劉賀 臧晶

摘? ?要：公路流量統(tǒng)計(jì)是智能交通系統(tǒng)的主要功能之一。本文針對公路流量統(tǒng)計(jì)的問題，利用物體輪廓檢測技術(shù)，使用背景差分算法和K最鄰近分類算法，實(shí)現(xiàn)運(yùn)動物體檢測、車輛跟蹤和流量統(tǒng)計(jì)功能，設(shè)計(jì)了公路流量統(tǒng)計(jì)系統(tǒng)，并用Python進(jìn)行編程實(shí)現(xiàn)，對部分視頻進(jìn)行了測試，取得了較好的效果。

關(guān)鍵詞：智能交通系統(tǒng)? 公路流量統(tǒng)計(jì)? 運(yùn)動物體檢測? 車輛跟蹤

1? 引言

基于機(jī)器視覺的公路流量統(tǒng)計(jì)技術(shù)是公路汽車流量統(tǒng)計(jì)技術(shù)是在不需要人為干預(yù)的情況下，從獲取視頻初始幀開始，對監(jiān)控攝像頭中的圖像序列進(jìn)行剖析，將移動對象從背景中分離，然后對每輛汽車進(jìn)行跟蹤，最后完成整個視頻的汽車數(shù)量計(jì)數(shù)，基本得到汽車數(shù)量及道路擁堵情況。

2? 公路流量統(tǒng)計(jì)系統(tǒng)的設(shè)計(jì)

公路流量統(tǒng)計(jì)系統(tǒng)共包含四部分，提供運(yùn)動的圖像獲取以及預(yù)處理、位置預(yù)測跟蹤、車輛計(jì)數(shù)與物體計(jì)數(shù)日志模塊，完成運(yùn)動物體檢測、車輛跟蹤和流量統(tǒng)計(jì)等主要功能，其結(jié)構(gòu)如圖1所示。

3? 公路流量統(tǒng)計(jì)系統(tǒng)的實(shí)現(xiàn)

公路流量統(tǒng)計(jì)系統(tǒng)是基于Python語言和OpenCV庫實(shí)現(xiàn)的。系統(tǒng)由四部分構(gòu)成，實(shí)現(xiàn)技術(shù)描述如下。

（1）運(yùn)動圖像獲取以及預(yù)處理。對常用圖像背景差分法、進(jìn)行噪聲處理進(jìn)行預(yù)處理以及車輛輪廓檢測。

（2）位置預(yù)測跟蹤。采用的算法為K最鄰近分類（k-Nearest Neighbors，KNN）算法[1]。KNN算法不需要進(jìn)行參數(shù)估計(jì)，屬于一種非參數(shù)方法[2]。將每個物體的運(yùn)動軌跡進(jìn)行分類，將距離新的位置最近的上一個位置進(jìn)行匹配，即可判斷新的位置是哪一個物體。

（3）車輛計(jì)數(shù)。當(dāng)物體越過計(jì)數(shù)線時對物體計(jì)數(shù)。首先判斷物體的運(yùn)動軌跡，進(jìn)而判別物體是否越過計(jì)數(shù)線，并且判斷運(yùn)動的方向。

（4）車輛計(jì)數(shù)日志。視頻的下方建立一個計(jì)數(shù)欄，每當(dāng)一個新的車輛被計(jì)數(shù)時，該車輛的圖像將會被加載到計(jì)數(shù)欄中。

4? 公路流量統(tǒng)計(jì)系統(tǒng)測試

為了驗(yàn)證本論文研究的公路流量統(tǒng)計(jì)系統(tǒng)是否具有可行性，對測試結(jié)果進(jìn)行分析和總結(jié)。

（1）車輛獲取以及預(yù)處理如圖2、圖3所示。

（2）位置預(yù)測跟蹤如圖4所示。

（3）車輛計(jì)數(shù)及車輛計(jì)數(shù)日志如圖5、圖6所示。

對公路流量統(tǒng)計(jì)系統(tǒng)的實(shí)驗(yàn)結(jié)果進(jìn)行比較分析，發(fā)現(xiàn)系統(tǒng)中各功能正常運(yùn)行，故可驗(yàn)證本論文設(shè)計(jì)的基于機(jī)器視覺的公路流量統(tǒng)計(jì)技術(shù)是準(zhǔn)確有效的。

5? 結(jié)語

本文針對公路流量統(tǒng)計(jì)問題，設(shè)計(jì)了基于機(jī)器視覺的公路流量統(tǒng)計(jì)系統(tǒng)，并將其應(yīng)用程序?qū)崿F(xiàn)。經(jīng)過部分視頻對公路流量統(tǒng)計(jì)系統(tǒng)進(jìn)行測試，并且對測試結(jié)果進(jìn)行分析，最后驗(yàn)證公路流量統(tǒng)計(jì)系統(tǒng)的正確性。采用公路流量統(tǒng)計(jì)系統(tǒng)后，能夠?qū)崟r對路況進(jìn)行分析，可以有效緩解交通擁塞問題。

參考文獻(xiàn)

[1] 遲殿委.一種基于KNN算法的手寫數(shù)字識別實(shí)現(xiàn)[J].信息與電腦：理論版，2019，31（17）：20-22.

[2] 桑應(yīng)賓.基于K近鄰的分類算法研究[D].重慶大學(xué)，2009.