一种基于图像视觉处理技术的车流量统计方法

摘要

本发明涉及一种基于图像视觉处理技术的车流量统计方法，与现有技术相比解决了无法利用视频图像技术全面统计车流量的缺陷。本发明包括以下步骤：预处理过程，针对被测车道绘制虚拟线圈和检测线，进行车辆饱和状态下人工统计；建立初始背景图像，利用帧差法构造背景图像BG；进行车辆监测，通过差图图像DI构成车辆的二值图像O

说明书

技术领域

本发明涉及智能交通技术领域，具体来说是一种基于图像视觉处理技术的 车流量统计方法。

背景技术

随着我国经济社会建设的飞速发展，汽车保有量也逐步攀升。汽车保有量 的攀升使得道路交通拥挤加剧，交通事故频发。在交通管理中使用远程道路视 频监控系统，大大减轻了人力消耗。为了对道路交通进行有效的监控，针对交 通状况的动态变化，迅速做出交通诱导控制的决策，则需对道路交通车流量进 行实时检测。

目前车流量提取的方法主要有：1、采用无线微波、雷波等来获取车速相关 信息，比较常见在道路两边安设雷达装置，其缺点是该方法只能获取车速唯一 的车辆信息，无法综合应用；2、采用地感线圈获取车速和车流量信息，该方法 广泛应用在国内交通道路监控中，其缺点是地感线圈埋在路面下，会在一定程 度上破坏路面，更不能适用于高架道路。3、利用视频检测器，其不仅系统设置 灵活、安装简单、使用方便、不破坏路面，而且该方法测速精度和交通量计数 精度基本上能保持较高水平。

与其他交通流检测方法比较，视频检测方法获取交通参数丰富，检测范围 大，安装维护方便，提取车辆信息准确、高效、安全可靠，有利于实现道路交 通网的监控。虽有部分技术公开了基于视频图像处理统计车流量的方法，但都 存在不足和问题，例如：

1、专利号为CN101510358A，名称为采用视频图像处理实时统计车流量的 方法及装置，该专利技术通过对经过虚拟检测线圈的视频图像的像素进行处理， 分析其像素值的变化来获取运动车辆目标，从而统计车辆的个数；

2、专利公开号为CN103310638A，名称为基于虚拟线圈技术的视频车流量 统计技术，该申请利用改进ViBe算法进行背景建模及更新，对虚拟线圈的车辆 进行检测和计数，实现车辆计数功能。

3、专利公开号为CN103413046A，专利名称为车流量统计方法，该专利 采用计算虚拟线圈内车辆与已有车辆列表中的车辆的关联度，实现对车道内车 辆进行跟踪，从而实现准确的车辆统计。

但是以上专利技术均是通过更新虚拟线圈区域，利用图像检测和跟踪技术 来统计车流量。设置虚拟线圈虽然加快计算机图像处理速度，但是设置虚拟大 小容易破坏车辆整体性，容易使得车辆分裂，影响车辆检测和跟踪技术精度， 误检测为多个车辆，造成统计误差。并且上述专利技术侧重交通状态非饱和状 态下统计车流量，而对于饱和状态下车流量统计，由于计算机图像处理和模式 识别技术应用条件限制，尤其车辆相互遮挡严重情况下，均没有给出统计方法 和步骤。如何开发出全面的车流量统计方法已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中无法利用视频图像技术全面统计车流 量的缺陷，提供一种基于图像视觉处理技术的车流量统计方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于图像视觉处理技术的车流量统计方法，包括以下步骤：

预处理过程，针对被测车道绘制虚拟线圈和检测线，进行车辆饱和状态下 人工统计；

建立初始背景图像，利用帧差法构造背景图像BG；

进行车辆监测，通过差图图像DI构成车辆的二值图像O_bject；

获取虚拟线圈内车辆图像信息，通过二值图像O_bject与虚拟线圈二值模板 M₁进行交集操作，获取虚拟线圈内车辆图像M₂；

虚拟线圈内车辆状态判断，通过计算交集图像占检测线比值判断虚拟线圈 内有无车辆信息、饱和、非饱和状态；

车流量统计，分别计算非饱和状态和饱和状态的车流量，得到车流量统计 结果。

所述的预处理过程包括以下步骤：

获取摄像头视频信息，按车道绘制虚拟线圈；

对虚拟线圈依行车方向进行三等分，依次连接等分点，在检测线圈内置三 条检测线；

对虚拟线圈出现饱和状态的车流量数据进行人工统计，以1分钟视频样本 计算，统计20个样本数据车流量n_i,i∈{1,2,3...,20}，

计算1分钟该路段的饱和状态下通过虚拟线圈车流量为N₀，其计算公式如 下：

$N_0=\left(\underset{i=1}{\overset{20}{\Sigma }}{n}_i\right)/20.$

所述的建立初始背景图像包括以下步骤：

设I(x,y,t)为表示t时刻当前帧，I(x,y,t-1)为表示t-1时刻当前帧，则t时刻图 像背景像素点值B(x,y,t)的计算公式如下：

$B(x,y,t)=\left(\begin{array}{c}\alpha \times I(x,y,t)+(1-\alpha )\times I(x,y,t-1)|I(x,y,t)-I(x,y,t-1)|>T\\ (1-\alpha )\times I(x,y,t)+\alpha \times I(x,y,t-1)|I(x,y,t)-I(x,y,t-1)|\le T\end{array}\right)$

其中，α∈(0,1)为权重参数，取较小值；T为预定阀值；

计算[0,T]时间段图像背景BG(x,y)，对[0,T]时间段内背景图像序列B(x,y,t)， 其中(t∈[0,T])，进行累加求均值计算出背景图像BG(x,y),其计算公式如下：

$\mathrm{BG}(x,y)=\underset{t=0}{\overset{T}{\Sigma }}\mathrm{BG}(x,y,t)/N_T,$

其中，N_T为[0,T]时间段内背景图像序列帧数。

所述的进行车辆监测包括以下步骤：

设I(x,y)为t时刻当前帧，BG(x,y)为图像背景，构造当前图像I(x,y)邻域统计图 像I_N(x，y)，其计算公式如下：

I_N(x,y)＝(∑_N(x,y)∈ΩI(x,y))/sum(N(x,y))；

构造背景图像BG(x,y)邻域统计图像BG_N(x，y)，其计算公式如下；

BG_N(x,y)＝(∑_N(x,y)∈ΩBG(x,y))/sum(N(x,y))；

计算两者差值绝对图像DI，其计算公式如下：

DI＝|I_N(x,y)-BG_N(x,y)|；

计算图像阀值T_best；

通过阀值T_best对差图图像DI进行分割得到二值图像O_bject，其计算公式如下：

$O_{\mathrm{bject}}(x,y)=\left(\begin{array}{cc}1& \mathrm{DI}(x,y)>T_{\mathrm{best}}\\ 0& \mathrm{DI}(x,y)<T_{\mathrm{best}}\end{array}\right).$

所述的获取虚拟线圈内车辆图像信息包括以下步骤：

建立图像坐标系，对二值图像O_bject建立坐标系，以图像左边顶点为原点， 建立坐标系，m为图像的宽，n为图像的高，将图像平面上像素点用二维空间坐 标表示；

填充图像空洞，对图像左右边节点连接，连接规则为(0,0)-(m,0)， (0,1)-(m,1),…,(0,n)-(m,n)，对图像进行填充，填充准则为对于空洞面积小 于100的区域进行填充，否则不填充；

对图像上下边节点连接，连接规则为(0,0)-(0,n)，(1,0)-(1,n),…, (m,0)-(m,n)，对图像进行填充，填充准则为对于空洞面积小于100的区域进行 填充，否则不填充；

进行噪声消去操作，连通区域面积小于1000的区域进行消去；

进行图像平滑处理，对二值图像O_bject进行图像平滑操作；

获取目标图像，将二值图像O_bject与虚拟线圈二值模板M₁进行交集操作，获 取虚拟线圈内车辆图像M₂，具体步骤如下：

如果O_bject(i，j)＝255&M₁(i，j)＝255存在交集，则M₂(i,j)＝255；

若不存在交集，则M₂(i,j)＝0。

所述的虚拟线圈内车辆状态判断包括以下步骤：

将虚拟线圈模板内三条检测线分别与车辆区域信息图像M₂进行交集运算，分 别计算交集图像占检测线比值分别为rito1、rito2和rito3；

取ritomin＝min(rito1,rito2,rito3)；

若ritomin＝0，则说明当前图像没有车辆信息,不进行车流量统计；

若0<ritomin<0.8，则说明虚拟线圈内车辆处于非饱和状态；

若0.8<ritomin<1，则说明拟线圈内车辆处于饱和状态。

所述的车流量统计包括以下步骤：

统计非饱和状态下的车流量，其具体步骤如下：

采集一帧图像，提取当前图像中的运动车辆模板，计算运动车辆面积S(k)和 运动车辆的质心坐标p(k)(x,y)，组成当前帧的运动目标特征序列；

若系统是初始阶段，使用当前帧的运动目标的特征序列初始化跟踪序列的 特征，初始统计车辆N₃＝0；

计算相邻两帧中运动车辆面积大小差Dif(S(k)，S(k+1))，其计算公式如下：

Dif(S(k),S(k+1))＝|S(k)-S(k+1)|

其中，S(k)为第k帧图像中运动车辆面积，S(k+1)为第k+1帧图像中运动车 辆面积；

计算相邻两帧中运动车辆面积大小差和相邻两帧运动车辆质心距离大小 Dis(p(k)，p(k+1))，其计算公式如下：

$\mathrm{Dis}(p\left(k\right),p(k+1))=\sqrt{{(p\left(k\right)\left(x\right)-p(k+1)\left(x\right))}^2+{(p\left(k\right)\left(y\right)-p(k+1)\left(y\right))}^2}$

其中，p(k)(x,y)为第k帧图像中运动车辆的质心坐标，p(k+1)(x,y)为第k+1 帧图像中运动车辆的质心坐标；

确定跟踪序列中运动车辆的匹配搜索范围内的运动车辆是否为同一运动车 辆，

若Dif(S(k),S(k+1))<30且Dis(p(k),p(k+1))<20，则匹配搜索范围内的运 动车辆与跟踪序列中运动车辆为同一运动车辆，不进行计数；

否则，匹配搜索范围内的运动车辆与跟踪序列中运动车辆不是同一运动车 辆，判定当前运动车辆为新进车辆或者车辆分裂导致显现的运动目标，同时更 新跟踪序列的特征值，更新统计车辆N₃＝N₃+1；

统计饱和状态下的车流量，统计出饱和车辆状态图像帧数；

设视频每一秒有N₁幅图像，统计1分钟该路段的饱和状态下通过虚拟线圈 车流量为N₀，统计出饱和状态下图像帧数N₂，计算饱和状态车辆个数N₄，其计 算公式如下：

N₄＝(N₂/N₁)×(N₀/60)；

统计车流量总数N₅，将非饱和状态车辆统计数与饱和状态车辆统计数求和， 其计算公式如下：

N₅＝N₄+N₃。

所述的计算图像阀值T_best包括以下步骤：

设图像有L个灰度级，灰度值i的像素数为n_i，总的像素数为N，各灰度值 出现概率为p_i＝n_i/N；

设存在阀值T将图像分割成2个区域，背景类A＝(0,1,2,...,T)和目标类 B＝(T,T+1,T+2,...,L-1)；

计算背景类A出现的概率，其公式如下：

$p_A=\underset{i=0}{\overset{T}{\Sigma }}{p}_i;$

计算目标类B出现的概率，其公式如下：

$p_B=\underset{i=T+1}{\overset{L-1}{\Sigma }}{p}_i;$

计算背景类A灰度均值，其公式如下：

${\omega }_A=\underset{i=0}{\overset{T}{\Sigma }}{\mathrm{ip}}_i/p_A;$

计算目标类B灰度均值，其公式如下：

${\omega }_B=\underset{i=T+1}{\overset{L-1}{\Sigma }}{\mathrm{ip}}_i/p_B;$

计算整个图像灰度均值，其公式如下：

${\omega }_0=p_A{\omega }_A+p_B{\omega }_B=\underset{i=0}{\overset{L-1}{\Sigma }}{\mathrm{ip}}_i;$

计算A、B两区域的类间方差，其公式如下：

σ²＝p_A(ω_A-ω₀)²+p_B(ω_B-ω₀)²；

基于类间方差越大、两类灰度差别越大的原则，最大化上式，求得最佳阀 值T_best，其公式如下：

$T_{\mathrm{best}}=\mathrm{Arg}\underset{0\le T\le L-1}{\max }{p}_A{({\omega }_A-{\omega }_0)}^2+p_B{({\omega }_B-{\omega }_0)}^2.$

所述的进行噪声消去操作包括以下步骤：

建立一个临时模板，大小与图像O_bject相等；

计算图像上各个连通区域的面积；

将像素点个数小于1000的连通区域复制到临时模板；

二值图像O_bject减去临时模板，获取新的二值图像O_bject，同时将临时模板归 零。

有益效果

本发明的一种基于图像视觉处理技术的车流量统计方法，与现有技术相比 采用整个视频图像背景作为处理模板，利用当前帧图像与图像背景邻域差值信 息来提取运动车辆，不仅能够获取车辆非饱和状态下的流量数，还能够获取饱 和状态下的流量数，统计结果更准确。

通过准确获取运动车辆完整二值图像，再与设置虚拟线圈模板逻辑操作， 来获取车辆二值模板图像，可以整体性获取车辆完整信息，为后续跟踪技术准 确性提高了保障。通过虚拟线圈内置检测线来智能区分路段交通状况，分为非 饱和状态和饱和状态，可以准确区分交通运行状况。对于非饱和状态下车流量 统计，利用车辆二值模板图像的质心位置和面积大小进行简单有效跟踪，可以 准确地统计此状态下车流量，实现简单有效地跟踪车辆。对于饱和状态下车流 量统计，根据饱和状态下车辆运动特征，可以准确地统计此状态下车流量，可 以有效地解决饱和状态下车流量统计。

附图说明

图1为本发明的方法流程图

具体实施方式

为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以 较佳的实施例及附图配合详细的说明，说明如下：

如图1所示，本发明所述的一种基于图像视觉处理技术的车流量统计方法， 包括以下步骤：

第一步，预处理过程，针对被测车道绘制虚拟线圈和检测线，进行车辆饱 和状态下人工统计。其具体步骤如下：

(1)获取摄像头视频信息，按车道绘制虚拟线圈，线圈尽量沾满整个车道， 长度可以约为一般小汽车的1.5倍。

(2)对虚拟线圈依行车方向进行三等分，依行车方向即为虚拟线圈纵向方 向上进行三等分，依次连接等分点，在检测线圈内置三条检测线。

(3)对虚拟线圈出现饱和状态的车流量数据进行人工统计，以1分钟视频 样本计算，统计20个样本数据车流量n_i,i∈{1,2,3...,20}。由于饱和状态下车辆行 驶近似相同，求20个样本数据车流量平均值，来计算1分钟该路段的饱和状态 下通过虚拟线圈车流量为N₀，其计算公式如下：

$N_0=\left(\underset{i=1}{\overset{20}{\Sigma }}{n}_i\right)/20.$

第二步，建立初始背景图像，利用帧差法构造背景图像。由于帧差检测方 法对交通环境光线变化有较强鲁棒性，能够快速提取运动区域，因此采用帧差 法来构造背景图像。帧差法构造图像背景思想是背景像素点的灰度变化比较缓 慢，运动区域在前后两帧图像灰度会有较为明显变化，通过两帧相减得到亮度 差的绝对值图像，经过设定阀值分割，来提取运动目标区域。其具体步骤如下：

(1)设I(x,y,t)为表示t时刻当前帧，I(x,y,t-1)为表示t-1时刻当前帧，则t时 刻图像背景像素点值B(x,y,t)，即相邻两帧之间差分图像和二值模板图像运算关 系如下：

$B(x,y,t)=\left(\begin{array}{c}\alpha \times I(x,y,t)+(1-\alpha )\times I(x,y,t-1)|I(x,y,t)-I(x,y,t-1)|>T\\ (1-\alpha )\times I(x,y,t)+\alpha \times I(x,y,t-1)|I(x,y,t)-I(x,y,t-1)|\le T\end{array}\right)$

其中，α∈(0,1)为权重参数，取较小值；T为预定阀值。

如上式可以得知，图像B(x,y,t)充分利用前后两帧图像信息，侧重保留前后帧 变化较小部分即图像背景信息，抑制帧差变化较大部分即车辆运动区域。

(2)计算[0,T]时间段图像背景BG(x,y)，对[0,T]时间段内背景图像序列 B(x,y,t)，其中(t∈[0,T])，进行累加求均值计算出背景图像BG(x,y),其计算公式 如下：

$\mathrm{BG}(x,y)=\underset{t=0}{\overset{T}{\Sigma }}\mathrm{BG}(x,y,t)/N_T,$

其中，N_T为[0,T]时间段内背景图像序列帧数。

第三步，进行车辆监测，通过差图图像DI构成车辆的二值图像O_bject。传统 颜色亮度信息检测模型仅仅依靠图像灰度统计信息，难以处理复杂背景变化。 监控图像像素空域相邻时，呈现很强依赖信息，而这些信息包含了图像结构信 息。图像表面亮度是表面亮度与反射系数的乘积，亮度信息在整个图像区域变 化较大，但是局部结构信息受光照影响较小。二帧差法思想是当监控图像出现 运动目标时，运动区域在前后两帧图像灰度会有较为明显变化，通过两帧相减 得到亮度差的绝对值图像，经过设定阀值分割，来提取运动目标区域。其具体 步骤如下：

(1)设I(x,y)为t时刻当前帧，BG(x,y)为图像背景，构造当前图像I(x,y)邻域 统计图像I_N(x，y)，其计算公式如下：

I_N(x,y)＝(∑_N(x,y)∈ΩI(x,y))/sum(N(x,y))；

构造背景图像BG(x,y)邻域统计图像BG_N(x，y)，其计算公式如下；

BG_N(x,y)＝(∑_N(x,y)∈ΩBG(x,y))/sum(N(x,y))。

(2)构造图像灰度统计测度函数，分别计算前后两帧图像局部平均差图像， 通过阀值分割两图像差图，提取运动目标区域。计算两者差值绝对图像DI，其 计算公式如下：

DI＝|I_N(x,y)-BG_N(x,y)|。

差值图像DI刻画了两帧图像I_N(x,y)和BG_N(x,y)局部灰度显著差别，考查了邻域像 素值与其均值差别，大大降低了背景信息影响，突出了运动目标部分，增大检 测效果鲁棒性。

(3)计算图像阀值T_best，计算图像阀值T_best来自动提取运动目标区域，避免 人为设置阀值的不足。其步骤如下：

A、设图像有L个灰度级，灰度值i的像素数为n_i，总的像素数为N，各灰度 值出现概率为p_i＝n_i/N。

B、设存在阀值T将图像分割成2个区域，背景类A＝(0,1,2,...,T)和目标类 B＝(T,T+1,T+2,...,L-1)；

C、计算背景类A出现的概率，其公式如下：

$p_A=\underset{i=0}{\overset{T}{\Sigma }}{p}_i;$

计算目标类B出现的概率，其公式如下：

$p_B=\underset{i=T+1}{\overset{L-1}{\Sigma }}{p}_i;$

D、计算背景类A灰度均值，其公式如下：

${\omega }_A=\underset{i=0}{\overset{T}{\Sigma }}{\mathrm{ip}}_i/p_A;$

计算目标类B灰度均值，其公式如下：

${\omega }_B=\underset{i=T+1}{\overset{L-1}{\Sigma }}{\mathrm{ip}}_i/p_B;$

E、计算整个图像灰度均值，其公式如下：

${\omega }_0=p_A{\omega }_A+p_B{\omega }_B=\underset{i=0}{\overset{L-1}{\Sigma }}{\mathrm{ip}}_i;$

F、计算A、B两区域的类间方差，其公式如下：

σ²＝p_A(ω_A-ω₀)²+p_B(ω_B-ω₀)²；

G、基于类间方差越大、两类灰度差别越大的原则，最大化上式，求得最佳 阀值T_best，其公式如下：

$T_{\mathrm{best}}=\mathrm{Arg}\underset{0\le T\le L-1}{\max }{p}_A{({\omega }_A-{\omega }_0)}^2+p_B{({\omega }_B-{\omega }_0)}^2.$

(4)通过阀值T_best对差图图像DI进行分割得到二值图像O_bject，其计算公式 如下：

$O_{\mathrm{bject}}(x,y)=\left(\begin{array}{cc}1& \mathrm{DI}(x,y)>T_{\mathrm{best}}\\ 0& \mathrm{DI}(x,y)<T_{\mathrm{best}}\end{array}\right).$

第四步，获取虚拟线圈内车辆图像信息，通过二值图像O_bject与虚拟线圈二 值模板M₁进行交集操作，获取虚拟线圈内车辆图像M₂，其具体步骤如下：

(1)建立图像坐标系，对二值图像O_bject建立坐标系，以图像左边顶点为 原点，建立坐标系，m为图像的宽，n为图像的高，将图像平面上像素点用如表 1二维空间坐标表示。

表1

(0,0) (1,0) … (m,0) (0,1)     (m,1) … … … … (0,n) (1,n) … (m,n)

其能够显示出图像上车辆位置信息(图像白色部分)，为后来图像上车辆合 并，噪声消去等操作提供方向信息，如更好地将上下不连接车辆部分识别为同 一车辆部分。

(2)填充图像空洞，如表1所示，对图像左右边节点连接。连接规则为 (0,0)-(m,0)，(0,1)-(m,1),…,(0,n)-(m,n)，对图像进行填充，填充准则为 对于空洞面积小于100的区域进行填充，否则不填充。

对图像上下边节点连接，连接规则为(0,0)-(0,n)，(1,0)-(1,n),…, (m,0)-(m,n)，对图像进行填充，填充准则为对于空洞面积小于100的区域进行 填充，否则不填充。

(3)进行噪声消去操作，连通区域面积小于1000的区域进行消去。对于 填充后图像带有噪声或者小斑块非目标区域，为了获取干净二值图像O_bject，对于 图像连通区域进行分析，利用车辆连通区域所占面积较大特点，对于连通区域 面积小于1000的区域进行消去。具体步骤如下：

A、建立一个临时模板，大小与图像O_bject相等；

B、计算图像上各个连通区域的面积；

C、将像素点个数小于1000的连通区域复制到临时模板；

D、二值图像O_bject减去临时模板，获取新的二值图像O_bject，同时将临时模 板归零。

这种方法的优点在于相比图像腐蚀等形态学消去噪声操作方法，该方法在 消去噪声同时不破坏车辆区域整体性。

(4)进行图像平滑处理，对二值图像O_bject进行图像平滑操作。二值图像O_bject由于填充操作，可能出现车辆边界尖角或不规则现象，对图像进行腐蚀平滑操 作，来获取较规则车辆区域。

(5)获取目标图像，将二值图像O_bject与虚拟线圈二值模板M₁进行交集操作， 获取虚拟线圈内车辆图像M₂，具体步骤如下：

如果O_bject(i，j)＝255&M₁(i，j)＝255存在交集，则M₂(i,j)＝255；

若不存在交集，则M₂(i,j)＝0。

第五步，虚拟线圈内车辆状态判断，通过计算交集图像占检测线比值判断 虚拟线圈内有无车辆信息、饱和、非饱和状态。其具体步骤如下：

(1)将虚拟线圈模板内三条检测线分别与车辆区域信息图像M₂进行交集运 算，分别计算交集图像占检测线比值分别为rito1、rito2和rito3；

(2)取ritomin＝min(rito1,rito2,rito3)；

(3)若ritomin＝0，则说明当前图像没有车辆信息,不进行车流量统计；

若0<ritomin<0.8，则说明虚拟线圈内车辆处于非饱和状态；

若0.8<ritomin<1，则说明拟线圈内车辆处于饱和状态。

第六步，车流量统计，分别计算非饱和状态和饱和状态的车流量，得到车 流量统计结果。其具体步骤如下：

(1)统计非饱和状态下的车流量，运动车辆的跟踪是确定同一车辆在不同 帧中的位置的过程，当运动车辆被正确检测出来时，它就是对相邻帧中检测出 的车辆进行匹配的问题，本专利匹配的依据主要是物体的质心位置，面积大小。 假设在一帧的时间间隔内跟踪目标的运动轨迹是平滑的，即它的运动参量的改 变应该尽可能的小。针对车辆跟踪本身所具有的特点，本文采用基于混合特征 的方法实现对车辆的跟踪，并在混合模型跟踪算法中选用了两个参数实现匹配。 其具体步骤如下：

A、采集一帧图像，提取当前图像中的运动车辆模板，计算运动车辆面积S(k) 和运动车辆的质心坐标p(k)(x,y)，组成当前帧的运动目标特征序列。

B、若系统是初始阶段，使用当前帧的运动目标的特征序列初始化跟踪序列 的特征，初始统计车辆N₃＝0。

C、计算相邻两帧中运动车辆面积大小差Dif(S(k)，S(k+1))，其计算公式如下：

Dif(S(k),S(k+1))＝|S(k)-S(k+1)|

其中，S(k)为第k帧图像中运动车辆面积，S(k+1)为第k+1帧图像中运动车 辆面积；

计算相邻两帧中运动车辆面积大小差和相邻两帧运动车辆质心距离大小 Dis(p(k)，p(k+1))，其计算公式如下：

$\mathrm{Dis}(p\left(k\right),p(k+1))=\sqrt{{(p\left(k\right)\left(x\right)-p(k+1)\left(x\right))}^2+{(p\left(k\right)\left(y\right)-p(k+1)\left(y\right))}^2}$

其中，p(k)(x,y)为第k帧图像中运动车辆的质心坐标，p(k+1)(x,y)为第k+1 帧图像中运动车辆的质心坐标；

D、确定跟踪序列中运动车辆的匹配搜索范围内的运动车辆是否为同一运动 车辆，根据特征相似度计算规则，确定可能与跟踪序列中的运动车辆相匹配的 当前帧中的集合。依据多特征匹配规则，在上述的匹配集合中找到与运动车辆 最佳的匹配车辆，多特征匹配规则是通过比较运动车辆与集合中的每一个运动 车辆之间对应的特征相似度是否大于给定的阀值，若运动车辆与集合的特征相 似度小于阀值，则这两个运动车辆之间匹配程度高，属于同一运动车辆。

若Dif(S(k),S(k+1))<30且Dis(p(k),p(k+1))<20，则匹配搜索范围内的运 动车辆与跟踪序列中运动车辆为同一运动车辆，不进行计数；

否则，匹配搜索范围内的运动车辆与跟踪序列中运动车辆不是同一运动车 辆，判定当前运动车辆为新进车辆或者车辆分裂导致显现的运动目标，同时更 新跟踪序列的特征值，更新统计车辆N₃＝N₃+1。

(2)统计饱和状态下的车流量，统计出饱和车辆状态图像帧数。

设视频每一秒有N1幅图像，统计1分钟该路段的饱和状态下通过虚拟线圈 车流量为N₀，统计出饱和状态下图像帧数N₂，计算饱和状态车辆个数N₄，其计 算公式如下：

N₄＝(N₂/N₁)×(N₀/60)。

(3)统计车流量总数N₅，将非饱和状态车辆统计数与饱和状态车辆统计数 求和，，其计算公式如下：

N₅＝N₄+N₃。

N₅为最终车流量统计结果，包括了非饱和状态车辆统计数和饱和状态车辆 统计数。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业 的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中 描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有 各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明 要求的保护范围由所附的权利要求书及其等同物界定。