[0024] 依照本发明较佳实施例所述的基于背景与帧间差分算法的车流及其运动状态检测方法，步骤（23）与步骤（24）之间还包括：对差分图像进行视觉
角度误差校正，消除由于摄像机拍摄视角对车流面积计算造成的影响。
[0025] 依照本发明较佳实施例所述的基于背景与帧间差分算法的车流及其运动状态检测方法，步骤（22）采用下式进行背景差分：
[0026] Ik(i，j)＝b′k(i，j)+mk(i，j)+nk(i，j)
[0027] dk(i，j)＝Ik(i，j)-bk(i，j)
[0028] 其中Ik(i，j)是当前帧图像，b′k(i，j)表示当前帧的背景，mk(i，j)表示运动部分(包括真正的运动、遮挡和显露)，nk(i，j)是各种如系统和
传感器固有噪声、目标周围背景引起的干扰噪声，dk(i，j)表示差分图像；
[0029] 根据上式将背景图像的像素值与当前图像的像素值相减即得到差分图像，用代码表示如下：
[0030] d=abs(tuxiang-beijing)；其中，tuxiang指当前图像，beijing指背景图像,d指差分图像。
[0031] 依照本发明较佳实施例所述的基于背景与帧间差分算法的车流及其运动状态检测方法，步骤（23）中采用实时
阈值进行二值化处理。
[0032] 依照本发明较佳实施例所述的基于背景与帧间差分算法的车流及其运动状态检测方法，步骤（23）中
边缘检测采用roberts算子。
[0033] 依照本发明较佳实施例所述的基于背景与帧间差分算法的车流及其运动状态检测方法，步骤（3）中帧间差分运算采用下式计算：
[0034] ΔI′(i，j)＝|I′k(i，j)-I′k-1(i，j)|
[0035] 其中，I′k(i,j)是k时刻的一帧处理完的图像，其中仅包含有车辆特征区域，为黑白二值化图；I′k+1(i,j)为k+1时刻的一帧处理完的图像，属性与I′k(i,j)相同；ΔI′(i,j)为两者差分所得的二值化图。
[0036] 依照本发明较佳实施例所述的基于背景与帧间差分算法的车流及其运动状态检测方法，步骤（4）中采用BP神经网络进行道路车流预测。
[0037] 本发明的基于背景与帧间差分算法的车流及其运动状态检测方法首先利用背景差分，得到车辆特征区域总面积，计算出车流面积占道路面积的百分比，并对车流量进行等级划分：无车，有少量车，有中等车，有大量车；再采用帧间差分算法对不同时刻的图像再次差分，计算车流面积变化量，得到道路上的车流状态：流畅通行，轻微堵塞，中度堵塞，严重堵塞；最后，综合车流量和车流状态进行全面分析道路车流情况，并对道路车流状况作出短时预测。与现有技术相比，本发明实现了准确高效地检测出道路上的车流量及其运动状态，并且不拘泥于单体目标，而是对于道路整体的进行检测，可以为交通
信号灯的自动配时提供数据基础。因此，本发明能够为智能交通灯提供数据支持，为智能交通的发展奠定了基础，应用前景广阔。
附图说明
[0038] 图1为本发明基于背景与帧间差分算法的车流及其运动状态检测方法的
流程图；
[0039] 图2为本发明实施例对提取背景后的背景图；
[0040] 图3为本发明实施例的差分图像示意图；
[0041] 图4为本发明实施例差分图像各处理过程的示意图；
[0042] 图5为本发明实施例二值化实时阈值获取示意图；
[0043] 图6为本发明实施例视觉误差校正图；
[0044] 图7为本发明实施例帧间差分原理示意图；
[0045] 图8为本发明实施例帧间差分图像处理示意图；
[0046] 图9为本发明实施例的帧间相加图像处理示意图。
具体实施方式
[0047] 以下结合附图，具体说明本发明。
[0048] 请参阅图1至图8，一种基于背景与帧间差分算法的车流及其运动状态检测方法，包括以下步骤：
[0049] S11：对通过高清监控摄像头拍摄的路面实时图像进行灰度化处理。具体采用如下公式：灰度化后的像素=（该像素的R值+G值+B值）/3。
[0050] S12：对一组包括多帧灰度化处理后的图像进行背景差分运算得到差分图像提取车辆特征区域，计算车流面积及车流面积占道路面积百分比，并对差分图像进行处理，得到车流量信息，划分车流拥挤程度。具体包括以下步骤：
[0051] S121：采用均值法将视频图像中所有的帧相加然后求平均获取背景。
[0052] 图像中
亮度的变化是运动目标检测的基础。一般情况下，前景的运动目标的灰度值与背景的灰度值之间有很大的差异，而运动物体本身的灰度值一般不会有很大差异，因此通过图像差分就能很好地反映出两帧图像之间的变化。如能检测出这种变化，就可以将运动目标提取出来并分析其运动特征。本发明采用均值法获取背景，将视频图像中所有的帧相加然后求平均，均值去背景后的背景图如图2所示。具体的均值法获取背景的过程为：将预处理的图像导入一个三维数组中，若数组中第一维度数据大于200（即已存入200张图像），则对该数组中第二、三维度的数据进行相加取其平均值，得到平均的背景。
[0053] S122：采用背景差分算法得到去背景的差分图像，提取车流面积。
[0054] 如图3所示，其为本发明实施例的差分图像示意图。本发明采用下式进行背景差分：
[0055] Ik(i，j)＝b′k(i，j)+mk(i，j)+nk(i，j)
[0056] dk(i，j)＝Ik(i，j)-bk(i，j)
[0057] 其中Ik(i，j)是当前帧图像，b′k(i，j)表示当前帧的背景，mk(i，j)表示运动部分(包括真正的运动、遮挡和显露)，nk(i，j)是各种如系统和传感器固有噪声、目标周围背景引起的干扰噪声，dk(i，j)表示差分图像；
[0058] 根据上式将背景图像的像素值与当前图像的像素值相减即得到差分图像，用代码表示如下：
[0059] d=abs(tuxiang-beijing)；其中，tuxiang指当前图像，beijing指背景图像,d指差分图像。S123：对差分图像进行灰度调整、二值化、图像分割、闭运算、区域内部填充及去除噪声等图像处理操作，设置车流面积区域内像素点为白点。各步骤处理后得到的图像如图4所示。
[0060] 灰度调整：鉴于光线的原因，差分图像中存在噪声且亮度不均，将其灰度进行一定的调整使图像在二值化处理中更精确。选取一定的灰度值范围，在该范围中的灰度值更亮，而不在该范围中的灰度值更暗。
[0061] 二值化：所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为1表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。但有时所取的灰度值也会根据实际情况的不同而进行取反，即所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为0表示，否则这些像素点被排除在物体区域以外，灰度值为1。本发明通过对不同阈值的选取，得出实时阈值为最佳阈值。图5所示，为本发明二值化实施阈值获取示意图。
[0062] 图像分割：在实际生活中，为了防止在后续的边缘检测中对图像的处理形成干扰和加快运算速度，而且每条道路上需要过十字路口的方向仅有一个，而另一个方向是不需要进行检测的，因此对图像进行这一个方向上的分割，先利用roipoly函数建立一个新的图像，选中的需要分割的区域内部为1，外部为0（二值化图），将要处理的图与建立的新图相加，找到新图中值为1的点，并置0。
[0063] 边缘检测：通过检测每个像素和其邻域的状态来确定该像元是否位于一个物体的边界上。假如某一个像元位于一个物体的边界上，那么其邻域像元灰度值的变化就会相对比较大。本发明采用了适用于道路情况的roberts算子。
[0064] 闭运算：边缘检测后的图像中的区域边缘并不一定是连续的，同时也会有许多干扰噪声在其中，因此对图像进行闭运算，其主要步骤即对图像进行
腐蚀和膨胀。闭运算用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积。
[0065] 区域内部填充：虽然图形已经基本连成了一
块区域，但是其内部还是黑色，并没有与边缘形成统一，这样的图像是不能进行区域面积的计算的，因此，要将区域的内部进行填充，即判断图形中的像素点是否在区域范围内，若是在区域范围内，则设置成白点。
[0066] 去除噪声：由于光线的变化和图像处理的误差会引起图像中的噪声，因此要对其进行清除。通过比较发现，这些白色区域的面积大大小于
汽车的面积，因此只需设定好阈值，小于该阈值的区域清除即可。
[0067] 摄像机在拍摄整条道路时，由于视角的关系，整条道路与在其上的车辆会趋于缩小，这对于车流面积的计算有较大的影响，因此，在对差分图像进行上述处理后，还要对其进行视觉角度误差校正：将图像分割为9块区域，对不同的区域乘以不同的系数，从而抵消上述影响。效果如6所示。
[0068] S124：利用regionprops函数得出白点的像素点总数，计算车流面积及车流面积占道路面积的百分比，具体为：
[0069] s=regionprops(bw1,’Area’);
[0070] area=size(s.Area);
[0071] d=area/zongshu
[0072] 其中，d为车流面积占道路面积的百分比；bw1为获取面积的图像；’Area’表示面积参数；area为车流面积；zongshu为道路面积；
[0073] S125：根据步骤（24）得到的车流面积占道路面积百分比d划分车流拥挤程度，具体划分规则如下表。
[0074]车辆面积占取景面积的百分比(d) 拥挤程度
d=0% 1无车
0%30%70%
[0075] 表1车流拥挤程度划分表
[0076] S13：选取K与K+1时刻经步骤S11、S12过处理的差分图像，进行帧间差分运算，得到车流面积变化量，并计算车流面积变化量占道路面积百分比，得到车流运动状态信息，并划分车流运动状态等级。
[0077] 在实际的生活中，知道了车流量并不能完全反映出道路上车流的情况，因为实际的道路不是理想化的，它可能受到道路的建设标准高低、司机的驾驶
水平、天气情况等等影响，因此，如果能够得到车流的运动状态，那么道路的整体情况就可以清晰的表示出来，而通过帧间差分的方法，计算车流面积的变化量，就可以准确地得到车流的运动状态。
[0078] 帧间差分运算采用下式计算：
[0079] ΔI′(i，j)＝|I′k(i，j)-I′k-1(i，j)|
[0080] 其中，I′k(i,j)是k时刻的一帧处理完的图像，其中仅包含有车辆特征区域，为黑白二值化图；I′k+1(i,j)为k+1时刻的一帧处理完的图像，属性与I′k(i,j)相同；ΔI′(i,j)为两者差分所得的二值化图。具体的帧间差分示意图如图7所示，帧间差分处理图如图8所示。
[0081] 在有车前提下，与背景差分中的方法相同，计算出图中白点的像素点个数，并与道路面积做除法运算得到车流面积变化量占道路面积的百分比D。
[0082] D=area1/area2
[0083] 其中，D为车流面积变化量占K+1时刻车流面积的百分比；area1为K+1时刻与K时刻车流面积变化量；area2为K+1时刻的车流面积。
[0084] 根据车流面积变化量占道路面积的百分比D划分车流运动状态如表2。
[0085]
[0086] 表2运动状态等级划分
[0087] S14：对步骤（2）与步骤（3）得到的车流量和车流状态进行综合分析，综合车流拥挤程度与车流运动状态等级对不同道路车流情况进行编码，并预测道路车流状况，若预测到会有堵车发生，发出预警信息，提示疏散车流。
[0088] 对于一般情况，利用帧间差分的方法可以准确得到道路上车流的运动状态，但是对于一些特殊的情况，仍然不能准确地得到车流的状态，因此要和车流量结合进行判断。
[0089] 虽然通过背景差分与帧间差分得到了车流量的数据和车流的运动状态，但是对于一部分的特殊的情况，仍然不能够很好地判断出来。
[0090] 通过调查分析发现：对于路面有停车情况，如表3所示。在这种情况下，一辆车停于道路边，但是检测出来其是有车的，而且车流面积变化量为0，判断为严重堵塞，显然不精确，这时候需要另外增加算法加以判断。
[0091] 本发明具体采用帧间相加算法进行判断。如图9所示，图中左图为K时刻的车流特征区域，中图为K+1时刻的车流特征区域，右图为两幅图相加后的车流特征区域。若车辆为停车状态，则对K时刻与K+1时刻的两幅图进行相加运算，则两个白色特征区域相加所得为黑色区域，比较相加后特征区域面积与当前帧区域面积大小，即可得到车流是否为停车状态。
[0092] 然而，车流量与车流状态之间存在一定的关系：车流量多，车流运动在普遍情况下会偏堵；车流量少，车流运动普遍情况下会顺畅。
[0093] 因此，本发明通过两者之间的关系进行分析，并将各个不同的情况进行编码，其中类似的情况则编为同一种码：
[0094]
[0095] 表3综合情况分析表
[0096] 根据表3得到的编码，本发明采用BP神经网络进行短时车流的预测，如果预计会有堵车的发生，则发出预警信息，及时通知交通部
门，以及早疏散车流。
[0097] 本发明用于BP神经网络训练的输入数据有两种：一为车流量拥挤等级数据；二为车流运动状态数据，通过对BP网络进行训练，输出未来短期内的车流量和车流运动状态数据。
[0098] 以上所述，仅是本发明的较佳实施实例而已，并非对本发明做任何形式上的限制，任何未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施实例所作的任何简单
修改、等同变化与修饰，均属于本发明技术方案的范围。
