李從生，柏 軍，周廣祿

（哈爾濱工業(yè)大學（威海）嵌入式系統(tǒng)試驗室，威海 264209）

0 引言

智能交通系統(tǒng)（ITS）作為一種實時、高效、準確的管理系統(tǒng)是世界公認的面向交通擁堵的有效解決方案[1]。在智能交通系統(tǒng)的研究中，車輛檢測方法的研究占有很重要的地位。目前，車輛檢測方法主要有超聲波檢測、雷達檢測、紅外檢測、地感線圈檢測、視頻檢測方法等。較其他方法而言，基于視頻圖像處理的檢測技術具有明顯的優(yōu)點，如裝修靈活、成本低廉、應用范圍廣、可提供大量全面的交通管理信息等[2]。

由于白天光照強度大，光照均勻,車輛輪廓清晰，在基于視頻的車輛檢測中無論采取背景差分法，還是幀差法都可以十分準確的檢測出運動車輛。然而夜間環(huán)境復雜，光強變化大，同時受到車燈光暈和地面反光等影響，夜間條件下的車輛檢測一直是視頻車輛檢測技術的難點。目前，國內(nèi)外在這方面的研究很少，尤其國內(nèi)相關研究更少[3]。本文提出了一種將相鄰幀差和隔幀幀差相結合的累積幀差方式來檢測夜間運動車輛的方法，經(jīng)過對視頻圖像的一系列預處理和后處理，消除了圖像噪聲影響，提取出了完整的運動車輛輪廓，取得了令人滿意的車流量和車型分類檢測結果。

1 夜間運動車輛檢測

1.1 梯度濾波方法的圖像預處理

夜間車輛檢測由于受到攝像機抖動、車燈光暈、路面反光以及數(shù)字化過程產(chǎn)生的噪聲，使得原始圖像并不能直接使用，必須在早期階段對原始圖像進行灰度校正，噪聲過濾等圖像預處理。預處理是視頻圖像檢測中最基礎也是最重要的一步，后續(xù)的圖象分析、圖像檢測和圖象理解等高層操作都是建立在它的基礎之上。不同的環(huán)境和光照條件下，產(chǎn)生不同類型的噪聲。根據(jù)噪聲類型的不同，選取的噪聲濾波器也不同[4]。針對夜間光照環(huán)境復雜，車體和路面對比度小和地面反射光及環(huán)境光線噪聲較大的特點，本文通過多次試驗，采用了一種梯度濾波的預處理方式。

梯度濾波常數(shù)K，與夜間城市路燈照明強度有關，一般取110到150之間就可有效消除路面反光噪聲的影響，改善圖像質(zhì)量，增強幀差計算時的效果。

1.2 相鄰幀差和隔幀幀差相結合的目標檢測

針對白天的車輛檢測方法，通常采用背景差分的方法。夜間整體照度低，光強變化大，無論采取中值法、均值法、還是采用基于高斯分布和Kalman濾波的方式都無法有效的建立背景模型，且車輛檢測的誤差率大。

傳統(tǒng)兩幀幀差法是直接比較連續(xù)兩幀圖像對應像素點的灰度值，得到兩幀圖像亮度差的絕對值，然后判斷它是否大于某個固定的閾值，公式

如下所示。

其中fk（x,y）是當前幀像素點(x,y)的亮度分量，fk+1（x,y）是下一幀對應像素點的亮度分量，dk（x,y）是兩幀差的絕對值，T0是閾值。大于閥值T0的像素點作為運動目標被保留下來。然而傳統(tǒng)的兩幀差分不能檢測出靜止或運動速度過慢的車輛，且不能很好的提取出夜間運動車輛的輪廓，為此本文采用一種相鄰幀差和隔幀幀差相結合的累積幀差來檢測夜間運動車輛的方法。

首先計算相鄰兩幀的幀差和隔幀的幀差。其中fk+2（x,y）是第k+2幀對應像素點的亮度分量。

然后將亮度差絕對值分別進行累加，n表示選取的組合幀數(shù)。

最后在累計幀差基礎上消除背景噪聲的影響。

閥值u的選取非常關鍵，若閥值過大就會將運動緩慢車輛的大部分區(qū)域誤判為噪聲，使提取的運動目標不完整[5]。若閥值的選取過小，將保留大部分的背景，后續(xù)將無法完整提取運動車輛的輪廓。因此，閥值u的選取需要根據(jù)實際路燈的光照條件來進行調(diào)整。

1.3 基于連通域閥值的圖像后處理

由于受到噪聲的干擾，二值化后得到的圖像中往往會含有許多孤立的點、小區(qū)域、小間隙和車體內(nèi)部孔洞。這些均會干擾后續(xù)車輛的檢測,需要將孤立的點、小區(qū)域去除，而將小間隙和車體孔洞填充。本文采用的后處理方法主要包括：

1)采用形態(tài)學中的膨脹與腐蝕技術。首先對二值化后的圖像進行膨脹，填補小孔洞；為了濾除運動車輛邊緣噪聲，以及圖像中的其他噪聲，再對二值圖像進行腐蝕操作。

2)車體內(nèi)部空洞填充。通過第一步形態(tài)學處理后，大部分孤立的小點和小孔洞已經(jīng)消除，但是有些情況下車體內(nèi)部還存在空洞。首先計算圖像中各個連通的黑色區(qū)域的面積,當某一黑色區(qū)域（車體空洞）的面積小于給定的閾值時,就將該區(qū)域改為白色區(qū)域（車體部分）。

3)連通域閥值面積去噪法。首先運用區(qū)域生長法將圖像中各白色連通區(qū)域（面積大的白色連通區(qū)域為車輛，面積小的連通區(qū)域是噪聲）進行標記。然后根據(jù)各連通區(qū)域的面積與連通域閥值面積S0進行比較，如果面積小于連通域閥值面積S0，將此連通域的所有像素置零。否則認為是檢測到的運動車輛。

最終圖像處理結果：

圖1 原始圖像

2 夜間車輛檢測算法實現(xiàn)

圖2 圖像處理后

2.1 實現(xiàn)車流量的檢測

車流量的檢測要具有實時性、準確性特點。鑒于夜間運動車輛檢測的特點，本文利用虛擬線圈內(nèi)車輛產(chǎn)生的數(shù)據(jù)流變化規(guī)律來進行對車輛的計數(shù)。虛擬線圈內(nèi)的數(shù)據(jù)流只可能出現(xiàn)以下的4種情況和3種結果：

1)上一幀沒檢測到運動車輛，當前幀差也沒檢測到運動車輛：0減0，結果為0；

2)上一幀檢測到運動車輛，當前幀差也檢測到運動車輛：1減1，結果為0；

3)上一幀檢測到運動車輛，當前幀差沒檢測到運動車輛：0減1，結果為-1；

4)上一幀沒檢測到運動車輛，當前幀差檢測到運動車輛：1減0，結果為1。

每次檢測都存入檢測數(shù)據(jù)流。結果分類描述如下，1表示有新的運動車輛通過虛擬線圈；0表示沒有新車輛通過虛擬線圈；-1表示車輛離開虛擬線圈。對數(shù)據(jù)流中的‘連續(xù)1的段’進行計數(shù)，統(tǒng)計有多少段數(shù)就表示有多少輛車通過虛擬線圈[6]。

具體車流量檢測方法如下：首先設計一個循環(huán)計時器（初始值為0）和一個循環(huán)計數(shù)器（初始值為0），計時器開始計時，通過上面車輛檢測方法每檢測到一個有效的‘連續(xù)1的段’，將計數(shù)器的值累加1，以此類推，計數(shù)器的值不斷累加，當計時器的值到達一個設定的閥值T0后，計算車流量，并將計時器和計數(shù)器的值重新置0，開始新一輪的車流量循環(huán)檢測。

2.2 實現(xiàn)車型的判定

目前，基于視頻的車型檢測方法主要分為兩類：一是直接利用車輛的輪廓線或像素的空域分布特征進行分類，如模板匹配算法等；另一類是利用某種分類器對特征進行分類，以實現(xiàn)車型分類的目的，如神經(jīng)網(wǎng)絡學習分類器。但是，夜間車輛的檢測由于受到環(huán)境照度低,車體輪廓線不明顯，無法直接運用上述兩類方法。本文設計了一套運算量小、實時性好的車型檢測方法，即利用車輛的固有屬性和檢測出的運動目標的參數(shù)相匹配的檢測方法。

本文選取車輛外接矩形寬與車道寬的比值以及車輛外接矩形的長寬比兩個參數(shù)。由于目前豪華轎車的寬度和某些大型車的寬度相差不大，且形態(tài)學的處理更有可能放大車輛的寬度，因此不能單單依靠寬度參量來判斷車型。判斷方法如下：

1)首先求取運動目標的外接矩形的寬度與車道寬的比值R1。當R1＜H0時，認為是摩托車等微型車，當R1＞H0時，判定為汽車。

2)對（1）判定為汽車的運動目標計算其外接矩形的長寬比R2。當R＜H1時，認為是小型車，當R＞H1時，認為是大型車。

3 結束語

本文針對夜間城市道路的光照條件，通過梯度濾波方法，在圖像預處理階段消除了路面反光噪聲的影響；利用累計幀差和隔幀幀差相結合的方法，在圖像差分階段有效地提取出了運動目標；運用形態(tài)學和連通域面積閥值法，在圖像后處理階段消除了差分圖像中的大小噪聲，使運動車輛輪廓完整地提取出來；最后運用虛擬線圈內(nèi)的數(shù)據(jù)流實現(xiàn)了車流量的檢測，運用簡單的車型分類法實現(xiàn)了車型的自動分類。實驗結果表明，該法能有效的提取夜間運動車輛，車流量檢測正確率95%以上，車型判斷準確率92%左右，具有較明顯的優(yōu)勢，能滿足視頻車輛檢測實時性和準確性的要求。

[1] 劉東.ITS中的車輛檢測技術.公安大學學報(自然科學版),2000,20(4):35-39.

[2] 王鵬,黃凱奇.基于視頻的夜間高速公路車輛事件檢測.中國圖形圖像學報2010,15(2):300-307.

[3] 譚榮偉等.夜間運動車輛檢測.計算機工程與應用2005,13:227-232.

[4] 陳柏生,陳鍛生.采用梯度濾波方法的夜間車輛檢測.華僑大學學報(自然科學版) ,2009,30(1):42-43.

[5] 張玉榮,涂錚錚.基于幀差和小波包分析算法的運動目標檢測.計算機技術與發(fā)展2008,18(1):137-138.

[6] 張玲等.基于視頻的改進幀差法在車流量檢測中的應用.重慶大學學報2004,27(5):32-34.