姚斐，宋芳

（201620 上海市 上海工程技術(shù)大學(xué)）

0 引言

20 世紀(jì)60 年代初，美國(guó)最早開(kāi)始研究用圖像處理技術(shù)來(lái)檢測(cè)車流量，通過(guò)攝像頭采集道路視頻，初步設(shè)計(jì)出了路口車流量檢測(cè)系統(tǒng)[1]，20 世紀(jì)90 年代，美國(guó)的明尼蘇達(dá)大學(xué)聯(lián)合當(dāng)?shù)亟煌ú客ㄟ^(guò)實(shí)地測(cè)試，證明了利用視頻檢測(cè)車流量具有可行性，并有一定的實(shí)用價(jià)值[2]，此后，各個(gè)國(guó)家紛紛開(kāi)始研究這種檢測(cè)技術(shù)，使視頻圖像檢測(cè)技術(shù)有了飛速提升。法國(guó)設(shè)計(jì)出了一種CitLog[3]檢測(cè)系統(tǒng)，該檢測(cè)技術(shù)利用視頻圖像的靜態(tài)背景提取車輛，法國(guó)政府利用該檢測(cè)技術(shù)追蹤犯罪車輛并取得了成效。日本Takabas[4]等人在20 世紀(jì)80 年代初，對(duì)美國(guó)的檢測(cè)技術(shù)進(jìn)行改進(jìn)，在視頻圖像中設(shè)置出敏感區(qū)域用來(lái)采集數(shù)據(jù)，當(dāng)車輛通過(guò)該區(qū)域時(shí)，圖像的亮度會(huì)變化，還能通過(guò)設(shè)置多個(gè)采樣點(diǎn)來(lái)得到車距和車速。Azarbayejani[5]等，20 世紀(jì)末提出了圖像處理的高斯背景建模，給檢測(cè)圖像中的像素點(diǎn)加權(quán)賦值，用來(lái)分離檢測(cè)視頻的前景和背景。

我國(guó)在圖像的檢測(cè)技術(shù)領(lǐng)域落后于西方國(guó)家，但由于國(guó)家投入了大量的科研經(jīng)費(fèi)，推進(jìn)了車流量檢測(cè)技術(shù)的發(fā)展。戴晶華[6]等采用了圖像幀平均法來(lái)提取道路的車道，利用高斯模型提取圖像中的背景，從而分離出運(yùn)動(dòng)的車輛，但該方法存在一定的局限性，不能適應(yīng)惡劣天氣；王小鵬[7]等先對(duì)圖像進(jìn)行孔洞填充，采用差分法尋找陰影區(qū)域，通過(guò)灰度的差異識(shí)別車輛，但當(dāng)檢測(cè)的路段車輛密集時(shí)，容易出現(xiàn)漏檢，造成計(jì)數(shù)誤差；彭仁明[8]等采用改進(jìn)的檢測(cè)方法，只截取視頻圖像中的一部分進(jìn)行識(shí)別，對(duì)檢測(cè)帶進(jìn)行預(yù)估和校正，提升了檢測(cè)速度，但當(dāng)攝像頭在大風(fēng)環(huán)境下時(shí)容易抖動(dòng)，會(huì)讓識(shí)別結(jié)果不準(zhǔn)確；張韜[9]對(duì)圖像處理采用了跳幀法和像素塊法，應(yīng)用在車輛較少的路段時(shí)，會(huì)大大提升檢測(cè)效率，但當(dāng)車速過(guò)快時(shí)，會(huì)因跳幀造成車輛重復(fù)計(jì)數(shù)；郭玲玲[10]等通過(guò)減背景的方法對(duì)運(yùn)動(dòng)的車輛進(jìn)行識(shí)別，當(dāng)運(yùn)動(dòng)目標(biāo)進(jìn)入檢測(cè)段，通過(guò)二值圖的差值來(lái)判斷車輛狀態(tài)，但當(dāng)前后車輛的間距很小時(shí)，容易將其識(shí)別成一輛車。本文先通過(guò)對(duì)圖像進(jìn)行二值化和濾波處理來(lái)剔除無(wú)關(guān)信息，然后采用背景差分法提取運(yùn)動(dòng)的車輛，最后采用改進(jìn)的虛擬線圈法得到路口車流量。

1 車流量檢測(cè)

道路交通燈的轉(zhuǎn)換周期是固定的，紅燈、綠燈和黃燈時(shí)間也是固定的，這會(huì)影響人們的出行時(shí)間，為了解決這些問(wèn)題，智能交通燈也開(kāi)始快速發(fā)展。在智能交通燈系統(tǒng)設(shè)計(jì)中，車流量檢測(cè)是其中的關(guān)鍵一環(huán)。常見(jiàn)的車流量檢測(cè)有地磁線圈、視頻車流量檢測(cè)[11]，通過(guò)對(duì)檢測(cè)到的車流量數(shù)據(jù)進(jìn)行分析，應(yīng)用相應(yīng)的智能控制算法實(shí)時(shí)控制交通燈，這樣的智能系統(tǒng)可以更加人性化，縮短人們的出行時(shí)間。城市道路上每個(gè)方向都有視頻監(jiān)控器，它們一直在采集道路情況，因此直接選用監(jiān)控設(shè)備拍下的視頻來(lái)進(jìn)行車流量檢測(cè)，不需要添加額外的車流量檢測(cè)設(shè)備就可以得到相對(duì)比較準(zhǔn)確的車流量數(shù)據(jù)。

本文主要介紹視頻車輛的檢測(cè)識(shí)別和計(jì)數(shù)方法。圖1 顯示了對(duì)應(yīng)的車流量識(shí)別具體過(guò)程。

圖1 車流量識(shí)別流程圖Fig.1 Flow chart of vehicle flow identification

1.1 視頻圖像預(yù)處理

我們得到的視頻圖像往往會(huì)有一些干擾信息，這些干擾信息會(huì)給圖像處理帶來(lái)很多負(fù)面影響，因此需要預(yù)處理，以去除對(duì)視頻圖像中無(wú)關(guān)信息的檢測(cè)，提升處理效率。

（1）圖像灰度化

在這種變換過(guò)程中，需要將輸入的彩色圖像輸出為灰度圖像，常見(jiàn)的處理方法是均值法和加權(quán)平均法[12]。因?yàn)椴噬珗D像數(shù)據(jù)較大，會(huì)影響處理過(guò)程，使用灰度化后的圖像既能保證特征不會(huì)丟失，還能提升處理速度。

均值法是把輸入圖像像素分量總和的平均值作為處理后的灰度值?；叶戎礩 轉(zhuǎn)換公式為

加權(quán)平均法是把每個(gè)像素的3 個(gè)分量的權(quán)重不同處理，其灰度值Y 轉(zhuǎn)換公式為

（2）圖像降噪處理

常見(jiàn)的圖像降噪處理方法有均值濾波、中值濾波和高斯濾波[13]，它們的原理是，對(duì)圖像的鄰域像素適當(dāng)處理，鄰域可看作目標(biāo)像素附近的像素組成的區(qū)域。8 鄰域圖如圖2 所示。

圖2 圖像8 鄰域圖Fig.2 Image eight neighborhood

均值濾波：將待處理像素I 的鄰域像素作為S，然后選取其對(duì)應(yīng)的全部像素均值為I'?？蛇\(yùn)用這種方法有效去除原圖中的“椒鹽”噪聲，不過(guò)在此過(guò)程中，也會(huì)導(dǎo)致邊緣信息丟失的問(wèn)題。

中值濾波：對(duì)像素I 的鄰域S 相關(guān)的像素排序處理，并選擇S 的像素中值為輸出Y。這種方法在消除圖像中孤立噪聲方面的效果很顯著。若像素的灰度值排序?yàn)閤1≤x2≤x3…≤xn，灰度值處理方法如式（4）和式（5）。

高斯濾波：主要是基于卷積方法進(jìn)行處理，輸出像素值為卷積處理結(jié)果之和。選用不同高斯模板對(duì)圖像的各像素點(diǎn)進(jìn)行掃描，然后將在掃描區(qū)域中的像素點(diǎn)的加權(quán)平均灰度值去替代。

1.2 圖像形態(tài)學(xué)處理

在進(jìn)行圖像形態(tài)轉(zhuǎn)換過(guò)程中，需要進(jìn)行膨脹和腐蝕操作。膨脹是將圖像與核卷積，然后再求局部的最大值[14]。膨脹的主要作用之一為消除“空洞”問(wèn)題，在進(jìn)行檢測(cè)確定出相應(yīng)車輛區(qū)域圖像存在空洞的情況下，會(huì)導(dǎo)致漏檢問(wèn)題，因而應(yīng)該將空洞處理掉。

腐蝕是膨脹的反操作，在進(jìn)行腐蝕操作時(shí)，需要確定出核區(qū)域像素的最小值。腐蝕通常可以將斑點(diǎn)腐蝕掉，并且能夠確保圖像內(nèi)的較大區(qū)域依然存在。腐蝕可有效處理相關(guān)粘連問(wèn)題。

在相關(guān)車距很近情況下，容易被誤判為一輛車，通常我們會(huì)將膨脹腐蝕兩者結(jié)合，這樣可以提高對(duì)象提取的準(zhǔn)確率，減少誤差。

2 車流量檢測(cè)

2.1 車流量檢測(cè)方法

現(xiàn)代交通系統(tǒng)中，基于視頻圖像來(lái)智能調(diào)節(jié)紅綠燈的比例非常小，隨著人工智能技術(shù)的快速發(fā)展，智能交通系統(tǒng)的發(fā)展前景非常廣闊。車流量檢測(cè)的技術(shù)種類繁多，每種檢測(cè)原理也不相同，都有各自的側(cè)重點(diǎn)、適用性和局限性。具體優(yōu)缺點(diǎn)比較參見(jiàn)表1。

2.2 目標(biāo)檢測(cè)

目標(biāo)檢測(cè)主要是根據(jù)目標(biāo)物理特性進(jìn)行提取，這種方法可劃分為運(yùn)動(dòng)對(duì)象、靜態(tài)對(duì)象檢測(cè)兩類，前一種方法主要是針對(duì)視頻中運(yùn)動(dòng)的目標(biāo)進(jìn)行分析檢測(cè)，后一種方法則是提取出靜止的目標(biāo)來(lái)分析。運(yùn)動(dòng)目標(biāo)檢測(cè)相關(guān)的流程如圖3 所示。

圖3 運(yùn)動(dòng)目標(biāo)檢測(cè)框圖Fig.3 Moving object detection block diagram

在對(duì)視頻中車輛檢測(cè)時(shí)可選擇不同方法，如灰度等級(jí)法、背景差分法、幀差法和光流法等?；叶鹊燃?jí)方法在檢測(cè)過(guò)程中主要是依據(jù)背景和車輛的統(tǒng)計(jì)灰度閾值進(jìn)行判斷分析，而確定出是否產(chǎn)生了運(yùn)動(dòng)車輛，這種方法在判斷時(shí)，受環(huán)境和光線變化干擾明顯，因而并不是很適用；背景差分法在檢測(cè)時(shí)，依據(jù)目前輸入幀和背景模型差進(jìn)行分析而確定出運(yùn)動(dòng)目標(biāo)，在檢測(cè)過(guò)程中需要不斷更新多變的場(chǎng)景，不過(guò)，所得結(jié)果容易受到光照和噪聲相關(guān)因素的干擾，會(huì)對(duì)其應(yīng)用產(chǎn)生一定不利影響；幀差法在檢測(cè)中應(yīng)用相鄰幀對(duì)應(yīng)像素差分方法，所得結(jié)果主要和連續(xù)幀的時(shí)間間隔存在相關(guān)性，在提取過(guò)程中并不能獲得全部的特征像素點(diǎn)；光流法在檢測(cè)時(shí)主要是依據(jù)運(yùn)動(dòng)目標(biāo)和時(shí)間變化相關(guān)的光流特性進(jìn)行提取，所得結(jié)果精度相對(duì)高，不過(guò)其缺點(diǎn)表現(xiàn)為運(yùn)算量大，且容易受到噪音干擾。

本文選擇背景差分法進(jìn)行車輛檢測(cè)，這種檢測(cè)方法是目前視頻檢測(cè)算法中最快速有效的方法。在檢測(cè)過(guò)程中，需要確定出一幀沒(méi)有目標(biāo)的背景圖像，然后確定出其和背景圖像的差值，若差值較大，則該像素為運(yùn)動(dòng)像素。背景差分法基本算法如式（6）和式（7）。

式中：Ik（x，y）——第k 幀圖像（x，y）像素處的灰度值；B（kx，y）——第K 幀圖像（x，y）像素的灰度值；T——條件閾值；Mk（x，y）——當(dāng)前時(shí)刻目標(biāo)前景掩模。

在對(duì)圖像進(jìn)行預(yù)處理后，設(shè)置相應(yīng)的待檢測(cè)區(qū)域，在此區(qū)域中可提取而獲得充分的車輛信息，從而有效控制檢測(cè)的準(zhǔn)確性，在避免漏檢方面的效果也很顯著。

2.3 車輛計(jì)數(shù)

（1）虛擬線圈設(shè)置

當(dāng)確定檢測(cè)對(duì)象為車輛的情況下，可選擇虛擬線圈法對(duì)目標(biāo)的運(yùn)動(dòng)軌跡進(jìn)行分析，并據(jù)此實(shí)現(xiàn)車流量統(tǒng)計(jì)的目的。虛擬線圈就是在視頻圖像上選擇檢測(cè)區(qū)域設(shè)置虛擬檢測(cè)線，它的作用和在地底埋放的感應(yīng)線圈來(lái)檢測(cè)車流量相同。當(dāng)有運(yùn)動(dòng)物體經(jīng)過(guò)參考線時(shí)，檢測(cè)線上就會(huì)識(shí)別出有物體經(jīng)過(guò)，若運(yùn)動(dòng)物體的長(zhǎng)度、寬度大于檢測(cè)線的某個(gè)閾值時(shí)，系統(tǒng)就會(huì)判定有車輛經(jīng)過(guò)。車輛的質(zhì)心坐標(biāo)在一段設(shè)定的時(shí)間t∈[0，T]內(nèi)，若在該時(shí)間段內(nèi)質(zhì)心坐標(biāo)先小于檢測(cè)線的坐標(biāo)，然后質(zhì)心坐標(biāo)超出了檢測(cè)線坐標(biāo)，則認(rèn)為在t∈[0，T]時(shí)間段內(nèi)有車輛經(jīng)過(guò)，此時(shí)計(jì)數(shù)就加1。

虛擬線圈主要分為2 類，虛擬的檢測(cè)線和虛擬的檢測(cè)線圈，如圖4 所示。

圖4 虛擬線圈示意圖Fig.4 Virtual coil diagram

2.4 車流量檢測(cè)算法設(shè)計(jì)

基于以上對(duì)車流量檢測(cè)預(yù)處理及車流量檢測(cè)方法的研究，首先利用攝像頭監(jiān)控視頻文件來(lái)獲取選定路口的車流量，對(duì)選定路口的視頻圖像進(jìn)行預(yù)處理，再采用背景差分法提取該選定路口的車道背景及運(yùn)動(dòng)目標(biāo)，最后得出需要識(shí)別統(tǒng)計(jì)的車流量，具體設(shè)計(jì)步驟如下：

第1 步：獲取視頻幀序列。對(duì)監(jiān)控錄像的視頻進(jìn)行解析，形成視頻幀序列；

第2 步：圖像預(yù)處理。將獲得的圖像灰度化，然后對(duì)灰度圖像進(jìn)行降噪處理，將降噪后的圖像進(jìn)行形態(tài)學(xué)處理；

第3 步：車輛檢測(cè)。判斷是否有車輛進(jìn)入此區(qū)域，然后獲得當(dāng)前幀圖像，通過(guò)差分法確定出背景圖像和當(dāng)前幀差值，然后得到目標(biāo)區(qū)域灰度差值是否高于設(shè)定的閾值P，如果高于閾值，則可判斷出當(dāng)前幀有車輛進(jìn)入此區(qū)域，相反情況下則判斷沒(méi)有；

第4 步：車流量計(jì)數(shù)。取前一幀后一幀車輛的質(zhì)心坐標(biāo)，如果當(dāng)前質(zhì)心坐標(biāo)在檢測(cè)區(qū)域范圍內(nèi)，下一幀車輛的質(zhì)心坐標(biāo)已經(jīng)超出檢測(cè)區(qū)域，這車輛計(jì)數(shù)就增加1；

第5 步：當(dāng)讀取N 幀圖像后，對(duì)背景圖像進(jìn)行更新，然后循環(huán)執(zhí)行第1 步～第4 步。

3 車流量檢測(cè)實(shí)驗(yàn)

（1）讀取監(jiān)控視頻，如圖5 所示。

圖5 讀取視頻文件Fig.5 Read video file

（2）利用OpenCV 軟件對(duì)視頻文件進(jìn)行二值化處理，如圖6 所示。

圖6 圖像的二值化處理Fig.6 Binary image processing

（3）如圖7 所示，對(duì)二值圖像進(jìn)行降噪處理后，能有效去除干擾因素。

（4）對(duì)視頻文件處理后，得到的交通流如圖8 所示。

用OpenCV 軟件對(duì)獲取的道路監(jiān)控視頻進(jìn)行處理，利用改進(jìn)的虛擬線圈法。圖8 為最后獲得的車流量數(shù)據(jù)，圖中的車輛上的數(shù)據(jù)為識(shí)別到車，右上角的數(shù)字37 代表當(dāng)前由南向北通行所識(shí)別的車流量，得到的數(shù)據(jù)和人工獲取的數(shù)據(jù)基本相同，可以作為下一步控制輸入的數(shù)據(jù)。

圖8 處理后得到交通流數(shù)據(jù)Fig.8 Get traffic flow data after processing

4 結(jié)論

本文主要結(jié)合道路交通的監(jiān)控視頻，利用圖像處理軟件得到路口的車流量，闡述了圖像處理環(huán)節(jié)，包括對(duì)圖像的灰度化、降噪、形態(tài)學(xué)操作等，通過(guò)背景差分法提取背景，識(shí)別視頻中運(yùn)動(dòng)的車輛。對(duì)傳統(tǒng)車流量檢測(cè)增加了虛擬線圈的機(jī)制，當(dāng)車輛進(jìn)入第1 根虛擬線圈時(shí)，判斷該運(yùn)動(dòng)物體是否為車輛。當(dāng)檢測(cè)為車輛時(shí)，通過(guò)運(yùn)動(dòng)物體的質(zhì)心來(lái)檢測(cè)是否通過(guò)第2 根虛擬線圈，且據(jù)此確定出是否需要計(jì)算車流量。使用改進(jìn)虛擬線圈法具有更高的準(zhǔn)確率，更加適合作為智能交通信號(hào)系統(tǒng)控制的輸入數(shù)據(jù)。