基于多帧差分与投射阴影去除的运动车辆检测方法

摘要

本发明公开了一种基于多帧差分与投射阴影去除的运动车辆检测方法及装置，涉及智能交通管理和视频监控领域。本方法是：a、获得当前帧序列图片；b、获取当前帧的灰度值序列图片；c、获得当前帧边缘、帧间差边缘的二值化图像特征：d、获得当前帧运动车辆的边缘特征；e、获得当前帧阴影的边缘特征；f、获得当前帧阴影的准确边缘特征；g、获得准确的运动车辆边缘特征的图片序列；h、从图片序列中提取运动车辆的具体坐标。本发明为智能交通系统的运动车辆检测提供了基于视频检测的捕获方案，系统安装更加简单，且易于维护；提升了运动车辆的捕获率，提升了机动车辆的位置检测精度。

主权项

一种基于多帧差分与投射阴影去除的运动车辆检测方法，其特征在于 a、获得当前帧序列图片； b、获取当前帧的灰度值序列图片； c、获得当前帧边缘、帧间差边缘的二值化图像特征： c1、获得当前帧边缘的二值化图像特征； c2、获得图像帧间差边缘的二值化图像特征； d、获得当前帧运动车辆的边缘特征； e、获得当前帧阴影的边缘特征 e1、采用c1过程获得的当前帧边缘的二值化图像特征得到当前帧阴影的边缘特征； e2、采用c2过程获得的帧间差边缘的二值化图像特征得到当前帧阴影的边缘特征； f、获得当前帧阴影的准确边缘特征； g、获得准确的运动车辆边缘特征的图片序列； h、从图片序列中提取运动车辆的具体坐标； 具体地： a‑(101)：当前帧序列图片Fn DSP图像处理器(9)从SDRAM内存6中获得当前帧序列图片Fn，每帧图像数据由B、G、R三种颜色分量组成； b‑(102)：获取当前帧的灰度值 处理过程； Y_n(i，j)＝0.299*R_n(i，j)+0.587*G_n(i，j)+0.114*B_n(i，j) B_n(i，j)、G_n(i，j)、R_n(i，j)是第n帧图像的第i行第j列上B、G、R颜色分量的值，Y_n(i，j)为第n帧图像的第i行第j列的灰度值；第n帧的灰度值矩阵简写为Y_n，则视频图像的灰度图序列为： Y₁、Y₂、…、Y_n； c：获得当前帧边缘、帧间差边缘的二值化图像特征 c1：获得当前帧边缘的二值化图像特征 c1‑(103)：获取当前帧灰度值图像的边缘特征 采用Canny算子、或Sobel算子将灰度值图像转换为边缘特征图像，转换后的边缘特征图像序列表示为： E(Y₁)、E(Y₂)、…、E(Y_n) c1‑(106).a：二值化处理，将步骤b所得的边缘特征E(Y_n)进行二值化处理，根据机动车辆检测经验获得步骤c1‑103的二值化阈值为10，二值化之后的图片序列表示为： B(E(Y₁))、B(E(Y₂))、…、B(E(Y_n)) 简写为： B_g(1)、B_g(2)、…、B_g(n) c2：获得图像帧间差边缘的二值化图像特征 c2‑(104)：获取当前帧与前一帧的灰度值差 灰度值差图像序列表示为： Y₂‑Y₁、Y₃‑Y₂、…、Y_n‑Y_n‑1D_y2(1)＝Y₂‑Y₁、D_y3(2)＝Y₃‑Y₂、…、D_yn(n‑1)＝Y_n‑Y_n‑1c2‑(105)：获取灰度值差图像的边缘特征 采用Canny算子、或Sobel算子将灰度值差图像转换为边缘特征图像，灰度值差图像边缘特征的图像序列表示为： E(D_y2(1))、E(D_y3(2))、…、E(D_yn(n‑1)) c2‑(106).b：二值化处理，将步骤c2‑105所得的边缘特征E(D_yn(n‑1))进行二值化处理，根据机动车辆检测经验获得步骤c2‑105的二值化阈值为8，二值化之后的图片序列表示为： B(E(D_y2(1)))、B(E(D_y3(2)))、…、B(E(D_yn(n‑1))) 简写为： B_d(2)、B_d(3)、…、B_d(n) d‑(107)：获得当前帧运动车辆的边缘特征 将步骤c二值化处理之后的图像：B_g(n)、B_d(n)进行逻辑‘与’运算，即可得到运动车辆的边缘特征，B_g(n)&B_d(n)； e：获得当前帧阴影的边缘特征 获得当前帧阴影的特征有两种方法得到，且得到的结果不完全一样；e1‑(108).a：采用c1过程获得的当前帧边缘的二值化图像特征得到当前帧阴影的边缘特征，具体方法为步骤c1‑106.a的得到二值化图像减去步骤d‑107当前帧运动车辆边缘特征的二值化图像，所得到的图像序列表示为： B_g(2)‑B_g(2)&B_d(2)、B_g(3)‑B_g(3)&B_d(3)、…、B_g(n)‑B_g(n)&B_d(n) e2‑108.b：采用c2过程获得的帧间差边缘的二值化图像特征得到当前帧阴影的边缘特征，具体方法为步骤c2‑106.6的得到二值化图像减去步骤d‑107当前帧运动车辆边缘特征的二值化图像，所得到的图像序列表示为： B_d(3)‑B_g(2)&B_d(2)、B_d(4)‑B_g(3)&B_d(3)、…、B_d(n+1)‑B_g(n)&B_d(n) f‑(109)：获得当前帧阴影的准确边缘特征 在步骤e中，分别通过两种方法获得了当前帧背景的边缘特征二值化图像矩阵序列，最后，将这两组图像矩阵序列进行逻辑‘与’运算得到阴影的边缘特征的图片序列，当前帧阴影的准确边缘特征的图像矩阵序列表示如下： {B_g(2)‑B_g(2)&B_d(2)}&{B_d(3)‑B_g(2)&B_d(2)}、 {B_g(3)‑B_g(3)&B_d(3)}&{B_d(4)‑B_g(3)&B_d(3)}、 …、 {B_g(n)‑B_g(n)&B_d(n)}&{B_d(n+1)‑B_g(n)&B_d(n)} g‑(110)：获得准确的运动车辆边缘特征的图片序列， 具体方法：在步骤d‑(107)中获得运动车辆边缘特征的数据序列减去步骤f‑109中阴影边缘特征的数据序列，即可得到去除阴影的运动车辆的边缘特征的数据序列，该数据序列用公式可表示为： B_g(2)&B_d(2)‑{B_g(2)‑B_g(2)&B_d(2)}&{B_d(3)‑B_g(2)&B_d(2)}、 B_g(3)&B_d(3)‑{B_g(3)‑B_g(3)&B_d(3)}&{B_d(4)‑B_g(3)&B_d(3)}、 …、 B_g(n)&B_d(n)‑{B_g(n)‑B_g(n)&B_d(n)}&{B_d(n+1)‑B_g(n)&B_d(n)} h‑(111)：从图片序列中提取运动车辆的具体坐标，在此阶段，会根据需要对数据序列进行去噪处理、膨胀处理；最后，采用八邻域搜索算法获得运动车辆的具体位置坐标，以及相关的运动属性。