視頻檢測技術對車流量的研究與應用

胡志承 中國石油大學勝利學院基礎科學學院 謝煒 中國石油大學勝利學院高教研究中心

王勁松 中國石油大學勝利學院教學科研處 崔震 中國石油大學勝利學院基礎科學學院

視頻檢測技術對車流量的研究與應用

胡志承 中國石油大學勝利學院基礎科學學院 謝煒 中國石油大學勝利學院高教研究中心

王勁松 中國石油大學勝利學院教學科研處 崔震 中國石油大學勝利學院基礎科學學院

通過視頻檢測技術統計車流量時，常常需要將多種算法混合使用才能達到預期的效果。本課題主要研究的是白天天晴的情況，此時車身清晰可見，車流量檢測首先需要解決的是車輛檢測的問題，即從復雜的交通情景中提取前景圖。在不同的應用中，對于前景的定義也不同。而本文研究的車流量統計是通過靜止的攝像機拍攝運動的車輛，所以交通場景是基本靜止不動的，運動的是車輛。所以將車輛區域作為前景圖，其余部分則是背景。但是，在實際道路交通場景中，背景并非完全靜止，光線的變化，刮風引起的機械晃動等都會引起背景的變化，所以要在實際場景中準確提取前景并非容事。而且在晴天時，陰影的檢測與去除也是要解決的關鍵問題，因為陰影會伴隨車輛運動，會被誤認為前景圖。

視頻檢測 背景建模

隨著社會經濟的發展，交通需求日益增加，城市道路就得到快速的發展。然而，隨著交通運輸急劇快速增長，我國面臨的交通問題日趨嚴重，在城區高峰期出現擁擠、阻塞現象，變相引起交通事故頻發，以及交通環境惡化。

如何安全高效地對交通進行管理，就顯得非常重要。解決這一問題的關鍵就是建立智能交通系統（ITS），其中車流量檢測系統是智能交通系統的基礎。它為智能控制提供重要的數據來源。

本文研究的是在城市交通密集道路環境下完成交通車流量的獲取，首先對視頻圖像提取背景模型，進而通過圖像差分獲得前景圖像（即運動目標），并進行圖像二值化以及去噪等圖像預處理過程，而后通過設置虛擬檢測線實現對車流量的統計，最終得到車流量信息。

1 視頻檢測技術

視頻檢測技術是指利用計算機技術、模式識別技術、視頻圖像處理技術以及人工智能技術，對所獲視頻的圖像序列進行自動分析與處理，從而類檢測、識別與跟蹤相關的運動目標，并對該目標的狀態做出描述與判斷，可以確保在產生異常狀況時及時有力地采取應對措施的智能監控技術。在如今的交通系統中，基于視頻的車輛檢測系統所占比例相當之高，預示著交通系統的下一步發展方向，其應用前景非常廣闊。

通過將視頻檢測技術與傳統的車輛檢測技術相比較，可以發現其優越性是顯而易見的，具體優缺點如表1所示。

視頻檢測利用計算機技術、圖像處理技術與現代通信技術等相結合，來獲取交通實時信息能夠給交通部門提供直觀的可視圖像，獲得多種交通信息車輛之間互相遮擋的情況不易處理；陰影積水或晝夜轉換等容易影響檢測結果

1.1 視頻檢測技術的主要方法

1．1．1 虛擬線圈檢測法

所謂虛擬線圈是從傳統的地理式電磁感應線圈延伸而來，它的原理也與之相類似，通過在所獲取的交通道路上設置一個感興趣區域，并將其作為主要的待測區域來進行研究，而之所以需要設置虛擬檢測區域，是因為在識別到運動目標之后，為了減少程序的運算量，提高系統的實時性，只對設置的虛擬區域內的圖像變化特征進行研究和處理來獲取車流量，而不需要對整個圖像都進行研究。

通常情況下，虛擬線圈的設置主要有2種，檢測線與檢測線圈。如圖1所示。

圖1 虛擬線圈示意圖

1．1．2 目標跟蹤檢測法

基于跟蹤算法的車流量統計算法的整體思路是：根據交通視頻中相鄰的前后幀之間存在的強相關性，通過對當前幀圖像中的運動目標的特征（包括大小、形狀、位置等信息）進行提取，再講該特征與相鄰幀圖像進行對比和匹配，從而對該目標進行識別和鎖定，進行對后續的車輛跟蹤提供保障，最終得到該車輛目標的運行軌跡。圖2是基于目標跟蹤的車流量統計算法的效果圖。

圖2 目標跟蹤算法效果圖

1.2 常用的目標檢測算法

只有正確地檢測出運動目標才可以進行后續的工作，否則會產生較大的偏差甚至錯誤從而影響到后面工作的正常進行。因此，對于運動目標的檢測來講，其檢測效果的好與壞決定了整個系統質量。通常，對于一個好的運動目標檢測算法，不僅需要準確第檢測出運動目標，還要能夠迅速地適應外界環境的各種變化，即抗干擾能力強、處理速度快且實時性號。

但是，對于同一個算法來講，如果希望其同時符合以上的所有條件是非常困難的，這是因為實際的監控環境往往復雜得多，而且有些條件之間本身就存在矛盾。因此，只能對實際應用環境和最終的需求做出一個整體的考量，得出相對最均衡的條件，來是整個系統的性能達到最優。

現如今使用最多的運動目標檢測算法有3類：幀差法、光流法和背景差分法。

1.3 背景模型的建立

對于交通圖像中背景圖像的提取包括人為的方法和自適應方法。人為提取方法是指在理想的情況下（即視頻圖像中本身不存在任何運動目標）來直接提取出該幀圖像，將其作為背景圖像，然后再利用背景差分法，檢測運動目標。然而，在實際的交通視頻序列中，沒有運動目標的圖像是很難獲取的，并且就算在某一時刻下成功提取了背景，背景也會隨光線變化又或者新背景的加入而發生改變，因此，這種人為直接提取背景的方法并不適合不斷變化的交通環境。所以在實際項目開發中，最常用的是采用自適應的方法來提取背景。

2 基于虛擬檢測線的車流量統計

當前基于視頻檢測的車流量的統計方法主有目標跟蹤檢測法和虛擬線圈檢測法，通過分析和對比，2種車流量統計方法各有其優缺點，具體說來，目標跟蹤檢測法在車輛數目統計方面更加準確可靠，而虛擬線圈檢測法在時間的復雜度方面表現比較優異，因此本文出于對實時性的考慮，最終選用虛擬線檢測法來獲取車流量信息。檢測過程如圖3所示。

該模型首先需要在車道上設置虛擬檢測線，然后將圖像進行處理，獲得目標前景圖，通過虛擬檢測線來檢測車輛是否通過，最終根據虛擬檢測線的狀態來獲得車輛計數，從而得到車流量信息。

2.1 基于虛擬檢測線的車流量統計模型的分析

2．1．1 虛擬檢測線的設置

本文所研究的對象是城市車輛密集的道路，而城市車輛密集道路的情況與普通高速路口或單向路口相比要復雜得多。因此虛擬檢測線的設置，需要視交通道路的實際情況而定，根據該道路的特點，來選用符合該道路的設置方式。圖4取自東營市濟南路的其中一個路段。

圖3 基于虛擬檢測線的檢測模型流程圖

圖4 實際交通道路圖

虛擬檢測線的設定主要包括2個內容：長度的設置和位置的設置。

（1）虛擬檢測線的長度設置

一般來講，虛擬檢測線的長度最好要大于車輛的寬度，而又稍小于車道寬度。

（2）虛擬檢測線的位置設置

虛擬檢測線的位置設定需要根據交通路口的特點，主要考慮的是該車道內車輛是否全部從該車道的虛擬檢測線中經過，并且所設虛擬檢測線中是否有別的干擾。

2．1．2 基于虛擬檢測線的車流量檢測算法

將本文中車輛計數的整個過程總結如下：

（1）通過攝像機采集交通視頻后，首先將每一幀的彩色圖像轉換為灰度圖像，進而再對圖像做一些后續的處理，如平滑和去噪。

（2）采用改進的均值法對背景圖像進行提取，再用背景差分法將當前幀的灰度圖像與背景圖像作差，得到前景圖像，也就是運動車輛目標。

（3）使用自適應閾值的方法對前景圖像進行圖像二值化處理，得到只含黑點和白點的二值圖像(其中白色部分就是運動目標)，并通過形態學的一系列處理，對二值圖像里車輛目標中出現的孔洞進行填充，最后對其他較小的活動目標進行去除。

（4）在上面得到的圖像中選取合適的位置設置模擬檢測區域。

（5）同時在每一個虛擬檢測區域進行下列運算：

某一車輛在經過虛擬檢測線的時候，通過采用一個表示檢測線狀態的變量T，當狀態T為0時，代表當前圖像的檢測線內沒有車輛通過，當狀態T為1時，代表當前圖像的檢測線有車輛經過，從而來根據檢測線狀態的變化，對車輛進行計數。

2．2 基于虛擬檢測線的車流量統計模型的實驗情況

2．2．1 實驗中虛擬檢測線位置及說明

根據對視頻素材的車輛狀況進行觀察和分析，最終選定如下圖所示位置作為虛擬檢測線位置。

圖5 虛擬檢測線位置

理由主要有以下幾點：

（1）車道上的直行車輛基本都會從檢測線通過。

（2）沒有行人過馬路的干擾。

（3）在該路段不存在橫行車輛的干擾。

3 實驗結果及分析

本實驗在Windows8．1環境下編寫程序，運行效果如圖5所示。

表2 實驗數據

從表中數據可以看出：

對于整個計數結果，檢測數量普遍小于實際值，這主要是由于個別車輛進入虛擬線圈之后出現粘連現象，將多輛車誤檢為一輛車來進行計數。

4 結束語

本文主要介紹了基于虛擬檢測線的車流量統計模型的建立和實驗情況，對城市密集交通道路進行分析和說明，以及在此基礎上提出了車流量統計孫發，最終的實驗結果表明，本文所用統計方法比較可行，能基本滿足系統要求。

[1] 楊俊.基于視頻檢測的城市智能交通系統應用研究[J].測控技術,2003,22(3).

[2] 朱志剛,徐光佑.VISATARAM:全天候自動交通檢測視覺系統[A].97北京智能交通系統發展趨勢國際學術研討會論文集[C].1997,97-101.

TP391

A