基于視頻檢測算法的交通密度計算方法

文/李大成 李樹立 李金紅

引言

密度是交通流十分重要參數之一，也是判別交通流狀態的一個重要指標。在道路通行能力評價中，密度是道路服務水平分級的重要指標。由于道路結構的差異性，僅通過交通量等參數難以全面描述交通流的實際狀態。例如交通量趨近于零，既可以是描述車輛很少時的道路交通，也可以表示交通嚴重擁擠，車流處于停滯狀態。而交通流密度可以直接判定擁擠程度，從而決定采用何種交通管理和控制措施。

交通流密度檢測概述

交通密度是指單位長度車道上，某一瞬間所存在的車輛數，一般用輛/(km*車道)表示。根據以上定義，密度基本上是在一段道路上測得的瞬時值，它不僅隨時間的變化而變動，也隨測定區間的長度而變化。為此，常將瞬時密度用某總計時間的平均值表示。此外，必須選擇適當的區間長度，因為它與總計的時間有關。在選定的區間長度內，視不同的需要按不同的方向或者不同的車道取值。

交通流密度主要通過交通調查法和基于定點檢測器數據進行估計的方法得到。交通調查法又分為出入量調查法和高空航拍法，而定點檢測器數據估計法主要是通過感應線圈、紅外檢測器、微波雷達等檢測器得到的數據來進行估計。

由于高空航拍法的調查成本極高，只有在極特殊的場合應用，觀測部分重要的道路，不能遍及所有城市道路，應用范圍非常小；并且無法全天候、實時的進行交通流密度檢測，進而無法與城市信號控制系統和交通誘導系統進行協調，調查結果無法及時發揮應有的價值。

地面高處攝影法就是用動態錄像儀在高處進行攝影。測定區間的長度視地區內的狀況和周圍條件而變化，一般取50-100m。攝影時間間隔一般取每秒1畫面。但是該方法需要人工來讀取攝影觀測區間內存在的車輛數，不具備推廣性。在實際應用當中，往往還采用較易測量的車輛的道路占用率來間接表征交通密度，車輛占用率越高，車流密度越大。它包括空間占用率和時間占用率。

基于線圈等定點檢測器數據估計法，主要包括感應線圈、紅外檢測器、微波雷達等檢測器，可以得到的時間占有率、交通流量和空間平均車速等交通參數，一方面可以通過時間占有率的大小來反應交通流密度，時間占有率越大，則表明交通流密度越大，但是該方法并沒有通過定量地描述時間占有率和交通流密度之間的關系；另一方面，根據交通流密度公式，通過交通流量和空間平均車速來間接計算交通流密度，當交通流量和區間平均車速出現較大誤差時，檢測結果存在較大出入。

Gazis，D.，Knapp，C.提出了利用路段進出口的流量和速度數據來估計路段密度，并通過一個連續修正方案來過濾掉密度估計過程中的隨機誤差。NE Nahi，AN Trivedi.提出了基于車輛守恒的密度估計方法，但是該方法需要知道初始路段密度，并且建立在同質交通流的假定之上。Kurkjian，A.，Gershwin，S.，Houpt，P.提出了估計路段密度的卡爾曼濾波方法，但是卡爾曼濾波也是基于路段同質交通流的假設。丹尼爾等給出了時間占有率和有效車長來估算交通流密度的方法，其不足之處是，一是需要估算有效車長，二是建立在空間同質交通流的假設之上。胡小文等提出了一種利用定點檢測器數據（流量和時間平均速度）來獲取交通流密度的方法，該方法首先利用交通工程學的知識，將時間平均速度轉化為空間平均速度，然后根據交通流理論中的流密速關系，求解交通流密度，但是當交通流量和區間平均車速檢測出現較大誤差時，檢測結果存在較大出入。通過以上分析，本文提出了一種基于視頻檢測算法的交通流密度檢測系統。

基于視頻檢測的交通流密度檢測系統

基于視頻檢測算法的交通流密度檢測系統（下文稱本系統）是通過城市高點監控設備實時采集道路圖像，通過背景差分法等技術對圖形進行分析處理，實時統計特定區域某一瞬間的車輛數，然后利用交通流密度概念模型計算出城市各個道路的交通流密度，最終確定道路的交通流狀態。

相比高空航拍法等其他檢測方法，高點監控檢測法價格相對低廉，可進行多個區域同時高點監控檢測，實現多區域道路的覆蓋，而每個高點監控點的覆蓋半徑可達到1km，輻射面之廣，盡可能的反應出區域內所有道路的交通流密度情況；精確度較高，為交通管理部門提供準確的決策依據。

系統結構

本系統包括以下幾個模塊：圖像信息采集模塊、圖形信息預處理模塊、交通流密度建模模塊和交通流狀態識別模塊。

交通流參數信息采集模塊，用于從高點監控系統中獲取目標道路的實時圖像信息；交通流參數信息預處理模塊，用于目標道路實時圖像信息的預處理，包括對圖像分割處理、車輛多目標捕捉技術；交通流密度建模模塊，用于構建目標道路交通流密度模型；交通狀態實時識別模塊，根據交通流密度狀態分級閥值，結合實時的交通流密度，實時判別出目標道路的交通流狀態。

圖1 交通流密度檢測系統結構圖

系統檢測周期

對于城市道路，特別是道路長度不是很長的路段，由于受到信號控制，往往會出現短時間內交通密度上下劇烈波動，即紅燈時交通流密度較大，而綠燈時間交通流密度逐漸減小，為了削弱信號控制帶來的檢測干擾，本文要求交通流數據檢測周期錯開信號的紅、綠燈啟亮時間，并且確定出合理的檢測間隔。

為了確定出最佳的檢測間隔，本文選擇30s，1min，1.5min，2min，2.5min，3min，3.5min，4min，4.5min，5min，6min，7min，8min，9min，10min，15 min的短時序列進行分析，分析結果如下圖2和圖3所示。

圖2 不同間隔預測的平均誤差示意圖

圖3 不同間隔預測的最大誤差示意圖

根據以上兩圖的變化趨勢可知，當檢測間隔大于5min時，預測的平均誤差和最大誤差都趨于平緩，因此檢測間隔應該大于5min，但是檢測間隔太長會使得交通流密度檢測的時效性降低、價值喪失，因為交通流密度的檢測往往同城市信號控制系統、交通流誘導系統進行協同合作，通過交通流密度的準確預測為信號控制系統、交通流誘導系統提供決策，檢測間隔太長，則無法及時提供決策，造成車輛更大的延誤，系統效率低下。綜合各方面的因素，最終選擇5min作為檢測間隔。

高點監控攝像機作為信息采集前端，每5min的時間采集一次虛擬區域的圖像信息，并將采集到的圖像信息傳回到圖像信息處理模塊，經過圖像處理之后得到較為準確的信息，即瞬間的車輛數，5min內多次采集圖像信息，分析處理之后對瞬時的車輛數求取算數平均值。根據交通流密度概念模型，即可計算出目標區域的交通流密度。

本系統通過視頻攝像頭和計算機模仿人眼的功能，首先需要根據各個道路結構形態在視頻范圍內劃定虛擬區域，并且實時的提取虛擬區域內的參考背景，當車輛進入檢測區域使背景灰度發生變化，系統從而感知車輛的存在，對進入該區域的車輛進行捕捉并計數，然后將得到的車輛數信息，應用于交通流密度概念模型，最終計算出交通流密度。

本系統假定：攝像機是固定不動的，固定地朝向道路的某一方向。

高點監控攝像機相關參數：

①適應范圍：白天≥2km，夜間≥1km；

②焦距∶ 4.3-129mm，30倍光學；

③分辨率：50Hz∶25fps(1920×1080)、25fps(1280×960)、25fps(1280×720)、60Hz∶30fps(1920×1080)、30fps(1280×960)、30fps(1280×720)。

④有效像素∶ 327萬像素。

根據道路結構劃定虛擬區域

由于城市道路環境較為復雜，視頻當中的任何運動的物體都可以被檢測到，為了更精確的捕捉到高點監控攝像機視野內的車輛數，本系統在高點監控攝像機的視野內劃定虛擬區域，同時用中央分隔線隔開上下行車流（如圖4的紅色標線），系統只會在虛擬區域內提取參考背景和實時視頻圖像信息，并進行車輛捕捉和車輛數統計，可避免其他路外移動因素的干擾。虛擬區域需要根據道路結構來劃定，并且事先標定出目標區域的路段長度。

圖4 高點監控檢測區域

由于判斷某一點是否屬于虛擬區域的算法相對復雜，為化簡算法，本文規定：虛擬線圈盡可能是平行四邊形或者梯形，而且四邊形的其中兩條對邊必須平行于圖像的水平方向。做出這樣的限制后可以簡化點是否在區域內部的判斷。

圖5 矩形虛擬線圈示意圖

以梯形虛擬線圈為例。首先，關于判斷一點是否在梯形內部。由于梯形的兩條邊與圖像的水平方向是水平的，因此，梯形在圖像中的位置可以由以下參數來判斷：梯形左上坐標為(x1,y1) ，梯形右上角的坐標為(x2,y1)，高度為I1,I2，水平方向上底和下底的兩側偏差分別為 和 ，通過以上參數可得：虛擬線圈的起始掃描位置就是點(x1,y1)、各行的起始位置為，終點位置為各行的掃描長度為x2-x1，總的掃描行數為H。

虛擬區域的參考背景提取

參考背景是否準確將會影響交通流密度的精確度。但是由于室外光照和天氣時刻變化，固定的參考背景給檢測帶來較大誤差，必須實時的更新參考背景。設I(x,y,t)表示坐標(x,y)為的像素點在t時刻的灰度值，t B(x,y,t)表示該像素點在t時刻參考背景的灰度值，I和B通常取[0，255]間的整數。在實際的系統中普遍采用遞增的方法來進行背景學習，其函數表達式如下所示：

其中a是（0，1）之間的一個常數，決定了背景學習的快慢，由此可知參考背景由上一時刻的參考背景和當前一幀圖像的灰度值來決定。

基于局部動態閾值的運動分割

運動分割就是把視頻圖像中運動的部分與相對靜止的部分分割開來。由于攝像機與路面位置（即背景）保持相對靜止，通常采用背景差分法來進行分割。通過實時的獲取參考背景，然后把當前幀圖像與參考背景按每個像素對應相減，并將差值進行二值化處理，即如果相減的差值超過某個閾值，就認為該像素上存在著物體運動，最后統計發生變化的像素的數量，當變化超過噪聲閾值后便認為有車輛經過了虛擬區域。

對于圖像處理技術的研究，學者們提出了許多觀點，本系統在圖像處理技術上采用基于局部動態閾值的運動分割方法，經過實踐發現檢測結果相對準確，算法也較為簡單。

運動分割就可以根據以下式子進行(依RGB三種顏色計算)：

式中：紅、綠、藍三個顏色通道在t時刻的值記為IR(t)、IG(t)、IB(t)；把相應參考背景的三個通道記為BR(t)、BG(t)、BB(t) 。

以上三個式子只要有一個成立，點（x,y）就被判斷為“運動”，否則，就是背景點。對于這三個式子的理解如下∶

1）,α β都是常數。

圖6 像素點(x,y)及其八鄰域C8

μ(x,y)是數學期望。有時為了節省內存空間和運算時間，標準差可以利用遞增的方法進行計算（以紅色通道為例）：

其中ρ可以是一個時間的變量，也可以地近似認為是一個常數。其他兩個顏色通道的標準差的計算與紅色通道相同。

4）kt(x,y)是對照條件變化的考慮。如圖7所示，先把當前一幀的圖像劃分為一個個小的正方形區域Wi,j，每個窗口的邊長是m個像素，m的取值根據被檢測物體的大小確定，對于車輛的檢測，一般取5-9。(x,y)必屬于所有正方形區域中的一個，記為S，那么

圖7 圖像分塊及照明因子的計算

實時車輛數的統計

經過道路背景的提取和動態閥值的確定，可以確定哪些是運動的車輛，并對這些車輛進行統計，即可得到道路上實時的車輛數。監控攝像機在5min內連續多次捕捉虛擬區域內的車輛數，并對這些數據進行分析、處理，最終得到能夠準確反映當前時間內的交通流密度情況。

依據交通流密度模型計算交通流密度

本系統既不是通過時間占有率、空間占有率來間接反映交通流密度的情況，也不是通過流量——速度公式來求得交通流密度，而是直接根據交通流密度的概念建立簡單的模型。該模型雖然簡單，卻可以準確的反映出目標區域的交通流密度情況。

通過第（4）點可以得到高點監控目標區域某一時段的瞬時平均車輛數，由于路段長度事先標定好，后續可根據交通流密度的概念模型，計算出交通流密度。具體模型如下所示：

式中：

K——交通流密度，輛/km*車道；

L——虛擬區域的路段長度，km；

N——車道數；

Q——虛擬區域路段內的瞬時平均車輛數，輛。

判定交通流狀態

獲取到目標道路的交通流密度情況，可以根據交通狀態分級閥值判別目標道路交通流狀態。由于道路交通流密度受到道路結構和道路車輛組成等因素影響，不同的道路設定的交通密度臨界值及交通流密度的變化特性應該有所不同。所以根據實測的交通流密度數據來確定某個特定路段的臨界值非常必要。在實踐中一般根據測得的交通流密度與設定的臨界值比較后直接來判斷道路的交通流狀況。如下表所示，為某一條道路的交通流狀態判定臨界值。

表1 交通流狀態判定閥值

圖8 交通流密度算法流程圖

應用實例

為了檢驗基于視頻檢測算法的交通密度計算方法的實施效果，本文對廣東省某城市的高點監控點（如圖9所示）進行了測試。該高點監控視野較好，檢測路段長度為200m，道路為雙向6車道，設計車速為40km/h。

圖9 高點監控畫面

如圖10所示，系統提取道路參考背景，并根據該道路結構畫出虛擬區域（紅色矩形框），標定道路長度為200m；最后通過車輛捕捉技術捕捉運動的車輛。

圖10 視頻處理結果

交通流密度的計算是否準確，關鍵在于實時捕捉的車輛數與實際車輛數是否相符，為了比較分析該方法的準確程度，本文選取樣本視頻進行計數，并計算出實時的交通流密度。另外通過與傳統計算方法對比，即由交通流量和區間平均車速計算得到交通流密度。通過下表可知，基于視頻檢測算法的交通密度計算方法與實際值更為接近，相比傳統的方法（基于交通流量和區間車速計算）也更為精確。

表2 兩種檢測方法對比

從實驗結果可以看出，基于視頻檢測算法的交通流密度計算方法相比傳統的方法相對簡單，也更為準確。但是交通流密度檢測受到視頻檢測技術和城市建筑、植被遮擋的限制，檢測結果是否精確，關鍵在于視頻檢測算法是否準確；檢測范圍是否廣闊，關鍵在于城市高點監控的方位、高度和視野等關鍵因素。本文對于交通嚴重擁堵時和夜間時段檢測效果較差，今后將會朝著這一方向研究。