基于低空域小型無人機(jī)航拍技術(shù)的城市交通擁堵管控研究

邱文城+李土生+吳祥發(fā)+羅永枝+李煒旻

摘 要：針對目前交通視頻處理系統(tǒng)對交通流相關(guān)參數(shù)的提取仍處于初級發(fā)展階段，各種技術(shù)研究對交通流相關(guān)參數(shù)的提取存在局限性、檢測誤差大等問題，展開了基于低空域小型無人機(jī)航拍技術(shù)的城市交通擁堵管控研究，結(jié)合無人機(jī)拍攝視頻檢測技術(shù)及圖像處理技術(shù)，解決了利用無人機(jī)拍攝視頻檢測技術(shù)解決交通視頻處理系統(tǒng)對交通流的相關(guān)參數(shù)提取困難、檢測精度低等問題。

關(guān)鍵詞：無人機(jī)；視頻檢測技術(shù)；交通流參數(shù)

引言

常規(guī)的交通流檢測是通過路側(cè)的電子監(jiān)控裝置和現(xiàn)場交警人工目測的手段獲取現(xiàn)場交通信息，這種傳統(tǒng)的方法存在著范圍小、誤判率高、效率低和成本高等缺陷。本項(xiàng)目結(jié)合小型無人機(jī)（Unmanned Aerial Vehicle）飛行靈活、能在空中自由懸停及自帶攝像機(jī)等特性，利用小型無人機(jī)在城市低空域航拍采集交通流參數(shù)，以獲取大范圍的實(shí)時(shí)交通路況信息，快速判讀交通擁堵級別。

1 圖像預(yù)處理

在進(jìn)行交通流基本參數(shù)提取之前，要對采集的視頻進(jìn)行預(yù)處理，主要包括設(shè)置圖像的感興趣區(qū)域（ROI）、混合高斯模型、圖像腐蝕與膨脹運(yùn)算、車輛輪廓提取。

1.1 設(shè)置圖像的感興趣區(qū)域（ROI）

設(shè)置感興趣區(qū)域（ROI：Region Of Interest）是指從圖像中圈出一個(gè)圖像區(qū)域，圈出區(qū)域作為圖像分析所關(guān)注的目標(biāo)，并對圈出區(qū)域進(jìn)一步處理，減少圖像處理時(shí)間及外部環(huán)境的干擾，增加精度。

1.2 混合高斯模型

利用混合高斯模型，將拍攝的視頻序列的前幾幀圖像提取一張完全沒有車輛在道路中行駛的背景圖像，再將背景圖像與當(dāng)前圖像對比，檢測出當(dāng)前圖像中正在運(yùn)動的車輛，并以二值化圖像顯示。如圖1所示，其中黑色為道路背景，白色為運(yùn)動中的車輛。

圖1 利用混合高斯模型提取的二值化圖像

1.3 圖像腐蝕與膨脹運(yùn)算

腐蝕運(yùn)算在數(shù)學(xué)形態(tài)學(xué)運(yùn)算中的作用是消除小于結(jié)構(gòu)元素的點(diǎn)，膨脹運(yùn)算在數(shù)學(xué)形態(tài)學(xué)運(yùn)算中的作用是擴(kuò)展物體的邊界點(diǎn)。通過混合高斯模型提取前景二值化圖像后，利用腐蝕運(yùn)算處理消除圖像中無意義的像素點(diǎn)，再利用膨脹運(yùn)算處理填補(bǔ)車輛中的空洞，使車輛輪廓更加完整，為下一步的車輛輪廓提取做準(zhǔn)備。

1.4 車輛輪廓提取

車輛輪廓的提取主要是對前面一系列圖像處理后得到的二值化圖像進(jìn)行檢測，以檢測二值化圖像中車輛輪廓的最外圍像素點(diǎn)為邊界點(diǎn)繪制矩形邊框。如圖4為圖3二值化圖像經(jīng)車輛輪廓提取繪制矩形框后的圖像。

2 交通流基本參數(shù)檢測

2.1 基于單虛擬線圈的交通量檢測

交通量的獲取是在圖像中設(shè)置一條虛擬線圈，虛擬線圈設(shè)置的位置需與道路相垂直，如圖5A線所示。捕捉圖像中每個(gè)矩形邊框車頭方向任意一個(gè)頂點(diǎn)的坐標(biāo)，當(dāng)頂點(diǎn)坐標(biāo)落到設(shè)置的虛擬線圈的范圍內(nèi)時(shí)，檢測到車輛通過虛擬線圈所在的橫斷面，統(tǒng)計(jì)的交通量數(shù)值加1。

2.2 基于雙虛擬線圈的行車速度檢測

行車速度檢測則需要設(shè)置兩條虛擬線圈配合檢測。在圖像原有一條用于統(tǒng)計(jì)交通量的虛擬線圈的基礎(chǔ)上，加設(shè)一條相互平行的虛擬線圈，同樣以捕捉圖像中每個(gè)矩形邊框車頭方向任意一個(gè)頂點(diǎn)坐標(biāo)的方法進(jìn)行檢測。當(dāng)車輛觸碰虛擬線圈1時(shí)，記錄該圖像所處幀數(shù)和車輛所處車道，當(dāng)同一車道該車輛觸碰虛擬線圈2時(shí)，記錄該圖像所處幀數(shù)。獲取視頻的幀率（單位：1/秒），可得到車輛通過兩條虛擬線圈所需時(shí)間，再將圖像中兩條虛擬線圈之間的距離換算成實(shí)際距離（單位：米），則車輛行駛的速度（單位：公里/小時(shí)）可表示為：

V=■

2.3 車流密度獲取

車流密度的獲取，通過獲取每一幀圖像中所有矩形邊框的總面積，及道路面積，則矩形邊框總面積占道路面積的比率，再將得到的比率通過大量實(shí)驗(yàn)，換算成車流密度K。

3 檢測結(jié)果驗(yàn)證

3.1 車輛數(shù)驗(yàn)證

在同車流密度不同高度、同高度不同車流密度兩種情況下進(jìn)行車輛數(shù)檢測，將實(shí)際車輛數(shù)與程序檢測得的車輛數(shù)進(jìn)行比較，如表1所示。

表1 車輛數(shù)驗(yàn)證

從表1中可以看出，車輛數(shù)的檢測精確度較高，最大精確度為100%，最小精確度為92.9%。精確度的下降主要是隨著飛行高度的增大，視頻背景愈加復(fù)雜，影響車輛的識別，程序檢測時(shí)出現(xiàn)漏檢現(xiàn)象。漏檢對象的主要是顏色與灰色相近的車輛，隨著飛行高度的增大，不易將其檢測出來，但在低空飛行高度研究范圍內(nèi)，車輛數(shù)檢測的精確度在可接受范圍之內(nèi)。

3.2 行車速度驗(yàn)證

選取具有不同行車速度的幾個(gè)視頻進(jìn)行驗(yàn)證，將程序檢測與人工計(jì)算的行車速度比較，如表2和表3所示。

表2 在15m飛行高度下佛山大道行車速度驗(yàn)證

從表2和表3中可以看出，行車速度的檢測精確度較高，出現(xiàn)最大精確度高達(dá)為99%，最小精確度為96%，檢測的兩條道路平均速度精確度分別98%和97%，精確度較高。從表中也可以看出程序?qū)π熊囁俣仍?1km/h～57km/h之間的車輛都可以檢測出來其行車速度，且產(chǎn)生誤差較小，在研究范圍內(nèi)屬于可接受范圍之內(nèi)。

4 結(jié)束語

通過OpenCV和C++6.0組建的程序設(shè)置的虛擬線圈及捕捉矩形邊框頂點(diǎn)坐標(biāo)的方法，計(jì)算出檢測畫面中的交通量和車輛的行車速度，檢測結(jié)果證明利用此方法計(jì)算的數(shù)據(jù)精確度高達(dá)90%以上，與傳統(tǒng)方法相比，利用無人機(jī)航拍獲取交通流參數(shù)的方法具有更高的時(shí)效性和準(zhǔn)確性，是未來交通檢測技術(shù)的發(fā)展方向之一。

作者簡介：邱文城（1995，7-），男，漢族，廣東普寧市人，佛山科學(xué)技術(shù)學(xué)院在校學(xué)生，學(xué)歷：本科，研究方向：交通工程。