基于交通視頻監控的車輛異常行為檢測方法研究

強永軍+熊艷梅

摘 要：經濟水平的不斷提高和城市化建設進程的加快推動了交通道路的快速發展，同時國民擁有的汽車數量也呈現逐漸增長的趨勢。但交通擁堵和高發的交通事故以及汽車污染等交通問題對社會的進步和經濟的可持續發展造成了嚴重的阻礙。因此，通過視頻監控的形式對交通道路上發生異常事故和行為異常的車輛進行有效的檢測和實時監控顯得尤為重要。本文主要針對視頻監控檢測手段的特點和存在的問題進行分析，圍繞交通監控視頻的發生異常行為的車輛檢測技術進行深入性的探討，并提出解決問題的有效對策，為提高交通車輛的安全性和道路通暢性提供參考。

關鍵詞：監控視頻；交通道路；異常行為；檢測手段

我國目前的交通環境狀況不佳，存在著事故多發和交通擁堵等需要解決的難題，使用交通視頻檢測技術是發現和自動識別車輛行為異常的重要手段，已得到廣泛的普及和應用。以互聯網和大數據為主要特征的時代，迅猛發展的信息技術促進了交通道路視頻監測系統的更新升級，也使得海量的視頻和交通道路數據信息得到有效的存儲和處理。我國相關交通管理部門也積極引進和改進交通視頻監控系統，逐步實現智能化和數字化。

1基于改進的Surendra背景差分和三幀差分相結合車輛檢測方法分析

交通視頻監控和監測的目的在于準確地識別和跟蹤監測各車輛，以及時發現運行車輛的違法行為。基于3D跟蹤模型和自適應單類支持向量機等是交通視頻監控車輛異常行為檢測的重要方法，但這兩種技術的缺陷在于需要更大的存儲空間，計算的方式比較復雜，在一定程度上加大了成本和開銷。為了進一步精準和了解車輛調頭變道運動的方向和違法行為情況，隨著道路監控視頻跟蹤監測技術的不斷深化和改進，三幀差分和Surendra有效結合的檢測方法，以及Camshift算法和Kalman濾波器等方式的運用大大提高了跟蹤目標車輛和了解車輛運動軌跡的準確性和有效性，簡化了應用程序的操作步驟。一般情況下，基于交通監控視頻的車輛異常行為檢測系統的工作基本流程依次為視頻序列、車輛目標檢測、車輛目標跟蹤、提取質心合成軌跡，最后是車輛違章行為的判別。

1.1Surendra背景差分計算方法研究

改進的Surendra是一種能夠使用閾值自主適應并靈活調整背景和實時更新速度的運動目標檢測算法。該方法具有操作簡便和時效性強的優勢，能實現運動目標車輛的完整背景構造的獲取，實時自動更新和改變背景。具體實施方式為：

獲得交通監控視頻的第一幀圖像，并將圖像和初始背景分別設置為I0和B0。

計算出并使用gmax和gmin分別表示圖像灰度的最大值和最小值，并使T=gmax+gmin

以T為劃分圖像灰度數值的依據，并將灰度值大于T和小于T分成兩組，各算出兩組的平均值，分別表示為μ1和μ2。

更新得出的閾值T=（μ1+μ2）/2

把以上的（3）和（4）進行重復計算，控制T值不變

初始化迭代次數，m表示迭代次數，當m=1時，用M表示迭代次數的最大值，并計算當前視頻的幀和前一幀的差值，用I1表示在t時間輸入的單幀圖像，It-1為t-1時刻的輸入單幀圖像，即Dt=0或者1 |It-It-1|>T |It-It-1|小于等于T；

以二值化后的Dt為背景更新的依據，即Bt（x，y）=Bt-1（x，y）或者等于αIt+（1-α）Bt-1（x，y） Dt=1或者0。其中B1（x1，y）表示在t時刻的背景圖像，α表示更新速率的系數，取值0.005。

迭代次數每次都自動增加1，直到m=M的時候表示結束，更新的圖像為B1（x1，y）。

1.2結合基于改進Surendra背景差分和三幀差分的交通檢測技術

基于幀間差分法進行升級的三幀差分法，使用不同的測試監控視頻根據二值化閾值的不同來進行設置以便達到增強效果的目的，并把兩個相鄰差值所得對應圖像的像素進行操作，是采用連續獲得三幀圖像并計算相鄰之間兩幀圖像的灰度差值來區分圖像的方式，其最大的優勢在于能按照車輛運動的實際情況進行形態學的處理，避免了目標待檢測區域空洞現象的產生。兩者的結合奠定了圖像和視頻處理技術進一步發展的基礎，更好地滿足交通視頻監測系統的要求，具有很大的實踐價值和社會意義。三幀差分法具體實踐為：

首先采用Suredra背景差分的方法重新構建獲得的交通視頻監控幀圖像，計算并確認背景差分檢測的區域。

之后采用三幀差分法計算出連續兩個相鄰的幀圖像差值，得出檢測區域。

計算和處理以上步驟的結果并得出車輛檢測區域，這時為了減少和避免目標車輛噪音造成的干擾，采用形態學濾波和連通域進行數據分析。

最后按照以上的計算結果來確定移動車輛的運動軌跡。

2基于Kalman濾波預測的Camshift跟蹤方法分析

Camshift算法主要以整幀圖像作為默認的搜索區域，并以此檢測出車輛質心，隨后采用Kalman輸入相應的變量，新一輪搜索方位就是Camshift濾波得出的預測值，Kalman隨之獲得最新搜索到的目標位置的反饋。在實踐過程中Camshift跟蹤手段會由于目標車輛有意的遮擋而造成跟蹤失效的現象，引入Kalman濾波器彌補了這一缺陷，根據計算出的預測值可以精準目標車輛的位置。具體的操作步驟為：

采用改進的Surendra背景差分和三幀差分相結合的方法對輸入視頻幀進行處理并得出車輛運動的區域。

使用連通域分析和形態學方式除去車輛噪音，并初始化搜索窗口。

結合Kalman濾波器和Camshift跟蹤手段預測目標車輛位置并進行跟蹤，及時更新和反饋Kalman濾波器。

輸出車輛外接矩形框質心，確定車輛的運動軌跡。

3結語

基于改進的Surendra背景差分和三幀差分相結合車輛檢測方法和基于Kalman濾波預測的Camshift跟蹤方法是實現交通視頻智能監測車輛異常行為的重要系統，實踐表明該系統不僅能計算和檢測出車輛質心，還能擬合車輛的運行軌跡，提高了發生異常行為的車輛檢測的準確度，值得廣泛應用和進一步推廣。

參考文獻：

[1]陳志祥.基于視頻監控的車輛違章行為檢測方法研究[D].重慶大學，2015，11（31）：991-995.

[2]宋耀.交通監控視頻中的車輛異常行為檢測[D].南京郵電大學，2015，12（07）：528-536.