王　驍，李　博，張　碩

（中北大學儀器科學與動態(tài)測試教育部重點實驗室，太原030051）

基于DSP的地下停車場車流量視頻檢測的改進算法

王驍，李博*，張碩

（中北大學儀器科學與動態(tài)測試教育部重點實驗室，太原030051）

針對DSP平臺的車流量視頻檢測算法存在實時性不佳，漏檢率較高的問題，提出了一種改進的單幀圖像差分算法，實現(xiàn)了基于TMS320DM642平臺的地下停車場車流量視頻檢測。算法采用對單幀圖像一條檢測線的灰度值做差分運算，通過對灰度值變化的幅度進行分析，提取出車輛的特征信息，實現(xiàn)了處理對象從一個面到一條線的轉變。此外算法結合雙幀背景，可以有效地改善漏檢現(xiàn)象。實驗表明，該算法在運算量上相比于主流算法減小了3個數(shù)量級，同時檢測準確率可達到93%，是一種實用高效的車流量視頻檢測方法。

視頻檢測；車流量檢測；智能算法；TMS320DM642

車流量數(shù)據(jù)的采集是智能交通系統(tǒng)中一個十分關鍵的組成部分［1］。因而對于運動目標的檢測，國內(nèi)外學者們提出了大量的理論和方法，最具代表的方法有光流法［2］、幀間差分法［3］、背景差分法［4］。光流法可以看成帶有灰度的像素點在圖像平面上運動而產(chǎn)生的瞬時速度場，以此建立方程并通過約束方程聯(lián)立求解，獲得運動物體的位置變化，其檢測精度高但運算量龐大。幀間差分法利用時間相鄰的兩幀圖像之差來判斷物體，其運算量較大，易受噪聲的干擾，檢測目標的完整性受到目標速度的影響；背景差分法一直是運動目標檢測技術中的主流方法，將當前圖像與背景模型進行差分運算，通過判定灰度特征的變化檢測目標。其檢測性能與背景建模的好壞息息相關，這導致了運算量大幅增加。鑒于DSP的運算能力和系統(tǒng)的應用價值，在保證檢測準確性的前提下，必須降低算法的運算量，為此本文改進了運動目標檢測的算法，同時使用雙背景幀輔助檢測減少了漏檢的發(fā)生。

1　算法的改進

1.1圖像差分算法的改進

目前通用圖像差分算法的基本思想是將視頻圖像序列中相鄰兩幀相減或者將被測幀與標準幀相減，從而能有效地屏蔽做差的兩幀圖像之間的相同區(qū)域，僅保留兩幀間存在差異的區(qū)域，進而檢測出處于運動的圖像信息［5］。這種方法不僅要對圖像內(nèi)的每一點做差分運算，而且會增加做差后圖像的噪聲。

收稿日期：2015-06-12修改日期：2015-09-02

本文改進的差分算法是基于對同幀圖像做差分運算。將圖像中某一行或某一列內(nèi)相鄰兩點像素的灰度值做差分運算，見式（1）與式（2）。

式（1）表示對同一行的像素點進行差分運算，式（2）為對同一列的像素點進行差分運算。以式（1）為例，In+1（xn+1，y）與In（xn，y）分別對應同一行相鄰兩點的灰度值，Bn（xn，y）為差分運算的差值。理論情況下，當該行沒有運動物體經(jīng)過時，各點的差值全為0；當出現(xiàn)運動物體時，由于運動物體的灰度值不同于背景原有的灰度值，因此運動物體邊緣點與相鄰背景點灰度值的差值會明顯大于或小于其他任意兩點的差值，確定Bn（xn，y）max或Bn（xn，y）min中的n值，來勾勒運動物體在圖像中的位置。原理如圖1所示。

圖1　理想的差分原理圖

需要注意的是若運動物體的灰度值大于背景點，則差分結果與上圖相反。但是在實際情況中，同一運動物體以及背景各點像素的灰度值會有所差異，同時必定存在噪聲，實際差分運算結果如圖2所示。

圖2　實際差分運算結果

由圖2可知，縱使存在噪聲干擾和灰度值不一的影響，導致了差值不全為0，但是運動物體邊緣點及相鄰幾點的差分結果依舊明顯不同于其它點的差值，同樣能判定出運動物體在圖像中的位置。

常規(guī)圖像差分算法是建立在對所有像素點灰度值的大小的分析，而本文的圖像差分算法則是對一系列像素點灰度值變化的幅值分析。這種算法具有以下優(yōu)勢：

（1）算法簡介，運算量小，實時性強。只需要對車輛經(jīng)過區(qū)域中的某一行或某一列進行計算。

（2）車速的快慢以及靜止都對檢測結果沒有影響。

（3）無需進行復雜的背景建模，只需要更新檢測區(qū)域的背景以及做相應的處理。

1.2車流量檢測算法的改進

車流量檢測可分為基于模型的檢測和基于非模型的檢測方法［6］。對運算速度和效果的綜合考慮采用基于非模型的檢測方法，即僅對圖像中特定虛擬檢測區(qū)域內(nèi)的運動像素點信息（亮度或灰度）進行運動分析，當像素點按照一定的規(guī)律變化時，認為檢測到車輛。為了確保主流算法的可行性，致使虛擬檢測區(qū)域必須設置為檢測框或多條檢測線，從本質(zhì)上造成了運算量的增加。

本文算法設置的虛擬檢測區(qū)域為一條檢測線，如圖3所示。

圖3　虛擬檢測線的設置

虛擬檢測線的總寬度略小于路面寬度，a段作為區(qū)分車輛與行人的辨別線，其寬度為小型車輛寬度的1/2，b1與b2段做為車輛計數(shù)線。對a段使用常規(guī)差分運算，即當前幀減去背景幀中相應的像素點。若有車輛體經(jīng)過時，像素點的灰度值必然發(fā)生規(guī)律性地變化，根據(jù)車輛的顏色信息相應地變大或變小。鑒于行人與車輛占據(jù)的像素點數(shù)存在明顯差異，當a段各點的灰度值都發(fā)生規(guī)律性地變化時，則初步認為是車輛。此時使用式（1）和式（2），開始對b1、b2段內(nèi)各點進行優(yōu)化后的差分運算，若能體現(xiàn)出車輛邊緣輪廓時，則確定為車輛。當車輛完全駛離檢測線，即恢復到?jīng)]有車輛時的狀態(tài)，此時認定車輛通過，計數(shù)加1。鑒于前車沒有完全駛離，后車不會進入檢測線，致使不會因為行車距離較近而出現(xiàn)漏檢。沒有車輛經(jīng)過時的差分運算結果如圖4所示，行人經(jīng)過時如圖5所示，車輛經(jīng)過時如圖6所示。

圖4　沒有車輛通過時的差分結果

圖5　行人經(jīng)過時的差分結果

圖6　車輛通過時的差分結果圖

上述各圖中，虛線內(nèi)為a段檢測區(qū)域?qū)南袼攸c，其余為b1段與b2段對應的像素點。由圖4可知，由于存在噪聲干擾，在沒有運動物體經(jīng)過時，其差分結果在0值附近正負隨機分布。由圖5可知，行人占據(jù)的像素點明顯少于車輛。由圖6可知，a段內(nèi)各點的差分結果均小于0且差值基本相等，說明車輛的灰度值小于路面的灰度值；此外a段各點差值的絕對值明顯大于b段兩點最值的絕對值，這是由于攝像機清晰度不高和車輛邊緣平滑導致的，將b段中最值附近幾點的差值相加并取絕對值，可發(fā)現(xiàn)其和接近于a段的平均值，對應了灰度值的變化幅度。

1.3背景建立算法的改進

背景的建立與差分運算的準確性密切相關。由于道路環(huán)境復雜，天氣的影響，以及DSP的可操作性，目前主要使用背景自適更新法或者多次幀間差分平均法［7］，但是鑒于本文是基于地下車庫的車輛檢測，其外界環(huán)境簡單，不易受到天氣影響，可直接捕捉畫面作為背景幀，因此在減少算法運算量的同時準確性也得到保證。

此外無論使用哪種方法確立的背景均為單一背景，當車輛顏色與路面顏色相近時，差分運算無法準確辨認出車體，導致了算法的局限性。本文采用備用背景幀輔助的方式，進行車體辨認，見式（3）。

式中，B（xn，yn）為真實背景幀內(nèi)一點的灰度值，A為根據(jù)實際情況設定的數(shù)值，B1（xn，yn）為備用背景幀內(nèi)一點的灰度值。當前幀對真實背景幀和備用背景幀做差分運算，若車體顏色與路面相近時，備用幀的差分結果會出現(xiàn)規(guī)律性變化；若車體顏色與路面不相似，真實背景幀的運算結果會出現(xiàn)規(guī)律性變化。本文算法為了減少運算量，只對檢測區(qū)域的背景進行處理，設定A=-50。此外設定車輛通過后或30 min內(nèi)沒有車輛通過，更新虛擬檢測線區(qū)域的背景。

2　算法的DSP實現(xiàn)

算法的基本流程如圖7所示。

圖7　算法基本流程

對a段做的兩次差分運算，只要有一組出現(xiàn)規(guī)律性變化（|a1|或|a2|大于50），則初步認定為車輛通過。b1、b2段非邊緣點差分結果因為誤差在0值附近正負隨機分布，邊緣點體現(xiàn)了灰度值的躍變，將所有點的差分結果相加，在抵消一定誤差的同時，灰度值的特征變化依舊得到保留。視頻檢測系統(tǒng)采用CCD攝像頭從道路中央以俯視的角度拍攝［8］，越靠近圖像底部的地方車輛間隔越大。根據(jù)這個特點，檢測線的位置應設置在圖像底部。同時考慮到地下停車場限速，車輛在短時間內(nèi)不會出現(xiàn)較大的位移，為了減少運算量，設定1 s內(nèi)對15幀畫面進行處理。對地下停車庫進行實地測試，如圖8、圖9所示。

圖8　實地測試圖1

圖9　實地測試圖2

3　運算量對比及實驗結果分析

基于背景差分的虛擬線框車流量檢測法是目前主流的視頻檢測法。將改進的算法在運算量與上述算法進行對比，如表1所示。

表1　運算量對比

根據(jù)攝像機高度及拍攝角度等實際情況，本文算法設定W1=130，W2=100。背景差分法一般設定W略小于車寬，L為車身的 1/3［9］，設定 W=240，L= 220。由上表可知，對于每一幀畫面，背景差分法在車輛判定上需要105 600次減法運算，車輛計數(shù)需要52 800次加法運算，總計158 400次加減運算；而改進后的算法對于每一幀畫面，在車輛判定上需要260次減法運算，車輛計數(shù)需要396次加減法運算，若背景更新需要130次加法或減法運算，總計786次加減運算?？芍庇^的發(fā)現(xiàn)本文算法在運算量上與目前主流算法相比，減少了3個數(shù)量級，大幅度減少了運算量，提高了車流量視頻檢測的實時性。同時為了檢驗該算法的有效性，對地下停車場的單車道進行了測試，實驗結果如表2所示。

表2　實驗結果

漏檢是因為車輛跨線或壓線行駛，導致b段不能確定車輛的邊緣。由實驗效果可知，本算法在單車道這種特定場合下，有優(yōu)良的檢測試結果，能滿足地下停車場實際場合的工程需求。

4　結論

該算法在利用同幀內(nèi)對相鄰像素點做差分運算的思想，大幅度減少了運算量；改進原有的車輛檢測提取方式，解決了低車距行駛而造成漏檢的問題；增加了備用背景幀輔助車輛檢測，解決了車體顏色與路面相近而不易判定的問題；算法簡潔，易于推廣，增強了DSP平臺的可移植性。如何解決由車輛壓線、跨線行駛而造成的漏檢是下一步努力改進的方向。

［1］ Tomizuka M.Automated Highway Systems：An Intelligent Transportation System for the Next Century［J］.IEEE International Symposium on Industrial Electronics，1997（1）：1-4.

［2］ 袁國武，陳志強，龔健，等.一種結合光流法與三幀差分法的運動目標檢測算法［J］.小型微型計算機系統(tǒng)，2013（3）：668-671.

［3］ 屈晶晶，辛云宏.連續(xù)幀間差分與背景差分相融合的運動目標檢測方法［J］.光子學報，2014，7：219-226.

［4］ 肖兒良，毛海軍，鞠軍平，等.基于開源軟件MJPG_Streamer的智能視頻監(jiān)控系統(tǒng)設計［J］.微電子學與計算機，2013：84-87.

［5］ 郭玲.智能交通監(jiān)控中運動目標檢測的算法研究［D］.廣州：華南理工大學，2013：11-13.

［6］ 劉小寧，陳曉冬，郁道銀.基于DSP的運動目標識別與跟蹤系統(tǒng)的設計［J］.電視技術，2010（22）：107-110.

［7］ 徐永輝，楊京禮，林連累.TMS320DM642DSP原理與應用實踐［M］.北京：電子工業(yè)出版社，2012：123-124.

［8］ 魏巍，李志慧，趙永華，等.基于智能相機的混合交通流檢測方法［J］.吉林大學學報（工學版），2013（4）：866-870.

［9］ 孫志海，朱善安.視頻運動目標檢測及跟蹤算法測試平臺設計與實現(xiàn)［J］.電子器件，2009，32（1）：97-99.

王驍（1990-），男，漢族，陜西漢中，中北大學儀器與電子學院碩士，主要研究DSP信號處理，valor98@aliyun.com；

李博（1972-），男，漢族，山西隰縣，中北大學，碩士生導師，副教授，主要研究方向為精密檢測設備、嵌入式電子電路系統(tǒng)，libo@nuc.edu.cn；

張碩（1990-），男，漢族，江蘇徐州，中北大學儀器與電子學院碩士，主要研究DSP信號處理，946154458@qq.com。

An Improved DSP Based Algorithm for Underground Parking Lot Traffic Flow Detection

WANG Xiao，LI Bo*，ZHANG Shuo
（Key Laboratory of Instrumentation Science&Dynamic Measurement，Ministry of Education，North University of China，Taiyuan 030051，China）

Concerning about the defects that the current DSP based traffic flow detection algorithm has poor real time performance and high miss detection rate，an improved single-frame image differential algorithm was proposed. The proposed method is based on the TMS320DM642 DSP platform and realized underground parking lot traffic flow video detection.Differential operation is applied on the gray value of one detection line in a single frame image.The characteristics of the vehicles are extracted by the analysis of the gray value to make one dimension processing possible，taking place of conventional two dimension processing.In addition，the algorithm utilizes the dual-frame background to relieve the miss detection rate.The experiment result shows that the algorithm complexity is reduced by 3 orders and the accuracy reaches 93%which proves the proposed algorithm to be a practical and efficient method.

video detection；traffic flow detection；intelligence algorithm；TMS320DM642

TP391.4

A

1005-9490（2016）03-0741-05

EEACC：7210G10.3969/j.issn.1005-9490.2016.03.047