基于改進高斯模型的車流量檢測算法

朱華生，葉 軍

（南昌工程學院信息工程學院，江西南昌330099）

基于改進高斯模型的車流量檢測算法

朱華生，葉 軍

（南昌工程學院信息工程學院，江西南昌330099）

提出了一種基于改進單高斯模型的車輛檢測與流量統計算法，該算法采用改進的單高斯模型對移動目標進行檢測，然后選用HSV顏色空間抑制陰影，提高了目標提取的準確率，最后，按車道分別設置相應的虛擬區域，以實現車流量的統計工作。為驗證算法的有效性，在標準測試視頻上進行了對比實驗，實驗結果表明，該算法能夠快速地提取車輛目標，且具有較高的車輛識別率，有一定的實用價值。

計算機視覺；高斯模型；陰影抑制；交通

1 引 言

隨著社會經濟的快速發展，交通擁堵問題日益嚴峻，實時的交通數據對有效利用城市空間具有十分重要的意義。要實現這一數據的提取，首先要進行車輛檢測。Michalopoulos［1］提出的視覺檢測方法克服了大多數傳統車流檢測方法的弊端，具有設備安裝簡單、易于維護、成本低、聯網方便等優點［2］。

目前，基于視覺的交通車流量監測方法主要分為3類：光流法、幀差法、背景消減法等。光流法［3－4］抗噪性能差，計算復雜，若無特別的硬件裝置作為支撐，其處理速度相當慢，難以達到實時處理的要求。幀差法［5－6］則需要動態的設定時間間隔進行差分，對于慢速運動的車輛需要選擇較大的時間差，以防止產生空洞，影響檢測結果。背景消減法［7］是視覺檢測算法中最常用的一種方法，其關鍵在于背景的提取及更新，由于一般的背景建模方法對突發運動和光照突變敏感［8］，又不能區分移動目標和移動陰影，從而導致車輛的誤檢率較高。

本文在背景消減法的基礎上提出了一個新的車輛檢測與統計算法。即在傳統單高斯模型的基礎上，采用新的背景初始化方法，能夠更加準確的提取移動目標；然后，采用HSV顏色空間來抑制目標陰影，提高算法的準確性；并通過虛擬區域的設定，實現車流量的統計工作；最后，選取Highway I和Highway II兩個標準測試序列進行相關實驗。實驗結果表明，該算法簡單、高效，能夠快速、準確的提取并統計移動車輛，具有較好的適應性。

2 算法設計

本文提出的交通車流量統計算法主要由3部分構成，即移動目標的提取、陰影抑制和車流量統計等。

2.1 移動目標的提取

檢測交通車流量的攝像機一般固定在公路的正上方，視頻的背景為公路的路面，背景并不是十分復雜，所以可以采用單高斯模型來實現移動目標的提取。

單高斯模型是基于概率分布的背景提取方法［9－11］。假設圖像中的每個像素點是相互獨立的，且都服從公式（1）的正態分布。

其中，xij表示點（i，j）處的灰度值；μij表示該像素點的均值；σij2表示該像素點的方差；P（xij）表示該像素點灰度值出現的概率。

利用單高斯模型檢測移動目標分3步，即：背景建模、移動目標檢測和模型更新。

背景建模。單高斯模型默認將視頻的第一幀作為背景。而通常視頻的首幀圖像中存在車輛（如圖1（a）所示，其為HighwayI視頻的第1幀），所以需要很長時間的更新才能獲得比較準確的背景。為了加快背景的提取速度，目前較為普遍的做法是將視頻前N幀的均值作為背景［10］。然而，這種算法得到的背景值與實際值有一定的誤差，如圖1（b）所示，其為HighwayI視頻前50幀的均值得到的背景圖象。均值μij可以使用背景對其初始化，方差σij2可以使用公式（2）對其初始化。

其中，表示第t幀上點（i，j）處的值；N表示選取幀的數量。

移動目標檢測。它是利用公式（1）對當前幀的每個像素點進行計算，如果像素點的概率大于閾值T，則為判定該像素點為背景點，否則為前景點。T是一個經驗值。

模型更新。隨著時間的變化，背景也會發生一些變化，如光線的變化。所以要對模型進行更新。更新的原則是：當像素點為前景時，背景保持不變；當像素點為背景時，按公式（3）對背景進行更新。

其中，α是更新參數，表示背景變化的速度，它是一個經驗值，本文將α設置為0.03。

為了提高背景初始化的質量，本文提出一種背景初始化新方法。主要思路是：將每個像素點的前N幀構成1個一維數組，再計算它的直方圖，最后將出現概率最大的值作為該像素點的背景值。圖1（c）是HighwayI視頻（200，100）像素點前50幀的直方圖，圖1（d）是通過本方法獲得的初始化背景圖。

圖1 背景初始化過程及效果對比圖

從圖1可以看出，該改進算法提取的初始化背景相較于均值提取法更為清晰準確，貼近實際。

2.2 陰影抑制

在進行移動目標檢測時，移動的陰影也會被檢測出來，基于單高斯模型的移動目標檢測算法無法區分移動目標和移動陰影。這些陰影會影響后續的目標識別。陰影的檢測和消除方法可分為基于模型［12］和基于屬性［13－14］的2種方法。本文采用基于屬性的陰影檢測法。HSV顏色空間是均勻的顏色空間，它反應了人眼對色彩視覺的三要素，即：色彩（H）、飽和度（S）和亮度（V）。與RGB顏色空間相比，HSV中3個分之間的相關性要小很多，比較適合做陰影檢測。在HSV色彩空間進行陰影檢測的原理是：在一定的光照條件下，同一物體在陰影區域內和區域外，他們的色彩變化較小，但在陰影區域內的亮度值會下降，同時陰影區域內的飽和度也會降低。

陰影的檢測方法是：用公式（4）來檢測陰影。其中，IH（i，j），IS（i，j），IV（i，j）和BH（i，j），BS（i，j），BV（i，j）分別表示當前圖像和背景圖像在（i，j）點的H，S和V分量；α，β，τH和τS是一個經驗值。

陰影移除的方法是：將移動目標圖像減去陰影圖像，使用公式（5）：

其中，Iobject（i，j）表示移動目標圖像上（i，j）點的值，Ishadow（i，j）表示陰影圖像上（i，j）點的值。

經過以上處理后，得到一個二值化圖像。再將該圖像進行形態學運算，去除干擾和孔洞。主要包括移除小點、膨脹和填充等操作。

以HighwayI視頻為例，當α，β，τS和τH分別設置為0.35、0.8、0和50時，陰影檢測和移除結果如圖2所示。其中，圖2（a）、2（c）和2（e）分別表示視頻第51幀的移動目標提取圖、陰影提取圖和去陰影和干擾后的移動目標圖；圖2（b）、2（d）和2（f）分別表示視頻第128幀的移動目標提取圖、陰影提取圖和去陰影和干擾后的移動目標圖。

圖2 陰影檢測和移除結果示意圖

從圖2可以發現，該算法能夠比較準確識別車輛和移除陰影。雖然陰影沒有被完全移除，但留下的少量陰影，對后面的車流量統計影響不大。

2.3 車流量統計

車輛一般是按車道行駛，因此可以將一條公路按照實際情況分成若干車道，然后分別檢測每個車道上的車輛。

本文提出的車輛檢測方法是：在需要檢測的車道上設置一塊虛擬區域，如圖3所示，（a）是HighwayI視頻畫面，在該視頻的2個車道上設置的2個虛擬區域；（b）是HighwayII視頻畫面，在該視頻的3個車道上設置了3個虛擬區域。

圖3 車道的劃分

然后，逐幀檢測虛擬區域是否有車輛。具體檢測方法是：當虛擬區域內移動目標的像素點大于虛擬區域面積的1／2時，就認為虛擬區域有車，否則無車。因此，相鄰2幀之間的檢測結果有四種可能，如表1所示。從表中可以看出，只要統計無車到有車這一種情況，就可以統計到車輛的數量。

表1 相鄰幀的檢測信息組合表

3 實驗結果與分析

為了驗證本文算法的有效性，在標準測試序列HighwayI和HighwayII上做了測試。由于攝像頭拍攝角度的原因，在HighwayI上只統計了2個車道，在HighwayII上也只統計了3個車道。車流量統計結果如表2所示，從表2可以發現，實驗存在一定的誤檢現象。產生誤檢的原因可以從虛擬區域車輛狀態變化過程和觀察實際視頻進行對比來尋找。圖4是HighwayI視頻各幀虛擬區域內車輛狀態圖，圖中標識了3處車輛誤檢區。

表2 車流量統計結果

圖4 HighwayI視頻各幀虛擬區域內車輛狀態圖

經過對比發現誤檢的原因，不是因為殘留陰影的影響，而是因為2部車輛之間的距離太近產生誤檢，如圖5所示。

圖5 車流量統計誤檢

圖5 （a）、（b）分別為視頻HighwayI第337幀的原圖及去陰影和干擾后的結果圖，可以發現圖中2部車輛之間的距離太過接近、難以分割，以至于最終將2部車檢測為1部車。這一問題可以通過改變攝像頭的位置和角度來降低誤檢率。

4 結束語

提出一種基于改進的單高斯模型的車輛檢測與流量統計算法。在傳統單高斯模型的基礎上，采用新的背景初始化方法提取移動目標；然后，采用HSV特征空間抑制目標陰影；并通過虛擬區域進行車流量統計。最后，選取Highway I和Highway II兩個標準測試序列進行實驗，實驗結果表明，該算法簡單高效，能夠快速、準確的提取并統計移動車輛，為智能交通系統等提供可靠的數據支撐。

［1］ Ju Yongfeng，Zhu Hui，Pan Yong.Vehicle flow detection algorithm based on computer vision［J］.Journal of Chang’an University（Natural Science Edition），2004，24（1）：92－95.（in Chinese）

巨永鋒，朱輝，潘勇.基于計算機視覺的車流量檢測算法［J］.長安大學學報，2004，24（1）：92－95.

［2］ Michalopoulos PG.Fiedld deployment of AUTOSCOPETMin the FAST-TRAC ATMS／ATIS program［J］.Traffic Engineering and Control，1992，（9）：475－483.

［3］ Du Yuren，Zhou Aijun.Atrackingmethod ofmobile vehicle based on video sequence images［J］.JournalOf Electron ICMeasurementand Instrument，2009，23（03）：45－48.（in Chinese）

杜宇人，周愛軍.一種基于視頻圖像的運動車輛跟蹤方法［J］.電子測量與儀器學報，2009，23（03）：45－48.

［4］ Ribaric S，Adrinek G，Segvic S.Real-time active visual tracking system［C］／／IEEE Melecon.Vol.1.May，2004：231－234.

［5］ Jiang Hanxiang，Wang Shaona，Huang Ying，et al.Nitration process and structural analysis on MnN［J］.Journal of Chongqing University，2004，2（05）：31－33，73.（in Chinese）

張玲，陳麗敏，何偉，等.基于視頻的改進幀差法在車流量檢測中的應用［J］.重慶大學學報（自然科學版），2004，2（05）：31－33，73.

［6］ Yang Xuechao，Liu Wenping.Moving objects detection technology in video sequen［J］.Computer Applications and Software，2008，25（1）：215－218.（in Chinese）

楊學超，劉文萍.視頻圖像序列中的運動目標檢測技術［J］.計算機應用與軟件，2008，25（1）：215－218.

［7］ Xu Kai，Chen Shixian，Yan Guang.Moving object detection based on improved Gaussian model［J］.Laser＆Infrared，2012，42（7）：821－824.（in Chinese）

徐凱，陳仕先，顏廣.基于高斯模型的運動目標檢測方法研究［J］.激光與紅外，2012，42（7）：821－824.

［8］ LIU Jia-hui，LIZhi.Application of Elastic Stress Absorbing Layer to Deal with Old Pavement［J］.Science Technology and Engineering，2010，23（10）：5814－5817.

胡覺暉，李一民，潘曉露.改進的光流法用于車輛識別與跟蹤［J］.科學技術與工程，2010，23（10）：5814－5817.

［9］ WREN C，AZARBAYEJANIA，DARREL T，et al.Pfinder：real-time tracking of the human body［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19（7）：780－785.

［10］Yang Jun，Shi Zhongke.Improved single gaussian method for traffic background extraction［J］.Acta Photonica Sinica，2009，38（5）：1293－1296.（in Chinese）

楊珺，史忠科.基于改進單高斯模型法的交通背景提?。跩］.光子學報，2009，38（5）：1293－1296.

［11］Jiang Peng，Qin Xiaolin.Robust foreground detection with adaptive threshold estimation［J］.Journal of Image and Graphics，2011，16（1）：37－43.（in Chinese）

蔣鵬，秦小麟.復雜背景下的自適應前景分割算法［J］.中國圖像圖形學報，2011，16（1）：37－43.

［12］Jiang C，Ward M O.Shadow Identification.Proceedings of 1992 IEEEComputer Society Conference on Computer Vision and Pattern Recognition，1992：606－612.

［13］Lea G F，Bafcsy R.Combining Color and Geometry for the Active，Visual Recognition of Shadows［C］，Proceedings of the 5thInternational Congerence on Computer Vision，1995：203－209.

［14］Sonnoda Y，Ogata T.Separation of Moving bjects and their Shadows，and Application to Tracking of Loci in the Monitoring Images［C］.Proceedings of 1998 IEEE International Conference on Signal Processing，1998：1261－1264.

Adaptive vehicle detection and traffic statistics algorithm based on improved Gaussian model

ZHU Hua-sheng，YE Jun
（School of Information Engineering，Nanchang Institute of Technology，Nanchang 330099，China）

A vehicle detection and traffic statistics algorithm based on improved Gaussian model is proposed.The moving target is detected by using improved single Gaussian model at first.Then the Shadows are eliminated through HSV feature space，and the accuracy rate of target extraction is raised.Finally the traffic is counted in the suppositional areas of lanes.The papermakes experiments with standard test video.The results show that the algorithm can detect vehicle quickly and have a higher recognition rates.The algorithm can work well in the actual conditions.

Computer vision；Gaussianmodel；Shadows elimination；Traffic

TP391

A

10.3969／j.issn.1001-5078.2013.10.22

1001-5078（2013）10-1180-04

國家自然科學基金項目（No.61162022），江西省自然科學基金項目（No.2009GZW0020）資助。

朱華生（1965－），男，教授，主要研究方向為圖像處理。E-mail：zhuhuasheng＠sohu.com

2013-02-27