肖軍弼 朱風(fēng)珍 錢志軍 程千才

1(中國石油大學(xué)(華東)計算機與通信工程學(xué)院 山東 青島 266580)2(中國石油天然氣有限公司規(guī)劃總院 北京 100089)

0 引 言

在當(dāng)今的石油零售行業(yè)，利用網(wǎng)絡(luò)實現(xiàn)電子支付[1-2]的新型支付方式引起了各大石油企業(yè)的關(guān)注，通過車牌付款的方式已悄然走進市場。但由于加油站環(huán)境復(fù)雜，大多數(shù)情況是在加油機兩側(cè)分別安裝車牌識別攝像頭輔助完成車牌付款。這種實現(xiàn)方式的弊端在于攝像頭的照射范圍較小，拍攝角度較低。當(dāng)多輛車排隊?？吭谝慌_加油機旁加油時，攝像頭只能識別出最前面車輛的車牌號，并由于前車的遮擋無法識別后面其他車輛的車牌號，造成后面加油車輛自動扣款失敗，因此每一側(cè)的攝像頭只能輔助一輛車完成車牌付款。但傳統(tǒng)的加油站部署情況是在每臺加油機旁地面上標(biāo)有多個停車位標(biāo)線(以下簡寫為“加油位”)，可容納多輛車同時進行加油，而當(dāng)前車牌支付功能卻將原本多輛車同時加油的情況縮短至一輛車，降低了加油效率，在加油高峰期階段，還加劇車輛排隊情況。為解決當(dāng)前加油站內(nèi)車牌付款功能中車牌識別攝像頭的弊端，需要尋找更合適的車輛信息視頻采集角度，從而實現(xiàn)通過攝像頭輔助一臺加油機周圍的多輛車完成車牌付款。

當(dāng)前加油站針對每臺加油機的每把油槍設(shè)置了唯一編號，油槍提槍后會向后臺服務(wù)器發(fā)送交易的詳細信息，包括油槍編號、提槍時間、加油交易編號等信息。若通過監(jiān)控攝像頭獲取到該加油機旁加油車輛的停車數(shù)據(jù)，包括加油位、停車時間、已停車時間、車牌號等信息，根據(jù)油槍編號與車輛所在加油位的對應(yīng)關(guān)系、油槍的提槍時間與車輛的停車時間差值等數(shù)據(jù)關(guān)系，可實現(xiàn)車牌號與對應(yīng)加油交易的匹配，從而輔助同一臺加油機旁的多輛車使用車牌付款功能。因此，在停車數(shù)據(jù)獲取方面，只要能獲取到多輛加油車輛的加油位、停車時間、已停車時間、車牌號等停車數(shù)據(jù)，就可以較容易地提高當(dāng)前車牌支付功能的加油效率。

本文針對大多數(shù)加油站內(nèi)加油機每側(cè)兩個停車位的部署情況，尋找更有效的車牌數(shù)據(jù)獲取方法。不難發(fā)現(xiàn)，加油站罩棚頂部的攝像頭監(jiān)控范圍更廣，可監(jiān)控一臺加油機的多個加油位。若通過加油機前后兩端罩棚頂部的兩個攝像頭分別監(jiān)控加油機每側(cè)的一個加油位，可實現(xiàn)整體上監(jiān)控一臺加油機左右共四個加油位，從而獲取四輛加油車輛的車牌號數(shù)據(jù)。具體部署情況如圖1所示，左邊攝像頭只需監(jiān)控加油機左邊的兩個停車位，右邊攝像頭監(jiān)控加油機右邊的兩個停車位。

圖1 加油站部署情況

但正因為罩棚頂部攝像頭監(jiān)控范圍更廣，監(jiān)控到的加油機兩側(cè)光線強度差別較大，加油機旁還經(jīng)常出現(xiàn)行人走動以及過往車輛等干擾情況。針對上述情況進行分析，由于當(dāng)前的數(shù)字圖像處理領(lǐng)域中，車牌識別技術(shù)已較為成熟，大傾斜角度下的車牌號也可識別成功[3]，但車輛檢測技術(shù)易受光照和噪聲干擾，加油站罩棚內(nèi)部與罩棚邊界的加油位光照強度不同，經(jīng)常出現(xiàn)行人走動、過往車輛等噪聲，無法準(zhǔn)確獲取車輛目標(biāo)。而在停車檢測方面，文獻[4]通過計算車輛與違停區(qū)域的質(zhì)心距離和違停時間長度綜合判斷違停車輛，但車輛在行駛過程中會產(chǎn)生距離不變的情況，因此無法檢測出車輛的停車時間點。文獻[5]通過基于像素時間序列特征的穩(wěn)態(tài)分析法提取停車車輛，文獻[6]通過機器學(xué)習(xí)的分類方法分析車輛的跟蹤軌跡，從而檢測停車行為。上述兩種算法中，分析每個像素點的變化和通過機器學(xué)習(xí)訓(xùn)練分類器都存在較高的運算量，而加油站中檢測停車數(shù)據(jù)需要保證算法的實時性與準(zhǔn)確性，因此必需降低算法的運算復(fù)雜度。

故本文通過分析加油站罩棚頂部攝像頭獲取的視頻數(shù)據(jù)，提出了一種簡單有效的停車檢測算法。通過改進的背景差分法以及改進的自適應(yīng)閾值提取算法獲取車輛目標(biāo)，通過提出的停車檢測算法獲取停車數(shù)據(jù)。

1 停車檢測算法

1.1 車輛檢測

當(dāng)前通過視頻檢測運動目標(biāo)的算法主要包括光流法[7]、相鄰幀差法[8]、 背景差分法[9]等。光流法不易受光照變化的影響，但易受噪聲影響，且計算復(fù)雜度高，無法滿足檢測的實時性需求。相鄰幀差法主要通過計算相臨幀之間的差異獲取運動目標(biāo)，運算原理簡單、復(fù)雜度低，但檢測結(jié)果大多存在空洞，導(dǎo)致獲取的目標(biāo)前景不完整[10]。背景差分法相比于上述兩種方法來說，具有運算復(fù)雜度低、目標(biāo)檢測完整等優(yōu)點[11-13]。該方法的核心是獲取穩(wěn)定的背景模型，通過計算當(dāng)前圖像與背景圖像的差值獲取運動目標(biāo)。因此，為滿足系統(tǒng)的實時性，本文選用背景差分法計算加油位背景。

1.1.1 背景差分法

假設(shè)(x,y)像素點在第k幀圖像中的像素值為Fk(x,y)，該點在背景圖像中的像素值為Gk(x,y)，差值圖像為Dk(x,y)。計算公式如下：

Dk(x,y)=|Fk(x,y)-Gk(x,y)|

(1)

將差值圖像二值化，獲取運動目標(biāo)，計算公式如下：

(2)

式中：Ok(x,y)是獲取到的前景圖像，當(dāng)差值Dk(x,y)大于等于設(shè)定的閾值T時視為運動點，將Ok(x,y)賦值1。當(dāng)差值Dk(x,y)小于設(shè)定的閾值T時視為背景點，將Ok(x,y)賦值0。最終得到只有黑色和白色的前景圖像，白色區(qū)域為運動目標(biāo)，黑色區(qū)域為背景部分。

1.1.2 改進的均值背景建模

在加油站中，加油位的背景較為簡單，大多數(shù)情況只受光照緩慢變化的影響，因此本文采用均值法進行背景建模。但由于車輛在加油時停車時間較長，使用該算法會將停車車輛誤判為背景。除此之外，當(dāng)有行人走動時，計算出的初始背景中容易混入行人殘影。為此，本文針對加油站的特點，在均值背景法的基礎(chǔ)上做了改進，解決了車輛混入背景以及行人殘影的問題，保證了加油位背景的正常更新。具體計算步驟如下：

1) 選取參考背景圖像 首先提取加油位第一幀無車輛圖像作為背景，讀取一幀圖像后，通過背景差分法計算前景圖像。根據(jù)前景目標(biāo)面積值判斷是否有車輛大面積駛?cè)爰佑臀?若前景圖像的目標(biāo)面積大于閾值T1則表示有車輛大面積駛?cè)?。當(dāng)無車輛大面積駛?cè)霑r，將當(dāng)前幀作為參考背景存儲，直到存儲的圖像幀數(shù)達到一定值N后，計算均值背景。

2) 計算均值背景 根據(jù)存儲的參考背景圖像，通過下式計算均值背景。

(3)

式中：Ik(x,y)為(x,y)像素點在第k幀參考背景中的像素值，N為參考背景的幀數(shù),GN(x,y)為計算得出的均值背景在(x,y)像素點的像素值。

3) 去除殘影 將均值背景與參考背景的每一幀像素值作差并求平均值，獲取殘影圖像，公式如下：

(4)

式中：SN(x,y)為殘影圖像在(x,y)像素點的像素值。獲取殘影圖像后，通過下式計算均值背景GN與殘影圖像SN的差值，獲得初始背景BN。

BN(x,y)=|GN(x,y)-SN(x,y)|

(5)

4) 進行背景更新 讀取背景圖像，通過1.1節(jié)的背景差分法計算Ok(x,y)，并通過下式更新背景:

(6)

式中：θ是背景更新速度參數(shù)，BN(x,y)為更新前的背景，BN+1(x,y)為更新后的背景。由于加油位背景簡單、光線變化緩慢，因此通過大量實驗測試后，此處θ取經(jīng)驗值0.02。

5) 通過改進的自適應(yīng)閾值算法提取目標(biāo)前景 (1) Otsu算法。Otsu算法(最大類間方差法)由Otsu(即大津展之) 于 1978 年提出[14]，該算法是一種對圖像進行二值化的高效算法，分割效果較好，適用范圍廣泛。

假設(shè)一副灰度圖像I的灰度級為L(即灰度范圍在[0,L-1])，圖像的大小為M×N，ni是灰度級為i的像素點的個數(shù)，根據(jù)下式求像素點出現(xiàn)的概率Pi：

(7)

根據(jù)圖像I的灰度級，設(shè)分割閾值k∈[0,L-1]，通過下式分割前景圖像：

(8)

通過下式計算F0和F1的方差：

(9)

(10)

計算出目標(biāo)與背景之間的類間方差，計算公式如下：

(11)

(12)

通過最佳閾值k分割的前景圖像I即為最佳前景圖像。

(2) 改進的自適應(yīng)閾值提取算法。在暗光環(huán)境下，當(dāng)車輛與背景的灰度相近時，通過背景差分算法提取的車輛目標(biāo)有較多空洞。圖2是亮光和暗光環(huán)境下提取的車輛目標(biāo)效果圖。

(a) 亮光下的車輛前景(b) 暗光下的車輛前景圖2 亮光與暗光環(huán)境下的車輛目標(biāo)

因此，為增強暗光環(huán)境下提取出的車輛前景效果，本文將背景差分法與Otsu算法相結(jié)合，提出一種自適應(yīng)閾值提取算法。

首先，讀取當(dāng)前幀，設(shè)圖像大小為M×N，通過下式計算當(dāng)前圖像的亮度：

(13)

若S大于閾值T2表示該圖像為亮光圖像，使用背景差分法提取目標(biāo)前景。若S小于閾值T2表示該圖像為暗光圖像，通過下式計算放大的差值圖像：

D(x,y)=|I(x,y)×t-G(x,y)×t|

(14)

式中：D(x,y)為放大的差值圖像。對D(x,y)通過Otsu算法計算最佳分割閾值k并進行圖像分割，從而獲取較為理想的前景圖像。具體算法流程圖如圖3所示。

圖3 自適應(yīng)閾值提取目標(biāo)流程圖

1.2 停車判斷

本文通過分析車輛駛?cè)霑r的前景變化，判斷車輛的停車行為。此方法運算復(fù)雜度低，且能有效過濾加油站的各種噪聲干擾。

在每個停車位設(shè)置兩條虛擬檢測帶，間隔為375像素，每條檢測帶的高度為10像素，寬度與加油位寬度相等。當(dāng)一條檢測帶有車輛通過時，檢測帶內(nèi)每一行的像素值都會出現(xiàn)較多的目標(biāo)點，并且大多連續(xù)，如圖4和圖5所示。

圖4 車輛駛?cè)胍粭l檢測帶

圖5 車輛駛?cè)雰蓷l檢測帶

因此，將每個檢測帶看作有10個元素的一維數(shù)組Z，其中，Z[i](i=0，1，…，9)表示第i+1行的狀態(tài)值。通過下式計算Z的每個元素值：

(15)

式中：Pi是每行檢測帶中1的個數(shù)，T3為判斷閾值。當(dāng)Z的每個元素值都為1，則表示該檢測帶有車通過，將該檢測帶的狀態(tài)值賦值1。按上述方式監(jiān)控加油位，若兩檢測帶同時檢測出有車輛駛?cè)霑r表示車輛疑似停車。當(dāng)疑似停車狀態(tài)持續(xù)T4秒后，代表車輛真正停車。

由于不同車輛的車速不完全相同，故不同車輛停車狀態(tài)持續(xù)時間T4不同，因此需要尋找車輛在通過兩檢測帶后到真正停車時所花費的時間規(guī)律。首先獲取加油位內(nèi)第一條檢測帶檢測出車輛時的時間Tstart，并獲取加油位內(nèi)第二條檢測帶檢測出車輛時的時間Tend。經(jīng)實驗測試，由于車輛停車過程中車速越來越慢，所測得的Tend-Tstart的值與T4相等，因此，此處的停車判斷條件為T4≥Tend-Tstart，當(dāng)滿足此條件時，表示車輛真正停車。

當(dāng)檢測到車輛停車后，獲取當(dāng)前時間作為車輛的停車時間點，調(diào)用車牌識別API識別出加油位的車牌號，并記錄車輛已停車時間。

2 實 現(xiàn)

本文的測試環(huán)境為Xeon(R) CPU E3-1226 3.30 GHz，RAM 8 GB，使用Python結(jié)合OpenCV3.4.1軟件平臺。通過實時讀取加油站高清監(jiān)控攝像頭的視頻流，測試車輛的停車檢測效果。在通過背景差分法計算前景圖像時，T=30。在進行均值背景建模時，判斷車輛目標(biāo)的閾值T1=60 000，參考背景的幀數(shù)N=100。在自適應(yīng)閾值提取前景時，判斷圖像亮度的閾值T2=30，放大差值圖像的參數(shù)t=2。在停車判別時，T3=150。本文的整個算法流程如圖6所示。

圖6 本文算法流程

3 實驗結(jié)果分析

加油機兩側(cè)的監(jiān)控攝像頭分別獨立獲取加油車輛數(shù)據(jù)，對監(jiān)控范圍內(nèi)的圖像處理程序完全相同。為驗證本文研究方案的具體效果，只選取加油機上方罩棚頂部的一個攝像頭進行實驗測試與分析。在測試的加油站中，由于加油員的人工干預(yù)，加油車輛幾乎全部停在前后兩加油位中間進行加油。因此，本文將加油機一側(cè)的兩加油位合并，作為一個加油位進行檢測，共檢測一臺加油機兩側(cè)的四個停車位。攝像頭監(jiān)控區(qū)域如圖7所示。為減少不必要的計算，只截取加油位圖像進行檢測。

圖7 加油站監(jiān)控區(qū)域

通過本文改進的均值背景建模算法計算的初始背景模型與傳統(tǒng)的均值算法得出的背景模型比較如圖8所示，其中，(a)與(b)是行人走動時提取的背景，(c)與(d)是過往車輛經(jīng)過時提取的背景。可以看出通過本文的改進算法能較好地去除背景中的殘影。

(a) 傳統(tǒng)均值法 (b) 本文改進算法

(c) 傳統(tǒng)均值法 (d) 本文改進算法圖8 背景更新

在車輛檢測模塊，通過圖9可以看出本文改進的自適應(yīng)閾值提取算法與其他兩種算法相比，能有效提取暗光環(huán)境下的車輛運動目標(biāo)。

(a) 當(dāng)前幀(b) 簡單閾值

(c) Otsu算法 (d) 本文算法圖9 車輛檢測

在停車檢測模塊，通過圖10和圖11可以看出，本文停車檢測算法能準(zhǔn)確獲取車輛的停車時間。值得注意的是，在圖10中，車輛先駛?cè)爰佑臀磺岸?，后調(diào)整到中間區(qū)域，停車檢測算法依然能準(zhǔn)確檢測出停車時間點。

(a) 無車(b) 車輛駛?cè)胛赐＼?/p>

(c) 檢測到停車狀態(tài) (d) 停車加油中圖10 左加油位停車檢測

(a) 無車(b) 車輛駛?cè)胛赐＼?/p>

(c) 檢測到停車狀態(tài) (d) 停車加油中圖11 右加油位停車檢測

對該加油站內(nèi)一臺加油機左右兩側(cè)的4個加油位進行長時間的停車檢測實驗，總共檢測車輛數(shù)235輛，除過往車輛外，實際停車數(shù)228輛，本文系統(tǒng)檢測出的停車數(shù)225輛，檢測出的停車時間點準(zhǔn)確的車輛數(shù)223輛，其余2輛車的停車時間點與實際停車時間點左右相差1 s，完整的檢測數(shù)據(jù)如表1所示。

表1 測試結(jié)果統(tǒng)計表

通過實驗結(jié)果可以看出，本文算法能有效檢測出絕大多數(shù)車輛的停車數(shù)據(jù)，并能有效過濾未停車車輛。測試過程中發(fā)現(xiàn)，停車時間點檢測中有2輛車存在1 s左右的誤差，由于停車時間點只作為車輛數(shù)據(jù)匹配的因素之一，較小的誤差不會對加油交易的車輛數(shù)據(jù)匹配造成影響。在車輛停車檢測時存在漏檢的情況,漏檢情況主要是由于車輛排隊加油時，前車加油結(jié)束離開、后來車輛駛?cè)霑r兩車距離過近造成前后車輛粘連情況，系統(tǒng)會誤認為加油車輛還未駛離，因此會漏檢后來的加油車輛。在當(dāng)前系統(tǒng)實施階段，需要采用人工干預(yù)的辦法，保證車主駛?cè)爰佑臀粫r與駛離的前車保持不小于2 m的車距，從而避免出現(xiàn)系統(tǒng)的漏檢情況。同時在加油機旁設(shè)置電子顯示屏，顯示已匹配的車牌號與交易信息，使現(xiàn)場人員能夠及時發(fā)現(xiàn)未匹配情況并采用人工付款方式完成付款。而在研究方面，這也是本文檢測算法依然需要完善的地方。

4 結(jié) 語

為獲取加油站內(nèi)停車加油車輛的停車數(shù)據(jù)，本文提出了一種停車實時檢測算法。用背景差分法檢測運動車輛，用改進的均值法計算初始背景，在保證實時性的同時有效去除了行人殘影以及過往車輛等噪聲干擾。通過改進的自適應(yīng)閾值提取算法，能較完整地提取出暗光環(huán)境下的車輛目標(biāo)。最后使用停車檢測算法，成功檢測出車輛的停車時間點以及持續(xù)時間，并通過實地測試驗證了本文算法的可行性。