[发明专利]一种基于监控视频处理的车流统计和违规检测的方法

说明书

技术领域

本发明属于图像模式识别、视频目标跟踪、智能视频监控和智能交通领域，更具体地，涉及一种基于监控视频处理的车流统计和违规检测的方法。

背景技术

车流量是交通路况管理和调控不可或缺的重要数据。车流量统计能反映出实时的交通情况，方便交通管理者进行调控，同时给居民出行提供重要的参考信息。更重要的是，车流量可以反映出各个路段的负荷情况，为城市规划者提供重要的依据。在一些特殊场合例如火车站，机场附近，以及一些大型集会场所，车流量统计技术又有了重要的安防意义。

视频车辆违规智能检测指从监控视频中自动检测出有闯红灯违规行为的车辆。包括直行红灯，左转红灯。它是智能交通监控系统的一项关键技术，能够辅助交管部门对道路监控视频的海量信息进行智能处理和筛选。

基于视频处理的智能交通监控系统是当前计算机视觉领域的一个研究热点。它具体涉及到了运动目标检测和运动目标跟踪技术。

目前视频中车辆目标的检测方法主要有基于背景建模的检测方法和基于分类的识别检测方法。

基于背景建模的检测方法能够自适应的建立输入场景背景图像的模型，利用当前输入图像与背景模型做差分和阈值化运算即可检测出输入图像中的前景目标。该方法通过背景建模算法可以获得较完整的运动目标特征数据，对于无光照变化或光线变化缓慢的场景有较好的适用性。但是，该方法对运动目标的区分度差，难以区分检测出的运动目标是车辆目标还是行人或者非机动车。并且，当交通路况复杂，车辆间出现遮挡时，背景建模的方法无法区分每个目标。

对于基于分类器的方法，往往需要首先对车辆提取各种特征，然后设计合理的分类器来分类是否为车辆目标。在检测时，采用多尺度检测窗口滑动搜索的方法在图像内部检测车辆目标。这类方法的性能往往取决于特征的选择和分类器的设计。它一般可以分为：i）基于神经网络的车辆识别；ii）基于Gabor滤波器的车辆识别；iii）基于支持向量机（SVM）的车辆识别等方法。基于分类器的方法能够适应复杂场景，较准确地对目标进行识别检测。但是，使用分类器的多尺度窗口滑动搜索检测方法是一种耗时较高的检测方法，在视频中进行检测很难满足实时性。并且由于不同车型车辆外观差异较大，如何提取有效特征训练出正确率高的分类器也是技术难点。

同时，目前计算机视觉领域中经典的运动目标跟踪算法包括：卡尔曼滤波、粒子滤波跟踪以及均值平移算法跟踪等方法。其核心思想是通过前后两帧图像中特征的匹配来判断前一帧中的目标在后一帧中的位置。对于视频序列，则反复调用跟踪算法，来获取目标在视频中的运动轨迹。由于计算是迭代性的，跟踪的错误率在迭代过程中会增加，产生跟踪偏移，跟丢目标等错误。并且多数跟踪算法计算量大，时耗超出了实时处理的限度。如何保证跟踪的稳定性，和提升跟踪算法的计算效率是目前目标跟踪算法走向应用的瓶颈所在。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种基于监控视频处理的车流统计和违规检测的方法，该方法选取车辆车牌局部区域训练分类器，并使用聚类的方法精确确定车辆目标位置、排除虚警，再综合相关跟踪算法实现对车辆目标的精确跟踪，最后分析车辆运动轨迹，来精确统计路口车流量，并综合交通信号灯指示判断车辆目标是否违规。

为实现上述目的，本发明提供了一种基于监控视频处理的车流统计和违规检测的方法，包括以下步骤：

（1）获取视频源，读取一帧图像；

（2）判断当前帧是否是第一帧，如果是则建立和视频图像对应的前景背景图像，前景表示运动区域，背景表示静止区域，将所有的像素点初始化为背景区域，建立空的跟踪目标列表Track_List，转入步骤（1 3），否则进入步骤（3）；

（3）利用当前帧和上一帧对应像素点的差值信息来更新前景背景图像，并利用前景背景图像提取当前帧的感兴趣区域MASK；

（4）计算当前帧的积分图像和平方积分图像；

（5）根据计算得到的当前帧的积分图像和平方积分图像并利用Adaboost算法在当前帧的感兴趣区域MASK中检测是否存在有车牌目标，检测到的车牌目标位置信息保存在列表TmpLi st中；

（6）判断临时目标列表TmpLi st是否为空，如果为空，则转入步骤（7），否则，使用聚类的方法处理TmpLi st中的M个车牌目标信息，其中M为正整数，从M个车牌目标信息中获得当前帧的图像中K个车辆目标准确的位置信息，其中K为正整数，并保存至检测目标列表ObjList；