劉海艷，李俊敏

(南京理工大學(xué)紫金學(xué)院，江蘇 南京 210023)

0 引言

隨著國民經(jīng)濟(jì)發(fā)展迅速，城市汽車持有量顯著提升，道路交通問題層出不窮，交通擁堵與交通安全問題的關(guān)注度也隨之不斷提高。智能交通系統(tǒng)(Intelligent Transportation System，ITS)是目前緩解城市交通壓力、解決交通擁堵問題的一種高效方法。道路車輛的實(shí)時(shí)監(jiān)測(cè)系統(tǒng)作為ITS 的重要組成部分，其工作效率和精度將直接影響ITS 的智能化程度[1-2]。

傳統(tǒng)的交通流量檢測(cè)器有電磁感應(yīng)線圈、超聲波檢測(cè)器、微波檢測(cè)器和紅外光標(biāo)及基于視頻的流量檢測(cè)器等多種方式[3]。與其他檢測(cè)方式相比，基于視頻的車流量統(tǒng)計(jì)方法具有不破壞路面、安裝簡(jiǎn)單、獲得參數(shù)更多、更直觀、監(jiān)測(cè)范圍廣等優(yōu)點(diǎn)，近些年得到越來越廣泛的應(yīng)用。但視頻圖像檢測(cè)受外部環(huán)境影響較大，如檢測(cè)中存在大型車輛能遮擋隨行小型車輛；受光照影響，不同時(shí)段車輛陰影位置變化，可能導(dǎo)致兩個(gè)或多個(gè)車輛目標(biāo)粘連在一起而被錯(cuò)誤的當(dāng)作一個(gè)車輛；積水反射或雨霧天氣等都可能造成檢測(cè)誤差[4-5]。本文提出將射頻識(shí)別技術(shù)和視頻技術(shù)相結(jié)合進(jìn)行交通流參數(shù)測(cè)量，具有高精度、高速識(shí)別、可工作于惡劣環(huán)境等特點(diǎn)，應(yīng)用在道路監(jiān)控領(lǐng)域有其獨(dú)特的優(yōu)勢(shì)。

1 系統(tǒng)組成

系統(tǒng)主要包括安裝于機(jī)動(dòng)車上的電子標(biāo)簽。安裝于道路兩側(cè)的RFID 讀寫器終端和視頻監(jiān)控單元通過遠(yuǎn)程網(wǎng)絡(luò)與遠(yuǎn)端服務(wù)器進(jìn)行通信，當(dāng)安裝電子標(biāo)識(shí)的車輛進(jìn)入讀寫器可以識(shí)別的范圍之內(nèi)時(shí)，觸發(fā)高精度視頻監(jiān)控記錄當(dāng)前路面車輛信息。主控制器對(duì)讀取到的電子標(biāo)識(shí)所包含車輛信息與視頻信息進(jìn)行簡(jiǎn)單處理壓縮，通過無線網(wǎng)絡(luò)傳輸至總服務(wù)器端。服務(wù)器端對(duì)獲取信息進(jìn)行綜合處理，將車輛編碼信息、車輛位置實(shí)時(shí)傳遞給交通管理中心，通過對(duì)信息、數(shù)據(jù)的分析、比對(duì)、統(tǒng)計(jì)等為交通指揮決策提供科學(xué)依據(jù)，提高交通管理的信息化水平。

1.1 車輛電子標(biāo)識(shí)

2017 年，國務(wù)院《“十三五”現(xiàn)代綜合交通運(yùn)輸體系發(fā)展規(guī)劃》提出研究使用汽車電子標(biāo)識(shí),建設(shè)智能路側(cè)設(shè)施，提供網(wǎng)絡(luò)接入、行駛引導(dǎo)和安全告警等服務(wù)[6]。汽車電子標(biāo)識(shí)系統(tǒng)工程是新型智慧城市建設(shè)的新入口，隨著國家標(biāo)準(zhǔn)的確立，RFID 汽車電子標(biāo)識(shí)率先在無錫、北京、深圳等幾個(gè)城市試點(diǎn)。

車輛電子標(biāo)識(shí)(ERI)也稱為汽車電子身份證，簡(jiǎn)稱電子車牌，其關(guān)鍵部件是固定于車牌中的射頻標(biāo)簽，主要利用RFID 技術(shù)，將車牌號(hào)碼、車輛信息等存儲(chǔ)在射頻標(biāo)簽中，固定安裝于機(jī)動(dòng)車車牌內(nèi)。安裝電子車牌的車輛通過裝有相應(yīng)射頻識(shí)別讀寫器的路段時(shí)，讀寫器可對(duì)機(jī)動(dòng)車電子車牌上的數(shù)據(jù)進(jìn)行采集或?qū)懭?，從而記錄車輛行駛時(shí)間、路段等信息，為各類綜合交通管理提供支持?jǐn)?shù)據(jù)。

1.2 系統(tǒng)主控模塊

系統(tǒng)主控模塊如圖1 所示，CPU 選用三星公司S3C2440A。當(dāng)讀寫器單元接收到電子車牌發(fā)送的信息后，根據(jù)獲取電子車牌的數(shù)量進(jìn)行視頻采集頻率的設(shè)置，控制驅(qū)動(dòng)觸發(fā)高清圖像傳感器采集實(shí)時(shí)車輛圖像，并可以同時(shí)記錄接收到的車輛身份信息，并將這些信息打包壓縮并通過無線模塊傳輸?shù)綌?shù)據(jù)庫中心服務(wù)器。服務(wù)中心對(duì)傳輸過來的數(shù)據(jù)進(jìn)行解碼，還原實(shí)時(shí)圖片。然后對(duì)圖片進(jìn)行圖形處理，獲取相關(guān)交通流參數(shù)。

圖1 系統(tǒng)主控模塊框圖

1.3 視頻信號(hào)處理

目前，鑒于超高頻RFID 標(biāo)簽產(chǎn)品在國內(nèi)尚未有統(tǒng)一的標(biāo)準(zhǔn)頒布和實(shí)施，產(chǎn)業(yè)和應(yīng)用的發(fā)展存在制約因素，影響其發(fā)展。故本文提出將電子車牌與視頻監(jiān)控結(jié)合起來，對(duì)道路交通情況以及車輛的行駛情況進(jìn)行記錄。通過電子標(biāo)簽識(shí)別系統(tǒng)記錄到的數(shù)據(jù)與對(duì)視頻圖像進(jìn)行處理和分析得到數(shù)據(jù)互為補(bǔ)充，完成對(duì)道路上行駛車輛運(yùn)行軌跡、行駛速度、是否違章等進(jìn)行有效記錄，便于聯(lián)網(wǎng)工作,有利于實(shí)現(xiàn)道路交通網(wǎng)的監(jiān)視和控制流量的統(tǒng)計(jì)工作。交通流信息能否被準(zhǔn)確采集主要取決于系統(tǒng)中應(yīng)用的圖像處理算法，車輛目標(biāo)的檢測(cè)技術(shù)的流程主要分為3 個(gè)步驟：背景模型的建立及更新、背景差分法運(yùn)動(dòng)目標(biāo)提取、基于卡爾曼濾波器的運(yùn)動(dòng)目標(biāo)跟蹤及車輛計(jì)數(shù)。

1.3.1 背景模型的建立與更新

常用的運(yùn)動(dòng)目標(biāo)檢測(cè)算法主要有：光流法、幀差法和背景差法。背景差法的優(yōu)勢(shì)在于簡(jiǎn)單可行，前景提取準(zhǔn)確度高，但是其背景由于拍攝器材的抖動(dòng)，運(yùn)動(dòng)場(chǎng)景的陰影和光線變化較大等影響，其背景模型對(duì)提取的準(zhǔn)確性的影響巨大。為了適應(yīng)背景變化對(duì)前景提取的影響，引入混合高斯模型來解決該問題，對(duì)復(fù)雜場(chǎng)景下的視頻序列進(jìn)行背景建模和前景提取，獲取前景目標(biāo)后利用前景目標(biāo)的運(yùn)動(dòng)軌跡、圖像特征等進(jìn)行篩選[7]?；舅枷胧菍?duì)每個(gè)像素點(diǎn)呈現(xiàn)的顏色用K 個(gè)高斯分布疊加表示，根據(jù)權(quán)值和方差不斷訓(xùn)練決定哪些分布代表背景顏色，與采集到的幀圖像進(jìn)行匹配，可提取出前景。為適應(yīng)由于光照、風(fēng)速等引起的背景顏色的變化，對(duì)各分布的權(quán)值、均值和方差需要通過學(xué)習(xí)實(shí)時(shí)更新[8]。則像素點(diǎn)Xi的混合高斯模型的概率分布P(Xi)如式(1)所示：

其中，各個(gè)高斯分布分配有不同的權(quán)值ωi，t。μi，t、Σi，t分別表示在第t 幀時(shí)第i 個(gè)高斯分布的均值和協(xié)方差矩陣。η 表示的是高斯分布密度函數(shù)，如式(2)所示：

各個(gè)高斯分布總是按照權(quán)重從高到低的次序進(jìn)行排列。在檢測(cè)前景點(diǎn)時(shí)，按照優(yōu)先級(jí)次序?qū)⑿乱粠南袼攸c(diǎn)Xt與各高斯分布逐一匹配，若沒有表示背景分布的高斯分布與Xt匹配，則判定該點(diǎn)為前景點(diǎn)，否則為背景點(diǎn)。

基于概率密度原理，可以構(gòu)建由K 個(gè)高斯分布的混合高斯模型[9-10]。

混合高斯模型背景建立的步驟如下。

(1)參數(shù)初始化

定義參數(shù)學(xué)習(xí)率變量即AdaptLearningRate 來反映高斯分布函數(shù)的收斂速度，第一幀圖像的每個(gè)像素點(diǎn)的高斯分布的權(quán)重初始化為ω0=1/K，并對(duì)均值和方差進(jìn)行初始化，如式(3)、式(4)所示。

(2)參數(shù)更新

混合高斯模型的參數(shù)更新即高斯分布權(quán)重的參數(shù)更新，對(duì)于像素點(diǎn)Xt-1的K 個(gè)高斯分布根據(jù)其權(quán)重的大小進(jìn)行排序，然后進(jìn)行重新的匹配，如式(5)所示：

其中，C 在混合高斯模型的建模中常取值為2.5，即將每個(gè)像素值與當(dāng)前的K 個(gè)高斯分布模型進(jìn)行比較，直到找到與其匹配的模型，符合匹配公式即為背景[11]，否則即為前景。而在視頻變化時(shí)，需要利用如式(6)～式(8)所示方法更新權(quán)重參數(shù)。

若第m 個(gè)高斯分布與Xt匹配，則：

其中，ρ 表示學(xué)習(xí)速率，α 為另一個(gè)表示模型更換快慢的常數(shù)。如果開始匹配時(shí)無任何匹配，則權(quán)重最小的模式被替換，標(biāo)準(zhǔn)差為初始較大值，權(quán)重為較小值。

(3)背景模型的建立

式中，T 為自定義的權(quán)重閾值[12]。

根據(jù)上述原理，在MATLAB 深度學(xué)習(xí)工具箱下設(shè)置混合高斯模型的初始參數(shù)如下：

(1)高斯混合模型的權(quán)重分布數(shù)：NumGaussians=3；在MATLAB 中可對(duì)其選擇范圍為3～5 的整數(shù)值。

(2)最小背景閾值大小：即背景模型建立中的權(quán)重閾值，可進(jìn)行更改，本設(shè)計(jì)選取MinimumBackgroundRatio=0.7000。

(3)用于訓(xùn)練背景模型的初始視頻幀數(shù)：NumTraining-Frames=40；針對(duì)不同視頻該數(shù)值可以進(jìn)行更改，針對(duì)本應(yīng)用場(chǎng)景，選取前40 幀用于訓(xùn)練背景模型。

(4)學(xué)習(xí)速率：LearningRate=0.0050。

1.3.2 背景差分法車輛提取

利用混合高斯模型建立了背景模型之后，通過可調(diào)參數(shù)的合理范圍設(shè)置能夠提取包含車輛目標(biāo)的前景圖像。在此基礎(chǔ)上，從提取的前景圖像中獲得車輛目標(biāo)，即完成車輛目標(biāo)的分割處理，圖像分割是在包含前景的圖像中確定目標(biāo)即完成目標(biāo)檢測(cè)，本文所選用的目標(biāo)檢測(cè)方法為基于背景差分法，即首先基于混合高斯模型完成背景的提取，然后利用前景圖像減去背景圖像進(jìn)行差分，得到前景圖像的二值化圖像。利用形態(tài)學(xué)運(yùn)算對(duì)目標(biāo)區(qū)域進(jìn)行處理，消除噪聲及小散點(diǎn)的干擾，填充孔洞區(qū)域，提取車輛目標(biāo)，原始圖像及處理結(jié)果如圖2～圖4 所示。

1.3.3 車輛跟蹤

圖2 原始圖像

圖3 二值化處理結(jié)果

圖4 利用形態(tài)學(xué)閉運(yùn)算進(jìn)行填充

車輛目標(biāo)跟蹤和預(yù)測(cè)使用的方法是卡爾曼濾波，對(duì)車輛的行駛軌跡進(jìn)行估計(jì)，即對(duì)車輛的運(yùn)動(dòng)質(zhì)心進(jìn)行估計(jì)，預(yù)測(cè)出下一時(shí)刻的車輛的質(zhì)心位置和區(qū)域，需要在預(yù)測(cè)區(qū)域內(nèi)對(duì)目標(biāo)車輛進(jìn)行搜索，利用卡爾曼濾波器進(jìn)行車輛質(zhì)心的位置預(yù)測(cè)和框選矩形框進(jìn)行下一幀目標(biāo)的搜索?？柭鼮V波的迭代過程分為兩部分：第一步為預(yù)測(cè)，即利用前一幀的車輛信息預(yù)測(cè)下一時(shí)刻的目標(biāo)車輛可能的位置；第二步為校正，在第一步預(yù)測(cè)值的基礎(chǔ)上，與當(dāng)前時(shí)刻數(shù)據(jù)對(duì)比，對(duì)車輛信息調(diào)整，獲取最優(yōu)位置信息[13]。

卡爾曼濾波方法由前一時(shí)刻的狀態(tài)得到后一時(shí)刻的狀態(tài)的基本方程如式(10)所示：

式中，xk表示k 時(shí)刻的車輛目標(biāo)的狀態(tài)向量；F 為傳遞矩陣，其維數(shù)為n；μk的功能是施加于系統(tǒng)的外部控制；B 是控制矩陣，是外部控制與狀態(tài)變化之間的關(guān)系；ωk是具有高斯分布的隨機(jī)變量。因?yàn)?，卡爾曼濾波在校正過程還需利用當(dāng)前的測(cè)量值[14-15]，而當(dāng)前的測(cè)量值是很難直接獲取的，可通過測(cè)量值進(jìn)行轉(zhuǎn)換，如式(11)所示：

式中，H 為測(cè)量矩陣；vk是測(cè)量過程產(chǎn)生的誤差，假設(shè)具有高斯分布。

卡爾曼濾波的預(yù)測(cè)和校正循環(huán)的5 個(gè)方程如式(12)～式(16)所示：

其中，上標(biāo)～表示的均是卡爾曼濾波的預(yù)測(cè)結(jié)果，上標(biāo)^表示的是校正結(jié)果，k 表示的是當(dāng)前時(shí)刻，-1 表示前一時(shí)刻；P 為誤差協(xié)方差；K 表示更新率，即增益值。其中前兩個(gè)等式表示的是卡爾曼濾波預(yù)測(cè)階段，后兩個(gè)等式表示的是校正階段，可以看出：預(yù)測(cè)階段的k 時(shí)刻的狀態(tài)向量與誤差值由k-1 時(shí)刻估計(jì)值得到，k 時(shí)刻的狀態(tài)向量和誤差方差的校正值，即最優(yōu)解可以由卡爾曼濾波的預(yù)測(cè)結(jié)果和增益結(jié)果得到[16]。

1.3.4 基于GUI 的車流量檢測(cè)系統(tǒng)的建立

基于前述視頻處理原理，建立了基于MATLAB GUI的車流量檢測(cè)系統(tǒng)，該系統(tǒng)由幾部分組成：視頻信息的導(dǎo)入和處理、當(dāng)前車輛目標(biāo)的數(shù)量顯示、車輛總數(shù)的顯示、識(shí)別的車輛目標(biāo)的實(shí)時(shí)跟蹤和軌跡顯示[17]。其顯示界面如圖5 所示。

2 交通流參數(shù)計(jì)算

服務(wù)器對(duì)得到的射頻統(tǒng)計(jì)信號(hào)和視頻信號(hào)進(jìn)行處理，即可根據(jù)這些信息統(tǒng)計(jì)分析得到車流量、車輛類別、時(shí)空占有率、車速等具體交通流參數(shù)信息[18]。

(1)車速計(jì)算，如式(17)所示：

圖5 MATLAB 車輛計(jì)數(shù)跟蹤系統(tǒng)計(jì)數(shù)

其中，Δx 表示車輛前后圖像幀的位移距離，N 表示圖像處理時(shí)選取的兩幀之間幀數(shù)差，Δt 表示相鄰兩圖像幀間時(shí)間差。

(2)車流量計(jì)算，如式(18)所示：

其中，PAt為單位時(shí)間T 內(nèi)經(jīng)過檢測(cè)A 點(diǎn)的車輛數(shù)。目前可以利用視頻圖像處理得到，如電子車牌普及，則PAt利用RFID 讀寫器進(jìn)行計(jì)數(shù)所得。

3 實(shí)驗(yàn)分析

本文采集來自2 段不同路段視頻進(jìn)行處理，如圖6所示。圖6(a)截取自繞城閘道入口，車流密度較低；圖6(b)截取自城市道路主路口，車流密度較大。

圖6 不同路段視頻

因電子車牌未能普及，所以主要驗(yàn)證視頻圖像處理結(jié)果，利用設(shè)計(jì)的基于MATLAB GUI 的車流量檢測(cè)系統(tǒng)進(jìn)行數(shù)據(jù)處理，實(shí)驗(yàn)數(shù)據(jù)如表1 所示，從表中可以看出對(duì)于車流量較小的場(chǎng)合，本系統(tǒng)算法準(zhǔn)確率較高。在車流量密度較大的場(chǎng)合，多個(gè)車輛互相遮擋，導(dǎo)致車輛前景分割時(shí)發(fā)生粘連，則多個(gè)車流量被認(rèn)為是一個(gè)運(yùn)動(dòng)目標(biāo)，分割不準(zhǔn)確，進(jìn)而導(dǎo)致計(jì)數(shù)錯(cuò)誤。

表1 交通流參數(shù)計(jì)算(處理時(shí)間為1 min)

4 結(jié)論

本系統(tǒng)融合RFID、數(shù)字圖像、無線通信網(wǎng)絡(luò)等技術(shù)，設(shè)計(jì)集成射頻識(shí)別技術(shù)和視頻技術(shù)的交通流參數(shù)測(cè)量方法及系統(tǒng)，既解決了傳統(tǒng)視頻監(jiān)控的破壞性、不穩(wěn)定性等諸多缺陷，又解決了新興RFID 技術(shù)的隱蔽性和不可視化，真正有效地提高了車輛識(shí)別的效率和精度，為道路交通流參數(shù)測(cè)量提供了一種新的測(cè)量方法。