宋俊芳 西藏民族大學 信息工程學院

1 基于固定背景的車輛高度算法

在視頻序列檢測中，設(shè)置一虛擬線圈（如圖1圖片底部1/3位置灰色線條所示），檢測所得到的交通參數(shù)均為車輛經(jīng)過線圈時的交通參數(shù)。通過圖1可以看到，不同大小的車輛經(jīng)過同一線圈時存在明顯差異，尤其表現(xiàn)在車高方向上。本文所論述的原理和方法正是基于這種思想。本文通過車輛經(jīng)過線圈時候的當前幀與背景進行相減運算，得到車輛所在縱向的灰度直方圖，計算公式如下：

其中表示縱向第行所對應(yīng)的灰度值，表示前景灰度,表示背景灰度，表示左右各綜合考慮了個點。與固定背景差得到的灰度直方圖如圖2所示：

圖1 不同車輛經(jīng)過同路段

圖2 大小兩車經(jīng)過線圈時的車高方向與背景差直方圖

通過圖2可以看到，大小車輛對應(yīng)的灰度直方圖存在明顯差異?？傮w來說大車高度（右側(cè)灰度線與水平閾值線的交點）要高于小車高度。而且車輛邊界跟背景分解比較明顯（灰度直方圖與水平閾值線的右交點）。

在某些應(yīng)用場合中，僅僅用車輛高度判斷車型是遠遠不夠的，因為有的大車本身不高，或者有的大車車頂灰度難免跟背景灰度很相似，就算使用改進之后的幀差法也難以檢測到正確的車頂位置，因此本文將通過下面的基于車長的車型輔助判斷方法對上述問題進行改進校正。

2 基于車速的車長計算方法

本文借助車輛通過虛擬線圈時二值化圖像，當車頭到達虛擬線圈位置時其二值化觸發(fā)車長幀數(shù)計數(shù)，在其后的連續(xù)幾幀內(nèi)，車輛慢慢通過線圈，幀數(shù)計數(shù)器繼續(xù)累加計數(shù)，直到車尾完全通過，二值化目標消失，結(jié)束車長幀數(shù)計數(shù)。此時我們便得到了該車以通過虛擬線圈所用幀數(shù)為計量單位的長度大小，設(shè)其為 幀。根據(jù)前面我們前期研究的在基于視頻序列的車速計算方法，假設(shè)該車的在通過線圈時的行駛速度為 厘米/幀，則車長計算公式如下：

3 基于車高和車長的車型判斷方法

本文所論述的車型分類算法將各車按其車身大小將車分成大，中，小3個類型。大型車主要包括大型客車，貨車，以及工程車，小型車主要包括各種兩廂小型私家車，小型面包車，以及一些微型皮卡，中型車是指除了大型和小型車以外的其他車輛，主要包括一些小型貨車和小型客車。本文首先通過車長在大范圍對車型進行限定性的判斷，其判斷邏輯如（3）式所示：

在公式（3）中我們假設(shè)，小型車為1，中型車為2，大型車為3。通過公式可見，當車長小于或者等于700厘米時直接可以斷定該車為小型車，而當車長大于1500厘米時可直接判定該車為大型車，當車長在這兩個值所確定的范圍之內(nèi)時，則應(yīng)該根據(jù)車高進行判斷，其判斷邏輯如公式（4）所示：

公式（4）中的表示從虛擬線圈位置往上以像素行數(shù)為度量單位的車輛高度。通過上面的敘述可見，車型判斷的最終結(jié)果是公式（3）和公式（4）按照一定的優(yōu)先級進行聯(lián)合判斷的結(jié)果，公式（3）的優(yōu)先級要高于公式（4）的優(yōu)先級。

5 結(jié)論

本文所論述的車型判斷方法具有較好的實用性和高效性。在高速公路隧道內(nèi)某段時間內(nèi)的車型統(tǒng)計結(jié)果中，正確率達到98%，可見本文所論述的車型分類方法具有較高的識別精度，可用于實際交通環(huán)境應(yīng)用中。

[1]郭輝.基于視頻的車輛檢測和車型識別的研究[D].華東交通大學,2009.

[2]吳亞斌,陳淑榮.一種基于監(jiān)控視頻的車型識別和車流量檢測算法[J].微型機與應(yīng)用, 2015, 34(7):45-48.

[3]李濤,葉茂,向濤,等.實時的基于交通視頻的車型檢測系統(tǒng):, CN 103886760 A[P]. 2014.

[4]張全元,戴光明,陳良.一種新的基于實時視頻流的車型識別算法[C]//圖像圖形技術(shù)與應(yīng)用學術(shù)會議. 2008.

[5]袁愛龍.基于視頻的汽車車型識別研究[D].電子科技大學, 2013.

[6]樊養(yǎng)余,張晶,張辰銳,等.一種基于視頻的車型識別方法:,CN103593981A[P]. 2014.

[7]季晨光,張曉宇,白相宇.基于視頻圖像中的車型識別[J].遼寧工業(yè)大學學報(自然科學版), 2010, 30(1):5-7.