[发明专利]基于角点特征分析的车辆排队长度检测方法

说明书

本发明涉及一种基于角点特征分析的车辆排队长度检测方法，属于智能交通管理系统的车流量检测。本方法通过传统的FAST角点检测方法与运动检测的过程相结合得到改进后的FAST算法，使用改进后的FAST角点特征分析技术，不仅可以提取出当前交通道路上表征车辆存在的角点特征图，还可以获取角点位置的运动状态。得到改进FAST算法的结果，单一车道内处于静态的角点特征形成车辆排队，并进行PCA处理得到低维向量，最后对低维向量进行形态学处理来检测单一车道内的车辆排队长度。结果表明，本方法检测精度平均98％，满足应用于实际场景。

技术领域

本发明是一种基于角点特征分析的车辆排队长度检测方法，属于智能交通管理系统的车流量检测。

背景技术

通过车辆排队长度的检测结果可以获得道路交通参数，比如说车流量，车辆速度，车道占有率等。车辆排队长度的检测过程主要分为运动检测，检测车辆存在，最后是对车辆排队长度的测量。目前，对于车辆排队长度检测算法常用的方法主要有三种，第一种是背景差分与车辆特征相结合的车辆检测方法。Yang Liangyi等人使用三帧时间差分法的运动检测方法对移动车辆进行检测，边缘信息作为车辆存在的标志，利用移动的检测窗口对交叉口的车辆排队长度进行检测。最后使用摄像机标定技术得到车辆排队长度。这种算法主要通过时间差分法得到视频中运动的车辆，无法检测到交通拥堵时静态车辆的排队长度。第二种是基于车辆特征和透视变换的车辆检测方法，Wang Chuang等人通过建立世界坐标系使用逆透视变换获得交通道路的鸟瞰图，并使用基于公路结构化约束的hough变换标识车道线，最后用sobel算子检测车辆轮廓。这种方法通过逆透视变换获得较为清晰的车辆排队结果，但是该方法建立在车辆排队形成的基础上，忽视了车辆运动状态的判断。第三种是，以往对于车辆排队长度的检测方法大部分基于滑动窗方法，Liu Zhe通过基于形态学边缘提取车辆之后，提出了一种伸缩窗的车辆排队长度检测方法，然而滑动窗方法对于摄像机远端车辆的识别误差大，并且随着车辆排队长度的增加，该方法会错误的把队列尾部运动的车辆也加入到排队队列中。上述算法在一定程度上都能够有效地将车辆检测出来，但是也都有一定的局限性。

发明内容

在现有的车辆排队长度检测方法的基础上，本发明在车辆排队长度检测的过程中主要做了如下工作。第一，改进FAST角点检测的过程，就是将FAST算法检测与帧间差分方法结合，在检测窗内利用角点信息作为车辆存在的标志，同时通过角点位置在相邻帧间的像素变化与阈值相比较，判断车辆的运动状态获取视频中的车辆队列。第二，在当前车辆处于静态时，获取静态车辆角点特征图，结合PCA技术将队列中的角点信息压缩成为低维向量，在孤立的噪点被去除的同时保留了原视频监控中有用的角点信息。第三，对得到的低维向量进行可变模板的形态学处理，最后转换为实际排队长度。为实现上述目的，本发明的技术方案如下：

步骤一、对交通路口摄像头采集到的实时路况视频进行预处理。其中包括灰度化视频图像，噪声去除以及感兴趣区域的提取；

步骤二、使用改进后的FAST算法判断当前检测窗内角点的位置以及运动状态从而判断车辆排队的形成；

步骤三、当前检测窗内检测到大量静态角点特征时获取车辆队列；

步骤四、对队列中获得的角点特征应用PCA处理压缩成低维向量来表征车辆队列长度；

步骤五、对PCA的结果进行形态学处理确定队列长度；

步骤六、将步骤五得到的结果转换为像素长度。

有益效果：

本方法中车辆长度的检测方法运用PCA处理与FAST算法相结合，是由于PCA处理生成的低维数据集会尽可能的保留原始数据的变量。使用改进FAST算法将角点特征关键点集按照映射的原理生成一副新的图像，便于使用这张图像进行PCA处理得到低维向量检测到车辆的排队长度。