錢 凱，吳曉紅，沈清波

（四川大學(xué) 電子信息學(xué)院，四川 成都 610065）

車流檢測是智能交通系統(tǒng)的重要組成部分。車流檢測環(huán)境包括白天和夜晚兩大部分，在對白天車流的檢測工作上，國內(nèi)外已經(jīng)做了大量研究；針對夜晚光照強(qiáng)度低、路面反光等復(fù)雜的車輛通行環(huán)境，目前還沒有完善的車流檢測研究成果。由于夜間車輛是開燈行駛，容易識別車輛的元素只有車燈，因此夜間車流檢測目前一般使用車燈信息對車輛進(jìn)行識別。本文主要研究基于虛擬線圈的夜晚車流檢測技術(shù)[1]。

1 夜晚車流檢測原理

夜晚，車燈是車輛被識別的最顯著元素，本文以車燈為特征對車流進(jìn)行統(tǒng)計[2]。在車燈被識別之前，需要在視屏中設(shè)置一個虛擬檢測線圈作為感興趣區(qū)域 （ROI）[3]。以車燈作為研究對象，一輛車被識別有4個階段，如圖1所示。

（1）如圖 1（a）所示，車輛車燈第一次進(jìn)入矩形框區(qū)域，由于是部分而非完全進(jìn)入，因此沒有被識別為車燈元素，故將其刪除。

（2）如圖 1（b）所示，當(dāng)車燈完全進(jìn)入矩形框區(qū)域后，其被識別為車燈元素，當(dāng)與其他車燈匹配成功，則對車燈對進(jìn)行計數(shù)，車輛數(shù)加1，并對此對車燈進(jìn)行跟蹤，以避免在其他幀中重復(fù)對此車進(jìn)行計數(shù)。

（3）如圖 1（c）所示，這對車燈元素仍然會出現(xiàn)在其他幀中，但是因?yàn)橐呀?jīng)對其進(jìn)行了跟蹤，不作為新的車輛進(jìn)行計數(shù)。

（4）如圖 1（d）所示，車燈離開矩形框區(qū)域，結(jié)束對這對車燈對的跟蹤。

圖1 識別一輛車的過程

特別說明，當(dāng)車燈對第一次匹配成功時便進(jìn)行計數(shù)，是為了避免車輛突然轉(zhuǎn)彎而在計數(shù)上有所減少。車輛的突然轉(zhuǎn)彎和設(shè)置虛擬線圈的一些情況如圖2所示。其中，圖2（a）所示為汽車車燈完全進(jìn)入了虛擬線圈，但是沒有經(jīng)過線圈的最下方（即圖 1（d）所示的情形），因此仍進(jìn)行計數(shù)。

車流統(tǒng)計的完整流程圖如圖3所示。

圖2 車輛的突然轉(zhuǎn)彎和設(shè)置虛擬線圈的一些情況

圖3 車流統(tǒng)計流程圖

2 夜晚車流檢測的設(shè)計實(shí)現(xiàn)

在夜間車流量圖像中，亮度最高的區(qū)域是車燈區(qū)域，其次是車燈在路面形成的反光區(qū)域。一般情況下，每輛車對應(yīng)一對車燈，如果能夠正確地進(jìn)行車燈檢測，就能夠正確地檢測到車輛數(shù)量。正常情況下，車燈區(qū)域亮度明顯高于其他區(qū)域，夜間車流圖像在使用了合理的閾值進(jìn)行二值化后，得到的是車燈的連通域[4]。為了簡化車燈提取過程，本文設(shè)置了一個虛擬線圈來減少噪聲的影響。提取車燈后，進(jìn)行車燈配對及車輛計數(shù)等后續(xù)過程，來完成車流量檢測的整個過程。

2.1 基于OTSU分割的車燈提取

閾值的選取對最后的識別效果有非常大的影響，觀察夜晚車流視頻可以發(fā)現(xiàn)，車燈等比較明亮的區(qū)域與周圍比較暗淡的區(qū)域在灰度上有很明顯的差異。為了達(dá)到自適應(yīng)的效果，本文采用OTSU算法[5]，算法如下。

（1）設(shè)一幅灰度范圍為 0～255的M×N大小的灰度圖像，其中灰度級為k的像素出現(xiàn)個數(shù)為n（k），出現(xiàn)概率為 p（k）=。圖像的平均灰度為 μ=k×p（k）。

（2）設(shè)以灰度級m為分割閾值 （小于此值為背景，大于等于此值為前景），把圖像分成前景和背景。則背景灰度均值為 μb=k×p（k），背景點(diǎn)數(shù)占圖像比例為 ωb=前景灰度均值為，前景點(diǎn)數(shù)占圖像比例為。

（3）前景和背景方差為 σ=ωb×（μb-μ）2+ωf×（μf-μ）2。若m的某個取值mopt使得σ的值最大，則mopt為最佳分割閾值。

基于OTSU算法二值化的結(jié)果如圖4所示。

圖4 基于OTSU算法二值化的實(shí)驗(yàn)結(jié)果

2.2 虛擬線圈設(shè)置及更新

由圖4可知，經(jīng)過二值化和預(yù)處理以后，仍然有一些很難處理的噪聲，如路燈以及路面反光所形成的連通區(qū)域，這些噪聲給識別帶來了麻煩。為簡化過程，本文設(shè)置一個檢測窗口，檢測窗口只檢測窗口內(nèi)的車燈優(yōu)化過程。由于檢測窗口的選取對最后的結(jié)果有很大的影響，因此檢測窗口中不能出現(xiàn)路燈的干擾[4]。

設(shè)置虛擬線圈要注意如下兩個因素[6-7]。

（1）虛擬線圈的尺寸

寬度上，計數(shù)檢測線應(yīng)該包含整個車道；高度上，則應(yīng)大于一個車燈直徑，但并非越大越好，最優(yōu)取值為兩個車燈直徑。檢測線過寬會增加處理時間，過窄會漏檢，影響實(shí)驗(yàn)數(shù)據(jù)正確性。檢測線圈過寬、過窄和合適的情況分別如圖 2（b）、圖 2（c）和圖 2（d）所示。

（2）計數(shù)檢測線的位置

計數(shù)檢測線距離攝像機(jī)越近，圖像所描述的細(xì)節(jié)越清晰。

檢測完一幀圖像后，將當(dāng)前圖像更新到下一幀繼續(xù)檢測，以得到整段視頻的車流量。

2.3 車燈匹配及車輛計數(shù)等后續(xù)處理

檢測窗口區(qū)域不僅有車燈連通域，有時也會出現(xiàn)噪聲連通域。由經(jīng)驗(yàn)可知，同一輛車的兩個車燈滿足以下3 個 基 本 條 件[4，8]。

（1）同一輛車的車燈的面積大小相差在一定的范圍之內(nèi)，幾乎相等，不會出現(xiàn)同一輛車的一個車燈遠(yuǎn)遠(yuǎn)大于另一個車燈的情形（一個車燈沒有開不算在此種情況內(nèi)）。本文設(shè)置兩個車燈的面積大小比在2/3～1.5之間。

（2）同一輛車的兩個車燈的質(zhì)心縱坐標(biāo)差、高度差在一定的范圍之內(nèi)。本文認(rèn)為同一輛車的兩個車燈，一個車燈的質(zhì)心的縱坐標(biāo)可以與另一個車燈有交集。

（3）同一輛車的兩個車燈的距離在一定的范圍內(nèi)，一般要比半個車道寬，比一個車道窄。

設(shè)兩個車燈目標(biāo)lamp1和lamp2，其面積分別為area1和area2。其質(zhì)心橫坐標(biāo)分別為x1和x2，縱坐標(biāo)分別為y1和y2。兩個車燈區(qū)域的縱坐標(biāo)最小值和最大值分 別 為 （lamp1·ymin，lamp1·ymax）和 （lamp2·ymin，lamp2·ymax）。一個車道的長度為L。對應(yīng)上述3個基本條件，若lamp1和lam2相互匹配需滿足以下3個條件：

（2）lamp1·ymin≤y2≤lamp1·ymax且 lamp2·ymin≤y1≤lamp2·ymax。

滿足以上3個條件的連通域還不能完全確定是同一輛車的兩個車燈，本文車燈匹配方法如下：

（1）設(shè)定一個面積為S的區(qū)域，車燈元素要大于此值，因此，此值可以設(shè)定得稍微小一點(diǎn)。將所有大于S的連通域加入一個車燈隊列l(wèi)amp_quene。

（2）對lamp_quene的車燈進(jìn)行測試，在與之匹配過程中，對不能滿足上述3個基本條件的車燈元素進(jìn)行刪除。

（3）將 lamp_quene的元素從左到右進(jìn)行排序，如果lamp_quene的元素個數(shù)為奇數(shù)，則刪除對其他車燈全部匹配毫無影響的車燈；如果lamp_quene元素個數(shù)為偶數(shù)則不作處理。

（4）對 lamp_quene車燈元素進(jìn)行一一配對，配對后作一個矩形框，矩形框?qū)挾葎偤冒瑑蓚€車燈，高度則與檢測矩形框重合。如果有矩形框包含在另一個矩形框內(nèi)，則刪掉較小的矩形框[9]。

（5）顯示剩下的矩形框，表示匹配成功。

設(shè)置矩形框的目的在于當(dāng)同一車輛有4個車燈同時開啟時，只算兩個車燈。如圖2（a）所示，同一輛車在開了4個車燈的情況下通過設(shè)置矩形框，識別為同一輛車。

車燈匹配流程圖如圖5所示。

圖5 車燈匹配流程圖

3 實(shí)驗(yàn)結(jié)果及誤差分析

在對誤差的分析上，最簡單的方法是利用程序計數(shù)和實(shí)際數(shù)目相差的大小來度量，但此方法過于粗糙，原因在于車輛檢測過程中，可能出現(xiàn)漏檢和誤檢相互抵消的情況。考慮上述因素，本文采用式（1）所示的車輛檢測計數(shù)的正確率來度量檢測的精準(zhǔn)度高低。

其中，extra_count為誤檢數(shù)，miss_count為漏檢數(shù)，actua1_count為實(shí)際車輛數(shù)目。

本文測試視頻為AVI格式，幀率為25 f/s，寬度為320像素，高度為240像素。視頻中一共出現(xiàn)車輛297輛。識別結(jié)果如表1所示。

表1 車流檢測識別結(jié)果

從表1可以看出，檢測誤差主要來自于漏檢，沒有發(fā)生誤檢。漏檢的原因在于，有些車輛不開燈或者只開一只車燈。此例中漏檢的13輛車中，有10輛沒有開車燈，另外3輛只開了1個車燈。

根據(jù)上述實(shí)驗(yàn)數(shù)據(jù)對比分析可以看出，系統(tǒng)在各種情況下的檢測精度都取得了較好的效果。除了算法本身對檢測精度的決定性影響外，還有兩個因素對系統(tǒng)精度有著重要影響，一是檢測帶位置和尺寸的設(shè)置，二是合理的檢測線設(shè)置。

本文提出了一種基于虛擬線圈的夜間車流檢測方法。首先設(shè)置一個虛擬線圈來標(biāo)出感興趣區(qū)域，降低車牌識別的復(fù)雜程度；然后在感興趣區(qū)域內(nèi)通過車燈識別和車燈匹配來統(tǒng)計車輛數(shù)量。此種算法在實(shí)際測試中取得了較好的效果，識別率超過95%。

[1]KAMINSKI L， ALLEN J， MASAKI I， et al.A sub-pixel stereo vision system for cost-effective intelligent vehicle applications[C].ProceedingsofIEEE IntelligentVehicle Symposium， 1995：7-12.

[2]魏武，張起森，王明俊，等.計算機(jī)視覺和圖像處理的交通參數(shù)檢測[J].信息與控制，2001，3（30）：257-261.

[3]郭怡文，袁飛虎.基于背景差分的多車道車流量檢測系統(tǒng)[J].電光與控制，2010，17（9）：90-93.

[4]沈清波.基于線圈的交通參數(shù)檢測[D].成都：四川大學(xué)，2010.

[5]SAHOO P K， OLTANI S， WONG A K C， et al.A survey of thresholding technique[J].Computer Vision，Graphics and Image Processing，1988（41）：233-260.

[6]劉莉，潘曉露，李一民.基于視頻的夜間車流量統(tǒng)計[J].微處理機(jī)，2012，33（1）：67-70.

[7]張帥，崔本亮，黃學(xué)達(dá).視頻檢測技術(shù)在公路車流量檢測系統(tǒng)中的應(yīng)用[J].實(shí)驗(yàn)室研究與探索，2012，31（10）：64-66.

[8]陳琳.智能交通中視頻車輛檢測技術(shù)研究[D].武漢：華中科技大學(xué)，2012.

[9]劉漢艷.基于視頻的車輛檢測與跟蹤算法的研究與實(shí)現(xiàn)[D].南京：南京郵電大學(xué)，2012.