[发明专利]基于航拍图像的道路交通拥堵分析方法

说明书

技术领域

本发明涉及智能交通领域，具体而言涉及一种基于航拍图像的道路交通拥堵分析方 法。

背景技术

随着经济的快速发展，人民生活水平普遍提高，汽车代步行的出行方式日益普及， 而城市道路建设跟不上汽车普及的步伐，随之而来的就是道路交通状况日益恶化，这不 仅影响了整个城市的交通问题还严重影响到人们的生命财产安全。交通智能化是解决当 今交通问题最有效的重要措施。智能交通技术的发展不仅能有效提高车辆运行效率，还 能缓解驾驶员的疲劳，是减少交通事故的重要途径。

城市道路交通拥堵分析是智能交通系统的基础而又非常重要的部分，而城市交通主 干道的拥堵分析是其中的研究热点之一，主要通过交通信息的采集以及建立交通拥堵分 析模型来实现。而当前的交通信息采集主要依赖于固定布设的各类交通检测设备，由于 维护成本高、覆盖面不全，导致当前交通拥堵问题尚未解决。近年来无人机在军用领域 得到了广泛的应用，并且取得了实质性的进展和突破，由于无人机检测技术具有使用维 护方便、处理信息量大、无需破坏地面等优点，因此，将无人机结合图像处理技术应用 到道路交通拥堵分析领域中具有重要的意义和应用价值。

发明内容

本发明所要解决的技术问题是针对现有的交通信息采集设备的不足以及拥堵分析 模型的智能化程度不高，利用无人机结合图像处理技术，提出一种基于航拍图像的道路 交通拥堵分析方法，高效，准确地分析道路的交通拥堵程度，为交通部门进一步做交通 拥堵分析以及拥堵疏导策略提供数据支持，从而可以尽量避免交通拥堵现象的发生，使 道路交通资源的利用率获得最大化的合理使用。

本发明为解决上述技术问题采用以下技术方案：

基于航拍图像的道路交通拥堵分析方法，包括如下步骤：

步骤1)，航拍图像获取

通过无人机采集得到航拍图像，比如通过无人机缓慢飞行于道路上方拍摄或者悬停 在道路上方旋转摄像头拍摄的方式，并传输至远程服务器保存。

步骤2)，动态背景补偿

选取首帧为参考帧，后续帧中某一帧为待补偿帧，采用Harris算法对参考帧和待 补偿帧进行角点提取，进而采用模板匹配法对参考帧和待补偿帧中的角点进行粗匹配， 在粗匹配的基础上，引入极线约束条件，运用RANSAC算法，剔除粗匹配中的错误匹配 点对，实现精确匹配，最后根据精确匹配结果，求解透射变换矩阵，将待补偿帧进行透 视变换，从而完成背景补偿。以此类推，对后续帧中的每一帧进行背景补偿。

步骤3)，车辆提取

在基于动态背景补偿基础之上，本发明提出基于像素灰度投票策略完成背景提取， 从视频首帧开始连续选取若干帧进行背景建模。一旦提取出背景后，利用背景减和形态 腐蚀技术，提取出道路车辆。

步骤4)，车辆跟踪

在检测出首帧的车辆位置后，采用基于多线程技术的检测跟踪复合算法跟踪后续帧 中的所有车辆。

步骤5)，交通特征参数提取

在检测和跟踪基础上，根据车辆的位置信息，结合视频帧率和以及像素与实际物理 距离的关系，计算交通特征参数：平均行程速度、时间占有率。

步骤6)，交通拥堵分析

利用平均行程速度和时间占有率作为交通拥堵分析基本指标，采用模糊理论技术， 将路段的拥堵程度分为三个等级，为基本指标建立隶属度函数，根据基于加权的隶属度 最大值来判定拥堵程度等级。

作为本发明基于航拍图像的道路交通拥堵分析方法进一步的优化方案，所述步骤2) 中Harris角点提取算法的详细步骤如下：

步骤2.1)假设一幅图像f，其中像素点记为I＝(x,y)，选取邻域窗口W∈f，然后 平移窗口(Δx,Δy)，求出其水平X方向、垂直Y方向的梯度值，再对图像进行高斯滤波， 构造局部自相关矩阵M：

式中，I_x为点I的X方向的梯度值；I_y为点I的Y方向的梯度值；代表卷积运算；W 代表高斯窗口：

步骤2.2)计算每个像素点的Harries角点响应函数R(M)：

R(M)＝Det(M)-β·trace²(M)(3)

式中，β是经验参数，通常取0.02～0.05；Det(M)代表矩阵M行列式值；trace(M)代 表矩阵M的迹。当R(M)的绝对值较小时，点处于平坦位置，当R(M)为负值且较大时， 点处于边界上，当R(M)为正值且较大时，点处在角点位置，则只要对R(M)给定一个门 限阈值T，当响应值R(M)大于T则认为是一个有意义的角点。