CN100502463C - 一种交通流信息视频检测中的特征采集方法 - Google Patents

Abstract

一种交通流信息视频检测中的特征采集方法，该检测系统包括摄像机、信号处理器，使用改进的混合高斯分布模型来表征图像帧中每一个像素点的特征，表征的特征只采用亮度特征，如果没有运动目标(车辆)存在，则视频图像相对静止，每一像素点随时间变化都服从一定的统计模型，该算法中每一个像素点由K个高斯分布的混合模型来表征。当获得新的图像帧时，更新混合高斯分布模型，如果当前图像的像素点与混合高斯分布模型相匹配，则判定该点为背景点，否则判定该点为前景点。将建立的背景模型与当前图像进行绝对值差分，经过处理得到比较精确的车辆轮廓，和需要跟踪的参数。本发明能够适应环境变化、实时性强、处理速度快。

Description

一种交通流信息视频检测中的特征采集方法

(一)技术领域

本发明涉及一种交通流信息视频检测方法，尤其是一种视频检测中的特征采集方法。

(二)背景技术

城市的人口和车辆也在急剧增长，交通流量日益加大，交通拥挤堵塞现象日趋严重，交通系统面临着巨大压力，交通问题已经成为城市管理工作中的主要问题，阻碍和制约着城市经济建设的发展，逐渐成为全球性的共同问题。面对日益严重的交通问题，我们不能单纯依靠，如修建和改建道路和采用信号灯控制等措施来缓解这种局面。

交通流信息采集是智能交通系统中的一个重要环节，采集的信息包括车流量、车速、车型分类、占道率、交通密度，以及车辆排队长度、车辆转弯、车辆停止或肇事情况的信息。1970年以来，国内外专家、学者研制了很多交通信息采集设备，如测速雷达、环形检测线圈、超声波检测器、交通微波探测器等。实际应用表明，这几种交通信息采集方式具有如下缺点：(1)检测精度和可靠性不高；(2)不适宜大范围检测；(3)获取的交通信息量较少；(4)无法显示车型、车牌及交通现场等对于交通调查与分析、交通处罚至关重要的信息。因此由于受到检测范围、检测能力和可靠性等方面的限制，传统的车辆检测器已不能满足目前交通系统的要求。

早期大部分视频检测技术是采用虚拟线圈法，如AUTOSCOPE，CCATS，TAS，IMPACTS，TrafficCam等，其工作原理类似于地埋式线圈检测器，而目前车辆视频跟踪是通过识别出交通场景图像中符合车辆特征的象素，进行图像分割，并依据提取出的特征来匹配前后帧中的车辆，从而计算交通参数。特征跟踪的问题在于由于图像受周围环境(如建筑阴影、路灯)的影响，车辆在路段不同位置的特征不能保证相同。从图像序列中检测出运动信息、识别与跟踪运动目标是最重要和最关键的技术，目前采用的是突出目标或消除背景的思想，大致有帧间差分、背景差分和光流法三种方法。

帧间差分，这种方法具有很强的自适应性，但是对做差分的连续帧的选择时机要求较高，而且有赖于运动物体的运动速度，如果运动速度较快和过慢都不行。光流法的计算很复杂，如果没有硬件帮助的话，很难满足系统实时性的要求。P.Bouthem和D.Murray等人也采用了这种分析手段分割运动。

通常意义上的背景差分虽然实现起来比较简单，但是自适应能力较差，一些动态的变化和一些干扰没办法避免。背景消除的效果对整个系统的实现至关重要。前人提出了大量的背景消除算法：其中有基于预测的方法，如卡尔曼滤波器方法、维纳滤波器方法等，但是此类算法没有考虑深度信息的应用。Harville等人提出的基于混合高斯分布模型的自适应背景消除算法，考虑深度、颜色信息及时间的自适应性，提高了系统的分割效果，但算法的运算量大，实时性差。

(三)发明内容

为了克服已有技术交通流视频检测方法的特征跟踪中图像容易受环境影响、实时性差、处理速度较慢的不足，本发明提供一种适应环境变化、实时性强、处理速度快的交通流信息视频检测中的特征采集方法。

本发明解决其技术问题所采用的技术方案是：

一种交通流信息视频检测中的特征采集方法，该检测系统包括摄像机、信号处理器，摄像机输入视频图像序列为{1，2，…，t，…}，即在第t帧视频图像中，处理第i个像素点的值x_i，t[R_i，t，G_i，t，B_i，t]，第k个高斯分布的概率密度函数为式(1)：

${\mathrm{\η}}_k(x_{i,t},{\mathrm{\μ}}_k,{\mathrm{\Σ}}_k)=\frac{1}{{\left(2\mathrm{\π}\right)}^{1/2}{\left|\mathrm{\Σ}\right|}^{1/2}}{e}^{-1/2{(x_{i,t}-{\mathrm{\μ}}_k)}^T{\mathrm{\Σ}}^{-1}(x_{i,t}-{\mathrm{\μ}}_k)}---\left(1\right)$

式中k指的是第t时刻第i个像素点的第k个高斯分布，μ_k表示均值矢量，∑_k表示协方差矩阵；

像素点i当前的特征与该像素点过去时刻的特征有关，其概率计算式为式(2)：

$P\left(x_{i,t}\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ω}}_{i,t-1,k}*{\mathrm{\η}}_k(x_{i,t},{\mathrm{\μ}}_{i,t-1,k},{\mathrm{\Σ}}_{i,t-1,k})---\left(2\right)$

式中t为时间点，μ_i，t-1，k和∑_i，t-1，k分别是像素点i在t-1时刻的第k个高斯分布模型的均值矢量和协方差矩阵，ω_i，t-1，k为与高斯分布相对应的权值；

该方法包括以下步骤：

(1)、采集摄像机的视频图像，得到R、G、B颜色空间图像序列，用中值滤波对图像滤波除噪；

(2)、对处理过的图像序列进行颜色空间的转化，将R、G、B颜色空间转化成亮度空间，S(亮度空间)＝(R+G+B)/3；

(3)、设定混合高斯算法的参数，所述的参数包括全局背景阈值T、学习率α、高斯分布模型个数K、初始化权重ω；

(4)、读取图像的亮度空间，将第一帧图像每一个像素点的亮度值作为混合高斯的均值，方差为预定的经验值，建立单高斯混合背景模型；

(5)、读取第t帧图像，将每个像素与该像素的已有的k(k<＝K)个高斯模型相比较，比较下式(3)是否成立：

|x_i，t—μ_i，t，k|<2.5σ² _i，t，k                             (3)

式中σ² _i，t，k为像素点i在t时刻的第k个高斯分布模型的亮度方差；

(5.1)、如果匹配，更新第k个混合高斯模型的参数和权重，参数包括期望、方差，参见式(4)、(5)、(6)：

μ_i，t，k＝(1-ρ)μ_i，t-1，k+ρx_i，t，k                          (4)

σ² _i，t，k＝(1-ρ)σ² _i，t-1，k+ρ(x_i，t-μ_i，t，k)^T(x_i，t-μ_i，t，k)  (5)

ρ＝aη_k(x_i，t|μ_i，t，k，σ_k)                                  (6)

式中μ_i，t，k和σ² _i，t，k分别是像素点i在t时刻的第k个高斯分布模型的均值矢量和亮度方差，α为学习率，ρ是模型适应的学习因子，作用与a相似；

(5.2)、如果不匹配，且k<K，增加第t帧图像的高斯模型，新的高斯模型分布取X_i，t的值为均值，方差、权重ω为经验值；

(5.3)、如果不匹配，而且k＝K，用新的高斯分布代替K个高斯模型分布中权重最低的高斯分布，新的高斯模型分布取X_i，t的值为均值，方差、权重ω为经验值；

(5.4)、权重ω的更新公式为式(7)：

ω_k，t＝(1-α)ω_k，t-1+α(M_k，t)            (7)

上式中，ω_k，t为当前的权重，α为学习率，ω_k，t-1为上一帧的对应权重M_k，t为匹配量化值，如果匹配：M_k，t＝1，如果不匹配：M_k，t＝0；

(6)、将建立的背景模型与当前图像进行绝对值差分，提取运动目标的特征，经过处理得到车辆轮廓、跟踪参数。

进一步，在所述的步骤(6)中，提取运动目标的特征包括：

(6.1)、计算运动区域的面积：设正方形象素的边长为h，区域A的面积S计算公式为式(8)：

$S=\underset{(x,y)\mathrm{\&epsiv;A}}{\mathrm{\&Sigma;}}{h}^2---\left(8\right)$

上式中，点(x，y)属于区域A内的所有点；

(6.2)、计算区域中心：根据所有区域A内的所有点计算出重心公式参加式(9)、(10)：

$\stackrel{\&OverBar;}{x}=1/S\underset{(x,y)\mathrm{\&epsiv;A}}{\mathrm{\&Sigma;}}x---\left(9\right)$

$\stackrel{\&OverBar;}{y}=1/S\underset{(x,y)\mathrm{\&epsiv;A}}{\mathrm{\&Sigma;}}y---\left(10\right)$

(6.3)、计算运动目标的长度和宽度：应用物体的最小外接矩形MER，物体的边界以预设角度的增量旋转，每次旋转一个增量后，用一个水平放置的矩形MER来拟合其边界，记录下旋转后边界点的最大和最小X、Y值，如MER的面积达到最小值，所述的MER尺寸可为目标的长度和宽度。

再进一步，在所述的步骤(6)中，，提取运动目标的特征还包括：(6.4)、不变矩：对于数字图象函数f(x，y)，用所有属于区域内的点计算，如果它分段连续且只在XY平面上的有限个点不为零，判断它的各阶矩存在。

更进一步，在所述的步骤(6)中，，提取运动目标的特征之前，先对运动图像二值化处理和图像膨胀、腐蚀，膨胀运算是填补目标区域的小孔，将与某物体接触的所有背景点合并到该物体中的过程；腐蚀是去除孤立的噪声前景点，消除物体的所有边界点；得到运动车辆的轮廓，将其保存在自定义结构体的轮廓属性中。

在所述的(3)中，全局背景阈值T＝0.7，学习率α一般取值范围[0.01，0.001]，K的一般取值范围[3，5]，初始化权重ω取ω＝0.05。

本发明的工作原理是：在使用协方差矩阵中的亮度分量，因为噪声的干扰对色度信息影响比较大，而对亮度信息影响比较小，牺牲色度信息，整个交通流信息检测系统的实时性大大提高，却对目标提取的影响不大，通过将当前图像帧和背景模型进行差分，从而得到精确的运动车辆目标，通过图像二值化处理和图像膨胀、腐蚀，得到运动车辆的轮廓，提取区域面积、区域重心、车辆轮廓的最小外接矩形(MER)和不变矩，通过对区域面积的控制，判别运动物体是人体或者车辆、还是其它扰动因数，提取的区域重心、车辆轮廓的最小外接矩形(MER)和不变矩实现对运动车辆实时有效的检测和跟踪。

本发明的有益效果主要表现在：1、能适应环境的变化，能克服下雨、有雾的天气变化和缓慢的光线变化；2、算法的计算速度快、实时性高，每秒种能处理16～17帧；3、操作简单；4、通过视频检测技术，实时检测道路交通流信息，检测道路交通状况，记录交通流数据和道路交通状况信息。

(四)附图说明

图1是交通流信息视频检测中特征采集方法的系统流程框架图。

图2是基于改进混合高斯背景模型特征采集的流程图。

(五)具体实施方式

下面结合附图对本发明作进一步描述。

参照图1、图2，一种交通流信息视频检测中的特征采集方法，该检测系统包括摄像机、信号处理器，以下所叙述的每一个像素处理都是一系列在固定摄像机下，输入视频图像序列为{1，2，…，t，…}即在第t帧视频图像中，处理第i个像素点的值x_i，t[R_i，t，G_i，ｔ，B_i，t]，第k个高斯分布的概率密度函数为式(1)：

${\mathrm{\&eta;}}_k(x_{i,t},{\mathrm{\&mu;}}_k,{\mathrm{\&Sigma;}}_k)=\frac{1}{{\left(2\mathrm{\&pi;}\right)}^{1/2}{\left|\mathrm{\&Sigma;}\right|}^{1/2}}{e}^{-1/2{(x_{i,t}-{\mathrm{\&mu;}}_k)}^T{\mathrm{\&Sigma;}}^{-1}(x_{i,t}-{\mathrm{\&mu;}}_k)}---\left(1\right)$

式中μ_k表示均值矢量，∑_k表示协方差矩阵。

像素点i当前的特征与该像素点过去时刻的特征有关，其概率计算式为式(2)：

$P\left(x_{i,t}\right)=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{i,t-1,k}*{\mathrm{\&eta;}}_k(x_{i,t},{\mathrm{\&mu;}}_{i,t-1,k},{\mathrm{\&Sigma;}}_{i,t-1,k})---\left(2\right)$

式中t为时间点，μ_i，t-1，k和∑_i，t-1，k分别是像素点i在t-1时刻的第k个高斯分布模型的均值矢量和协方差矩阵，ω_i，t-1，k为与高斯分布相对应的权值。

该特征采集方法包括以下步骤：

(1)、从高分辨率CCD摄像机得R、G、B颜色空间图像序列，当然包括噪声信号，用中值滤波对图像滤波除噪。中值滤波是一种去除图像随机噪声的常用办法，因为在交通流图像中使用低通滤波除噪，由于边缘轮廓含有大量高频信息，所以，过滤噪声的同时，必然使边界变模糊；使用高通滤波，在滤波的同时，噪声也被加强了，所以用空间变换中的中值滤波法来抑制噪声信号，抑制图像中的噪声而且保持了轮廓的清晰。

(2)、对处理过的图像序列进行颜色空间的转化，将R、G、B颜色空间转化成亮度空间，S(亮度空间)＝(R+G+B)/3。

(3)、设定混合高斯算法的参数，所述的参数包括全局背景阈值T(决定了背景分布模型个数)一般取T＝0.7，学习率α一般取值范围[0.01，0.001]，我们这里取α＝0.005，K的一般取值范围[3，5]，K的值越大，系统能表征越复杂的场景，但是相应的计算量增大，本算法取K＝3，初始化权重ω一般取一个较小的值，赋值ω＝0.05。

(4)、读取图像的亮度空间，将第一帧图像每一个像素点的亮度值作为混合高斯的均值，方差给一个较大的值，一般给的也是经验值，这里我们赋值σ＝20；建立单高斯混合背景模型(混合高斯模型的初始化)。

(5)、读取第t帧图像，将每个像素与该像素的已有的k(k<＝K)个高斯模型相比较，比较下式(3)是否成立：

|x_i，t—μ_i，t，k|<2.5σ² _i，t，k                              (3)

式中σ² _i，t，k为像素点i在t时刻的第k个高斯分布模型的亮度方差。

(5.1)、如果匹配，则更新第k个混合高斯模型的参数和权重。

参数包括期望、方差，参见式(4)、(5)、(6)：

μ_i，t，k＝(1-ρ)μ_i，t-1，k+ρx_i，t，k                          (4)

σ² _i，t，k＝(1-ρ)σ² _i，t-1，k+ρ(x_i，t-μ_i，t，k)^T(x_i，t-μ_i，t，k)  (5)

ρ＝aη_k(x_i，t|μ_i，t，k，σ_k)                                 (6)

式中μ_i，t，k和σ² _i，t，k分别是像素点i在t时刻的第k个高斯分布模型的均值矢量和亮度方差，α为学习率，ρ是模型适应的学习因子，作用与a相似。

(5.2)、如果不匹配，而且k<K，增加一个高斯模型，新的高斯模型分布取X_i，t的值为均值、赋予较大的方差(经验值)，这里我们取σ＝20，较小的权值ω＝0.05。

(5.3)、如果不匹配，而且k＝K，用新的高斯分布代替权重最低的高斯分布。均值和方差的取值同上。

(5.4)、权重ω的更新公式为式(7)：

ω_k，t＝(1-α)ω_k，t-1+α(M_k，t)              (7)

上式中，ω_k，t为当前的权重，α为学习率，ω_k，t-1为上一帧的对应权重；M_k，t为匹配量化值，如果匹配：M_k，t＝1，如果不匹配：M_k，t＝0；其中学习率α，如果α取值比较大，适应环境变化的能力比较强，改变的背景很快的融入到背景模型中，但容易受噪声影响。如果α取值比较小，适应环境的能力比较低，会将暂时静止的物体认为是改变的背景融入到背景模型。

读取新的一帧，重复(5.1)～(5.4)步骤，建立背景模型的高斯分布。

(6)、将建立的背景模型与当前图像进行绝对值差分，提取运动目标的特征，经过处理得到车辆轮廓、跟踪参数。

先对前景目标进行二值化处理和图像膨胀、腐蚀。膨胀运算是填补目标区域的小孔，将与某物体接触的所有背景点合并到该物体中的过程。腐蚀是去除孤立的噪声前景点，消除物体的所有边界点的一种过程，通过这两种形态学的处理，得到运动车辆的比较精确轮廓，将其保存在自定义结构体的轮廓属性中。

通过对目标的提取，我们就得到了感兴趣的目标，还需要对目标的特征进行提取和描述。目前的目标特征可分为灰度特征，纹理特征和几何特征。下面介绍本系统跟踪时采用的几种特征：

1)区域面积

区域面积是区域的一个基本特征，他描述区域的大小，设正方形象素的边长为h，区域A的面积S计算公式为式(8)：

$S=\underset{(x,y)\mathrm{\&epsiv;A}}{\mathrm{\&Sigma;}}{h}^2---\left(8\right)$

点(x，y)是属于区域A内的所有点。可以通过计算运动区域的面积，来判断运动目标是否为非车辆等干扰因素，同过判断运动车辆的宽度，检测重叠车辆。当运动车辆面积小于一定的阈值的时候，则判断车辆驶出有效区域。

2)区域重心

区域重心是一种全局描述符，区域重心的坐标，是根据所有属于区域的点计算出来的，尽管区域各点的坐标总是整数，但区域重心的坐标常不为整数。在区域本身的尺寸与各区域间的距离相对很小时，可将区域用于重心坐标的质点来近似代表。

根据所有区域A内的所有点计算出重心公式参考式(9)、(10)：

$\stackrel{\&OverBar;}{x}=1/S\underset{(x,y)\mathrm{\&epsiv;A}}{\mathrm{\&Sigma;}}x---\left(9\right)$

$\stackrel{\&OverBar;}{y}=1/S\underset{(x,y)\mathrm{\&epsiv;A}}{\mathrm{\&Sigma;}}y---\left(10\right)$

3)长度和宽度

当一个物体从一副图像中抽取出来后计算它在水平和垂直方向的跨度是较容易的，只要知道物体的最大和最小行列号就可以了，但对于随机移动的物体，水平和垂直并不一顶是感兴趣的方向.这种情况下可以应用物体的最小外接矩形(MER)。

应用MER技术，物体的边界以30左右的增量旋转至900，每次旋转一个增量后，用一个水平放置的MER来拟合其边界，为了计算需要，只需记录下旋转后边界点的最大和最小X、Y值，在某个旋转角，MER的面积达到最小值。这时的MER的尺寸可以用来表示该物体的长度宽度。MER最小时的旋转角度绘出了该物体的主轴方向。这种技术对于矩形形状的物体特别有用，对于车辆的检测能给出满意结果。当车辆重叠，运动速度过快的时候，在对运动车辆轮廓进行跟踪的同时，对目标的数学特征进行匹配，能有效的提高跟踪的精度。

4)不变矩

图像平面上区域的矩也可以作为特征来考虑，对于数字图象函数f(x，y)，如果它分段连续且只在XY平面上的有限个点不为零，则可证明它的各阶矩存在。区域的矩是用所有属于区域内的点计算出来的，因而不太受噪音等的影响。

(7)、提取出物体的轮廓、重心、面积、最小外接矩形(MER)和不变距，这几种重要特征，将它们存放在自结构体中，

(8)、如果有新的运动车辆，重复(5)～(7)。

使用改进的混合高斯分布模型来表征图像帧中每一个像素点的特征，表征的特征只采用亮度特征，如果没有运动目标(车辆)存在，则视频图像相对静止，每一像素点随时间变化都服从一定的统计模型，该算法中每一个像素点由K个高斯分布的混合模型来表征。当获得新的图像帧时，更新混合高斯分布模型，如果当前图像的像素点与混合高斯分布模型相匹配，则判定该点为背景点，否则判定该点为前景点。将建立的背景模型与当前图像进行绝对值差分，绝对值差分能防止像素点的溢出，出现图像的白点，很好的控制噪声，经过处理得到比较精确的车辆轮廓，和需要跟踪的参数，能够在车辆记数和车速的检测中达到很好的效果。

Claims (5)

1、一种交通流信息视频检测中的特征采集方法，该检测系统包括摄像机、信号处理器，摄像机输入视频图像序列为{1，2，…，t，…}，即在第t帧视频图像中，处理第i个像素点的值x_i，t[R_i，t，G_i，t，B_i，t]，第k个高斯分布的概率密度函数为式(1)：

${\mathrm{\&eta;}}_k(x_{i,t},{\mathrm{\&mu;}}_k,{\mathrm{\&Sigma;}}_k)=\frac{1}{{\left(2\mathrm{\&pi;}\right)}^{1/2}{\left|\mathrm{\&Sigma;}\right|}^{1/2}}{e}^{-1/2{(x_{i,t}-{\mathrm{\&mu;}}_k)}^T{\mathrm{\&Sigma;}}^{-1}(x_{i,t}-{\mathrm{\&mu;}}_k)}---\left(1\right)$

式中k指的是第t时刻第i个像素点的第k个高斯分布，μ_k表示均值矢量，∑_k表示协方差矩阵；

像素点i当前的特征与该像素点过去时刻的特征有关，其概率计算式为式(2)：

$P\left(x_{i,t}\right)=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{i,t-1,k}*{\mathrm{\&eta;}}_k(x_{i,t},{\mathrm{\&mu;}}_{i,t-1,k},{\mathrm{\&Sigma;}}_{i,t-1,k})---\left(2\right)$

式中t为时间点，μ_i，t-1，k和∑_i，t-1，k分别是像素点i在t-1时刻的第k个高斯分布模型的均值矢量和协方差矩阵，ω_i，t-1，k为与高斯分布相对应的权值；

该方法包括以下步骤：

(1)、采集摄像机的视频图像，得到R、G、B颜色空间图像序列，用中值滤波对图像滤波除噪；

(2)、对处理过的图像序列进行颜色空间的转化，将R、G、B颜色空间转化成亮度空间，S(亮度空间)＝(R+G+B)/3；

(3)、设定混合高斯算法的参数，所述的参数包括全局背景阈值T、学习率α、高斯分布模型个数K、初始化权重ω；

(4)、读取图像的亮度空间，将第一帧图像每一个像素点的亮度值作为混合高斯的均值，方差为预定的经验值，建立单高斯混合背景模型；

(5)、读取第t帧图像，将每个像素与该像素的已有的k(k<＝K)个高斯模型相比较，比较下式(3)是否成立：

|x_i，t—μ_i，t，k|<2.5σ² _i，t，k              (3)

式中，σ² _i，t，k为像素点i在t时刻的第k个高斯分布模型的亮度方差；

(5.1)、如果匹配，更新第k个混合高斯模型的参数和权重，参数包括期望、方差，参见式(4)、(5)、(6)：

μ_i，t，k＝(1-ρ)μ_i，t-1，k+ρx_i，t，k           (4)

σ² _i，t，k＝(1-ρ)σ² _i，t-1，k+ρ(x_i，t-μ_i，t，k)^T(x_i，t-μ_i，t，k)        (5)

ρ＝aη_k(x_i，t|μ_i，t，k，σ_k)              (6)

式中μ_i，t，k和σ² _i，t，k分别是像素点i在t时刻的第k个高斯分布模型的均值矢量和亮度方差，α为学习率，ρ是模型适应的学习因子，作用与a相似；

(5.2)、如果不匹配，且k<K，增加第t帧图像的高斯模型，新的高斯模型分布取x_i，t的值为均值，方差、权重ω为经验值；

(5.3)、如果不匹配，而且k＝K，用新的高斯分布代替K个高斯模型分布中权重最低的高斯分布，新的高斯模型分布取x_i，t的值为均值，方差、权重ω为经验值；

(5.4)、权重ω的更新公式为式(7)：

ω_k，t＝(1-α)ω_k，t-1+α(M_k，t)               (7)

上式中，ω_k，t为当前的权重，α为学习率，ω_k，t-1为上一帧的对应权重；M_k，t为匹配量化值，如果匹配：M_k，t＝1，如果不匹配：M_k，t＝0；

(6)、将建立的背景模型与当前图像进行绝对值差分，提取运动目标的特征，经过处理得到车辆轮廓、跟踪参数。

2、如权利要求1所述的一种交通流信息视频检测中的特征采集方法，其特征在于：在所述的步骤(6)中，提取运动目标的特征包括：

(6.1)、计算运动区域的面积：设正方形象素的边长为h，区域A的面积S计算公式为式(8)：

$S=\underset{(x,y)\mathrm{\&epsiv;A}}{\mathrm{\&Sigma;}}{h}^2---\left(8\right)$

上式中，点(x，y)属于区域A内的所有点；

(6.2)、计算区域中心：根据所有区域A内的所有点计算出重心公式参考式(9)、(10)：

$\stackrel{\&OverBar;}{x}=1/S\underset{(x,y)\mathrm{\&epsiv;A}}{\mathrm{\&Sigma;}}x---\left(9\right)$

$\stackrel{\&OverBar;}{y}=1/S\underset{(x,y)\mathrm{\&epsiv;A}}{\mathrm{\&Sigma;}}y---\left(10\right)$

(6.3)、计算运动目标的长度和宽度：应用物体的最小外接矩形MER，物体的边界以预设角度的增量旋转，每次旋转一个增量后，用一个水平放置的矩形MER来拟合其边界，记录下旋转后边界点的最大和最小X、Y值，如MER的面积达到最小值，所述的MER尺寸可为目标的长度和宽度。

3、如权利要求2所述的一种交通流信息视频检测中的特征采集方法，其特征在于：在所述的步骤(6)中，提取运动目标的特征还包括：

(6.4)、不变矩：对于数字图象函数f(x，y)，用所有属于区域内的点计算，如果它分段连续且只在XY平面上的有限个点不为零，判断它的各阶矩存在。

4、如权利要求1—3之一所述的一种交通流信息视频检测中的特征采集方法，其特征在于：在所述的步骤(6)中，提取运动目标的特征之前，先对运动图像二值化处理和图像膨胀、腐蚀，膨胀运算是填补目标区域的小孔，将与某物体接触的所有背景点合并到该物体中的过程；腐蚀是去除孤立的噪声前景点，消除物体的所有边界点；得到运动车辆的轮廓，将其保存在自定义结构体的轮廓属性中。

5、如权利要求4所述的一种交通流信息视频检测中的特征采集方法，其特征在于：在所述的(3)中，全局背景阈值T取T＝0.7，学习率α一般取值范围[0.01，0.001]，K的一般取值范围[3，5]，初始化权重ω取ω＝0.05。