视频智能监控道路拥堵度方法.docxVIP

　　1．前言近来，视频监控技术被广泛应用于交通管理中。 　　监控网络的规模越来越大，但是人工监控效率低，因此使用自动化智能视频检测技术检测道路拥堵状况显得尤为必要，尤其在交通繁忙的大城市。 　　实时道路拥挤度信息将为交通运行计划和调整路线提供了可靠及时的依据，对于交通管控具有重要意义。 　　运动目标检测目的是对序列图像使用信号检测的方法自动分离出运动像素点和静止的像素点，将变化区域从背景图像中提取出来，依据前景目标所处的背景环境，可以将运动目标划分成两类静态背景下运动目标检测和动态背景下运动目标检测，目前主要使用前者[1]。 　　2．车辆拥挤度估算原理21建立模块根据实况拟定了拥挤度估算模型，它包含了3个子模块移动物体模块，车辆识别模块，交通拥挤度计算模块。 　　如图1所示，在移动物体检测器中，移动目标的检测是采用了背景估算方法；在交通拥挤度计算器中，对交通拥挤度的计算是在连续的帧中对车辆图像进行识别[2]。 　　22移动目标检测移动检测被应用到每一帧并且按以下步骤进行操作首先，图像背景被从当前图像中分离出来并且设定的临界点被应用到不同的矩阵中；然后，通过分析背景和当前帧图像的不同用以检测移动目标；最后，背景连同当前帧被一同更新给后面的帧。 　　将当前含有的运动目标的图像帧和图像背景相减，如公式1，其中为作差后的结果；其次将计算结果在一定阈值限制下进行二值化，如公式2，判断出当前图像中出现的偏离背景模型值较大的那些像素，其中为含有目标的二值化图像，由于运动物体和背景的灰度或色彩上存在差别，相减、阈值操作得到的结果直接给出了目标的位置、大小、形状等，从而得到了比较完整的信息[3]。 　　静态背景当前帧和背景的差异图2背景被从当前帧分离出来，不同的矩阵被应用到一个临界点，灰度水平超过临界点被表示为1；灰度水平不及临界点被标示为0，图2中运动目标被标示为白像素，使用如下公式1和2进行表述[4]=-1带有行和列的差分矩阵带有行和列的当前帧矩阵带有行和列的背景矩阵1，＞0，≤≤2一旦获得显示当前帧和背景之间的差的二进制矩阵，该矩阵被分析用来检测运动目标。 　　在矩阵中的最大区域被检测到。 　　例如图2所示，有3个目标被在矩阵中标识出来。 　　为了能够对检测到的移动目标进行分类，应当提取尽可能多的信息,显示在表1中。 　　23交通拥挤度估算方法1在上面介绍到的两个子模型中运动目标检测模块和车辆识别模块，每一个视频帧是被单独处理的。 　　在交通拥挤度计算器子模型中，为了计算在一个给定的时间段内通过某一路段的机动车数量，在该时间段内监控该路段的某一摄像机的所有视频帧一起处理。 　　路况视频的记录以帧秒为单位连续拍摄，因此，相同的车辆将被摄入到连续的帧内。 　　在交通拥挤度计算器子模型中，在给定时间内通过某一路段的车辆数量将会通过在连续帧内车辆的位置来计算。 　　在某一时间段内交通流密度的计算参考下面公式[5]。 　　某类车辆交通流密度=3道路车辆交通流密度=∑=1=∑=14其中，表示在时间段内通过该路段的某类型车辆数量；为车辆类型=1,2,3…。 　　2由于小波变换在时域和频域都有良好的局部化性质，有多分辨率的特点，通过一次小波分解可以对感兴趣的部分进行提取和处理，这样就简化了运算的复杂性。 　　这里用作为小波分解的基函数，如公示5ψ=1,0≤＜12-1,12≤5它是比较简单的正交函数，与其它正交函数比，它的算法简单，所以本文使用它，最重要的是它常常在不显著降低质量的前提下对信号进行压缩，解决了错误跟踪问题[3]。 　　3实验结果与实时视频中的模型应用本文的实验采用的帧图像的分辨率为480×640像素，格式为，在开发环境下编译图像处理。 　　对广州市天河区广园快速路段进行实验，并得到满意的效果。 　　在选取的视频中，共有3条相互平行的车道，把它应用于该模型的应用中。 　　所拍摄的视频长约53秒，以秒3帧的速度拍摄视频，共得到161帧图像。 　　由于选取的是其中一条道路，矩阵中的其余部分不被计入并且只计算选定道路的背景，如图3所示。 　　利用公式2，并选取阈值，如果阈值选取的值越小会导致图像出现不相关的细节；相反，如果阈值选取的值越大，图像出现的相关的东西越明显。 　　如图4所示差分矩阵用来识别车辆影像。 　　交通流密度随即计算出来。 　　在进行试验的53秒中，共有62辆车经过该路段，通过本文介绍的方法计算出来的数值也是62，与实际完全一致。 　　用一维小波分解来证明背景图像的提取的可靠性。 　　下面是作为运动目标识别的效果。 　　4．结论使用背景分离法可以很快地测出图像上的移动目标；算法简单并能很好地满足系统的实时性的要求，但由于图片常会受到天气和日光的影响，采用的方法需要经常改进