CN105243354B - 一种基于目标特征点的车辆检测方法 - Google Patents

Abstract

本发明公开了一种基于目标特征点的车辆检测方法，属于图像处理领域。所述发明包括获取所述世界坐标系与所述像素坐标系之间的转移矩阵；确定视频中的运动目标区域，在运动目标区域提取特征点进而确定垂足点，从视频中选取稳定特征点，对稳定特征点进行跟踪，获取运动目标的轨迹线，根据运动目标的轨迹线进行轨迹线判定，如果判定两条轨迹线属于同一辆车，则对车辆计数结果加一，重复前述步骤直到所述视频结束为止。通过在车辆检测中引入基于目标特征点跟踪与聚类的检测方式，与现有技术相比，减少了环境限制，具有较高的稳定性和检测精度，并且降低检测误差，提高了车辆识别的准确率。

Description

一种基于目标特征点的车辆检测方法

技术领域

本发明属于图像处理领域，特别涉及一种基于目标特征点的车辆检测方法。

背景技术

社会经济活动和城市化的快速发展，使得无论是发达国家还是发展中国家都承受着城市交通问题的巨大困扰，对现有道路的有效管理可以最大限度地疏导交通，为道路建设提供数据。其中，对某一路段进行车辆检测，统计一段时间内的车流量，将该路段车流信息通过以太网发给其他终端用户，可以有效的疏导交通，达到智能交通管理的目的。基于视频的交通流量统计由于安装和维护方便以及实时高效的检测性能得到越来越广泛的应用。

目前常用的基于视频的车辆检测软件，在车流量较小，交通场景简单且变化不大的情况下能够取得较好的检测效果。但是，在实际的工程应用中，通常需要对交通场景复杂的道路进行车辆检测分析，此时由于车辆之间的粘连现象较严重，因此常用的车辆检测方法带来较大的检测误差，降低了车辆识别的准确率。

发明内容

为了解决现有技术的问题，本发明提供了一种基于目标特征点的车辆检测方法，其特征在于，所述基于目标特征点的车辆检测方法，包括：

步骤一，建立世界坐标系和像素坐标系，从视频中选取世界坐标和像素坐标已知的六个点进行标定，获取所述世界坐标系与所述像素坐标系之间的转移矩阵；

步骤二，确定所述视频中的运动目标区域，在所述运动目标区域提取特征点，根据所述特征点确定垂足点，根据转移矩阵确定所述垂足点在所述世界坐标系中的坐标，结合所述转移矩阵即确定所述特征点在所述世界坐标系中的坐标；

步骤三，从所述视频中的非阴影区域选取满足预设要求的稳定特征点，对所述稳定特征点进行跟踪，在所述世界坐标系中对所述运动目标的运动位置进行预测，获取所述运动目标的轨迹线；

步骤四，根据所述运动目标的轨迹线，如果判定两条轨迹线属于同一辆车，则对车辆计数结果加一；

步骤五，重复执行步骤二至步骤四，对所述视频中的每一帧图像进行分析，并对所述轨迹线进行聚类得到车辆检测计数结果，直到所述视频结束为止。

可选的，述确定所述视频中的运动目标区域，在所述运动目标区域提取特征点，根据所述特征点确定垂足点，包括：

提取所述视频中的背景图像，将所述已获取视频中的每一帧图像与所述背景图像相减得到运动目标区域；

在所述运动目标区域提取特征点，获取所述视频的二值化图像，在所述二值化图像中对所述特征点做垂线，令所述垂线经过的第一个非目标像素点定为垂足点；

根据转移矩阵可确定所述垂足点对应的位于所述世界坐标系内的坐标点，在假设所述垂足点与所述特征点在三维空间中位于同一垂线的条件下，所述特征点与所述垂足点在所述世界坐标系中的坐标值是已知的并且数值相等，则根据所述转移矩阵确定所述特征点对应的在所述世界坐标系中的坐标。

可选的，所述从所述视频中的非阴影区域选取满足预设要求的稳定特征点，对所述稳定特征点进行跟踪，在所述世界坐标系中对所述运动目标的运动位置进行预测，获取所述运动目标的三维空间轨迹，包括：

将位于所述视频中阴影区域中的特征点删除，从所述视频中的非阴影区域中选取高度值小于高度阈值，且水平面上斜率小于斜率阈值的所述特征点为稳定特征点；

对稳定特征点进行跟踪，根据卡尔曼滤波原理在所述世界坐标系中对运动目标的运动位置进行预测，并使用三维预测值减小在进行二维图像匹配搜素时的搜索范围，利用匹配搜索得到的观测值对得到的预测值进行修正，令修正后的位于所述世界坐标系中的连续跟踪点作为所述运动目标的轨迹线。

可选的，所述根据所述运动目标的轨迹线，如果判定两条轨迹线属于同一辆车，则对车辆计数结果加一，包括：

确定现实空间中的空间检测线，将通过所述空间检测线的两条所述轨迹线在同时刻的相对距离历史值的方差作为样本方差，令通过所述检测线的两条轨迹线在同时刻之间欧氏距离的最大值作为最大距离，将所述视频中位于特定位置的灰度信息作为纹理；

将所述样本方差小于预设方差范围、所述最大距离小于预设距离阈值、所述轨迹线之间图像的纹理值在车辆运动过程中保持不变的两条所述轨迹线归为属于同一辆车的两条轨迹线，当判定两条轨迹线属于同一辆车时，则对车辆计数结果加一。

本发明提供的技术方案带来的有益效果是：

通过在车辆检测中引入基于目标特征点跟踪与聚类的检测方式，与现有技术相比，减少了环境限制，具有较高的稳定性和检测精度，并且降低检测误差，提高了车辆识别的准确率。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的一种基于目标特征点的车辆检测方法的流程示意图；

图2是本发明提供的从视频中提取的背景图像；

图3是本发明提供的从视频中提取的一帧样本图像；

图4是本发明提供的提取到的特征点图像；

图5是本发明提供的稳定特征点图像；

图6(a)是本发明提供的对稳定特征点跟踪得到的图像轨迹；

图6(b)是本发明提供的图像轨迹对应的空间轨迹在水平面的投影图；

图7(a)是本发明提供的滤波后的空间轨迹；

图7(b)是本发明提供的滤波后的图像轨迹

图8(a)是本发明提供的车辆计数结果为200的实时视频场景图；

图8(b)是本发明提供的车辆计数结果为201的实时视频场景图；

图8(c)是本发明提供的车辆计数结果为202的实时视频场景图；

图8(d)是本发明提供的车辆计数结果为203的实时视频场景图。

具体实施方式

为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。

实施例一

本发明提供了一种基于目标特征点的车辆检测方法，如图1所示，所述基于目标特征点的车辆检测方法，包括：

步骤一，建立世界坐标系和像素坐标系，从视频中选取世界坐标和像素坐标已知的六个点进行标定，获取所述世界坐标系与所述像素坐标系之间的转移矩阵；

步骤二，确定所述视频中的运动目标区域，在所述运动目标区域提取特征点，根据所述特征点确定垂足点，根据转移矩阵确定所述垂足点在所述世界坐标系中的坐标，结合所述转移矩阵即确定所述特征点在所述世界坐标系中的坐标；

步骤三，从所述视频中的非阴影区域选取满足预设要求的稳定特征点，对所述稳定特征点进行跟踪，在所述世界坐标系中对所述运动目标的运动位置进行预测，获取所述运动目标的轨迹线；

步骤四，根据所述运动目标的轨迹线，如果判定两条轨迹线属于同一辆车，则对车辆计数结果加一；

步骤五，重复执行步骤二至步骤四，对所述视频中的每一帧图像进行分析，并对所述轨迹线进行聚类得到车辆检测计数结果，直到所述视频结束为止。

在实施中，为了解决现有技术中存在的车辆检测准确性差的问题，本发明的提出了一种车辆检测方法，该方法基于目标特征点跟踪与聚类的车辆检测方法，对车辆的行驶轨迹聚类进行车辆检测。需要说明的是，本发明的方法过程中所处理的图像是视频中沿正时间序列的第一帧图像、第二帧图像、第三帧图像、…、第m(m为自然数)帧图像。

本实施例的方法具体采用以下步骤实现：

1)建立世界坐标系和像素坐标系，根据针孔摄像机的线性模型，选取空间坐标和像素坐标已知的六个点进行摄像机标定，求得世界坐标系与像素坐标系之间的转移矩阵M。

这里的转移矩阵M为：

M是一个3*4的转移矩阵，(u,v,1)为特征点的像素坐标，(X,Y,Z,1)为特征点对应的世界坐标值，其中(u,v,1)和(X,Y,Z,1)均为齐次坐标。

2)对于视频中的每一帧图像，与背景相减得到运动目标，在运动目标区域提取特征点，在二值化图像上对特征点向下做垂线，垂线遇到第一个非目标像素点即为垂足点。

3)已知垂足点的高度为0，根据转移矩阵M即可求得垂足点对应的三维世界坐标点(X,Y,0)。在假设垂足点与特征点在世界空间中位于同一垂线的条件下，特征点与垂足点在三维世界空间中的(X,Y)坐标值相同且已知，此时根据转移矩阵即可求得特征点对应的三维世界坐标(X,Y,Z)。

像素点到对应世界空间点的转换关系计算如下所示：

其中，(x,y)和(u,v)为像素坐标系中的特征点和垂足点，(X,Y,Z)和(X,Y,0)分别为对应的世界坐标系中的特征点和垂足点。

4)删除掉位于阴影处的特征点，筛选出高度值满足Z_W<T_Z，且水平面上斜率满足k<T_K的特征点为稳定特征点，所述的阈值T_Z的取值范围为0.5～0.7m，T_K的取值范围为0.3～0.5。

5)在图像平面上对稳定特征点进行跟踪，根据卡尔曼滤波原理在世界空间对目标的运动位置进行预测，并用三维预测值减小二维图像匹配搜素时的搜索范围，利用匹配搜索得到的观测值对预测值进行修正，修正后的三维世界空间上的连续跟踪点为修正后的三维空间轨迹。

6)确定现实空间中的空间检测线，定义方差为过检测线的两条轨迹线在同时刻的相对距离历史值的方差，最大距离为过检测线的两条轨迹线同时刻之间欧氏距离的最大值，纹理为图像中特定位置的灰度信息。将相对距离的方差满足σ<0.5～0.8，最大距离d_max<1.5m且轨迹线之间图像的纹理值在车辆运动过程中保持不变的两条轨迹线归为属于同一辆车的两条轨迹线，此时这两条轨迹线的运动信息反映的是同一辆车的运动状态变化，此时车辆计数结果加一，据此，完成运动车辆的检测并得到车辆计数结果。

7)重复(2)至(6)中的内容，对视频中的每一帧图像进行分析，并对过检测线的世界空间轨迹进行聚类得到车辆检测计数结果，直到视频结束为止。

本发明提供了一种基于目标特征点的车辆检测方法，包括获取所述世界坐标系与所述像素坐标系之间的转移矩阵；确定视频中的运动目标区域，在运动目标区域提取特征点进而确定垂足点，从视频中选取稳定特征点，对稳定特征点进行跟踪，获取运动目标的轨迹线，根据运动目标的轨迹线进行轨迹线判定，如果判定两条轨迹线属于同一辆车，则对车辆计数结果加一，重复前述步骤直到所述视频结束为止。通过在车辆检测中引入基于目标特征点跟踪与聚类的检测方式，与现有技术相比，减少了环境限制，具有较高的稳定性和检测精度，并且降低检测误差，提高了车辆识别的准确率。

可选的，所述确定所述视频中的运动目标区域，在所述运动目标区域提取特征点，根据所述特征点确定垂足点，包括：

提取所述视频中的背景图像，将所述已获取视频中的每一帧图像与所述背景图像相减得到运动目标区域；

在所述运动目标区域提取特征点，获取所述视频的二值化图像，在所述二值化图像中对所述特征点做垂线，令所述垂线经过的第一个非目标像素点定为垂足点；

根据转移矩阵可确定所述垂足点对应的位于所述世界坐标系内的坐标点，在假设所述垂足点与所述特征点在三维空间中位于同一垂线的条件下，所述特征点与所述垂足点在所述世界坐标系中的坐标值是已知的并且数值相等，则根据所述转移矩阵确定所述特征点对应的在所述世界坐标系中的坐标。

在实施中，提取所述视频的背景图像如图2所示，并且从所述视频中提取如图3所示的一帧样本图像，从图3所述的图像中减去如图2所示的背景图像，得到运动目标区域。

从所述运动目标区域中进行特征点提取，提取到的特征点如图4中的交叉线所示。获取所述视频的二值化图像，在所述二值化图像中对所述特征点做垂线，令所述垂线经过的第一个非目标像素点定为垂足点。

根据转移矩阵可确定所述垂足点对应的位于所述世界坐标系内的坐标点，在假设所述垂足点与所述特征点在三维空间中位于同一垂线的条件下，所述特征点与所述垂足点在所述世界坐标系中的坐标值是已知的并且数值相等，则根据所述转移矩阵确定所述特征点对应的在所述世界坐标系中的坐标。

通过本步骤中的内容，可以根据转移矩阵确定特征点对应的在所述世界坐标系中的坐标。

可选的，所述从所述视频中的非阴影区域选取满足预设要求的稳定特征点，对所述稳定特征点进行跟踪，在所述世界坐标系中对所述运动目标的运动位置进行预测，获取所述运动目标的三维空间轨迹，包括：

将位于所述视频中阴影区域中的特征点删除，从所述视频中的非阴影区域中选取高度值小于高度阈值，且水平面上斜率小于斜率阈值的所述特征点为稳定特征点；

对稳定特征点进行跟踪，根据卡尔曼滤波原理在所述世界坐标系中对运动目标的运动位置进行预测，并使用三维预测值减小在进行二维图像匹配搜素时的搜索范围，利用匹配搜索得到的观测值对得到的预测值进行修正，令修正后的位于所述世界坐标系中的连续跟踪点作为所述运动目标的轨迹线。

在实施中，由于位于背景处的特征点不能代表车辆的运动信息，因此首先删除掉位于阴影处的特征点，然后保留下高度值Z<0.6m，且水平面上斜率满足k<0.4的特征点为稳定特征点，稳定特征点如图5中的交叉线所示。对稳定特征点跟踪得到的图像轨迹如图6(a)所示，其中，A、B分别表示两条轨迹线，图像轨迹对应的空间轨迹在水平面的投影图如图6(b)所示。

由于利用垂足点作为辅助点，计算从像素平面到世界空间本身存在误差，本发明利用卡尔曼滤波对空间轨迹进行滤波，并得到滤波后的空间轨迹和图像轨迹分别如图7(a)和图7(b)所示。

通过本步骤中的内容，可以提取视频中车辆运动的轨迹线，以便于后续步骤中根据车辆轨迹线实现车辆的准确识别。

可选的，所述根据所述运动目标的轨迹线，如果判定两条轨迹线属于同一辆车，则对车辆计数结果加一，包括：

确定现实空间中的，将通过所述空间检测线的两条所述轨迹线在同时刻的相对距离历史值的方差作为，令通过所述检测线的两条轨迹线在同时刻之间欧氏距离的最大值作为最大距离，将所述视频中位于特定位置的灰度信息作为纹理；

将所述样本方差小于预设方差范围、所述最大距离小于预设距离阈值、所述轨迹线之间图像的纹理值在车辆运动过程中保持不变的两条所述轨迹线归为属于同一辆车的两条轨迹线，当判定两条轨迹线属于同一辆车时，则对车辆计数结果加一。

在实施中，对空间检测线、样本方差、最大距离、纹理进行定义，并利用方差、最大距离和纹理作为聚类条件，对过空间检测线方差σ<0.6，最大距离d_max<1.5m且轨迹线之间图像的纹理值在车辆运动过程中保持不变的两条轨迹线归为属于同一辆车的两条轨迹线，此时，车辆计数结果加一。车辆检测得到的计数结果如图8所示，其中图8(a)、图8(b)、图8(c)、图8(d)分别表示车辆计数结果为200、201、202、203时的实时视频场景图。

通过将前一步获取到的车辆轨迹线进行是否属于同一车辆的轨迹线的判定，从而能够根据轨迹线对车辆进行准确识别。

本发明提供了一种基于目标特征点的车辆检测方法，包括获取所述世界坐标系与所述像素坐标系之间的转移矩阵；确定视频中的运动目标区域，在运动目标区域提取特征点进而确定垂足点，从视频中选取稳定特征点，对稳定特征点进行跟踪，获取运动目标的轨迹线，根据运动目标的轨迹线进行轨迹线判定，如果判定两条轨迹线属于同一辆车，则对车辆计数结果加一，重复前述步骤直到所述视频结束为止。通过在车辆检测中引入基于目标特征点跟踪与聚类的检测方式，与现有技术相比，减少了环境限制，具有较高的稳定性和检测精度，并且降低检测误差，提高了车辆识别的准确率。

需要说明的是：上述实施例提供的一种基于目标特征点的车辆检测方法进行车辆识别施例，仅作为该车辆检测方法在实际应用中的说明，还可以根据实际需要而将上述车辆检测方法在其他应用场景中使用，其具体实现过程类似于上述实施例，这里不再赘述。

上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中得先后顺序。

以上所述仅为本发明的实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于目标特征点的车辆检测方法，其特征在于，所述基于目标特征点的车辆检测方法，包括：

步骤一，建立世界坐标系和像素坐标系，从视频中选取世界坐标和像素坐标已知的六个点进行标定，获取所述世界坐标系与所述像素坐标系之间的转移矩阵；

步骤二，确定所述视频中的运动目标区域，在所述运动目标区域提取特征点，根据所述特征点确定垂足点，根据转移矩阵确定所述垂足点在所述世界坐标系中的坐标，结合所述转移矩阵即确定所述特征点在所述世界坐标系中的坐标；

步骤三，从所述视频中的非阴影区域选取满足预设要求的稳定特征点，对所述稳定特征点进行跟踪，在所述世界坐标系中对所述运动目标的运动位置进行预测，获取所述运动目标的轨迹线；

步骤四，根据所述运动目标的轨迹线，如果判定两条轨迹线属于同一辆车，则对车辆计数结果加一，具体包括：

确定现实空间中的空间检测线，将通过所述空间检测线的两条所述轨迹线在同时刻的相对距离历史值的方差作为样本方差，令通过所述检测线的两条轨迹线在同时刻之间欧氏距离的最大值作为最大距离，将所述视频中位于特定位置的灰度信息作为纹理；

将所述样本方差小于预设方差范围、所述最大距离小于预设距离阈值、所述轨迹线之间图像的纹理值在车辆运动过程中保持不变的两条所述轨迹线归为属于同一辆车的两条轨迹线，当判定两条轨迹线属于同一辆车时，则对车辆计数结果加一；

步骤五，重复执行步骤二至步骤四，对所述视频中的每一帧图像进行分析，并对所述轨迹线进行聚类得到车辆检测计数结果，直到所述视频结束为止。

2.根据权利要求1所述的基于目标特征点的车辆检测方法，其特征在于，所述确定所述视频中的运动目标区域，在所述运动目标区域提取特征点，根据所述特征点确定垂足点，包括：

提取所述视频中的背景图像，将所述已获取视频中的每一帧图像与所述背景图像相减得到运动目标区域；

在所述运动目标区域提取特征点，获取所述视频的二值化图像，在所述二值化图像中对所述特征点做垂线，令所述垂线经过的第一个非目标像素点定为垂足点；

根据转移矩阵可确定所述垂足点对应的位于所述世界坐标系内的坐标点，在假设所述垂足点与所述特征点在三维空间中位于同一垂线的条件下，所述特征点与所述垂足点在所述世界坐标系中的坐标值是已知的并且数值相等，则根据所述转移矩阵确定所述特征点对应的在所述世界坐标系中的坐标。

3.根据权利要求1所述的基于目标特征点的车辆检测方法，其特征在于，所述从所述视频中的非阴影区域选取满足预设要求的稳定特征点，对所述稳定特征点进行跟踪，在所述世界坐标系中对所述运动目标的运动位置进行预测，获取所述运动目标的三维空间轨迹，包括：

将位于所述视频中阴影区域中的特征点删除，从所述视频中的非阴影区域中选取高度值小于高度阈值，且水平面上斜率小于斜率阈值的所述特征点为稳定特征点；

对稳定特征点进行跟踪，根据卡尔曼滤波原理在所述世界坐标系中对运动目标的运动位置进行预测，并使用三维预测值减小在进行二维图像匹配搜素时的搜索范围，利用匹配搜索得到的观测值对得到的预测值进行修正，令修正后的位于所述世界坐标系中的连续跟踪点作为所述运动目标的轨迹线。