謝印慶　姜莉　王魯　黃超　劉婷

摘要：車流量檢測(cè)是城市智能交通的關(guān)鍵技術(shù)之一，針對(duì)目前視頻檢測(cè)算法復(fù)雜度高、檢測(cè)準(zhǔn)確率不高的問題，提出了一種快速車流量檢測(cè)算法，該算法通過劃定進(jìn)入和離開檢測(cè)線。并結(jié)合背景差分方法，將目標(biāo)的面上檢測(cè)，轉(zhuǎn)化為線上檢測(cè)，避免了對(duì)目標(biāo)復(fù)雜的跟蹤過程及其帶來的檢測(cè)誤差，有效降低了算法的復(fù)雜度，提高了檢測(cè)的準(zhǔn)確率，實(shí)驗(yàn)表明，該算法能夠快速分車道檢測(cè)車輛，計(jì)算復(fù)雜度低，檢測(cè)準(zhǔn)確率高，且具有車輛速度測(cè)量能力，能夠?yàn)橹悄芙煌ㄏ到y(tǒng)提供必要的支持。

關(guān)鍵詞：智能交通系統(tǒng)；車流量檢測(cè)；背景差分；檢測(cè)線

DoI：10.15938/j.jhust.2016.04.004

中圖分類號(hào)：TP391

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1007—2683（2016）04—0019-06

0引言近年來，城市交通壓力日加嚴(yán)峻，車輛擁堵現(xiàn)象越發(fā)普遍，智能交通系統(tǒng)作為一種前景廣闊的解決方法，能夠?yàn)榻煌〒矶绿峁┰缙陬A(yù)警，及時(shí)疏散車流，因而得到了人們的廣泛重視，要實(shí)現(xiàn)智能交通系統(tǒng)，首先要能夠?qū)崟r(shí)而準(zhǔn)確地掌握道路上的車流量、車速、車型等交通參數(shù)信息，目前，獲取這些信息，主要有3種方法，第一種是接觸式檢測(cè)，將感應(yīng)裝置埋藏于路面之下的，當(dāng)車輛通過時(shí)，引起感應(yīng)裝置的響應(yīng)，從而得到所需要的交通流量信息，這種方法的安裝維護(hù)較為困難，隨著車輛的增多，導(dǎo)致這類裝置使用壽命較短，路基下沉、冰凍等也會(huì)影響采集系統(tǒng)的使用，且該種系統(tǒng)難以對(duì)車輛的速度進(jìn)行有效監(jiān)測(cè)，第二種方法是波頻檢測(cè)，主要有微波、紅外、超聲波三種，利用返回頻率差或者時(shí)間差來檢測(cè)車輛，這種方法受到天氣的影響較大，且成本較高，第三種方法是視頻檢測(cè)方法，這種方法利用計(jì)算機(jī)視覺技術(shù)獲取道路交通的參數(shù)，具有安裝維護(hù)簡(jiǎn)單、成本低廉等優(yōu)點(diǎn)，目前，車輛視頻檢測(cè)技術(shù)目前仍處于快速發(fā)展階段，

車輛的視頻檢測(cè)技術(shù)，利用交通路口的視頻探頭，獲取車輛通行的視頻畫面，然后利用視頻或者圖像處理的方式，獲取車輛的動(dòng)態(tài)信息，從而實(shí)現(xiàn)對(duì)車流量的實(shí)時(shí)監(jiān)控，常用的處理方法有：相鄰幀差法、邊緣檢測(cè)法、背景差分法，相鄰幀差法通過提取相鄰圖像幀的變化量檢測(cè)目標(biāo)，容易受到樹木、行人、光線等變化信息的影響，導(dǎo)致檢測(cè)概率不高；邊緣檢測(cè)法在車輛邊緣不明顯的情況下容易造成漏檢；背景差分方法由于較好的可靠性受到了更大的重視，文提出了混合高斯背景模型的方法，在初期采用新的權(quán)值和方差更新方法，獲得了較好的性能，文研究了基于高斯混合模型的多車道車流量檢測(cè)算法，運(yùn)用高斯混合模型對(duì)檢測(cè)帶進(jìn)行背景建模，實(shí)現(xiàn)了多車道車流量檢測(cè)，文提出基于差異深度積累的目標(biāo)檢測(cè)算法和基于卡爾曼濾波的目標(biāo)跟蹤算法，實(shí)現(xiàn)了多運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤，以上這些背景差分算法在進(jìn)行車流量檢測(cè)時(shí)，都是以車輛目標(biāo)為中心，且其整個(gè)背景的維護(hù)需要用到整個(gè)視頻探頭可以捕捉的畫面，算法設(shè)計(jì)較為復(fù)雜，且背景容易受到樹木抖動(dòng)的影響，造成檢測(cè)概率不足。

本文提出一種快速車流量檢測(cè)的實(shí)用算法，通過劃定可以調(diào)節(jié)寬度的檢測(cè)線，僅僅在檢測(cè)線上采用背景差分方法，對(duì)目標(biāo)進(jìn)行檢測(cè)，由于需要處理的數(shù)據(jù)由原來的整個(gè)面，減少為一條線，即從二維圖像數(shù)據(jù)轉(zhuǎn)變?yōu)樯倭康囊痪S數(shù)據(jù)，使得計(jì)算量大大減少；同時(shí)，檢測(cè)線的選取可以有效避開樹木等抖動(dòng)背景，使得背景更加穩(wěn)定，檢測(cè)概率更高，在完成原有算法的多車道檢測(cè)基礎(chǔ)上，本文算法實(shí)現(xiàn)快速實(shí)現(xiàn)車流量、車速的檢測(cè)，具有更好的檢測(cè)概率和更低的計(jì)算復(fù)雜度，

本文主要介紹了算法的預(yù)備工作，給出了算法的主要步驟和關(guān)鍵環(huán)節(jié)，利用實(shí)測(cè)數(shù)據(jù)對(duì)本文算法和已有算法進(jìn)行了對(duì)比分析，最后對(duì)本文進(jìn)行了小結(jié)，

1.車流量檢測(cè)的預(yù)備

交通視頻的相近幀之間蘊(yùn)藏著大量的車輛運(yùn)動(dòng)信息，如圖1所示，采用合適的方法將這些運(yùn)動(dòng)信息檢測(cè)和提取出來，就能夠達(dá)到提取場(chǎng)景內(nèi)交通參數(shù)的目的，圖2所示為車輛檢測(cè)的基本過程，首先需要從視頻中提取數(shù)字圖像序列，對(duì)每一幀進(jìn)行預(yù)處理、形態(tài)學(xué)處理，最后進(jìn)行目標(biāo)的檢測(cè)，其中，對(duì)圖像的預(yù)處理以及形態(tài)學(xué)處理方法是整個(gè)車輛檢測(cè)算法的預(yù)備工作，

1.1圖像預(yù)處理

實(shí)際采集到的交通流視頻都會(huì)受到噪聲等的影響，會(huì)使得車輛檢測(cè)的準(zhǔn)確率變差，所以，在進(jìn)行檢測(cè)車流量之前，需要對(duì)圖像進(jìn)行一系列預(yù)處理主要包括：灰度化、濾波、二值化等。

彩色圖像的灰度化：彩色圖像的數(shù)據(jù)量較大，為了減小運(yùn)算量，提高后續(xù)算法的速度和應(yīng)用實(shí)效，需要將彩色的交通流視頻圖像進(jìn)行灰度化處理，本文算法采用工程中常用的加權(quán)平均法來對(duì)圖像進(jìn)行灰

圖像濾波：在視頻圖片中，由于受到椒鹽噪聲影響，導(dǎo)致個(gè)別像素起伏較大，因此，還需要對(duì)其進(jìn)行平滑濾波處理，為了實(shí)現(xiàn)快速車輛檢測(cè)，本文算法采用較為經(jīng)典的中值圖像濾波，中值濾波的基本原理是利用一個(gè)滑動(dòng)窗口，該滑動(dòng)窗口依次滑過圖像的所有像素點(diǎn)，對(duì)滑動(dòng)窗口內(nèi)對(duì)應(yīng)的像素點(diǎn)的灰度值進(jìn)行排序，這些像素點(diǎn)灰度值的中值，即為中值濾波后圖像在該點(diǎn)的灰度值，計(jì)算公式為：

經(jīng)過灰度化、圖像濾波、二值化處理以后，所得到的是包含車輛信息的二值圖像，其特點(diǎn)為背景變化較大的區(qū)域?yàn)?，較小的區(qū)域?yàn)?，也即有車輛通過時(shí)，在車輛覆蓋的區(qū)域內(nèi)為1，其他區(qū)域?yàn)?，然而，由于受到環(huán)境噪聲、車輛色差等影響，導(dǎo)致得到的0、1區(qū)域與實(shí)際的情況存在偏差，需要對(duì)其進(jìn)行進(jìn)一步的形態(tài)學(xué)分割處理，

1.2形態(tài)學(xué)處理

由于車輛的某些部位與路面可能存在著灰度差別較小的情況，因此，二值化圖像含有很多的空洞，這些空洞較大時(shí)，檢測(cè)時(shí)會(huì)造成漏檢的情況，當(dāng)空洞大到使一輛車的圖像破裂成不連通的兩塊甚至多塊的情形時(shí)，又會(huì)造成多檢的情況，此外，環(huán)境噪聲，如樹木的抖動(dòng)，可能使得二值圖像產(chǎn)生一些少量的l，嚴(yán)重時(shí)也可能造成車輛計(jì)數(shù)增加，為了去除空洞以及其他噪聲的影響，還需要對(duì)二值圖像進(jìn)行進(jìn)一步的形態(tài)學(xué)處理，

常用的形態(tài)學(xué)處理方法有腐蝕、膨脹、開運(yùn)算、閉運(yùn)算等，腐蝕算法可以用來消除圖像上微小而無意義的物體，主要用于消除噪聲，如圖3所示（白色部分為l，黑色部分為0），其基本原理是用結(jié)構(gòu)元素掃描圖像中的每一個(gè)像素點(diǎn)，用結(jié)構(gòu)元素與其覆蓋的圖像區(qū)域的像素點(diǎn)相與，若結(jié)果全為l，則圖像中該像素點(diǎn)為1，否則為0，膨脹運(yùn)算可以將目標(biāo)圖像邊界向外擴(kuò)張，從而彌合目標(biāo)圖像中存在的裂縫和空洞，主要用于處理二值圖像中的空洞，如圖4所示（白色部分為1，黑色部分為0），其基本原理是用結(jié)構(gòu)元素掃描圖像像素點(diǎn)，和圖像像素點(diǎn)做“或”運(yùn)算，若結(jié)果全為O，則圖像該像素點(diǎn)為0，否則為1

實(shí)際應(yīng)用中單獨(dú)運(yùn)用腐蝕或膨脹運(yùn)算難以達(dá)到理想的效果，因而往往采用膨脹和腐蝕組合起來方法對(duì)圖像進(jìn)行形態(tài)學(xué)處理，先對(duì)圖像進(jìn)行膨脹運(yùn)算，而后再進(jìn)行腐蝕運(yùn)算的過程稱為閉運(yùn)算，閉運(yùn)算可以有效消除二值化圖像中的空洞和裂縫，因此，本文算法的車流量檢測(cè)系統(tǒng)中采用閉運(yùn)算對(duì)二值圖像進(jìn)行形態(tài)學(xué)處理，以提高檢測(cè)性能，

2.車輛檢測(cè)算法

運(yùn)動(dòng)車輛的檢測(cè)算法是基于視頻的車輛檢測(cè)系統(tǒng)的核心和關(guān)鍵，本文提出了基于檢測(cè)線的背景差分方法，該方法通過劃定檢測(cè)線的方式，將所有的圖像預(yù)處理、形態(tài)學(xué)處理、目標(biāo)檢測(cè)等全部集中在檢測(cè)線上進(jìn)行處理，與傳統(tǒng)基于整個(gè)畫面的檢測(cè)方式相比，具有極低的復(fù)雜度和較高的檢測(cè)概率，本文的車流量檢測(cè)算法的流程圖如圖5所示，

首先讀取視頻，將其轉(zhuǎn)化為灰度圖像，讀取事先設(shè)置好的檢測(cè)線坐標(biāo)上的圖像數(shù)值，進(jìn)行中值濾波、二值化處理、形態(tài)學(xué)處理，最后判定車輛，從而實(shí)現(xiàn)車流量檢測(cè)和車速的監(jiān)測(cè)。

2.1檢測(cè)線的設(shè)置

劃定檢測(cè)線是本文算法的關(guān)鍵環(huán)節(jié)之一，在車道上設(shè)置一條與車道垂直的虛擬檢測(cè)線，其作用類似于埋設(shè)于公路上的感應(yīng)線圈，當(dāng)視頻圖像中有車輛目標(biāo)通過檢測(cè)線時(shí)，檢測(cè)線上的像素值就會(huì)發(fā)生變化，通過的物體越大，檢測(cè)線上發(fā)生變化的像素點(diǎn)數(shù)目就會(huì)越多，設(shè)定一個(gè)閾值，通過統(tǒng)計(jì)發(fā)生變化像素點(diǎn)數(shù)目是否超過閾值來判斷是否有車輛通過檢測(cè)線，

虛擬檢測(cè)線的長(zhǎng)度以及具體的放置位置應(yīng)該根據(jù)車輛行駛路線和道路的具體情況確定，如圖6所示，其中第一條為車輛的進(jìn)入檢測(cè)線，第二條為車輛的離開檢測(cè)線，檢測(cè)線的具體原則有以下幾點(diǎn)：

1）檢測(cè)線應(yīng)設(shè)置為與車道垂直；

2）寬度與車道寬度相同；

3）盡量避開樹木等干擾物；

4）進(jìn)入和離開檢測(cè)線之間的寬度小于最小車距。

在上述檢測(cè)線劃定的基礎(chǔ)上，為了提高檢測(cè)率，本文算法將檢測(cè)線進(jìn)一步改進(jìn)，將其劃定為寬檢測(cè)線，如圖7所示，

具體方法為根據(jù)檢測(cè)線穿過的像素網(wǎng)格，向上下進(jìn)行擴(kuò)展，按順序?qū)⑾袼刂当４嬖谝痪S數(shù)組中，圖7中，經(jīng)擴(kuò)展以后的線寬為3，

2.2目標(biāo)的判別和速度的測(cè)量

對(duì)于目標(biāo)的判別，可以利用二值化以后的數(shù)組，當(dāng)檢測(cè)線上的目標(biāo)像素為1的點(diǎn)數(shù)大于某一閾值時(shí)，即認(rèn)為檢測(cè)線上有車輛目標(biāo)經(jīng)過，當(dāng)目標(biāo)先后通過進(jìn)入線和離開線時(shí)，判定有目標(biāo)，否則判定無車輛，顯然，在判定過程中，閾值取得過大，則可能造成漏檢；閾值取得過小，則會(huì)將行人、自行車、摩托車或其他干擾等判斷為車輛，造成多檢，閾值可以采用相對(duì)值，即相對(duì)于車道的寬度值，由于通常情況下，車輛占用車道的寬度比例相對(duì)較為固定，采用相對(duì)值，可以提高檢測(cè)的正確率，

對(duì)于速度的測(cè)量，可以記錄目標(biāo)通過車道進(jìn)入線的時(shí)間t₁（從視頻幀時(shí)間得到）和通過車道離開線的時(shí)間t₂顯然，車速的計(jì)算公式為：其中s表示進(jìn)入線和離開線之間的實(shí)際距離，

2.3差分背景的建立與更新

差分背景的建立與維護(hù)是實(shí)現(xiàn)本文算法的另一個(gè)關(guān)鍵環(huán)節(jié)，背景差分的基本原理就是利用幀圖像與背景圖像之間的差值來判斷圖像中是否存在車輛以及車輛的運(yùn)動(dòng)信息，背景圖像的選擇對(duì)背景差分的效果有直接的影響，對(duì)于初始背景的建立，本文采用對(duì)前Ⅳ幀圖像求平均的方法，獲取初始背景圖像：

提取背景后，就可以對(duì)視頻圖像進(jìn)行差分運(yùn)算處理，但是實(shí)際路面背景是隨時(shí)間變化的，為了適應(yīng)這種變化，算法中的背景圖像也應(yīng)該隨著時(shí)間而更新，算法采用加權(quán)的背景更新的算法，更新策略為：

其中：B_k（i.j）表示第K幀之后的背景；f_k（i.j）表示第K幀圖像；a表示當(dāng)前幀在背景更新中的加權(quán)系數(shù)，一般情況下，α可取值為O，1，顯然，上述更新過程中，當(dāng)有車輛通過時(shí)，不更新背景；當(dāng)沒有車輛通過時(shí)，對(duì)背景進(jìn)行加權(quán)更新，利用上述方法獲取背景圖像后，即可獲取差分圖像

3.實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的可行性，利用實(shí)際的交通路口視頻進(jìn)行實(shí)驗(yàn)，對(duì)比本文算法與傳統(tǒng)算法的準(zhǔn)確率、復(fù)雜度等，

3，1評(píng)價(jià)標(biāo)準(zhǔn)

為了測(cè)試系統(tǒng)的實(shí)際檢測(cè)準(zhǔn)確率，將算法檢測(cè)的車輛數(shù)和人工計(jì)數(shù)車輛數(shù)進(jìn)行比較，用漏檢率、虛警率、準(zhǔn)確率這3個(gè)指標(biāo)來評(píng)價(jià)系統(tǒng)的檢測(cè)效果，其各自定義如下：

3，2檢測(cè)概率對(duì)比分析

采用某路段同一監(jiān)控點(diǎn)的白天和夜晚的交通流視頻來對(duì)本文算法進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果如下表所示：

從表1和表2的檢測(cè)結(jié)果中可以看出，本文的車流量檢測(cè)算法的檢測(cè)準(zhǔn)確率在白天達(dá)到91.9%，夜間達(dá)到88.3%，與文相比，分別提高了3.6%和3.4%；與文相比，分別提高了2.4%和2.5%，其主要原因是本文采用了寬檢測(cè)線方法，所有的檢測(cè)都在線上進(jìn)行，避免了整個(gè)圖像背景噪聲抖動(dòng)對(duì)檢測(cè)的影響，且所采用的去噪方法較好的抑制了噪聲的干擾，

3.3計(jì)算復(fù)雜度對(duì)比分析

從計(jì)算量來說，若視頻圖片像素大小為N×M維的，則算法輸入的數(shù)據(jù)量一般為N×M級(jí)別，而本文算法通過劃定檢測(cè)線，根據(jù)檢測(cè)線劃定的方向，所需要參與計(jì)算的數(shù)據(jù)量約為n×M，其中n為檢測(cè)線的寬度，由于n《N，顯然計(jì)算量較傳統(tǒng)算法大為減少，

4.結(jié)論

車流量、車速等是交通管理和擁堵預(yù)警所需的基本信息，本文結(jié)合實(shí)際需要，提出了一種快速車流量檢測(cè)方法，通過劃定寬檢測(cè)線，大大減少了算法復(fù)雜度和系統(tǒng)開銷，算法實(shí)驗(yàn)表明，本文算法可以實(shí)時(shí)、準(zhǔn)確地檢測(cè)出交通流視頻圖像中的車輛，檢測(cè)的準(zhǔn)確率明顯提高，具有較好的適應(yīng)性和性。