基于視頻分析的高速公路交通流量檢測技術研究

摘要：文章闡述了基于視頻的高速公路交通流量檢測技術，主要包括圖像預處理、背景提取及背景更新、陰影抑制、目標檢測、車流量統計和車輛跟蹤。經過上述一系列步驟，最終開發出一個基于視頻分析的高速公路交通流量檢測系統。

關鍵詞：高速公路；車流量檢測；交通流量；垂直投影；虛擬線框；視頻分析 文獻標識碼：A

中圖分類號：U467 文章編號：1009-2374（2016）03-0011-02 DOI：10.13535/j.cnki.11-4406/n.2016.03.006

汽車流量檢測是智能交通系統中的關鍵技術。目前較常用的車輛檢測方法包括環形磁感線圈檢測、超聲波檢測、紅外線檢測和基于機器視覺的車輛檢測。由于磁感應線圈檢測存在安裝麻煩、不易維護和可靠性差等缺點，超聲波、紅外線檢測存在準度低、抗干擾性能差等缺點，而現有的基于機器視覺的車輛檢測技術不成熟，因此都沒有得到廣泛應用。

本文對高速公路的交通流量視頻分析檢測技術進行了研究，以建立視頻分析預警模型，并提出了相鄰幀差與背景幀差結合的車輛檢測算法。該方法對視頻幀設置虛擬線框，預處理后進行背景建模，運用背景幀差法和相鄰幀差法檢測運動車輛，實現了運動車輛的檢測；分析了陰影在RGB空間和HSV空間的特性，提出了HSV空間的運動物體陰影去除方法，提高了運動車輛的檢測精度；根據分割出的車輛圖像，利用車輛排隊時圖像的移動特性和邊緣信息，提出了一種基于垂直投影的車輛數量統計方法和基于移動虛擬線框的車輛排隊長度的計算方法，實現了車輛數量的統計和排隊長度的計算，并進行了實驗，結果表明本文的算法和方法是有效的。

高速公路交通流量分析預警模型的建立主要考慮斷面流量檢測分析、區間流量分析兩種情況，具體來講包括斷面車速檢測、斷面流量檢測、區間流量檢測、服務區流量檢測、區間平均速度測量等方面。通過上述檢測方法，獲取斷面流量、車速，區間流量、區間當前容留車輛數量、區間平均速度等交通參數，以此建立高速公路交通流量預警模型：由于視頻圖像質量的高低直接影響到系統對交通燈控制的精度，而攝像機的選擇和安裝決定了視頻質量，所以一般要選擇穩定性高、拍攝圖像為彩色的攝像機，而分辨率、可視角度都要根據實際的需求而定，因為分辨率太高會導致視頻圖像引入過多的細節，增加處理難度；而分辨率太低則過于模糊，丟失有用信息，比如邊緣特征。另外，因為視頻圖像處理只針對車道，所以可視角度只需滿足橫向覆蓋整個車道，縱向覆蓋能夠足夠反映車輛排隊信息的長度即可。為了能夠拍攝到目標車道，并且得到比較好的角度，便于后期圖像處理，安裝攝像機的時候應盡量裝在所監視道路的正上方，高度一般在7米以上，使拍攝到的圖像能夠橫向覆蓋整個車道，縱向覆蓋足以反映車輛排隊信息的長度。以目標車道的車道線為參照物，圖像的水平方向盡量與車道線垂直，垂直方向盡量與車道線平行。

車輛檢測是從獲取到的車流視頻中檢測出當前幀中的運動車輛。首先在當前視頻幀中設置檢測區域，即虛擬線框，然后對虛擬線框內的圖像進行預處理；接著再對預處理后的圖像進行背景更新，運用相鄰幀差法和背景幀差法來檢測運動車輛；最后去除前景的車輛陰影，從而分割出當前幀中的運動車輛。

交通流量統計能夠獲得車輛數量和車輛排隊長度，為進一步的交通燈控制提供參數。本文統計的車輛數量是指通過虛擬線框的車輛數量，車輛排隊長度是指在預先標定的檢測區域內的車輛排隊長度。車輛數量的統計方法是通過對分割出來的車輛圖像做垂直投影，根據垂直投影結果來計算車數；車輛排隊長度的計算方法是利用移動的虛擬線框尋找隊尾，然后計算排隊車輛在圖像上的長度，最后根據坐標轉換，統計出車輛排隊的實際長度。

由于光照的影響，車輛受到陽光照射時會在一側產生陰影。在視頻圖像中，同一輛車的陰影會隨著光線的變化而變化，從而影響后續的車輛運動檢測或車輛分割；另外，陰影還可能導致兩個或多個車輛目標粘連在一起，被錯誤地當作一個車輛，影響后續的車輛數量的統計。因此，為了提高車輛的檢測率和識別率，提高統計準確率，就必須去掉車輛陰影。目前對車輛排隊的檢測方法并不多，Rourkc和Bell提出了一種基于FFT的車輛排隊檢測方法，該方法對檢測區域圖像進行采集，根據有車和無車圖像對應頻譜的不同，檢測公路上是否存在車輛。但是該方法計算量大，并且沒有定量給出車輛的排隊長度。還有很多學者提出了車輛排隊檢測方法，但是效果不盡如人意。為了檢測排隊參數，必須設定交通圖像中的車輛排隊區域，由于交通路口各不相同，車道線復雜，因此采用事先標定車道線和檢測區域，并用虛擬線框來檢測檢測區域。本文虛擬線框寬度等于視頻圖像中的車道寬度，其高度等于視頻圖像中的一輛車長度，虛擬檢測區域由車輛的隊首向隊尾移動，由于隨著隊列中車輛由近及遠，車輛在圖像中的面積逐漸減小，故虛擬線框面積也相應減小。

針對每一條車道，排隊檢測采用了車輛運動檢測和車輛存在檢測兩種算法。首先使用車輛運動檢測算法，若該算法沒有檢測到車輛運動，再進行車輛存在檢測，確定是否存在排隊情況。排隊檢測的具體步驟如下：

（1）檢測當前虛擬線框是否存在運動車輛，如果沒有運動，轉步驟（2）；否則進行步驟（3）。

（2）進行車輛存在檢測，如果檢測到車輛則向后移動檢測區域，繼續進行步驟（1）；反之直接進行步驟（3）。

（3）檢測當前是不是第一個虛擬線框，如果是則說明當前無排隊現象或隊列很短，轉步驟（1）；如果不是，則說明車輛已經開始排隊，并且當前虛擬線框包含車輛隊尾，則將當前虛擬線框向前移動，然后計算排隊長度，輸出結果。

對檢測區域的圖像預處理后，進行有無車輛運動判斷的、簡單有效的方法是相鄰幀差法。該方法的優點是對光線變化不敏感，因為一般情況下相鄰兩幀的光線、背景等條件不會有太大的變化。本文對相鄰兩幀進行灰度化，然后相減，最后二值化，所得差值與閾值比較，差值大于閾值則認為存在車輛運動，反之則認為沒有車輛運動。該方法能夠較準確地檢測出車輛運動，對于運動緩慢的車輛，我們可以認為這是排隊的前兆，所以出現被相鄰幀差法判斷為無運動，而當作排隊的靜止車輛的情況也是合理的。

若虛擬區域內沒有檢測到車輛運動，則進行車輛存在檢測。車輛存在檢測方法通常有背景幀差法和邊緣檢測法。背景幀差法的優點是原理和算法設計簡單，但容易受到光線、背景變化的影響，需要實時更新背景值。而車輛相對于路面往往包含豐富的邊緣信息，在圖像處理中，圖像的邊緣部分集中了圖像的大部分信息，圖像邊緣的確定與提取對于整個圖像場景的識別與理解是非常重要的，同時也是圖像分割所依賴的重要特征，因此本文用邊緣檢測算法來檢測車輛的存在。

高速公路上，在高速公路車速接近為120千米/小時的車速條件下，要求兩車保持安全行駛距離至少為100米。

在保持安全距離的情況下，前后兩車相繼經過同一斷面時，車頭時距至少要保持為100米/（120千米/小時）約為3秒。據此，如果以5分鐘為一個流量統計周期，且假定車道數為2，那么所有車保持安全間距的情況下，在5分鐘內通過斷面的數量為5分鐘*斷面車道數/3秒即300秒*2/3秒=200。

如果前端斷面流量檢測裝置檢測到5分鐘總計車流量超過200，則認為這些車輛在經過斷面前后無法保持正常安全行駛要求的行駛安全距離，以此設定斷面交通流量閥值。

按照上述推斷，假定交通流量統計周期為t分鐘，該流量監測點位要求的安全行駛間距為L，此流量統計周期內的車輛平均速度為c，那么斷面交通流量閥值為x，則計算公式為：

x=t/（L/c）

通過實時交通流量信息采集，與各點位的交通流量閥值相比較，當超出閥值時，即進行預警。

在已經收集長時間的交通流量統計數據后，可以很快得到點位的歷史流量峰值；系統將當前流量與歷史峰值進行比較，建立交通流量峰值預警。

如果已經觀測統計到，一般在該段道路保持暢通的情況下車輛的最低平均行駛速度，那么就是說，當前車流的平均車速高于這個限值意味著道路通暢，反之則意味著道路發生擁堵；如果交通流量統計中，平均車速值嚴重低于這一限值，則表明道路擁堵的程度更高。

實際應用中，應考慮暢通環境下的最低平均行駛速度值難以直接觀察得出。一般高速公路按照大小車限速，車輛在不受干擾的情況下以自由狀態或接近自由的狀態行駛，此時車速應接近限速值；如果交通流量統計周期中車輛數量足夠多，那么可以排除個別車輛因自身車況或駕駛技術影響故意降低速度行駛的可能性。

因此，通過在高速公路中的關鍵路段建立視頻監控點完成圖像采集編碼工作，視頻交通事件及參數檢測器完成基于前端視頻流的交通數據與事件的檢測處理工作，把檢測到的交通事件報警信息和交通數據實時傳輸到管理平臺，高速公路管理部門在指揮中心通過平臺可以從該檢測子系統中獲取道路通行狀況的實時數據，從而對當前道路的通行狀況有一個及時的了解，能夠及時進行指揮調度，從而有效地對交通流進行誘導，提高路網的交通運行能力，為駕駛人員安全快速行車提供良好的服務，從而減少交通事故的發生。

參考文獻

[1] 彭哲，吳煒，楊曉敏，等.基于視頻的交通流參數智能檢測系統研究[J].成都信息工程學院學報，2008，（2）.

[2] 彭春華，劉建業，劉岳峰，等.車輛檢測傳感器綜述[J].傳感器與微系統，2007，（6）.

作者簡介：王傳根（1962-），男，安徽合肥人，安徽超遠信息技術有限公司工程師，研究方向：智能交通。

（責任編輯：周 瓊）