胡志承 中國石油大學(xué)勝利學(xué)院基礎(chǔ)科學(xué)學(xué)院 謝煒 中國石油大學(xué)勝利學(xué)院高教研究中心

王勁松 中國石油大學(xué)勝利學(xué)院教學(xué)科研處 崔震 中國石油大學(xué)勝利學(xué)院基礎(chǔ)科學(xué)學(xué)院

視頻檢測技術(shù)對車流量的研究與應(yīng)用

胡志承 中國石油大學(xué)勝利學(xué)院基礎(chǔ)科學(xué)學(xué)院 謝煒 中國石油大學(xué)勝利學(xué)院高教研究中心

王勁松 中國石油大學(xué)勝利學(xué)院教學(xué)科研處 崔震 中國石油大學(xué)勝利學(xué)院基礎(chǔ)科學(xué)學(xué)院

通過視頻檢測技術(shù)統(tǒng)計(jì)車流量時(shí)，常常需要將多種算法混合使用才能達(dá)到預(yù)期的效果。本課題主要研究的是白天天晴的情況，此時(shí)車身清晰可見，車流量檢測首先需要解決的是車輛檢測的問題，即從復(fù)雜的交通情景中提取前景圖。在不同的應(yīng)用中，對于前景的定義也不同。而本文研究的車流量統(tǒng)計(jì)是通過靜止的攝像機(jī)拍攝運(yùn)動(dòng)的車輛，所以交通場景是基本靜止不動(dòng)的，運(yùn)動(dòng)的是車輛。所以將車輛區(qū)域作為前景圖，其余部分則是背景。但是，在實(shí)際道路交通場景中，背景并非完全靜止，光線的變化，刮風(fēng)引起的機(jī)械晃動(dòng)等都會(huì)引起背景的變化，所以要在實(shí)際場景中準(zhǔn)確提取前景并非容事。而且在晴天時(shí)，陰影的檢測與去除也是要解決的關(guān)鍵問題，因?yàn)殛幱皶?huì)伴隨車輛運(yùn)動(dòng)，會(huì)被誤認(rèn)為前景圖。

視頻檢測 背景建模

隨著社會(huì)經(jīng)濟(jì)的發(fā)展，交通需求日益增加，城市道路就得到快速的發(fā)展。然而，隨著交通運(yùn)輸急劇快速增長，我國面臨的交通問題日趨嚴(yán)重，在城區(qū)高峰期出現(xiàn)擁擠、阻塞現(xiàn)象，變相引起交通事故頻發(fā)，以及交通環(huán)境惡化。

如何安全高效地對交通進(jìn)行管理，就顯得非常重要。解決這一問題的關(guān)鍵就是建立智能交通系統(tǒng)（ITS），其中車流量檢測系統(tǒng)是智能交通系統(tǒng)的基礎(chǔ)。它為智能控制提供重要的數(shù)據(jù)來源。

本文研究的是在城市交通密集道路環(huán)境下完成交通車流量的獲取，首先對視頻圖像提取背景模型，進(jìn)而通過圖像差分獲得前景圖像（即運(yùn)動(dòng)目標(biāo)），并進(jìn)行圖像二值化以及去噪等圖像預(yù)處理過程，而后通過設(shè)置虛擬檢測線實(shí)現(xiàn)對車流量的統(tǒng)計(jì)，最終得到車流量信息。

1 視頻檢測技術(shù)

視頻檢測技術(shù)是指利用計(jì)算機(jī)技術(shù)、模式識(shí)別技術(shù)、視頻圖像處理技術(shù)以及人工智能技術(shù)，對所獲視頻的圖像序列進(jìn)行自動(dòng)分析與處理，從而類檢測、識(shí)別與跟蹤相關(guān)的運(yùn)動(dòng)目標(biāo)，并對該目標(biāo)的狀態(tài)做出描述與判斷，可以確保在產(chǎn)生異常狀況時(shí)及時(shí)有力地采取應(yīng)對措施的智能監(jiān)控技術(shù)。在如今的交通系統(tǒng)中，基于視頻的車輛檢測系統(tǒng)所占比例相當(dāng)之高，預(yù)示著交通系統(tǒng)的下一步發(fā)展方向，其應(yīng)用前景非常廣闊。

通過將視頻檢測技術(shù)與傳統(tǒng)的車輛檢測技術(shù)相比較，可以發(fā)現(xiàn)其優(yōu)越性是顯而易見的，具體優(yōu)缺點(diǎn)如表1所示。

視頻檢測利用計(jì)算機(jī)技術(shù)、圖像處理技術(shù)與現(xiàn)代通信技術(shù)等相結(jié)合，來獲取交通實(shí)時(shí)信息能夠給交通部門提供直觀的可視圖像，獲得多種交通信息車輛之間互相遮擋的情況不易處理；陰影積水或晝夜轉(zhuǎn)換等容易影響檢測結(jié)果

1.1 視頻檢測技術(shù)的主要方法

1．1．1 虛擬線圈檢測法

所謂虛擬線圈是從傳統(tǒng)的地理式電磁感應(yīng)線圈延伸而來，它的原理也與之相類似，通過在所獲取的交通道路上設(shè)置一個(gè)感興趣區(qū)域，并將其作為主要的待測區(qū)域來進(jìn)行研究，而之所以需要設(shè)置虛擬檢測區(qū)域，是因?yàn)樵谧R(shí)別到運(yùn)動(dòng)目標(biāo)之后，為了減少程序的運(yùn)算量，提高系統(tǒng)的實(shí)時(shí)性，只對設(shè)置的虛擬區(qū)域內(nèi)的圖像變化特征進(jìn)行研究和處理來獲取車流量，而不需要對整個(gè)圖像都進(jìn)行研究。

通常情況下，虛擬線圈的設(shè)置主要有2種，檢測線與檢測線圈。如圖1所示。

圖1 虛擬線圈示意圖

1．1．2 目標(biāo)跟蹤檢測法

基于跟蹤算法的車流量統(tǒng)計(jì)算法的整體思路是：根據(jù)交通視頻中相鄰的前后幀之間存在的強(qiáng)相關(guān)性，通過對當(dāng)前幀圖像中的運(yùn)動(dòng)目標(biāo)的特征（包括大小、形狀、位置等信息）進(jìn)行提取，再講該特征與相鄰幀圖像進(jìn)行對比和匹配，從而對該目標(biāo)進(jìn)行識(shí)別和鎖定，進(jìn)行對后續(xù)的車輛跟蹤提供保障，最終得到該車輛目標(biāo)的運(yùn)行軌跡。圖2是基于目標(biāo)跟蹤的車流量統(tǒng)計(jì)算法的效果圖。

圖2 目標(biāo)跟蹤算法效果圖

1.2 常用的目標(biāo)檢測算法

只有正確地檢測出運(yùn)動(dòng)目標(biāo)才可以進(jìn)行后續(xù)的工作，否則會(huì)產(chǎn)生較大的偏差甚至錯(cuò)誤從而影響到后面工作的正常進(jìn)行。因此，對于運(yùn)動(dòng)目標(biāo)的檢測來講，其檢測效果的好與壞決定了整個(gè)系統(tǒng)質(zhì)量。通常，對于一個(gè)好的運(yùn)動(dòng)目標(biāo)檢測算法，不僅需要準(zhǔn)確第檢測出運(yùn)動(dòng)目標(biāo)，還要能夠迅速地適應(yīng)外界環(huán)境的各種變化，即抗干擾能力強(qiáng)、處理速度快且實(shí)時(shí)性號。

但是，對于同一個(gè)算法來講，如果希望其同時(shí)符合以上的所有條件是非常困難的，這是因?yàn)閷?shí)際的監(jiān)控環(huán)境往往復(fù)雜得多，而且有些條件之間本身就存在矛盾。因此，只能對實(shí)際應(yīng)用環(huán)境和最終的需求做出一個(gè)整體的考量，得出相對最均衡的條件，來是整個(gè)系統(tǒng)的性能達(dá)到最優(yōu)。

現(xiàn)如今使用最多的運(yùn)動(dòng)目標(biāo)檢測算法有3類：幀差法、光流法和背景差分法。

1.3 背景模型的建立

對于交通圖像中背景圖像的提取包括人為的方法和自適應(yīng)方法。人為提取方法是指在理想的情況下（即視頻圖像中本身不存在任何運(yùn)動(dòng)目標(biāo)）來直接提取出該幀圖像，將其作為背景圖像，然后再利用背景差分法，檢測運(yùn)動(dòng)目標(biāo)。然而，在實(shí)際的交通視頻序列中，沒有運(yùn)動(dòng)目標(biāo)的圖像是很難獲取的，并且就算在某一時(shí)刻下成功提取了背景，背景也會(huì)隨光線變化又或者新背景的加入而發(fā)生改變，因此，這種人為直接提取背景的方法并不適合不斷變化的交通環(huán)境。所以在實(shí)際項(xiàng)目開發(fā)中，最常用的是采用自適應(yīng)的方法來提取背景。

2 基于虛擬檢測線的車流量統(tǒng)計(jì)

當(dāng)前基于視頻檢測的車流量的統(tǒng)計(jì)方法主有目標(biāo)跟蹤檢測法和虛擬線圈檢測法，通過分析和對比，2種車流量統(tǒng)計(jì)方法各有其優(yōu)缺點(diǎn)，具體說來，目標(biāo)跟蹤檢測法在車輛數(shù)目統(tǒng)計(jì)方面更加準(zhǔn)確可靠，而虛擬線圈檢測法在時(shí)間的復(fù)雜度方面表現(xiàn)比較優(yōu)異，因此本文出于對實(shí)時(shí)性的考慮，最終選用虛擬線檢測法來獲取車流量信息。檢測過程如圖3所示。

該模型首先需要在車道上設(shè)置虛擬檢測線，然后將圖像進(jìn)行處理，獲得目標(biāo)前景圖，通過虛擬檢測線來檢測車輛是否通過，最終根據(jù)虛擬檢測線的狀態(tài)來獲得車輛計(jì)數(shù)，從而得到車流量信息。

2.1 基于虛擬檢測線的車流量統(tǒng)計(jì)模型的分析

2．1．1 虛擬檢測線的設(shè)置

本文所研究的對象是城市車輛密集的道路，而城市車輛密集道路的情況與普通高速路口或單向路口相比要復(fù)雜得多。因此虛擬檢測線的設(shè)置，需要視交通道路的實(shí)際情況而定，根據(jù)該道路的特點(diǎn)，來選用符合該道路的設(shè)置方式。圖4取自東營市濟(jì)南路的其中一個(gè)路段。

圖3 基于虛擬檢測線的檢測模型流程圖

圖4 實(shí)際交通道路圖

虛擬檢測線的設(shè)定主要包括2個(gè)內(nèi)容：長度的設(shè)置和位置的設(shè)置。

（1）虛擬檢測線的長度設(shè)置

一般來講，虛擬檢測線的長度最好要大于車輛的寬度，而又稍小于車道寬度。

（2）虛擬檢測線的位置設(shè)置

虛擬檢測線的位置設(shè)定需要根據(jù)交通路口的特點(diǎn)，主要考慮的是該車道內(nèi)車輛是否全部從該車道的虛擬檢測線中經(jīng)過，并且所設(shè)虛擬檢測線中是否有別的干擾。

2．1．2 基于虛擬檢測線的車流量檢測算法

將本文中車輛計(jì)數(shù)的整個(gè)過程總結(jié)如下：

（1）通過攝像機(jī)采集交通視頻后，首先將每一幀的彩色圖像轉(zhuǎn)換為灰度圖像，進(jìn)而再對圖像做一些后續(xù)的處理，如平滑和去噪。

（2）采用改進(jìn)的均值法對背景圖像進(jìn)行提取，再用背景差分法將當(dāng)前幀的灰度圖像與背景圖像作差，得到前景圖像，也就是運(yùn)動(dòng)車輛目標(biāo)。

（3）使用自適應(yīng)閾值的方法對前景圖像進(jìn)行圖像二值化處理，得到只含黑點(diǎn)和白點(diǎn)的二值圖像(其中白色部分就是運(yùn)動(dòng)目標(biāo))，并通過形態(tài)學(xué)的一系列處理，對二值圖像里車輛目標(biāo)中出現(xiàn)的孔洞進(jìn)行填充，最后對其他較小的活動(dòng)目標(biāo)進(jìn)行去除。

（4）在上面得到的圖像中選取合適的位置設(shè)置模擬檢測區(qū)域。

（5）同時(shí)在每一個(gè)虛擬檢測區(qū)域進(jìn)行下列運(yùn)算：

某一車輛在經(jīng)過虛擬檢測線的時(shí)候，通過采用一個(gè)表示檢測線狀態(tài)的變量T，當(dāng)狀態(tài)T為0時(shí)，代表當(dāng)前圖像的檢測線內(nèi)沒有車輛通過，當(dāng)狀態(tài)T為1時(shí)，代表當(dāng)前圖像的檢測線有車輛經(jīng)過，從而來根據(jù)檢測線狀態(tài)的變化，對車輛進(jìn)行計(jì)數(shù)。

2．2 基于虛擬檢測線的車流量統(tǒng)計(jì)模型的實(shí)驗(yàn)情況

2．2．1 實(shí)驗(yàn)中虛擬檢測線位置及說明

根據(jù)對視頻素材的車輛狀況進(jìn)行觀察和分析，最終選定如下圖所示位置作為虛擬檢測線位置。

圖5 虛擬檢測線位置

理由主要有以下幾點(diǎn)：

（1）車道上的直行車輛基本都會(huì)從檢測線通過。

（2）沒有行人過馬路的干擾。

（3）在該路段不存在橫行車輛的干擾。

3 實(shí)驗(yàn)結(jié)果及分析

本實(shí)驗(yàn)在Windows8．1環(huán)境下編寫程序，運(yùn)行效果如圖5所示。

表2 實(shí)驗(yàn)數(shù)據(jù)

從表中數(shù)據(jù)可以看出：

對于整個(gè)計(jì)數(shù)結(jié)果，檢測數(shù)量普遍小于實(shí)際值，這主要是由于個(gè)別車輛進(jìn)入虛擬線圈之后出現(xiàn)粘連現(xiàn)象，將多輛車誤檢為一輛車來進(jìn)行計(jì)數(shù)。

4 結(jié)束語

本文主要介紹了基于虛擬檢測線的車流量統(tǒng)計(jì)模型的建立和實(shí)驗(yàn)情況，對城市密集交通道路進(jìn)行分析和說明，以及在此基礎(chǔ)上提出了車流量統(tǒng)計(jì)孫發(fā)，最終的實(shí)驗(yàn)結(jié)果表明，本文所用統(tǒng)計(jì)方法比較可行，能基本滿足系統(tǒng)要求。

[1] 楊俊.基于視頻檢測的城市智能交通系統(tǒng)應(yīng)用研究[J].測控技術(shù),2003,22(3).

[2] 朱志剛,徐光佑.VISATARAM:全天候自動(dòng)交通檢測視覺系統(tǒng)[A].97北京智能交通系統(tǒng)發(fā)展趨勢國際學(xué)術(shù)研討會(huì)論文集[C].1997,97-101.

TP391

A