高 珍，黃鈺琳，鄭絳宇，王雪松

（1.同濟大學(xué)軟件學(xué)院，上海201804；2.印第安納大學(xué)與普渡大學(xué)印第安納波利斯聯(lián)合分校，印第安納波利斯46202；3.同濟大學(xué)道路與交通工程教育部重點實驗室，上海201804）

城市化進程中往往受到道路交通狀況惡化、堵塞嚴重和事故率居高不下等問題的困擾。通過智能交通系統(tǒng)（intelligent transportation system，ITS）可實時檢測道路交通狀況并提取有效信息，根據(jù)交通狀況的變化迅速規(guī)劃和管理交通流，從而減輕交通負荷、保證交通安全、提高交通效率［1-3］。

實時檢測交通流參數(shù)（如車流量、速度、占有率等）和車輛分類是智能交通系統(tǒng)的重要研究內(nèi)容之一，為交通狀況態(tài)勢預(yù)測和評估、提高交通系統(tǒng)管理效率、增強交通安全性提供重要基礎(chǔ)信息［4-5］。其中，相對于基于硬件傳感器的傳統(tǒng)檢測方法，基于視頻的交通流參數(shù)檢測方法因設(shè)備安裝方便、覆蓋面積大、可獲取更豐富的信息等優(yōu)點，在智能交通系統(tǒng)中有了越來越廣泛的研究和應(yīng)用［6-7］。

1 研究基礎(chǔ)

基于視頻的交通流參數(shù)檢測方法主要有基于車輛跟蹤（vehicle-tracking-based）和虛擬框線（virtuallane-based）［8］的方法。車輛跟蹤中常用方法有幀間差法［9］和背景減法［10］。幀間差法能自適應(yīng)動態(tài)環(huán)境，對場景光照不敏感，但對于內(nèi)部灰度值相近的運動物體易形成空洞，算法效果嚴重依賴于所選取的幀間時間間隔和分割閾值。背景減法應(yīng)用較為廣泛，對于復(fù)雜背景下的檢測效果最好，但需動態(tài)更新以適應(yīng)光線、天氣等外界條件的影響，檢測效果依賴于背景建模的方法，削弱了算法的通用性和增加運算復(fù)雜度。這2種方法都需要處理整個或很大一部分的幀圖像，處理速度較難滿足實時性檢測的要求。而基于虛擬檢測線（virtual detection line，VDL）技術(shù)通過幀信息壓縮可以顯著提高檢測實時性。Setchell［11］研究了經(jīng)典的視頻時空累積技術(shù)，該方法準確性較低，此后開始有了更多基于VDL改進的檢測方法。這些方法按時間順序累加每幀圖像的VDL上的像素亮度值，計算交通參數(shù)，生成時空圖像（TSI）［12-13］。但基于時空圖的檢測方法大多基于單一交通環(huán)境，較少討論真實環(huán)境下天氣和光線對檢測方法的影響。Zhang等［14］基于VDL提出了一種自適應(yīng)樣本一致性背景模型檢測車輛的方法，未考慮天氣及光照因素；Mithun等［15］使用邊緣檢測及兩步K近鄰分類方法識別車輛及類型，僅測試了晴天和陰天，未考慮雨水反光及晚上車輛燈光等因素的影響，且這2種方式檢測出的交通流參數(shù)較少。REN等［8］采用了上游、下游2條VDL結(jié)合KNN分類器檢測車輛，討論了晴天、雨天、雪天的交通流參數(shù)檢測，未討論光照條件的影響。

本文基于計算機視覺和圖像處理技術(shù)，提出采用車輛方波脈沖時序圖來檢測交通流參數(shù)，這是一種基于交通監(jiān)控視頻、采用VDL方法構(gòu)建時空圖進行交通流參數(shù)檢測的改進方法，能削弱多種天氣和光線環(huán)境對檢測結(jié)果的影響，在天氣惡劣、光線復(fù)雜等情況下，也能快速而準確地進行車輛分類和交通流參數(shù)檢測，經(jīng)濟效益高且滿足實時性，實驗結(jié)果準確率達到97.32%。

2 數(shù)據(jù)與方法

路側(cè)交通監(jiān)控視頻數(shù)據(jù)由上海市交通管理部門攝像機現(xiàn)場采集，視頻幀率為24Hz，平均車速在30～50km·h-1，涵蓋了交通通暢、排隊通行、紅燈停車等各類場景。交通環(huán)境的光照覆蓋了白天和夜晚，天氣情況考慮了晴、陰、雨、雪，對攝像機鏡頭內(nèi)的全車道進行檢測。

算法如圖1所示。首先在路側(cè)交通監(jiān)控視頻流中，選取虛擬采樣線進行像素采樣，將視頻連續(xù)幀中獲取的一維像素陣列沿時間軸堆疊成時空圖。然后根據(jù)不同天氣、光線條件對時空圖像進行二值化，統(tǒng)計垂直投影像素累積圖。接著進行圖像去噪和復(fù)原，追蹤車輛對象，生成車輛方波脈沖時序圖。最后檢測車流量、車頭時距、車道時間占有率、車輛速度等交通流特征參數(shù)并進行車輛分類。

圖1 算法流程Fig.1 Flowchart of detection algorithm

2.1 構(gòu)建時空圖

為了避免車輛堆疊，相機要盡量選擇垂直的俯視視角，用于緩解前車和后車過近時造成的視覺遮擋和減少陰影的干擾［16］?？紤]到實際道路交通監(jiān)控的攝像機視野并不一定能覆蓋垂直于地面的視角，所以為盡量減少目標車輛的變形，視頻幀中虛擬檢測線的設(shè)置建議盡量在視角最貼近地面的位置且正交于目標車輛運動方向。

構(gòu)建時空圖時，將監(jiān)控視頻看作三維圖像序列，三個維度分別為x、y、t，三維序列上t軸方向切分，僅保留x或y其中一個維度，得到的截面即為時空切片［16］。以視頻連續(xù)幀上ls所截取的一維像素序列作為一個時空切片圖像。當視頻流中目標車輛正交于ls穿過時，幀數(shù)隨時間呈線性變化，沿著時間軸連續(xù)采樣的時空切片堆疊出有意義的車輛形狀，最終合并成一段時間內(nèi)通過檢測線像素的時空圖I(t，l)。其中橫軸t∈[0，m]表示與視頻幀對應(yīng)的切片時間，縱軸l作為空間軸表示虛擬檢測線ls上各點采樣像素，記時空圖I(t，l)各像素點對應(yīng)的灰度值為G(t，l)。

二維時空圖由視頻文件壓縮而成，融合時間和空間2個維度觀測運動車輛在靜態(tài)道路背景中的運動狀態(tài)，可反映車輛的大小、寬度以及在虛擬檢測線上的保持時間，能夠有效降低計算負荷，提高參數(shù)檢測的實時性。

2.2 前景提取

為了在時空圖中有效提取車輛前景，需要對時空圖進行二值化。白天晴天由于陽光照射在車道上留下與道路背景顏色相近的車輛陰影，此時前景（車輛）與背景（道路、車影等）亮度差異顯著，采用最大類間方差法（OTSU算法）計算閾值，可以將圖像灰度值分成類間方差最大的2組，形成僅含前景信息的二值圖像Ibinary(t，l)，如式（1），其中車輛對象像素點的灰度設(shè)置為白色，記作1；道路背景設(shè)置為黑色，記作0。

其中α為自適應(yīng)的圖像二值化閾值，基于大津法（OTSU算法）計算，效果如圖2所示，上方是由一個120s晴天視頻構(gòu)建的時空圖，下方是基于OTSU算法的圖像二值化結(jié)果，黑色代表路面背景，白色代表識別出來的車輛前景，可以看出二值化能有效消除太陽光照形成的車影噪聲，車輛被正確識別。

白天陰天或雨雪天路面偏暗，深色車輛易被誤判為道路，可用Sobel算子垂直邊緣檢測先進行預(yù)處理，再將邊緣圖疊加到原始時空圖上加強車輛亮度，再采用OTSU算法，來提升二值化提取前景效果。

圖2 白天光照條件的時空圖與二值圖像Fig.2 Spatial-temporal profile andbinary image un?derdaytime lighting condition

在夜晚，不同天氣對車輛檢測影響較小，但因照明不好，加上車燈光暈，前景（車輛）和背景（道路、光暈等）亮度差異不大，直接二值化時空圖易將暗色車身誤認為道路背景，同時汽車前燈產(chǎn)生的成片光暈也易被誤判為車輛對象，因此需要采用Sobel算子垂直邊緣檢測算法來最大化消去水平的光暈，再進行OTSU二值化，類似圖2，某夜晚交通密集通行時60s的時空圖如圖3，可見車燈光暈基本被清除。

圖3 夜晚光照條件的時空圖與二值圖像Fig.3 Spatial-temporal profile andbinary image un?dernight lighting condition

2.3 車輛對象識別

二值圖像Ibinary(t，l)有利于識別車輛和減少計算量，但因道路雜物、光線天氣環(huán)境等產(chǎn)生的噪點干擾會降低車輛前景的識別率，同時車輛局部灰度值與道路路面過近會使得前景圖像邊緣出現(xiàn)空洞，導(dǎo)致車輛對象多檢。因此交通流參數(shù)檢測前需對二值圖像進行去噪和空洞填補，最終通過垂直投影像素累積圖提取出車輛方波脈沖時序。

2.3.1 生成垂直投影像素累積圖

沿時間軸遍歷大小為m×n的二值圖像Ibinary(t，l)，逐列統(tǒng)計白點在二值圖像橫軸t上的垂直像素投影累積值p i，將由列向量合并而成的像素矩陣P[m]=[p1，p2，p3…，p i，…p m]記作垂直投影像素累積圖，如圖4所示，橫坐標為時間，縱坐標為p i，其物理意義為時間戳t所對應(yīng)的時空切片中所截取的車輛寬度，可以看出通行車輛會在像素累積圖上形成顯著脈沖。

圖4 垂直投影像素累積圖Fig.4 Vertical projection pixel histogram

2.3.2 去除背景噪聲

圖像去噪要求對圖像進行降噪處理同時盡量保留圖像細節(jié)特征。在垂直投影的一維像素累積值中的波谷值代表車輛對象之間的間隔，由于圖像中白點噪聲的干擾使得谷值不為零，需要對噪聲進行消除，形成波谷以分割車輛對象。

分析垂直投影像素累積值（如圖4縱坐標）的累積分布函數(shù)（cumulative distribution function，CDF），如圖5所示，低值區(qū)域的白點像素投影累積值大多產(chǎn)生于視頻幀中車道線、地面標志線、電車架空線、視頻水印和路面雜物等道路噪聲。將圖5中出現(xiàn)明顯拐點對應(yīng)的像素投影累積值設(shè)定道路噪聲閾值θ1，如式（2）所示，將像素投影累積值小于噪聲閾值θ1的所在列進行歸零，標記為道路背景對象。

圖5 像素投影累積分布函數(shù)Fig.5 Pixel cumulative distribution function

2.3.3 車輛對象提取

從左到右逐列遍歷垂直投影像素累積圖，標記第1個像素投影累積值不為零的列為第1個車輛對象的起始點，繼續(xù)讀取到投影累積值為零的列標記為結(jié)束點，根據(jù)2個標記點分割出第1個車輛對象V1，同理分割出其他車輛對象V k，此時車輛對象之間被間隙道路對象R k分隔，不存在粘連現(xiàn)象。最后計算每個車輛對象的像素投影累積值的橫軸幀數(shù)跨度、道路間隙對象的橫軸幀數(shù)跨度以及各車輛對象的投影累積最大值，分別記作物理意義上的車輛長度L、間隙道路對象的長度L以及車輛像素最大寬度Wmaxk，如圖6所示，上方為像素累積圖，下方為車輛方波脈沖時序。

圖6 車輛的方波脈沖時序圖Fig.6 Sequence diagram of vehicle square wave pulse

由于道路較大雜物和夜晚路燈、車燈光暈等干擾，通過閾值θ1去除噪聲后，仍殘存少量面積較大的噪聲斑可能被誤判為車輛對象，因此需剔除車輛像素最大寬度Wmaxk小于θ2的車輛對象，θ2的選擇一般選擇為正常車輛寬度1/4對應(yīng)的像素投影累積值，式（3）中p i表示第k個車輛對象所在列的各個像素累計值。

2.3.4 車輛對象復(fù)原

由于有時車身局部顏色與道路顏色相近，在二值化時車輛的局部可能被識別為道路背景，造成一個車輛對象被誤分為多個車輛，因此需要對車輛間車頭時距（time headway，THW）進行判斷，對過近的2個車輛對象通過空洞填補進行合并。

現(xiàn)有研究表明車頭時距小于1s為近距離跟車，小于0.6s則處于危險狀態(tài)，鑒于危險事件是小概率事件，因此THW（與L2i成線性正比）小于0.6s大概率是車輛誤分造成的，因此將小于閾值θ3的間隙道路對象復(fù)原為車輛，假設(shè)監(jiān)控視頻幀率為F幀·s-1，則閾值θ3建議取值為αF(α＜0.6)幀。如圖6所示，第4個車輛對象由2個過近的車輛對象合并而成。式（4）中p i表示第k個車輛對象所在列的各個像素累計值。

2.4 交通流參數(shù)檢測

2.4.1 車型分類

根據(jù)車輛像素最大寬度Wmaxk（圖6所示）進行車輛分類。小型車低且窄，在視頻中車輛像素最大寬度都在車道線以內(nèi)；而大型車高且寬，Wmaxk往往會全部覆蓋車道，所以設(shè)定單車道寬度的95%作為閾值Hp，用于分為大型車和小型車，如式（5）。

2.4.2 車流量統(tǒng)計

車輛對象復(fù)原得到交叉排列的車輛前景對象V i和間隙道路對象R i，現(xiàn)將各車輛對象的長度L1i映射為脈沖寬度tWi，可用于反映車輛通過采樣線的時長，同時以各車輛對象的列平均像素投影累積值作為脈沖幅度U m i，生成圖6的車輛對象的方波脈沖時序圖P(t)。P(t)中方波代表車輛對象，從左到右遍歷統(tǒng)計車輛前景對象V i，以此計算車流量Q，即在單位時間T0內(nèi)，通過道路某一截面的交通車輛數(shù)n。式中n(P0)代表在方波脈沖時序圖中單位時間T0內(nèi)的脈沖數(shù)。

2.4.3 車頭時距檢測

車頭時距指同一車道上同一方向連續(xù)行駛前后相鄰2輛車的車頭通過某一處的時間間隔，可根據(jù)圖P(t)中的脈沖間隔Ii和前一車輛對象車寬對應(yīng)的脈沖寬度C i-1（即車寬）計算。

其中THW為車頭時距。

2.4.4 時間占有率檢測

時間占有率R t指一定觀測時間T0內(nèi)全部車輛通過某一斷面所需時間累積值與觀測時間T0的比值。

2.4.5 平均速度檢測

車輛平均速度V t指單位時間T0內(nèi)通過道路某一截面的交通車輛平均速度。式中大型車實際長度記作VLeni，小型車實際長度VLeni，取近似均值；脈沖寬度tWi和tW j映射為車輛通過采樣線的時長。

3 實驗結(jié)果分析

研究數(shù)據(jù)的交通環(huán)境覆蓋了5種不同光線和天氣特征，分別為：白天晴朗、白天多云、白天下雨、夜晚晴朗、夜晚下雪，對視頻數(shù)據(jù)進行參數(shù)檢測。

3.1 算法分析結(jié)果

視頻流中實際車輛878輛，如表1，各交通流特征參數(shù)的檢測均基于車輛個數(shù)檢測精度進行，用車輛數(shù)統(tǒng)計的準確率近似評估實驗效果，計算得5種光線和天氣條件下實驗準確率平均值97.32%。其中“漏報”主要因車速過快且車身顏色和道路過于接近引起，“多檢”一般是由于車輛距離過近，再加上車燈光暈或雨水反光將車輛串聯(lián)在一起，造成誤檢。

表1 車輛數(shù)統(tǒng)計準確率Tab.1 Algorithmic statistical accuracy based onnumber of vehicles

本算法基于二值時空圖進行實時性的交通參數(shù)檢測，包括車輛分類以及統(tǒng)計車流量（Q）、車頭時距（THW）、車道時間占有率（R t）、車輛平均速度（V t），結(jié)果匯總?cè)绫?所示。

表2 交通流參數(shù)檢測結(jié)果Tab.2 Results of traffic flow parameters

計算過程中單位時間T0取值20s，單車道20s視頻的平均實時運算用時為2 014.628ms，包括構(gòu)建時空圖、前景提取、生成車輛方波脈沖時序圖以及檢測交通流參數(shù)等步驟。計算資源軟硬件平臺包括：CPU2.9 GHz Intel Corei5，8 GB 2133 MHz LPDDR3以及Python3.7。

3.2 分析結(jié)果對比

本文方法與現(xiàn)有方法進行綜合對比如表3。本文方法通過合理設(shè)置路段監(jiān)控攝像頭角度虛擬檢測線位置避免多車重疊，僅用一條VDL采樣即可計算車輛速度，比文獻［8］、［15］的多條采樣帶設(shè)計更為簡單；現(xiàn)有文獻［8］、［14］、［15］一般僅考慮理想天氣及光線，通過背景減法或邊緣檢測車輛，本文則針對4種天氣條件及2種光照環(huán)境，動態(tài)選擇不同的二值化方法完成車輛檢測，并在車輛垂直投影像素累積圖上系統(tǒng)去噪形成車輛方波脈沖時序，用來高效提取4類交通流特征參數(shù)，實時性強，檢測準確率達到97.32%，能基本滿足路段交通監(jiān)控的實際需求。

表3 本文方法與現(xiàn)有方法對比Tab.3 Comparison of the proposed method and the existing methods

4 結(jié)論

基于計算機視覺和圖像處理技術(shù)，提出了一種基于時空圖的視頻交通流參數(shù)檢測的改進方法，可實時檢測出車流量、車頭時距、時間占有率、車輛速度并進行車輛分類，為智能交通系統(tǒng)提供有力支撐。研究借助于時空圖的二值化垂直投影像素累積圖，設(shè)計了系統(tǒng)性的去噪及對象識別算法，較好地克服了晴天、雨天、雪天等不同的天氣條件以及白天陽光與夜晚車燈的光照干擾，平均實驗結(jié)果準確率達到97.32 %。

本文方法基于靜態(tài)監(jiān)視攝像機設(shè)計，需要選取恰當相機視角以保證時空圖質(zhì)量，能克服大多數(shù)天氣、光照條件以及道路雜物等干擾，但一些因素如相機視角的不合理設(shè)置、車輛過長停車等待和復(fù)雜陰影干擾等造成的誤判仍會影響實驗中交通流參數(shù)的檢測精度誤差，今后可嘗試利用虛擬檢測線的自適應(yīng)分段技術(shù)進一步提升算法檢測的質(zhì)量。