朱華生，葉 軍

（南昌工程學(xué)院信息工程學(xué)院，江西南昌330099）

基于改進(jìn)高斯模型的車流量檢測(cè)算法

朱華生，葉 軍

（南昌工程學(xué)院信息工程學(xué)院，江西南昌330099）

提出了一種基于改進(jìn)單高斯模型的車輛檢測(cè)與流量統(tǒng)計(jì)算法，該算法采用改進(jìn)的單高斯模型對(duì)移動(dòng)目標(biāo)進(jìn)行檢測(cè)，然后選用HSV顏色空間抑制陰影，提高了目標(biāo)提取的準(zhǔn)確率，最后，按車道分別設(shè)置相應(yīng)的虛擬區(qū)域，以實(shí)現(xiàn)車流量的統(tǒng)計(jì)工作。為驗(yàn)證算法的有效性，在標(biāo)準(zhǔn)測(cè)試視頻上進(jìn)行了對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，該算法能夠快速地提取車輛目標(biāo)，且具有較高的車輛識(shí)別率，有一定的實(shí)用價(jià)值。

計(jì)算機(jī)視覺；高斯模型；陰影抑制；交通

1 引 言

隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展，交通擁堵問題日益嚴(yán)峻，實(shí)時(shí)的交通數(shù)據(jù)對(duì)有效利用城市空間具有十分重要的意義。要實(shí)現(xiàn)這一數(shù)據(jù)的提取，首先要進(jìn)行車輛檢測(cè)。Michalopoulos［1］提出的視覺檢測(cè)方法克服了大多數(shù)傳統(tǒng)車流檢測(cè)方法的弊端，具有設(shè)備安裝簡(jiǎn)單、易于維護(hù)、成本低、聯(lián)網(wǎng)方便等優(yōu)點(diǎn)［2］。

目前，基于視覺的交通車流量監(jiān)測(cè)方法主要分為3類：光流法、幀差法、背景消減法等。光流法［3－4］抗噪性能差，計(jì)算復(fù)雜，若無特別的硬件裝置作為支撐，其處理速度相當(dāng)慢，難以達(dá)到實(shí)時(shí)處理的要求。幀差法［5－6］則需要?jiǎng)討B(tài)的設(shè)定時(shí)間間隔進(jìn)行差分，對(duì)于慢速運(yùn)動(dòng)的車輛需要選擇較大的時(shí)間差，以防止產(chǎn)生空洞，影響檢測(cè)結(jié)果。背景消減法［7］是視覺檢測(cè)算法中最常用的一種方法，其關(guān)鍵在于背景的提取及更新，由于一般的背景建模方法對(duì)突發(fā)運(yùn)動(dòng)和光照突變敏感［8］，又不能區(qū)分移動(dòng)目標(biāo)和移動(dòng)陰影，從而導(dǎo)致車輛的誤檢率較高。

本文在背景消減法的基礎(chǔ)上提出了一個(gè)新的車輛檢測(cè)與統(tǒng)計(jì)算法。即在傳統(tǒng)單高斯模型的基礎(chǔ)上，采用新的背景初始化方法，能夠更加準(zhǔn)確的提取移動(dòng)目標(biāo)；然后，采用HSV顏色空間來抑制目標(biāo)陰影，提高算法的準(zhǔn)確性；并通過虛擬區(qū)域的設(shè)定，實(shí)現(xiàn)車流量的統(tǒng)計(jì)工作；最后，選取Highway I和Highway II兩個(gè)標(biāo)準(zhǔn)測(cè)試序列進(jìn)行相關(guān)實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該算法簡(jiǎn)單、高效，能夠快速、準(zhǔn)確的提取并統(tǒng)計(jì)移動(dòng)車輛，具有較好的適應(yīng)性。

2 算法設(shè)計(jì)

本文提出的交通車流量統(tǒng)計(jì)算法主要由3部分構(gòu)成，即移動(dòng)目標(biāo)的提取、陰影抑制和車流量統(tǒng)計(jì)等。

2.1 移動(dòng)目標(biāo)的提取

檢測(cè)交通車流量的攝像機(jī)一般固定在公路的正上方，視頻的背景為公路的路面，背景并不是十分復(fù)雜，所以可以采用單高斯模型來實(shí)現(xiàn)移動(dòng)目標(biāo)的提取。

單高斯模型是基于概率分布的背景提取方法［9－11］。假設(shè)圖像中的每個(gè)像素點(diǎn)是相互獨(dú)立的，且都服從公式（1）的正態(tài)分布。

其中，xij表示點(diǎn)（i，j）處的灰度值；μij表示該像素點(diǎn)的均值；σij2表示該像素點(diǎn)的方差；P（xij）表示該像素點(diǎn)灰度值出現(xiàn)的概率。

利用單高斯模型檢測(cè)移動(dòng)目標(biāo)分3步，即：背景建模、移動(dòng)目標(biāo)檢測(cè)和模型更新。

背景建模。單高斯模型默認(rèn)將視頻的第一幀作為背景。而通常視頻的首幀圖像中存在車輛（如圖1（a）所示，其為HighwayI視頻的第1幀），所以需要很長(zhǎng)時(shí)間的更新才能獲得比較準(zhǔn)確的背景。為了加快背景的提取速度，目前較為普遍的做法是將視頻前N幀的均值作為背景［10］。然而，這種算法得到的背景值與實(shí)際值有一定的誤差，如圖1（b）所示，其為HighwayI視頻前50幀的均值得到的背景圖象。均值μij可以使用背景對(duì)其初始化，方差σij2可以使用公式（2）對(duì)其初始化。

其中，表示第t幀上點(diǎn)（i，j）處的值；N表示選取幀的數(shù)量。

移動(dòng)目標(biāo)檢測(cè)。它是利用公式（1）對(duì)當(dāng)前幀的每個(gè)像素點(diǎn)進(jìn)行計(jì)算，如果像素點(diǎn)的概率大于閾值T，則為判定該像素點(diǎn)為背景點(diǎn)，否則為前景點(diǎn)。T是一個(gè)經(jīng)驗(yàn)值。

模型更新。隨著時(shí)間的變化，背景也會(huì)發(fā)生一些變化，如光線的變化。所以要對(duì)模型進(jìn)行更新。更新的原則是：當(dāng)像素點(diǎn)為前景時(shí)，背景保持不變；當(dāng)像素點(diǎn)為背景時(shí)，按公式（3）對(duì)背景進(jìn)行更新。

其中，α是更新參數(shù)，表示背景變化的速度，它是一個(gè)經(jīng)驗(yàn)值，本文將α設(shè)置為0.03。

為了提高背景初始化的質(zhì)量，本文提出一種背景初始化新方法。主要思路是：將每個(gè)像素點(diǎn)的前N幀構(gòu)成1個(gè)一維數(shù)組，再計(jì)算它的直方圖，最后將出現(xiàn)概率最大的值作為該像素點(diǎn)的背景值。圖1（c）是HighwayI視頻（200，100）像素點(diǎn)前50幀的直方圖，圖1（d）是通過本方法獲得的初始化背景圖。

圖1 背景初始化過程及效果對(duì)比圖

從圖1可以看出，該改進(jìn)算法提取的初始化背景相較于均值提取法更為清晰準(zhǔn)確，貼近實(shí)際。

2.2 陰影抑制

在進(jìn)行移動(dòng)目標(biāo)檢測(cè)時(shí)，移動(dòng)的陰影也會(huì)被檢測(cè)出來，基于單高斯模型的移動(dòng)目標(biāo)檢測(cè)算法無法區(qū)分移動(dòng)目標(biāo)和移動(dòng)陰影。這些陰影會(huì)影響后續(xù)的目標(biāo)識(shí)別。陰影的檢測(cè)和消除方法可分為基于模型［12］和基于屬性［13－14］的2種方法。本文采用基于屬性的陰影檢測(cè)法。HSV顏色空間是均勻的顏色空間，它反應(yīng)了人眼對(duì)色彩視覺的三要素，即：色彩（H）、飽和度（S）和亮度（V）。與RGB顏色空間相比，HSV中3個(gè)分之間的相關(guān)性要小很多，比較適合做陰影檢測(cè)。在HSV色彩空間進(jìn)行陰影檢測(cè)的原理是：在一定的光照條件下，同一物體在陰影區(qū)域內(nèi)和區(qū)域外，他們的色彩變化較小，但在陰影區(qū)域內(nèi)的亮度值會(huì)下降，同時(shí)陰影區(qū)域內(nèi)的飽和度也會(huì)降低。

陰影的檢測(cè)方法是：用公式（4）來檢測(cè)陰影。其中，IH（i，j），IS（i，j），IV（i，j）和BH（i，j），BS（i，j），BV（i，j）分別表示當(dāng)前圖像和背景圖像在（i，j）點(diǎn)的H，S和V分量；α，β，τH和τS是一個(gè)經(jīng)驗(yàn)值。

陰影移除的方法是：將移動(dòng)目標(biāo)圖像減去陰影圖像，使用公式（5）：

其中，Iobject（i，j）表示移動(dòng)目標(biāo)圖像上（i，j）點(diǎn)的值，Ishadow（i，j）表示陰影圖像上（i，j）點(diǎn)的值。

經(jīng)過以上處理后，得到一個(gè)二值化圖像。再將該圖像進(jìn)行形態(tài)學(xué)運(yùn)算，去除干擾和孔洞。主要包括移除小點(diǎn)、膨脹和填充等操作。

以HighwayI視頻為例，當(dāng)α，β，τS和τH分別設(shè)置為0.35、0.8、0和50時(shí)，陰影檢測(cè)和移除結(jié)果如圖2所示。其中，圖2（a）、2（c）和2（e）分別表示視頻第51幀的移動(dòng)目標(biāo)提取圖、陰影提取圖和去陰影和干擾后的移動(dòng)目標(biāo)圖；圖2（b）、2（d）和2（f）分別表示視頻第128幀的移動(dòng)目標(biāo)提取圖、陰影提取圖和去陰影和干擾后的移動(dòng)目標(biāo)圖。

圖2 陰影檢測(cè)和移除結(jié)果示意圖

從圖2可以發(fā)現(xiàn)，該算法能夠比較準(zhǔn)確識(shí)別車輛和移除陰影。雖然陰影沒有被完全移除，但留下的少量陰影，對(duì)后面的車流量統(tǒng)計(jì)影響不大。

2.3 車流量統(tǒng)計(jì)

車輛一般是按車道行駛，因此可以將一條公路按照實(shí)際情況分成若干車道，然后分別檢測(cè)每個(gè)車道上的車輛。

本文提出的車輛檢測(cè)方法是：在需要檢測(cè)的車道上設(shè)置一塊虛擬區(qū)域，如圖3所示，（a）是HighwayI視頻畫面，在該視頻的2個(gè)車道上設(shè)置的2個(gè)虛擬區(qū)域；（b）是HighwayII視頻畫面，在該視頻的3個(gè)車道上設(shè)置了3個(gè)虛擬區(qū)域。

圖3 車道的劃分

然后，逐幀檢測(cè)虛擬區(qū)域是否有車輛。具體檢測(cè)方法是：當(dāng)虛擬區(qū)域內(nèi)移動(dòng)目標(biāo)的像素點(diǎn)大于虛擬區(qū)域面積的1／2時(shí)，就認(rèn)為虛擬區(qū)域有車，否則無車。因此，相鄰2幀之間的檢測(cè)結(jié)果有四種可能，如表1所示。從表中可以看出，只要統(tǒng)計(jì)無車到有車這一種情況，就可以統(tǒng)計(jì)到車輛的數(shù)量。

表1 相鄰幀的檢測(cè)信息組合表

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的有效性，在標(biāo)準(zhǔn)測(cè)試序列HighwayI和HighwayII上做了測(cè)試。由于攝像頭拍攝角度的原因，在HighwayI上只統(tǒng)計(jì)了2個(gè)車道，在HighwayII上也只統(tǒng)計(jì)了3個(gè)車道。車流量統(tǒng)計(jì)結(jié)果如表2所示，從表2可以發(fā)現(xiàn)，實(shí)驗(yàn)存在一定的誤檢現(xiàn)象。產(chǎn)生誤檢的原因可以從虛擬區(qū)域車輛狀態(tài)變化過程和觀察實(shí)際視頻進(jìn)行對(duì)比來尋找。圖4是HighwayI視頻各幀虛擬區(qū)域內(nèi)車輛狀態(tài)圖，圖中標(biāo)識(shí)了3處車輛誤檢區(qū)。

表2 車流量統(tǒng)計(jì)結(jié)果

圖4 HighwayI視頻各幀虛擬區(qū)域內(nèi)車輛狀態(tài)圖

經(jīng)過對(duì)比發(fā)現(xiàn)誤檢的原因，不是因?yàn)闅埩絷幱暗挠绊?，而是因?yàn)?部車輛之間的距離太近產(chǎn)生誤檢，如圖5所示。

圖5 車流量統(tǒng)計(jì)誤檢

圖5 （a）、（b）分別為視頻HighwayI第337幀的原圖及去陰影和干擾后的結(jié)果圖，可以發(fā)現(xiàn)圖中2部車輛之間的距離太過接近、難以分割，以至于最終將2部車檢測(cè)為1部車。這一問題可以通過改變攝像頭的位置和角度來降低誤檢率。

4 結(jié)束語

提出一種基于改進(jìn)的單高斯模型的車輛檢測(cè)與流量統(tǒng)計(jì)算法。在傳統(tǒng)單高斯模型的基礎(chǔ)上，采用新的背景初始化方法提取移動(dòng)目標(biāo)；然后，采用HSV特征空間抑制目標(biāo)陰影；并通過虛擬區(qū)域進(jìn)行車流量統(tǒng)計(jì)。最后，選取Highway I和Highway II兩個(gè)標(biāo)準(zhǔn)測(cè)試序列進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，該算法簡(jiǎn)單高效，能夠快速、準(zhǔn)確的提取并統(tǒng)計(jì)移動(dòng)車輛，為智能交通系統(tǒng)等提供可靠的數(shù)據(jù)支撐。

［1］ Ju Yongfeng，Zhu Hui，Pan Yong.Vehicle flow detection algorithm based on computer vision［J］.Journal of Chang’an University（Natural Science Edition），2004，24（1）：92－95.（in Chinese）

巨永鋒，朱輝，潘勇.基于計(jì)算機(jī)視覺的車流量檢測(cè)算法［J］.長(zhǎng)安大學(xué)學(xué)報(bào)，2004，24（1）：92－95.

［2］ Michalopoulos PG.Fiedld deployment of AUTOSCOPETMin the FAST-TRAC ATMS／ATIS program［J］.Traffic Engineering and Control，1992，（9）：475－483.

［3］ Du Yuren，Zhou Aijun.Atrackingmethod ofmobile vehicle based on video sequence images［J］.JournalOf Electron ICMeasurementand Instrument，2009，23（03）：45－48.（in Chinese）

杜宇人，周愛軍.一種基于視頻圖像的運(yùn)動(dòng)車輛跟蹤方法［J］.電子測(cè)量與儀器學(xué)報(bào)，2009，23（03）：45－48.

［4］ Ribaric S，Adrinek G，Segvic S.Real-time active visual tracking system［C］／／IEEE Melecon.Vol.1.May，2004：231－234.

［5］ Jiang Hanxiang，Wang Shaona，Huang Ying，et al.Nitration process and structural analysis on MnN［J］.Journal of Chongqing University，2004，2（05）：31－33，73.（in Chinese）

張玲，陳麗敏，何偉，等.基于視頻的改進(jìn)幀差法在車流量檢測(cè)中的應(yīng)用［J］.重慶大學(xué)學(xué)報(bào)（自然科學(xué)版），2004，2（05）：31－33，73.

［6］ Yang Xuechao，Liu Wenping.Moving objects detection technology in video sequen［J］.Computer Applications and Software，2008，25（1）：215－218.（in Chinese）

楊學(xué)超，劉文萍.視頻圖像序列中的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)［J］.計(jì)算機(jī)應(yīng)用與軟件，2008，25（1）：215－218.

［7］ Xu Kai，Chen Shixian，Yan Guang.Moving object detection based on improved Gaussian model［J］.Laser＆Infrared，2012，42（7）：821－824.（in Chinese）

徐凱，陳仕先，顏廣.基于高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法研究［J］.激光與紅外，2012，42（7）：821－824.

［8］ LIU Jia-hui，LIZhi.Application of Elastic Stress Absorbing Layer to Deal with Old Pavement［J］.Science Technology and Engineering，2010，23（10）：5814－5817.

胡覺暉，李一民，潘曉露.改進(jìn)的光流法用于車輛識(shí)別與跟蹤［J］.科學(xué)技術(shù)與工程，2010，23（10）：5814－5817.

［9］ WREN C，AZARBAYEJANIA，DARREL T，et al.Pfinder：real-time tracking of the human body［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19（7）：780－785.

［10］Yang Jun，Shi Zhongke.Improved single gaussian method for traffic background extraction［J］.Acta Photonica Sinica，2009，38（5）：1293－1296.（in Chinese）

楊珺，史忠科.基于改進(jìn)單高斯模型法的交通背景提?。跩］.光子學(xué)報(bào)，2009，38（5）：1293－1296.

［11］Jiang Peng，Qin Xiaolin.Robust foreground detection with adaptive threshold estimation［J］.Journal of Image and Graphics，2011，16（1）：37－43.（in Chinese）

蔣鵬，秦小麟.復(fù)雜背景下的自適應(yīng)前景分割算法［J］.中國(guó)圖像圖形學(xué)報(bào)，2011，16（1）：37－43.

［12］Jiang C，Ward M O.Shadow Identification.Proceedings of 1992 IEEEComputer Society Conference on Computer Vision and Pattern Recognition，1992：606－612.

［13］Lea G F，Bafcsy R.Combining Color and Geometry for the Active，Visual Recognition of Shadows［C］，Proceedings of the 5thInternational Congerence on Computer Vision，1995：203－209.

［14］Sonnoda Y，Ogata T.Separation of Moving bjects and their Shadows，and Application to Tracking of Loci in the Monitoring Images［C］.Proceedings of 1998 IEEE International Conference on Signal Processing，1998：1261－1264.

Adaptive vehicle detection and traffic statistics algorithm based on improved Gaussian model

ZHU Hua-sheng，YE Jun
（School of Information Engineering，Nanchang Institute of Technology，Nanchang 330099，China）

A vehicle detection and traffic statistics algorithm based on improved Gaussian model is proposed.The moving target is detected by using improved single Gaussian model at first.Then the Shadows are eliminated through HSV feature space，and the accuracy rate of target extraction is raised.Finally the traffic is counted in the suppositional areas of lanes.The papermakes experiments with standard test video.The results show that the algorithm can detect vehicle quickly and have a higher recognition rates.The algorithm can work well in the actual conditions.

Computer vision；Gaussianmodel；Shadows elimination；Traffic

TP391

A

10.3969／j.issn.1001-5078.2013.10.22

1001-5078（2013）10-1180-04

國(guó)家自然科學(xué)基金項(xiàng)目（No.61162022），江西省自然科學(xué)基金項(xiàng)目（No.2009GZW0020）資助。

朱華生（1965－），男，教授，主要研究方向?yàn)閳D像處理。E-mail：zhuhuasheng＠sohu.com

2013-02-27