一种基于视频的道路交叉口电动自行车行驶轨迹获取方法与流程

本发明属于交通监控领域，具体涉及一种利用计算机视觉技术对电动自行车行驶轨迹的获取方法。

背景技术：

近年来，电动自行车在交通出行结构中的占比日渐增长。电动自行车相较于步行出行更加节省体力，且速度更快；而与汽车相比，它具有电力驱动无排放、环境友好污染少、不怕拥堵且成本低的优点。电动自行车这种快捷、清洁且成本低廉的出行方式十分受到人们的青睐，也逐渐成为城市中短途出行的主要交通方式。

然而，电动自行车这种出行方式在我国迅速发展与普及的同时，也给城市道路交叉口增添了拥堵、安全等问题。电动自行车骑行者不顾道路安全法律法规，如在交叉口内经常发生电动自行车驶入机动车辆的行驶空间、违反交通信号、超速抢行和电动车主私自改装电动车进行货物运输等行为，是导致电动自行车行驶安全性低的重要因素。如何合理规范电动自行车在交叉口的驾驶行为，还需对电动自行车的行驶进行有效的检测与跟踪。

目前国内外对电动自行车的行为研究主要还是通过人工调查的手段，对电动自行车微观交通数据的提取主要为模糊的数学推算，这种调查方式与人的主观能动性关系很大，调查人员对数据的观测具有不稳定性，推算出的微观交通数据往往精度较低。

技术实现要素：

发明目的：针对现有技术中存在的问题，本发明提供了一种基于视频的道路交叉口电动自行车行驶轨迹获取方法，该方法能够准确获取道路交叉口内部的电动自行车，并实现轨迹绘制。

技术方案：本发明采用如下技术方案：一种基于视频的道路交叉口电动自行车行驶轨迹获取方法，包括如下步骤：

(1)采集道路交叉口的车辆行驶视频，设置视频中的检测区域为多条人行道围合的区域；

(2)对采集的视频进行处理，获取视频中的前景运动目标，第t帧的前景运动目标为a(xt,yt)；

(3)建立电动自行车参数模型，所述模型的参数为电动自行车团块面积s，团块外接矩形的长度l、团块外接矩形的宽度w；确定模型中参数取值范围；

(4)设置距离阈值dth，帧差阈值fth；获取视频中两帧图像的前景运动目标，首先判断是否均为电动自行车，如果是，判断是否为同一辆电动自行车；如果是同一辆电动自行车，则其质心坐标即为所述电动自行车在两帧图像中的行驶轨迹坐标点。

步骤(2)中获取视频中的前景运动目标包括如下步骤：

(2-1)建立所采集的道路交叉口视频的背景图像模型f(x,y)；可以采用混合高斯背景建模法建立背景图像模型f(x,y)；

(2-2)将视频中第t帧原始图像与步骤(2-1)建立的背景图像模型作差，得到第t帧前景运动目标a(xt,yt)；前景运动目标计算公式为：

a(xt,yt)＝f(xt,yt)-f(x,y)

其中，f(xt,yt)为第t帧原始图像，f(x,y)为背景图像。

得到前景运动目标a(xt,yt)后，对a(xt,yt)进行滤波操作，以去除电动自行车阴影部分和噪声。

步骤(3)包括如下步骤：

(3-1)选取视频中多帧图像，对每一帧图像中的前景运动目标为电动自行车的前景团块，计算其团块面积、团块外接矩形的长度、团块外接矩形的宽度；

(3-2)对(3-1)中获取的参数进行统计，选取分布概率为η的参数值域作为电动自行车参数模型的取值范围。

步骤(4)具体包括如下步骤：

(4-1)对于视频中第i帧图像和第j帧图像，获取前景运动目标ai和aj，计算对应的前景团块面积、团块外接矩形的长度、团块外接矩形的宽度，根据电动自行车参数模型中参数取值范围，判断ai和aj是否为电动自行车；

(4-2)如果ai和aj均为电动自行车，计算ai和aj的质心pi和pj，质心距离dij，如果满足条件：则ai和aj为同一辆电动自行车，pi和pj即为所述电动自行车在第i帧图像和第j帧图像中的行驶轨迹坐标点。

有益效果：与现有技术相比，本发明公开的基于视频的道路交叉口电动自行车行驶轨迹获取方法具有以下优点：1、能够解决交叉口内部机动车与非机动车区分检测的问题，能够准确获取到交叉口内部的电动自行车，并实现轨迹绘制；2、对不同交叉口所拍摄的视频源有着检测方法可重复、准确率高和参数易修改的优良特性，对电动自行车在交叉口的行驶行为分析有着重要的意义。

附图说明

图1为本发明提供的方法的流程图；

图2为电动自行车跟踪步骤的流程图；

图3为道路交叉口原始图像与背景检测区域图；

图4为前景图像滤波降噪前后对比图。

具体实施方式

本实施例以南京市中山东路-太平北路交叉口的电动自行车检测跟踪为例，进一步阐明本发明。

如图1和图2所示，本发明提供一种基于视频的道路交叉口电动自行车行驶轨迹获取方法，包括如下步骤：

(1)采集道路交叉口的车辆行驶视频，设置视频中的检测区域为多条人行道围合的区域；

以俯视视角拍摄中山东路-太平北路十字道路交叉口，拍摄时长为1小时，剪辑高峰时段10分钟长度的视频进行处理；设置检测区域1为该交叉口多条人行道围合的区域，如图3(b)中的多边形区域。

(2)对采集的视频进行处理，获取视频中的前景运动目标，第t帧的前景运动目标为a(xt,yt)；具体包括如下步骤：

(2-1)建立所采集的道路交叉口视频的背景图像模型f(x,y)；本实施例中采用混合高斯背景建模法建立背景图像模型f(x,y)；

(2-2)将视频中第t帧原始图像与步骤(2-1)建立的背景图像模型作差，得到第t帧前景运动目标a(xt,yt)；前景运动目标计算公式为：

a(xt,yt)＝f(xt,yt)-f(x,y)

其中，f(xt,yt)为第t帧原始图像，f(x,y)为背景图像。

得到前景运动目标a(xt,yt)后，对a(xt,yt)进行滤波操作，以去除电动自行车阴影部分和噪声，本实施例中对a(xt,yt)进行高斯滤波，滤波效果如图4所示，其中(a)为滤波前的前景图像；(b)为滤波后的前景图像。

(3)建立电动自行车参数模型，所述模型的参数为电动自行车团块面积s，团块外接矩形的长度l、团块外接矩形的宽度w；确定模型中参数取值范围；具体包括如下步骤：

(3-1)选取视频中5000帧图像，对每一帧图像中的前景运动目标为电动自行车的前景团块，计算其团块面积、团块外接矩形的长度、团块外接矩形的宽度；

(3-2)对(3-1)中获取的参数进行统计，选取分布概率为80％的参数值域作为电动自行车参数模型的取值范围。统计结果如表1所示：

表1

因此，选定面积参数范围为[230,2000]像素，宽度参数范围为[20,80]像素，长度参数范围为[20,80]像素。

(4)设置距离阈值dth，帧差阈值fth；获取视频中两帧图像的前景运动目标，首先判断是否均为电动自行车，如果是，判断是否为同一辆电动自行车；如果是同一辆电动自行车，则其质心坐标即为所述电动自行车在两帧图像中的行驶轨迹坐标点；具体包括如下步骤：

(4-1)对于视频中第i帧图像和第j帧图像，获取前景运动目标ai和aj，计算对应的前景团块面积、团块外接矩形的长度、团块外接矩形的宽度，根据电动自行车参数模型中参数取值范围，判断ai和aj是否为电动自行车；

(4-2)如果ai和aj均为电动自行车，计算ai和aj的质心pi和pj，质心距离dij，如果两帧图像中的电动自行车为同一辆，那么其在极短时间内所行驶的距离不会超过一个极小的数值，因此设置帧差阈值fth来控制时间，同时设置距离阈值dth来控制距离。本实施例中设置dth为20像素，fth为20帧。

如果满足条件：则ai和aj为同一辆电动自行车，pi和pj即为所述电动自行车在第i帧图像和第j帧图像中的行驶轨迹坐标点。

质心计算公式为：

其中，mpq为图像的p+q阶矩，(xc,yc)为图像的质心，a(x,y)为检测到的电动自行车团块图像，n和m分别为图像长度和宽度值。

第i帧图像和第j帧图像中团块质心间的距离计算公式为：

其中(xci,yci)为第i帧图像中电动自行车团块的质心坐标。