試論高速公路交通事件視頻車輛的檢測技術

譚國賢

(廣東省交通集團)

隨著社會經濟的發展，高速公路成為了交通事業的主要運輸線路。受到多方面因素的影響，我國的交通意外事故發生率在不斷上升，給人們的生命財產造成的巨大的損失。對高速公路運營狀況實時監測，可及時發現交通事故且發出報警信號，為事故處理、人員搶修工作創造了條件，自動檢測技術的運用在這方面的作用尤為顯著。

1 交通事件自動檢測技術

交通事件自動檢測(AID)技術是一種智能化的操控技術，對高速公路的日常運行狀況有監測的功能。一般交通事件自動檢測技術包括間接檢測、直接檢測等兩種形式。

間接檢測技術是目前常用的形式，其是參照交通車輛的實際情況對檢測工作加以控制，保證了數據信號傳輸的有序進行，防止外界因素對檢測信號造成不利的影響。交通檢測器的使用滿足了諸多檢測功能的要求，其以動態采集各路段的交通數據，再通過數據分析后判斷交通時間的發生情況。一般在安裝交通檢測器時將其布置在車道下面，但對于該裝置需要定期檢查以免出現受損問題。從長期使用結構看，檢測器在判斷交通事故中發揮自動檢測作用的同時，也具有較高的誤報率高，對于低流量交通路線不適合運用。

直接檢測采用了圖像處理技術對車輛行駛異常進行檢測。該技術本質上屬于對已發生事件的經濟處理，并沒有采取綜合性的檢測技術判斷故障發生的狀態，缺乏檢測環節增大了交通事故造成的不利影響，破壞了交通運輸線路的穩定進行。另外，“間接檢測方法”僅限于判斷交通事故的發生與否，并不能進一步分析事件發生的時間、類型、影響等，這些都需要作出進一步的鑒別判定。“直接檢測方法”的運用不僅能判斷分析交通事故的類型，也可以根據相應的數據信息分析處理事故的有效方法。

“直接檢測方法”最具代表的技術則是視頻車輛檢測技術，此項技術結合了數字化的監控系統，并利用計算機建立數據處理平臺，在收集諸多數據信息之后完成了自動化操作處理。這種狀態下，各種意外事件發生的過程均有明確的記錄，交通事故處理部門只需調用視頻則可判斷事故發生的情況，對涉及事件的人員實施處罰。

2 視頻車輛檢測的運行流程

科學技術發展對交通事件檢測產生了促進作用，傳統車輛檢測模塊的功能得到了進一步優化。對于視頻車輛檢測工作來說，其不僅采用了先進的數字信息技術，在視頻信息的獲取中也引入其他方式，保證了圖像處理的準確度。比較常見的處理方式:濾波除噪、圖像銳化、對比度增強等，經過處理后的圖像信息不會受到噪聲因素的干擾。此外，對目標圖像的特點進一步分析，從而判斷交通事故的類別、時間;結合有關的計算方式掌握事件車輛的相關信息，最終建立自動性的數字處理平臺，滿足了視頻車輛檢測的實際要求。具體流程如圖1所示。

圖1 視頻車輛檢測完整流程

3 運動車輛具體的檢測技術

3.1 運動目標檢測算法

國內現有的交通事故檢測系統的構成較為復雜，其中最為核心的組成則是運動車輛檢測算法，其對于整個車輛檢測功能具有良好的調控作用。從實際運用情況來看，運動目標檢測的方式包括:光流法、幀間差分法、背景差分法、不變矩陣特征檢測法。結合本次研究的實際需要，此次選擇了背景差分法。

背景差分法在基于視頻檢測算法中運用較為普遍，也是測量精度較高的一種。背景差分對車輛進行檢測時，主要采用了當前幀圖像、背景圖像的像素點灰度差值完成檢測。若圖像的像素點和背景圖像的像素點灰度值相差偏大，則判斷此像素點有車通過;若圖像的像素點和背景圖像的像素點灰度值相差偏小，則此像素點屬于背景像素點。背景差分法的本質是先創建背景像素，再把待檢測圖像與背景圖像逐像素相減，最終實現相應的操作目標。如圖2所示。

圖2 背景差分法的原理

背景差分法在具體運行中體現出來的優點十分明顯，如:計算簡單、速度較快、數據精準等。但該算法結果的正確與否受到背景因素的影響，而交通場景會隨著周圍環境的變化而變化，如:日光照射、刮風下雨、冰霜雪凍等，這些對于檢測數據的處理均會造成不利影響，給車輛檢測造成了很大的難度。可通過背景模擬或多次計算的方式，提高自動檢測數據的準確性。

3.2 背景模型

創建背景模型可以為數據分析提供綜合性的平臺，保證了數據傳輸的穩定性，防止各類信息在傳遞處理中的錯誤，提高了整體系統的運行效率。結合目前現有的技術水平歸納，常見的建模方式有:基于計算機平臺的背景處理，利用計算機及其輔助技術創建多元化的數據平臺，為用戶提供更多的數據處理模塊，適應不同形式信息的操作要求。在背景模型建立過程中要注意功能操作的要求，防止其他因素對背景模型產生不利影響。

當背景模型運用于高速公路監控時，則需要把圖像信息設置在規定的區域，以滿足不同用戶的具體操作要求，可以很清楚地反映出圖像需要表達的內容。此外，這種背景的每個背景點上的顏色分部相對集中，在分析時可利用先進的統計學背景模型進行處理，即“序列均值法”。

本文采用如下公式進行背景建模

其中c=R，G，B。雖然路面上有車輛通過，但是只要統計的時間足夠長總能得到比較好的背景模型。一般來說，背景圖像提取過程中，訓練幀數需適中，一般200～300幀即可。

3.3 背景及目標的改善

背景在背景差分方法中是參考幀，背景的狀態對檢測結果有決定性作用，影響了檢測數據的準確性。對于普通的背景差分方法而言，其背景基本上保持不變。而對于實際運行狀態下，背景則會隨著時間、環境的變化而出現變動，如:光照引起的變化、背景物體移入移出等。若在環境變動的情況下依舊維持背景模型不變，則會導致算法中產生很大的誤差，容易把背景點誤檢為前景點。考慮到維持數據結果的準確性，則需要對背景模型定期更新調整。Pfinder系統在背景調整時用到的公式

公式中α為更新速率，從此公式的運算情況看，其最大的特點在于:無論是背景的信息或者前景的信息，均用在了更新背景模型上。這是由于前景區域并非背景的構成，若強行將其用在更新背景模型中會造成一系列的錯誤，這就要求使用更科學的背景模型進行更新處理。完成背景的創建之后，需選擇當前幀圖像與前一背景圖像直接差分后二值化，最終可得到差分后的運動目標圖像。

4 結語

總之，高速公路交通事件嚴重威脅了車輛行駛的安全性，通過自動化檢測技術能對公路行駛狀況實時監控，以及時通知人員趕往現場處理。從未來道路交通的發展趨勢考慮，高速公路交通事件視頻車輛的檢測技術具有多方面的使用價值，充分保證了其他數據信息的有效處理。

［1]謝戰旗.高速公路視頻監控系統研究與設計［D］.西安:長安大學，2005.

［2]趙素鋒.高速公路應急決策技術［J］.公路交通科技(應用技術版)，2010，(8).

［3]張萌萌，賈磊，鄒難.基于粗模糊神經網絡的高速公路路段交通事件識別［J］.公路，2010，(12).