一个有效的视频停车放事件检测算法

文摘

实时、准确检测路上停车和删除事件是很重要的,为了避免交通事故。现有的检测算法需要准确建模的背景,和大多数人使用二维图像的特征,如区域来区分目标的类型。然而,这些算法显著依赖于背景,缺乏准确性的类型的区别。因此,本文提出了一种算法用于检测停车和删除对象,使用真正的三维信息来区分目标的类型。首先,异常区域最初定义的基于状态的变化,当一个对象之前,并不存在的交通场景。其次,初步确定异常区域的双向跟踪来确定停车的面积和删除对象,和eight-neighbor种子填充算法用于段停车和删除对象区。最后,三个视图识别方法提出了基于逆投影区分停车和删除对象。方法是基于三维结构的匹配车辆的身体。此外,车辆提取的三维线框的投影可以用来匹配车辆的结构模型,和车辆模型可以进一步确认。建立车辆的三维线框是有效的,可以满足实时应用的需要。 And, based on experimental data collected in tunnels, highways, urban expressways, and rural roads, the proposed algorithm is verified. The results show that the algorithm can effectively detect the parking and dropping objects within different environment, with low miss and false detection rate.

1。介绍

随着交通运输在现代生活的要求,如快递和物流,城市机动车辆的数量继续上升。机动车的数量的增加也带来了一系列的问题,如停车和删除事件,降低道路交通效率(1]。因此,准确检测停车和删除事件实时的道路上是一个关键因素,以确保生命安全交通系统(2]。

停车和投掷物体是静态目标在交通场景。这种目标的检测算法intelligent-traffic-incident-detection系统国内外发展主要分为两个步骤:目标区域检测和目标类型分化。

目标区域检测方法有两种:跟踪法和nontracking法。

跟踪方法检测静止目标通过分析前景目标轨迹的特点。例如,Bevilacqua et al。3]首先得到前景目标背景的区别;其次,使用光流法跟踪目标;最后,分析目标中心位置的位移。如果目标中心位置的位移移动一个小范围内已有一段时间,认为停车事件发生。这种方法实现起来比较简单,但有一个问题,如果检测到停车场停车期间。吴Bing-Fei et al。4提出了隧道事件检测系统。首先,执行背景提取;那么前景目标是通过减去背景;最后,目标跟踪。考虑到停放车辆的运动很小,车辆的平均距离计算使用轨迹线来确定停车事件。居尔et al。5)使用对象跟踪和现场描述层(背景)来检测车辆停了下来。算法的基本思想是使用场景中的对象跟踪来跟踪目标。当检测到一个像素仍然作为一个像素,它是与现场描述层。两个相似时,像素是一个静态的目标。可能会减少,反之亦然。虽然i-LIDS方法使用样品的测试,精度可以满足,包括停车场场景和现场遗留包。但是仍然存在两个缺点:一方面,快速变化的背景是一个停车事件。另一方面,当场景描述层本身包含一个静态车辆,车辆离开的地方是误检测的地方停车事件发生。在交通场景交通流量大,很难提取背景图像,不包含任何车辆。张贝贝et al。6)使用粒子滤波算法结合OSTU阈值来检测静止的目标。这种方法的最大问题是阈值的选择和造成的假阳性分割后无效。Akhawaji R et al。7)用混合高斯模型背景模型和使用卡尔曼滤波来检测静止目标在禁止区域。该算法对光照敏感和交通是拥挤时容易失去目标。他T et al。8)使用特殊的GPS点地图匹配和跟踪索引,然后模拟正常的轨迹,提取特征,并使用分布式测试来检测非法停车。

nontracking方法主要依赖于背景建模和分析的前景像素时间序列特性来检测静止的目标区域。例如,Fatih Porikli et al。9)使用双重背景方法检测停车垃圾。该方法不使用任何跟踪技术来检测异常事件只有减去背景。基本思路如下:首先,两个混合高斯模型是用于建立两个背景不同的时间常数(短背景和长背景)和在线使用贝叶斯更新机制实时更新这两个背景。其中,简短的背景从运动还描述了最近的目标,和漫长的背景描述了场景的真实背景。当场景中前景像素时,分别与两个背景,进行比较。当像素非常类似于短背景和有一个大区别长背景,像素被认为是一个静态目标像素。如果一个像素是连续的这是一个静态目标像素在一段时间内,而且像素标记为异常像素。这个方法有一定的实时性能,但是抗干扰差,和时间常数时建立一长一短的背景和背景是很难确定的。Stauffer停车等人提出了一种检测算法,利用差分法实现目标提取。该算法具有较强的实时性能。 However, its biggest shortcoming is that when the target type is identified, the interference caused by other factors (such as pedestrians, bicycles, etc.) is not filtered out, resulting in an increase in the false positive rate. Zhao Min et al. [10]表明,为了避免假阳性率太高了,首先,混合高斯模型用于获取疑似前景运动目标的背景提取与更新;然后,稳态变化的前景目标检测分析了静止的目标。该方法的有两个主要缺点。首先,计算量大。第二,当训练时间太短和背景模型不是训练有素,估计前景目标为背景,从而影响静态目标的检测。

交通场景中的静态目标主要分为停车和投掷物体,所以静态目标之间的区别是停车和投掷物体之间的区别。目前的算法主要是利用目标的二维特征来识别它。宏宇(例如,王Dianhai和胡11识别车辆目标的区别和在前景目标的目标区域。然而,由于相机的角度,等等,投掷的目标物体在接近现场发现并没有太大的区别从车辆检测的目标区域在遥远的观点。基于目标区域的检测,μChunyang [12)使用的脚腕椭圆拟合,轮循环和紧凑的特征提取识别停车事件。

今天的机器学习(13)应用程序对图像有很好的性能,但是我们使用的传统的方法仍然有优点:(1)今天,当机器学习是普遍的,它并不意味着放弃传统的方法。深入研究的传统方法是我们一直在做的,是有价值的。(2)在不久的将来,我们希望在嵌入的方向继续发展。机器学习的昂贵成本限制了我们所提议的方法。因此,我们选择了基于三维信息的方法对车辆进行分类。

通过调查研究基于视频的停车和删除对象,大多数算法检测中的关键问题停和丢弃的对象主要是在两个方面。第一个问题是如何检测的目标,这是算法的核心部分。跟踪和nontracking方法通常用于检测目标区域。这两种方法都需要提取和更新背景。然而,低能见度等复杂交通场景下,交通流量大,和强烈的灯光变化,很难提取一个理想的背景图像。第二个是如何区分目标类型。区分目标类型时,目标是常用的二维特性,但相机的成像过程是一个空间减少的过程。在这个过程中,目标规模将经历重大变化和几何变形。因此,这些方法利用图像特征识别目标有很大的局限性。针对这两个缺点,它具有重要的理论和实用价值,研究算法检测停车和删除对象,不依赖于目标识别的背景和使用真实的三维信息。

本文上述问题进行了研究,提出了一种新方法。收集的实时视频摄像机作为数据源。图像分析和处理的程序用来实现停车和垃圾的自动检测和反馈活动。它主要分为以下三个步骤。首先,基于状态演化,初步确定异常区域的图像。其次,双向跟踪和eight-neighbor种子填充算法部分的停车和下降区图像。最后,是用来区分目标的三维信息。

2。初步确定异常区域图像

异常的检测区域是整个算法的核心,所以选择一个合适的侦探算法是要考虑的第一个问题。目前的算法检测太依赖于背景和计算量。我们将使用状态变化来检测异常区域,可有效避免上述两个缺点。

异常区是指图像区域稳态变化。算法的基本思想如下:首先,图像预处理突出有用的信息,提高后续检测的准确性奠定了基础。其次,异常区域的检测进行了基于状态的变化,并给出解决方案的一些缺点。最后,提出一种改进的算法检测,结果改进前后进行比较和分析。

2.1。图像预处理

捕捉视频图像时,相机将受到光照变化等因素的影响和噪声污染,这将影响捕获的图像。为了不影响算法的结果,将预处理的图像图像增强、边缘提取和中值滤波。

2.1.1。图像增强

在晚上或烟雾的情况下,收集到的交通视频图像的对比度和颜色会退化,很多有用的信息将覆盖,这对后续的算法是非常不利的。在图像增强的算法,基于灰度变换的灰度变换部分,由于自身的优点得到了广泛的应用,如简单和多样化的转换函数(14- - - - - -16]。在本文中,原始图像是由三级处理线性变换,如图1。表达式如下:

在图1f (x, y)代表了原始灰度值在(x, y), g (x, y)代表灰度值在图像增强后(x, y),和M的最大灰度值是255。和图2显示了原始图像和增强的图像。

比较这两个图片,可以看出,显著提高对比度的增强图像。

2.1.2。边缘提取

边缘是图像的最基本的特性,这是不变的光的变化,为了减少对检测结果的影响,边缘提取是图像增强后应用。有许多经典的运营商边缘检测(17后,考虑到检测效果,实时性能和运算速度。我们采用一个简化的一阶微分算子,利用当地的差异找到图像的边缘。其表达式如下: f (x, y)代表原始灰度图像和E (x, y)代表了边缘增强灰色的图片。实验结果视频图像边缘增强的西安南二环路的运营商在图所示4 (c)。

2.1.3。中值滤波

在收购的过程中,传输,存储,任何过程可能引入噪声,噪声的存在严重影响边缘增强的结果。因此,有必要消除干扰检测到的边缘图像。中值滤波器(18]也过滤掉噪声,同时保持图像的边缘。的基本原理如下:选择一个对称的区域集中在图像中每个像素,和排序的所有像素值区域,采取中间像素值作为当前点的像素值。图3是水平直线的结果类型窗口过滤图4 (c),可以发现,图像质量明显改善,和边缘的图像保存完好而过滤噪音。

2.2。基于状态变化异常区域的决心

通常图像中每个像素的灰度值不会改变了很长一段时间。只有当前景目标从像素区域,点的灰度值将会改变,当前景目标,像素灰度值的变化大于变化造成的环境影响。因此,当它检测到有一个图像中像素点的灰度值变化很大,这意味着状态变化,确定存在的前景对象。检测到的灰度值的变化可能是由于移动目标通过检测区域或目标进入检测区域和停止。因此,为了正确检测到停车和删除对象,有必要删除造成的灰度值移动目标通过检测区域。

像素灰度值突然变化时,回到最初的灰度值在短时间内,它表明,移动目标通过区域,但不停止。当像素灰度值突然变化,保持稳定,表明该像素点的前景目标,很有可能停车或删除事件发生。因为单个像素包含信息太少,没有考虑周围像素的影响,使用的块为基本处理单元。

图5显示了一个块的纹理的变化在两种情况下,运动物体经过检测区和移动物体进入检测区域和停止。

从图可以看出5移动物体时,通过检测区域,灰色的价值观两个稳定状态是没有多少不同。然而,当运动物体停止检测区域,灰色的两个稳定状态值大大不同。为了摆脱依赖背景,初步确定了异常区域比较后的图像块的两个稳定状态之间的差异。

2.2.1。基本概念

(1)图像分割。视频图像的尺寸为720288年,分为维度8块6,所以图像分为9048块。块的坐标图所示6。

(2)悲伤的价值(绝对差的总和)。悲伤表示像素的绝对值之和灰色块之间的差异在相应的位置。摘要悲伤主要用于两个方面:一是当前帧之间的相似性匹配模板框架;另一种是当前状态和参考之间的相似性匹配状态。因此,任何阻挡在时间t的悲伤的计算公式如下:

(m, n)代表当前帧之间的悲伤值和模板帧块坐标(m, n)。(m, n)代表伤心值之间的当前状态和参考状态块坐标(m, n)。(x, y)(x, y)代表灰度值的像素坐标(x, y)在当前帧和模板框架。(x, y)(x, y)代表灰度值的像素坐标(x, y)参考状态和当前状态。x = 0,1,…, w1。h - y = 0,1,…,。颈- 1 m = 0,1,…,。n = 0,1,…, R。

(3)定义的异常。本文检测区域是整个图像中车道。对于任何小块检测区域,只有两种状态:一条道路状态和异常状态;后者代表停车或下降。如果一小块保持状态,小块被认为是在一个稳定状态。异常块文本指的是一个图像块,从道路稳定状态变为异常稳定的状态。

2.2.2。算法描述和实验结果

在基本概念的基础上,本节将介绍算法的核心。根据上面的图像分割方法中,一个计数器C (m, n)的初始值0和异常国旗D1 (m, n)和D2 (m, n)的初始值为图像中的每一块设置错误,(m, n)是块坐标。异常标志D1 (m, n)是用来标记块是否满足状态变化,和D2 (m, n)是用来标记块是否满足双向后向前轨迹但没有向后轨迹跟踪。首先,第一帧图像的视频分配给模板框架,然后从第二帧图像,检测到每个图像块按照下列步骤。

首先,计算(m, n)块的当前帧和相应的块模板框架根据公式(3)。如果(m, n) < Thsad,那么数据块的当前帧匹配模板的数据帧,和柜台C (m, n)是增加了1。否则计数器复位,模板中相应的数据块更新的当前帧的数据块。

其次,当计数器的值C (m, n) Tha达到阈值的灰度值块在当前帧保存。如果阈值达到那第一次,灰度值保存到(m, n);否则它是保存到(m, n)。

第三,当计数器的值C (m, n)达到阈值有彩虹(有>那)时,物体的灰度值保存在当前帧(m、n)和计算根据公式(m, n) (4)。如果(m, n) < Thc,这意味着地位没有改变。否则,D1 (m, n)设置为True,表示块是一个例外。参考状态更新为当前状态无论状态改变与否;也就是说,(m, n) =(m, n)。

为了验证上述算法的有效性,实验进行了四个场景:重庆高速公路,西安南二环路,南第二个环公共汽车专用车道,西安和上海复兴隧道。实验结果如下。

在数据7- - - - - -11(一个)显示,禁止停车或删除事件,(b)图中的红色圆圈指示异常事件,和(c)的绿色形象块图表示检测到异常的区域。

从数据可以看出7- - - - - -11,该算法可以有效地检测异常块的图像。但通过数据12- - - - - -14,发现该算法对光照太敏感,图像噪声等。

2.2.3。存在的问题和解决方案

为了消除假警报,该算法进行了分析,发现有以下缺陷。

(1)移动目标纹理。一些假警报由于图像噪声包含更少的边缘信息。例如,在edge-enhanced图块(6、30)的人物15的灰度块放大发现纹理变化平稳,灰度是主要集中在0和13之间,和物体的总灰度值较低。移动物体的边缘信息,如车辆和删除对象更加明显。物体的灰度分布(51)图16更分散,总灰度值明显高于块(6、30)如图(15日)。

因此,可以判断是否异常块根据总灰度值图像块,计算公式如公式(5)。

(2)附近的车辆对测试结果的影响

道路部分进行实验与不同交通密度,它可以发现所需的时间来检测道路交通密度较低的部分异常(图像帧数)是短于交通密度高。如数据所示7- - - - - -11,大约需要100帧检测异常高速场景在重庆。它大约需要150帧检测异常现场在西安南二环路。

图(17日)显示了视频图像的实时西安南二环路的交通密度大的地方。把红色方块(67年,16)作为一个例子,图17 (b)显示了圣的曲线和计数器C在t时间。和两条曲线显示,有8个汽车经过时间和干扰测试的结果。这使得柜台无法达到阈值λ,这意味着不能达到稳定状态。

从图17 (b),它可以发现物体的计数器C(67年,16)到达更高的价值δt期间三次,如图所示在三分A, B, c和这三个时期,柜台积累是由于车辆匹配的模板,因此可以考虑连接计数器,以便阻止更快地达到稳定状态。计数器的状态δ被称为潜在的稳定状态。因此,相邻的潜力之间的差异在时间序列可以被认为是稳定状态,如果差异很小,计数器是累积的。

(3)缓慢变化的影响实验结果。异常块数据12 (c)和13 (c)是一个假警报在照明由于缓慢变化。图18是圣和计数器C曲线的图形显示一块假警报(29)图吗13 (c)。

从图可以看出18 (b)的圣块变化平稳;即使在点(红色椭圆),圣当计数器值是清除由于超过阈值Thsad从以前的圣价值并没有太大的区别。从图可以看出19 (b)当计数器,圣会突然变化是清除造成的车辆经过。在这种情况下,考虑圣之间的关系变化的E帧计数器之前清除(的计算量,一般需要200)和当前圣,并确定是否这是一个假警报由光照引起的。

摘要历史圣的方差值是用来测量变化。具体计算公式如下:

μ(m, n)代表的均值SADT的块(m, n)在E框架和之前δ(m, n)代表SADT的方差。如果当前SADT (m, n)的块(m, n)超过阈值Thsad,变化是比SADT慢(m, n)的框架,和(m, n),μ(m、n)δ(m, n)的块(m, n)满足公式(8)。造成的假警报被认为是一个缓慢变化的照明,和柜台直接清除。否则,它是由过往的车辆,和计数器是累积的。

在公式(8),从而改变根据现场的价值,是基本价值,一般 ,和 。

2.2.4。改进算法和实验结果

基于该算法提出了部分2.2.2,本节全面考虑了边缘信息和历史圣的变化改善算法。StateFlag1 (m, n)和StateFlag2 (m, n)的初始值都是假显示块是否有潜在的稳定状态和稳定状态。使用PotentialState (m, n)保存潜在的块的稳定性。具体步骤如下。

第一帧视频分配给模板帧,然后从第二帧,每个图像块检测如下。

步骤1。计算(m, n)块的当前帧和相应的块模板框架根据公式(3),并记录(m, n)。

步骤2。如果(m, n) < Thsad,那么当前帧数据的块匹配模板帧数据,和柜台C (m, n)递增。否则,历史SADT块的均值和方差计算方程(6)和(7)。如果公式(8)可以满足,计数器是清除和相应的数据块的模板更新的当前帧数据块。如果计数器达到阈值δ(δTha)和< StateFlag1 (m, n) = False,当前块的灰度值保存到潜在的稳定状态PotentialState (m, n)。计数器的值后C (m, n)保存PeekC (m, n),柜台了,和StateFlag1 (m, n)被设置为True。如果计数器C (m, n)达到阈值和StateFlag1 (m, n) = True,当前块的灰度之间的悲伤和潜在的稳态PotentialState计算(m, n)。如果悲伤< Thsad,连接柜台,柜台峰值是分配给当前的计数器,C (m, n) = PeekC (m, n)。

步骤3。如果计数器的值C (m, n)达到给定的阈值那和StateFlag2 (m, n) = False,这意味着计数器达到阈值那第一次,然后灰度值存储在(m, n)和StateFlag2 (m, n)被设置为True。否则它是保存在(m, n)。

步骤4。当计数器的值C (m, n)达到一个给定的阈值有彩虹(Tha)有彩虹>),(m, n)根据计算(4)。如果(m, n) < Thc,这表明稳定状态没有改变;否则转到步骤5。参考状态更新为当前状态无论状态改变,也就是说,(m, n) =(m, n)。

步骤5。计算当前块的像素值的总和使用(5)。如果GS (m, n) < Thd,块的异常国旗D1 (m, n)设置为假;否则它被设置为True,表示块是一个例外。

为了验证改进算法,比较的结果。如数据所示19,20.,21改进算法大大降低了假警报,更能适应复杂的环境。从图可以看出22,原算法可以检测出异常的第786帧,和改进算法可以检测出异常的第755帧。因此,改进算法有显著提高检测速度。

3所示。分割的停车和下降区域形象

异常区域检测到第二部分不可避免地包括照明变化造成的影响,噪音,等。因此,本节首先对选择执行双向跟踪异常区,这决定是由停车或一个降落伞事件引起的。eight-neighbor种子填充算法是用于分析最后段异常区域停车和下降区。

3.1。双向跟踪来确定停车和下降的地区

停车和删除对象状态的休息和运动的前进轨迹的特征没有落后的轨迹。然而,造成的假警报的影子没有这样的特性,所以检测出异常区域的双向跟踪可以进一步减少假警报,提高准确性。

3.1.1。角落里提取和匹配

图像中的像素点的亮度变化剧烈和曲率的最大值的像素点在图像的边缘曲线被称为角点,其中包含很多重要的信息(19]。摘要(20.]角落提取算法通过计算获取角落使用灰度方差。该方法不依赖于其他对象的地方特色和具有速度快和实时性能。

图23显示了检测的结果。

收购后的角点异常,为了追踪异常块,有必要找到角点的位置在接下来的时间序列匹配的角点。匹配过程的过程中寻找最大的位置相似度给定的模板在搜索区域。常用的匹配方法(21)包括块匹配法、像素递归法,相位相关法和空间特性的方法。与其他方法相比,块匹配方法(22有小的计算和容易实现的特点。因此,块匹配方法用于获取异常块的运动轨迹。

需要使用块匹配方法匹配的准则来衡量两个小块之间的匹配率,因此有必要选择匹配的标准。和匹配的标准直接影响跟踪精度和计算量。常见的匹配标准(23)平均绝对误差(疯狂),均方误差(MSE)函数,归一化互相关函数(NCCF),绝对误差和(SAD)。

其中,MSE准则和NCCF标准需要更多的乘法操作,时间复杂度较高,很少使用。悲伤的计算量小于疯狂,和实现简单,方便,广泛使用。因此,本文使用悲伤作为选择标准最优匹配点。

3.1.2。双向跟踪算法

首先,在初步异常块,点P的角落₀(x, y)这次获得的算法。

第二,阅读m-frame形象接近的初步异常块,与P和向后进行跟踪₀作为初始点。找到最佳匹配点根据前一帧的悲伤的标准与P₀作为初始点。围绕 ,继续找到最佳匹配点的n - 2框架。等等,如果目标跟踪轨迹跟踪器( , ,… )可以,去(3)转发跟踪;否则异常块不会被处理。

第三,向前追踪和P₀作为初始点。找到最佳匹配点根据悲伤与P标准在下一帧₀作为初始点。专注于 ,继续找到最佳匹配点的N + 2帧。通过这种方式,如果目标跟踪轨迹跟踪器( , ,无法获得…),异常标志D2 (m, n)的异常块设置为True。

从图可以看出24双向跟踪后,停车或删除对象必须满足的特点有一个向后轨迹前进的轨迹。

3.1.3。分析双向跟踪实验结果

检测结果的比较之前和之后的双向跟踪图所示25。可以看出双向跟踪后,由于阴影之类的假警报已被完全消除。

3.2。分割的停车和下降区基于连通域分析

停车后和下降地区双向跟踪包含许多异常图像块,构成实际的目标区域。因此,为了进一步确定目标区域的位置和大小和细分目标区域,图像的连通域分析执行单位的图像块。

3.2.1之上。常见的连通域分析算法

一个图像中相邻区域位置和相同像素值通常被称为一个图像连通域。的过程中发现和所有连通域标记图像称为连通域分析。有许多连通域分析的方法。这里有两种最常用的算法:双行程扫描和种子填充。找到所有连接域的方法在图像和标记他们反复扫描图像两次被称为双行程扫描法(24]。种子填充常被用来填补图形。选择前景像素作为种子,然后所有前景像素邻近种子地位和拥有相同的像素值作为种子被称为连接领域。

上面是两个基本的连通域分析的方法。针对双行程的需要两个扫描图像的扫描方法,需要和大量的空间来存储之间的平等关系标记,种子填充法用于分析连接区域的异常区域。

3.2.2。算法描述和实验结果

异常块检测后,异常D1 (m, n)和D2 (m, n)的每个图像块存在以下三种情况:

第一个是D1 (m, n) = False和D2 (m, n) = False,这意味着图像块既没有状态变化也没有跟踪特性。

第二个是D1 (m, n) = True和D2 (m, n) = False,表明图像块状态变化但不满足跟踪特性。

第三种类型是D1 (m, n) = True和D2 (m, n) = True,表明图像块状态改变和轨迹特征。

图像块的第二种情况是异常区域最初决定的,和图像块引起的第三例异常区停车或删除事件的发生。

(1)算法描述。首先,扫描图像行单元的图像块。如果异常块扫描,一个新的连接地区被认为是出现。(一)当前扫描异常块播种和标记。和上、下、左、右连接区域的边界将异常的边界。然后,八个相邻图像块异常块按顺序扫描,如果有异常块,所有异常块被压入堆栈。(b)弹出堆栈块的顶部,使相同的标志,和更新的四个边界连接域根据异常块的位置之间的位置关系上,低,左和右边界。然后,八个相邻图像块异常块按顺序扫描。如果有异常块,所有异常块被压入堆栈。(c)重复(b),直到栈是空的。然后用四种已知边界连接区域找到图像中,和所有的异常块连接区域的标记为真实的。其次,重复第一步,直到结束的扫描。

扫描后,所有可以找到图像中的连通域。所有异常块在每个连通域有相同的标记,和四个每个连接域的边界可以派生。通过考虑每个连通域作为一个目标区域,您可以确定每个目标区域的位置和大小,如图26。

(2)分析的结果。从图可以看出26,上面的异常区域得到连通域分析算法比实际的小异常区域,有一个情况相同的异常目标分为异常目标的多元性,严重影响后续处理。

3.2.3。存在的问题和解决方案

上面的连通域分析的方法有缺陷,主要体现在以下两个方面:(1)由于光照的干扰,车辆,行人,等等,每个图像块的时间异常目标达成异常状态可能不同,如图27。

在图27是异常的目标,每一块的灰度值是不同的。灰度值越大,时间越少块达到异常状态。

针对这种情况,有必要保存异常检测到异常块的国旗一段时间(通常为2 ~ 3秒)。如果一个图像块异常国旗D1 (m, n) = D2 (m, n) = True绕着街区出现在这段时间里,被认为满足相邻块的状态。(2)当使用双向跟踪方法来减少误报造成的阴影和其他障碍,一些图像块异常目标也会被删除。从而导致最初连接区成为nonconnected区,和一个目标成为多个目标。因此,当进行连通域分析,所有的图像块异常旗D1 (m, n) = True和邻近种子被压入堆栈。(初始种子必须异常块)。

3.2.4。改进算法和实验结果

根据两个缺点提出了部分3.2。3连通域分析方法得到了改进。具体步骤如下。

首先,扫描图像行单元的图像块。如果异常块扫描,一个新的连接地区被认为是出现。(一)当前扫描异常块播种和标记。和上、下、左、右连接区域的边界将异常的边界。然后,八个相邻图像块异常块按顺序扫描,如果有图像块异常标记D1 (m, n) = True在这八个图像块,所有的块都推到堆栈上。(b)弹出堆栈块的顶部,使相同的标志,和更新的四个边界连接域根据异常块的位置之间的位置关系上,低,左和右边界。然后,八个相邻图像块异常块按顺序扫描。如果有异常图像块标记D1 (m, n) = True在这八个图像块,所有的块都推到堆栈上。(c)重复(b),直到栈是空的。然后用四种已知边界连接区域找到图像中,和所有的异常块连接区域的标记为真实的。其次,重复第一步,直到结束的扫描。

扫描完成后,所有图像中的连通域可以获得;同样,每个连接域被认为是一个目标区域,和实验结果如图28。

通过比较图26与图28,它可以发现异常地区得到改进的连通域分析方法更准确。

4所示。停车和删除对象的分离

在前一节中所做的工作只是定义了图像中的停车和下降区,不区分目标类型,也就是说,无论是停车或下降。分化等地区的传统方法,运动的方向的变化率,平均速度有局限性。本节描述如何使用3 d区分目标信息。

4.1。校准

摄像头捕捉图像或视频的使用将导致目标信息的损失,这将导致一系列的问题,如几何变形和规模变化在处理交通场景图像。如果您可以使用图像来恢复空间中的对象和使用对象本身的属性,这些问题将被完全消除。在这种环境下,相机标定技术诞生了。这项技术的主要目的是定义相机的内部和外部参数在特定的成像模型,然后建立图像像素坐标系和世界坐标系之间的关系。

相机成像过程可以被描述为其成像模型。在本文中,我们使用一个线性成像模型校准,从而使计算更容易。

与校准技术研究的深入,许多学者提出了一个代表标定方法(25]。1981年,马丁斯(26)提出了一个算法使用两架飞机进行摄像机校准。这种方法简化了求解的过程基于满足校准精度。1986年,R.Y.蔡(27)建立了蔡相机模型,并提出了一种两步标定方法。这种方法简化了求解的过程的基础上满足校准精度。1998年,张诤友28)提出了一个使用2 d平面目标的相机标定方法。这种方法只需要做一个校准板,然后在不同的角度拍摄校准板。通过检测功能在每个角落的照片,你可以估计相机的内部和外部参数。该方法具有成本低、精度高、等,已被广泛应用。2014年,郑元(29日)提出了一个基于消失点的相机标定方法。其原理如下:只要消失点在图像形成的平行线在空间三个方向,和相机的高度空间或一个已知距离路面或高度垂直于路面,你可以找到相机的内部和外部参数。

考虑的存在大量的并行标记在交通场景,和国家统一标准的尺寸这些标记。因此,这些标记线的使用不仅可以轻易找到三个方向的消失点,但也容易找到一条线段已知距离的图像。因此,在本文中,采用基于消失点的相机标定方法提出的郑元et al。

由于直接线性变换(DLT) [30.需要6个已知点作为输入,这六个点需要特别标记的决心31日]。如果这样的标志不能被发现在现场校准(32),不能完成校准。没有使用已知的点作为输入,和校准可以通过场景的DLT不能校准只使用一些路面上的标记和已知的相机参数。校准通常使用消失点在图像表现。

4.2。停车和删除对象区分方法基于图像逆透视映射

捕获的图像的相机是一个立体的二维投影,在数学上称为角度映射。根据摄像机成像模型,靠近相机,更大的对象。在投影和图像变形和物理尺寸信息已经丢失。

摘要逆透视映射法(33)是用于建立映射二维图像平面和三维空间之间的关系,以消除变形和恢复对象的物理尺寸(34]。点在3 d空间映射到图像是独一无二的,但也有许多可能性逆角度从2 d图像映射到三维空间(35]。点在一个图像对应点在多个3 d空间。

如果一架飞机提前确定在三维空间中,飞机上的点一一对应的二维图像,,飞机被称为投影平面上。通过这种方式,二维图像中的数据可以映射到投影平面获得地图,其中包含的信息投影平面上。和投影平面越接近物体的表面(36),更准确的表达物体的三维信息。

我们设置了投影表面异常区和得到的真实规模异常目标通过相应的投影图。如果尺寸接近真实车辆的大小(37),目标被认为是停车;否则它是一个下降的对象。

4.2.1。准备算法实现

步骤1。异常的像素区域,外切矩形区域的车辆图像,并检测到车辆的三维模型框架大致确定根据外切矩形,如图29日。

步骤2。Extractan边缘外切矩形区域的车辆,并构造逆投影的三维模型框架的底面获得边缘地图。边缘地图,本文提出的直线段提取方法(在部分4.2.3)是用来提取边缘线的车辆底盘前部和侧,并记录两条线的交点P。提取结果如图30.。

步骤3。定义的面积是平面包含底线(红色的数字31日和32)和垂直于路面和三维模型框架的十字路口,这是逆投影的车的前面。根据逆投影的原理,然后反向投影图像可以定义如图33,34,37,38。同样的,如图35和36,它是左视图。

步骤4。节中描述的线提取算法4.2.3用于左视图和前视图在步骤3中,得到结果如图39- - - - - -44。因为back-projected图像可以反映实际物理对象的大小,可以获得车辆的实际高度直接从最上面的线在前视图中。并假设车辆的高度H。

步骤5。步骤2中定义的十字路口P和车辆高度H在步骤4中定义,反向投影的位置可以确定顶视图,如图37,38,45。同样,直线检测的结果的前视图,如图43,44,46。

步骤6。目标的三维信息的定义是基于线的结果提取的三个观点。之间的直线距离左右的前视图定义对象的宽度。最左边的和最右边的线之间的距离在左视图中定义对象的长度。物体的高度从步骤4的主要视图定义。检测的结果最终的三维尺寸的白色车表所示1。

表1的评估过程是三维的大小车辆目标。如果没有正确执行上述步骤,然后异常区域被认为是放弃而不是停车场(38- - - - - -40]。例如,直线检测的数量在飞机上的反向投影太小或目标没有底盘边缘。如果所有的步骤都完成后,就可以确定目标是否车辆目标或根据三维信息。

4.2.2。反向投影的施工方法

有三个逆投影飞机参与本文的尾巴(或负责人),一边的车辆,如图48。反射影平面分为网格根据一定的分辨率。自反射影平面的位置已经确定,那么不良投影投影面积和逆投影面积之间的关系确定图像中,三维空间的坐标之间的一对一映射关系可以建立和图像的像素坐标(41]。具体施工过程映射每个像素点在图像上的投影面积相应的反向投影图像中的像素点,也就是说,复制信息反射影平面上的每个小格子的反向投影图像。如图48,m代表一个小网格逆投影平面,p表示m映射到一个像素点在图像,和议员代表一个像素点对应的网格m反向投影图像。因此,逆投影的过程映射像素点在图像像素点的反向投影图像。

从图可以看出48,一个反射影平面构造接近目标表面,和相应的反向投影图像目标表面的副本。目标表面的几何变形的问题,在图像由于相机角度是消除42),而真正的目标表面的特点很好地反映,和实际物理对象在图像的大小可以反映尽可能的真实。

4.2.3。检测直线的方法基于反向投影图像

在这个应用程序中,需要检测的线性段车辆的身体。和平滑设计现代汽车的生产过程使原始截然不同的直线段车辆的轮廓光滑和不显眼的。因此,提取直线的常规方法不能链接部分破碎的边缘和弯曲段曲率较小,检测到直线是容易破损。

本文设计了一种基于反向投影图像边缘的编码方法。如果是图像的边缘,是编码为1,而不是边缘的图像编码为1。计算,得到最大的线段的和提取的行所在的方向。边的一个编码的例子如图47。

这样的优点是,不使用霍夫变换等耗时且复杂的算法,直线修正使用投影图像,所以检测直线的算法只需要考虑垂直或水平。算法的复杂度降低,可以大大提高检测的准确性线,线和小曲率和地方骨折很包容。算法流程如图49。

4.3。实验结果和分析

本文的算法是实现在VC6.0环境下(43,验证了算法的有效性在不同的交通场景。论文中的算法在VC6.0环境下,实现和验证了算法的有效性,在不同的交通场景。由于文章的长度有限,5代表场景作为例子,包括西安南二环路,上海复兴路隧道、上海海外,北京延庆路段,和重庆高速公路。收集实时视频在这些场景中,使用该算法[44,45]本文设计检测停车和删除事件。测试结果如表所示2和3。停车试验的结果如表所示2。把测试的结果如表所示3。

从表可以看出2和3算法能更准确地检测停车和删除事件等低质量的视频场景的城市道路交通流和高速公路或高隧道与快速交通速度。其中,停车的识别率可以达到94%以上,减少对象的识别率可以达到92%以上,异常可以在5 s警觉。此外,错过的检出率和错误检测率的停车事件可以控制在10%以下,可以控制的漏检率下降至10%以下,和错误检测率控制在20%以下。因此,本文的算法具有较好的检测精度(46]。

5。结论

现有的算法检测停车和删除对象通常有两个缺点:重大依赖背景和不准确的停车和删除对象之间的区别。

针对上述缺陷,我们研究在两个方面:静止目标的探测和目标类型的分化。首先,根据状态变化的方法,当一个对象之前,并不存在的交通场景,场景中的异常地区初步定义,然后是最初确定异常区域双向跟踪,进一步确定目标从运动到静止的场景。最后,eight-neighbor种子填充方法用于细分目标区域。因此,减少依赖背景。只跟踪目标区域状态改变是必要的,大大减少了计算量。第二,使用目标的三维信息的方法来区分目标类型。首先,使用的区别特征点的预测来确定特征点之间的相对高度,并使用高度区分停车和删除对象。其次,建立一个公共汽车模型的三维线框模型。停车和删除对象是杰出的匹配上的线框模型的投影二维图像和目标区域的面积。第三,通过建立不同高度的逆投影平面,三维信息的长度,宽度,和高度的目标是获得,停车和删除对象区分大小的车辆。 This method of distinguishing target types using three-dimensional information can not only accurately distinguish the parking and dropping objects, but also roughly classify the models of stationary vehicles.

通过测试在大量不同的交通场景47),结果表明,该算法可以有效地检测停车和删除对象基于低检测率和误检测率和小姐能满足实时的要求。

数据可用性

测量数据用于支持本研究的发现没有提供,因为它属于地方政府的交通控制和管理在上海,西安,重庆,中国。

的利益冲突

本文作者声明,所有数据可用性是真实可靠的,没有利益冲突的出版物。

确认

这项工作是由陕西省科技计划的项目(批准号2014 jm8351),中央大学的基础研究基金(拨款2013 g1241109和300102248305号),以及中国的国家自然科学基金(批准号61501058)。感谢太阳将丽婷她做了伟大的工作。

引用

1. m·阿拉姆·d·莫罗尼g地区et al .,“实时智能停车系统集成分布式智能城市”《先进的交通工具ID 1485652条,卷。2018年,13页,2018。视图:出版商的网站|谷歌学术搜索
2. j·j·李,c . Liu x, y, t . Sellis和j·s . Culpepper”通过社交网络搜索总结个性化的影响力的话题。“IEEE工程知识和数据,28卷,不。7,1820 - 1834年,2016页。视图:出版商的网站|谷歌学术搜索
3. a . Bevilacqua和美国Vaccari实时检测车辆停在交通场景,”学报2007年IEEE会议上先进的视频和基于信号的监测DBLP,页266 - 270年,伦敦,英国,2007年9月。视图:出版商的网站|谷歌学术搜索
4. B.-F。吴,c c。花王,c c。刘,C.-J。风扇,C.-J。陈”,应用车辆检测和事件检测系统在Hsueh-Shan隧道,”学报2008年IEEE国际研讨会工业电子、ISIE 2008英国,页1394 - 1399年,2008年7月。视图:谷歌学术搜索
5. 美国居尔,j·a·西尔弗斯坦和i . h . Pushee“静止的对象在多个对象跟踪”学报2007年IEEE会议上先进的视频和基于信号的监测、AVSS 2007英国,页248 - 253年,2007年9月。视图:谷歌学术搜索
6. z贝贝和w的旗”,研究高速公路违法停车基于视频的实时检测算法,”电子科学与技术杂志》上,24卷,不。9日,20,2011页。视图:谷歌学术搜索
7. r . Akhawaji m . Sedky A.-H。苏,“非法停车检测使用高斯混合模型和卡尔曼滤波,”第14届IEEE / ACS学报》国际会议上计算机系统和应用程序,AICCSA 2017哈,页840 - 847年,突尼斯,2017年11月。视图:谷歌学术搜索
8. h .天府b·杰·l·瑞源et al .,“检测车辆非法使用共享自行车停车事件的轨迹”24日ACM SIGKDD国际会议的程序知识发现和数据挖掘,页340 - 349,伦敦,英国,2018年8月。视图:出版商的网站|谷歌学术搜索
9. f . Porikli”暂时静态区域的检测处理视频在不同的帧率,”学报2007年IEEE会议上先进的视频和基于信号的监测、AVSS 2007英国,页236 - 241年,2007年9月。视图:谷歌学术搜索
10. c . Stauffer和w·e·l . Grimson”学习活动的模式,使用实时跟踪,IEEE模式分析与机器智能,22卷,不。8,747 - 757年,2000页。视图:出版商的网站|谷歌学术搜索
11. D.-H。王,H.-Y。胡,Z.-H。李,z。曲,“非法停车检测和识别算法”,吉林大学学报(工程技术版),40卷,不。1,42-46,2010页。视图:谷歌学术搜索
12. m . Chunyang m .兴,z . Panpan“智能检测车辆非法停车区域融合的性质,”学报》第九届国际会议在下一代移动应用程序、服务和技术,NGMAST 2015英国,页388 - 392年,2015年9月。视图:谷歌学术搜索
13. x Xuemei, w . Chenye陈,光明,和赵z,“实时非法停车检测系统基于深度学习,”学报2017年国际会议上深度学习技术(ICDLT 17),页汽车ACM,纽约,纽约,美国,2017年。视图:谷歌学术搜索
14. r·e·卡尔曼“线性滤波和预测问题的新方法,”期刊的基础工程,ASME流体工程》杂志上,卷82,不。1、35 - 45,1960页。视图:出版商的网站|谷歌学术搜索
15. M.-H。林,j·g .•d通用电气,j .史和肯尼迪。蔡,“回顾分段线性化的方法,”数学问题在工程ID 101376条,卷。2013年,8页,2013。视图:出版商的网站|谷歌学术搜索|MathSciNet
16. 苏x, w•方问:沈,x,”一个图像增强方法使用研究粒子群优化的自适应策略,”数学问题在工程ID 824787条,卷。2013年,14页,2013。视图:出版商的网站|谷歌学术搜索|MathSciNet
17. 辛格,s . Saurav r·赛et al .,“综合评审和比较分析sobel边缘检测器的硬件架构,”ISRN电子ID 857912条,卷。2014年,9页,2014。视图:出版商的网站|谷歌学术搜索
18. l . Yu”图像噪声的预处理互动投影系统基于切换过滤方案,“复杂性卷,2018篇文章ID 1258306, 10页,2018。视图:出版商的网站|谷歌学术搜索
19. R.-Y。唐,Z.-M。曾,”自适应分数微分哈里斯角落视力测量表面粗糙度的检测算法,”数学物理的发展494237卷,2014篇文章ID, 6页,2014。视图:出版商的网站|谷歌学术搜索
20. j .汗s下榻的饭店,r . Adhami”特征点提取本地频率映射的一个图像,”电气和计算机工程杂志》上182309卷,2012篇文章ID, 15页,2012年。视图:出版商的网站|谷歌学术搜索
21. l .你问:Peng k . Zhang,钟,“自动化立体像对3 d场景重建使用多个从便携式four-camera摄影测量系统,”国际期刊的光学ID 471681条,卷。2015年,9页,2015。视图:出版商的网站|谷歌学术搜索
22. 李朱,l . j . Chen和k . Belloulata”和multiviews方法高效的序列分形视频编解码器,”数学问题在工程ID 853283条,卷。2013年,8页,2013。视图:出版商的网站|谷歌学术搜索
23. c . Choi和j .宋“快速运动估计算法使用双位平面匹配标准,”学报2014年第37国际公约信息和通信技术、电子和微电子学、MIPRO 2014克罗地亚,页398 - 401年,2014年5月。视图:谷歌学术搜索
24. z . w . Wu周、吴s和y,“自动分割肝脏体积CT图像使用supervoxel-based图削减,”计算和数学方法在医学ID 9093721条,卷。2016年,14页,2016。视图:出版商的网站|谷歌学术搜索|MathSciNet
25. 杨s . l . Wang Lin j . et al .,“动态交通堵塞模拟和耗散控制基于交通流理论模型和神经网络数据校准算法,”复杂性卷,2017篇文章ID 5067145, 11页,2017年。视图:出版商的网站|谷歌学术搜索|MathSciNet
26. h·a·马丁斯j·r·比尔克和r·b·凯利”相机模型基于数据从两个校准飞机,”计算机图形学和图像处理,17卷,不。2、173 - 180年,1981页。视图:出版商的网站|谷歌学术搜索
27. r . y .蔡”,一个多才多艺的高精度的摄像机标定技术。三维机器视觉测量使用现成的电视摄像机和镜头,“IEEE机器人和自动化,3卷,不。4、323 - 344年,1987页。视图:出版商的网站|谷歌学术搜索
28. “灵活的摄像机标定新技术。”IEEE模式分析与机器智能,22卷,不。11日,第1334 - 1330页,2000年。视图:出版商的网站|谷歌学术搜索
29. 郑y和s .彭”,一个实际的路边摄像机标定方法基于最小二乘优化”IEEE智能交通系统,15卷,不。15日,第843 - 831页,2014年。视图:出版商的网站|谷歌学术搜索
30. y . i阿卜杜勒•阿齐兹,h . m .产能和m .豪”的直接线性变换比较器坐标到物体空间坐标在摄影中,“摄影测量工程和遥感,卷81,不。2、103 - 107年,2015页。视图:出版商的网站|谷歌学术搜索
31. l .李建欣w . Xinjue d·柯et al .,“发现有影响力的大型社交网络社区,”美国第33 IEEE国际会议数据工程(ICDE),2017年。视图:谷歌学术搜索
32. s . d .妈,“主动视觉系统自校准技术,”IEEE机器人和自动化,12卷,不。1,第120 - 114页,1996。视图:出版商的网站|谷歌学术搜索
33. 李h . m .冯,x,“逆透视映射建立城市道路标记检测”第二届IEEE国际会议上云计算和智能系统(CCIS 12)杭州,页1178 - 1182年,中国,2012年11月。视图:出版商的网站|谷歌学术搜索
34. j·李,c·刘,j . x,“基于上下文的XML关键字查询多样化,”IEEE工程知识和数据,27卷,不。3、660 - 672年,2015页。视图:出版商的网站|谷歌学术搜索
35. c . w . Wang沈,j·张,Paisitkriangkrai,“一个两层的夜间车辆检测器,”《数字图像计算:技术和应用程序(格言' 09),页162 - 167,墨尔本,澳大利亚,2009年12月。视图:出版商的网站|谷歌学术搜索
36. 周r . j . Li c . Liu, j . x Yu”Quasi-SLCA基于关键字查询处理概率XML数据,”IEEE工程知识和数据,26卷,不。4、957 - 969年,2014页。视图:出版商的网站|谷歌学术搜索
37. a . Neubeck和l . Van干傻事,“高效non-maximum抑制,”18学报》国际会议模式识别(ICPR 06年),页850 - 855,香港,中国,2006年8月。视图:出版商的网站|谷歌学术搜索
38. y Ke, f .秦w . Min, g .张“揭露图像伪造检测一致性的影子,”科学世界日报ID 364501条,卷。2014年,9页,2014。视图:出版商的网站|谷歌学术搜索
39. 郑胜耀陈、h·通和c . Cattani“马尔可夫模型的图像标签,”数学问题在工程ID 814356条,卷。2012年,18页,2012年。视图:出版商的网站|谷歌学术搜索|MathSciNet
40. n .周、t·杨和美国,“一种改进的FCM医学图像分割算法基于MMTD,”计算和数学方法在医学ID 690349条,卷。2014年,8页,2014。视图:出版商的网站|谷歌学术搜索|MathSciNet
41. b . Wang t·苏x, j .香港和y呗,”3 d重建的行人轨迹移动方向学习和最优步态识别,”复杂性卷,2018篇文章ID 8735846, 10页,2018。视图:出版商的网站|谷歌学术搜索
42. 问:y l .赵l . f . Liu, t·j·李和j·h·周”移动目标检测和主动跟踪摄像机网络,”离散动力学性质和社会ID 976574条,卷。2014年,11页,2014年。视图:出版商的网站|谷歌学术搜索
43. k·f·阿克曼,b·霍夫曼l . s . Indrusiak和m . Glesner”提供内存管理抽象self-reconfigurable视频处理平台上,“可重构计算的国际期刊851613卷,2009篇文章ID, 15页,2009年。视图:出版商的网站|谷歌学术搜索
44. m . Roca-Riu j .曹i Dakic, m·梅内德斯”设计动态交付停车位在城市地区减少交通中断,”《先进的交通工具卷,2017篇文章ID 6296720, 15页,2017年。视图:出版商的网站|谷歌学术搜索
45. 李田,y, b, d,“后视车辆检测和跟踪通过结合多个部分复杂的城市监测、”IEEE智能交通系统,15卷,不。2、597 - 606年,2014页。视图:出版商的网站|谷歌学术搜索
46. j .珍珠概率推理的智能系统:似是而非的推理网络美国摩根Kaufmann马特奥,CA, 1988。视图:MathSciNet
47. j .赵m .汉、c·李和x新,“可见性视频检测与黑暗的通道上高速公路前,“数学问题在工程卷,2016篇文章ID 7638985, 21页,2016。视图:出版商的网站|谷歌学术搜索

版权

版权©2019李刚等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。