺点，难以实现实时的安全监控和检测管理。利用计算机视觉技术、图像视频处理技术和人工智能技术对监控视频的内容进行描述、理解和分析并能根据分析的结果对视频监控系统进行控制从而使视频监控系统具有较高层次的智能化水平。带有智能分析功能的监控系统ITS)，可以通过区分监控对象的外形、动作等特征，做到主动收集、分析数据，并根据预设条件执行报警、记录、分析等动作。ITS的信息具有多源、异构等典型特征 ，所以对信息的处理、检索和提取，已成为ITS发展和运用的关键。而进一步对于信息处理而言，其关键技术是建立合理的数学模型。 2 问题分析 题目为我们提出了两个问题。其一是根据提供的视频，建立提取附录提供的视频图像的数学模型；其二是结合已提取的背景，建立计算车流量数学模型。问题一要求我们通过建立数学模型监视公路上是否有行使的车辆，并为提取视频图像，为相关参数如该车速、车牌、交通流特征等的获取做好前提工作。这一过程要完成2个任务，一是目标检测，即检测视频序列图像中被监视的场景图像是否有所变化，如果图像有变化，则说明有新的目标出现，反之则认为没有新目标出现；二是目标提取，即检测有目标时，把这个目标从视频序列图像中分割提取出来，为下一步目标跟踪和识别提供数据。问题二要求我们基于已提取的背景图像，建立合适的数学模型，并完成交通车流量的交通参数的计算。 为此，我们应该首先将附录中提供的视频压缩的AVI格式的文件保存在计算机中(每秒25帧，每帧320240像素)，然后再通过对视频序列进行数字化处理，提取出图像像素点(x,y)的灰度值，之后设计合理高效的算法提取出高质量的车辆二值化图像，并应用已提取的背景图像，建立合适的数学模型，完成交通车流量计算，最后结合实验实际效果，分析模型的优缺点，提出模型的一些改进方向和扩展应用。 3 模型一 3.1 模型假设 假设1：假设为阴天，即不考虑车辆阴影 假设2：假设除车辆以外道路上没有其它运动物体 假设3：不考虑运动物体的临时停靠 3.2 符号说明 (x,y) ：二维图上的图像点 t ：时间 T ：阈值 i ：帧标号 N ：等分的灰度区间数 n S ：区间计数统计 ：灰度平均值 ：类直方图之和 ：类分离指标 ：t时刻背景图像中点(x,y)的灰度值 ：第i帧中点(x,y)的灰度值 ：t时刻路况图像中点的(x,y)灰度值 3.3 模型准备 图像数字化：将图像分成X,Y的二维坐标