邱文城+李土生+吳祥發(fā)+羅永枝+李煒旻

摘 要：針對(duì)目前交通視頻處理系統(tǒng)對(duì)交通流相關(guān)參數(shù)的提取仍處于初級(jí)發(fā)展階段，各種技術(shù)研究對(duì)交通流相關(guān)參數(shù)的提取存在局限性、檢測(cè)誤差大等問(wèn)題，展開(kāi)了基于低空域小型無(wú)人機(jī)航拍技術(shù)的城市交通擁堵管控研究，結(jié)合無(wú)人機(jī)拍攝視頻檢測(cè)技術(shù)及圖像處理技術(shù)，解決了利用無(wú)人機(jī)拍攝視頻檢測(cè)技術(shù)解決交通視頻處理系統(tǒng)對(duì)交通流的相關(guān)參數(shù)提取困難、檢測(cè)精度低等問(wèn)題。

關(guān)鍵詞：無(wú)人機(jī)；視頻檢測(cè)技術(shù)；交通流參數(shù)

引言

常規(guī)的交通流檢測(cè)是通過(guò)路側(cè)的電子監(jiān)控裝置和現(xiàn)場(chǎng)交警人工目測(cè)的手段獲取現(xiàn)場(chǎng)交通信息，這種傳統(tǒng)的方法存在著范圍小、誤判率高、效率低和成本高等缺陷。本項(xiàng)目結(jié)合小型無(wú)人機(jī)（Unmanned Aerial Vehicle）飛行靈活、能在空中自由懸停及自帶攝像機(jī)等特性，利用小型無(wú)人機(jī)在城市低空域航拍采集交通流參數(shù)，以獲取大范圍的實(shí)時(shí)交通路況信息，快速判讀交通擁堵級(jí)別。

1 圖像預(yù)處理

在進(jìn)行交通流基本參數(shù)提取之前，要對(duì)采集的視頻進(jìn)行預(yù)處理，主要包括設(shè)置圖像的感興趣區(qū)域（ROI）、混合高斯模型、圖像腐蝕與膨脹運(yùn)算、車輛輪廓提取。

1.1 設(shè)置圖像的感興趣區(qū)域（ROI）

設(shè)置感興趣區(qū)域（ROI：Region Of Interest）是指從圖像中圈出一個(gè)圖像區(qū)域，圈出區(qū)域作為圖像分析所關(guān)注的目標(biāo)，并對(duì)圈出區(qū)域進(jìn)一步處理，減少圖像處理時(shí)間及外部環(huán)境的干擾，增加精度。

1.2 混合高斯模型

利用混合高斯模型，將拍攝的視頻序列的前幾幀圖像提取一張完全沒(méi)有車輛在道路中行駛的背景圖像，再將背景圖像與當(dāng)前圖像對(duì)比，檢測(cè)出當(dāng)前圖像中正在運(yùn)動(dòng)的車輛，并以二值化圖像顯示。如圖1所示，其中黑色為道路背景，白色為運(yùn)動(dòng)中的車輛。

圖1 利用混合高斯模型提取的二值化圖像

1.3 圖像腐蝕與膨脹運(yùn)算

腐蝕運(yùn)算在數(shù)學(xué)形態(tài)學(xué)運(yùn)算中的作用是消除小于結(jié)構(gòu)元素的點(diǎn)，膨脹運(yùn)算在數(shù)學(xué)形態(tài)學(xué)運(yùn)算中的作用是擴(kuò)展物體的邊界點(diǎn)。通過(guò)混合高斯模型提取前景二值化圖像后，利用腐蝕運(yùn)算處理消除圖像中無(wú)意義的像素點(diǎn)，再利用膨脹運(yùn)算處理填補(bǔ)車輛中的空洞，使車輛輪廓更加完整，為下一步的車輛輪廓提取做準(zhǔn)備。

1.4 車輛輪廓提取

車輛輪廓的提取主要是對(duì)前面一系列圖像處理后得到的二值化圖像進(jìn)行檢測(cè)，以檢測(cè)二值化圖像中車輛輪廓的最外圍像素點(diǎn)為邊界點(diǎn)繪制矩形邊框。如圖4為圖3二值化圖像經(jīng)車輛輪廓提取繪制矩形框后的圖像。

2 交通流基本參數(shù)檢測(cè)

2.1 基于單虛擬線圈的交通量檢測(cè)

交通量的獲取是在圖像中設(shè)置一條虛擬線圈，虛擬線圈設(shè)置的位置需與道路相垂直，如圖5A線所示。捕捉圖像中每個(gè)矩形邊框車頭方向任意一個(gè)頂點(diǎn)的坐標(biāo)，當(dāng)頂點(diǎn)坐標(biāo)落到設(shè)置的虛擬線圈的范圍內(nèi)時(shí)，檢測(cè)到車輛通過(guò)虛擬線圈所在的橫斷面，統(tǒng)計(jì)的交通量數(shù)值加1。

2.2 基于雙虛擬線圈的行車速度檢測(cè)

行車速度檢測(cè)則需要設(shè)置兩條虛擬線圈配合檢測(cè)。在圖像原有一條用于統(tǒng)計(jì)交通量的虛擬線圈的基礎(chǔ)上，加設(shè)一條相互平行的虛擬線圈，同樣以捕捉圖像中每個(gè)矩形邊框車頭方向任意一個(gè)頂點(diǎn)坐標(biāo)的方法進(jìn)行檢測(cè)。當(dāng)車輛觸碰虛擬線圈1時(shí)，記錄該圖像所處幀數(shù)和車輛所處車道，當(dāng)同一車道該車輛觸碰虛擬線圈2時(shí)，記錄該圖像所處幀數(shù)。獲取視頻的幀率（單位：1/秒），可得到車輛通過(guò)兩條虛擬線圈所需時(shí)間，再將圖像中兩條虛擬線圈之間的距離換算成實(shí)際距離（單位：米），則車輛行駛的速度（單位：公里/小時(shí)）可表示為：

V=■

2.3 車流密度獲取

車流密度的獲取，通過(guò)獲取每一幀圖像中所有矩形邊框的總面積，及道路面積，則矩形邊框總面積占道路面積的比率，再將得到的比率通過(guò)大量實(shí)驗(yàn)，換算成車流密度K。

3 檢測(cè)結(jié)果驗(yàn)證

3.1 車輛數(shù)驗(yàn)證

在同車流密度不同高度、同高度不同車流密度兩種情況下進(jìn)行車輛數(shù)檢測(cè)，將實(shí)際車輛數(shù)與程序檢測(cè)得的車輛數(shù)進(jìn)行比較，如表1所示。

表1 車輛數(shù)驗(yàn)證

從表1中可以看出，車輛數(shù)的檢測(cè)精確度較高，最大精確度為100%，最小精確度為92.9%。精確度的下降主要是隨著飛行高度的增大，視頻背景愈加復(fù)雜，影響車輛的識(shí)別，程序檢測(cè)時(shí)出現(xiàn)漏檢現(xiàn)象。漏檢對(duì)象的主要是顏色與灰色相近的車輛，隨著飛行高度的增大，不易將其檢測(cè)出來(lái)，但在低空飛行高度研究范圍內(nèi)，車輛數(shù)檢測(cè)的精確度在可接受范圍之內(nèi)。

3.2 行車速度驗(yàn)證

選取具有不同行車速度的幾個(gè)視頻進(jìn)行驗(yàn)證，將程序檢測(cè)與人工計(jì)算的行車速度比較，如表2和表3所示。

表2 在15m飛行高度下佛山大道行車速度驗(yàn)證

從表2和表3中可以看出，行車速度的檢測(cè)精確度較高，出現(xiàn)最大精確度高達(dá)為99%，最小精確度為96%，檢測(cè)的兩條道路平均速度精確度分別98%和97%，精確度較高。從表中也可以看出程序?qū)π熊囁俣仍?1km/h～57km/h之間的車輛都可以檢測(cè)出來(lái)其行車速度，且產(chǎn)生誤差較小，在研究范圍內(nèi)屬于可接受范圍之內(nèi)。

4 結(jié)束語(yǔ)

通過(guò)OpenCV和C++6.0組建的程序設(shè)置的虛擬線圈及捕捉矩形邊框頂點(diǎn)坐標(biāo)的方法，計(jì)算出檢測(cè)畫面中的交通量和車輛的行車速度，檢測(cè)結(jié)果證明利用此方法計(jì)算的數(shù)據(jù)精確度高達(dá)90%以上，與傳統(tǒng)方法相比，利用無(wú)人機(jī)航拍獲取交通流參數(shù)的方法具有更高的時(shí)效性和準(zhǔn)確性，是未來(lái)交通檢測(cè)技術(shù)的發(fā)展方向之一。

作者簡(jiǎn)介：邱文城（1995，7-），男，漢族，廣東普寧市人，佛山科學(xué)技術(shù)學(xué)院在校學(xué)生，學(xué)歷：本科，研究方向：交通工程。