基于視頻圖像的城市道路交通態勢研判方法研究

王劍峰 張永梅 薛龍飛

摘 要：本文針對日益嚴重的道路擁堵問題，提出了基于視頻圖像的城市道路交通態勢研判方法，其總體框架包括視頻圖像的獲取與傳輸，數據檢測、獲取與修正，算法計算及誤判修正，道路交通判態與顯示這4個環節；提出基于視頻圖像的城市道路交通態勢研判的關鍵技術，即基于視頻圖像的車輛目標識別技術、基于視頻圖像的交通參數獲取技術、基于模糊理論的交通態勢研判技術，闡明了各項關鍵技術實施流程與方法；并以濟南市經十路和北園高架路為例，利用視頻圖像技術進行該局部路段交通態勢分析系統的設計，根據監控數據進行交通態勢的實時判定。

關鍵詞：視頻圖像 交通態勢 車輛識別 研判

中圖分類號：TP39 文獻標識碼：A 文章編號：1674-098X（2017）12（c）-0147-04

Abstract： Aiming at increasingly serious road congestion problem， the article put forward the method for judging urban road traffic situation based on video image analysis， its overall frame includes video image acquisition and transmission， data access and correction， algorithm calculation and misjudgment correction of road traffic state.It analysed the key technologies for urban road traffic situation judging based on video image， namely Vehicle target recognition technology for video image， Technology of traffic parameter acquisition based on video image， traffic situation research and judgment technology based on fuzzy theory. The implementation process and method was illustrated of the key technology. Based on the example of no.10 road and beiyuan highway in Jiinan city， video image technology is used to design the traffic situation analysis system of the local section， and the real-time judgment of traffic situation is carried out according to the monitoring data.

Key Words： Video Image； Traffic Situation； vehicle identification； Study and judge

交通擁堵一直是困擾現代城市發展的嚴重問題，而準確判別交通擁擠狀態是構建城市交通誘導系統的重要一環[1]，是有效預防和緩解城市道路交通擁擠，進而提高道路通行能力的必要前提[2，3]。過去交通擁擠狀態判別方法多通過感應線圈檢測技術獲取數據[4]，近年來隨著智能交通視頻監控系統在我國逐步得到研究和發展，尤其是隨著高清視頻技術和產品的成熟，我國許多城市道路監控中廣泛安裝了交通視頻監控系統，該系統通過從交通監控視頻中獲取捕獲目標，提取目標信息并進行分析達到對城市交通的監控管理。與感應線圈相比，視頻檢測具有視頻圖像可獲得性容易、數據量豐富、圖像數據能重復進行計算、可獲得較為準確的交通態勢判定結果的優點，它表現出在解決交通問題方面的強大優勢，使利用智能視頻技術手段進行道路交通態勢判斷成為可能[3]。但目前交通視頻檢測技術還局限于單純的交通信息提取，很少利用其進行城市道路交通擁擠狀態的判別[5]。針對我國當前道路交通態勢研究中的主要問題，與先進的視頻監控手段相結合，深入研究分析基于視頻檢測的城市交通擁擠狀態判別中的關鍵問題及難點，建立基于視頻監控的交通擁擠狀態判別方法，推動我國道路交通態勢研究的進一步發展，是當前我國道路交通態勢研究領域的研究熱點[6]。

1 總體架構

基于視頻圖像的城市道路交通狀態判別方法研究其總體框架見圖1，主要由4個部分組成。

1.1 視頻圖像的獲取與傳輸

通過在路口或路段設置的高清監控設備，獲取海量視頻數據流，包括前端視頻采集、數字數據流傳輸、錄像穩定存儲、視頻顯示等環節。高清視頻系統獲取的是高清數字監控信息，具有“點位多、高清晰、時間長、數據大”等特點，因此傳輸中需考慮采用數據傳輸的穩定和可靠性，系統存儲必須支持大容量和具高擴展性。

1.2 數據檢測、獲取與修正

對視頻質量進行診斷和檢測，根據采集的視頻圖像數據，由圖像分析得到指定區域范圍內的車輛目標情況，獲取交通量統計和交通密度數據，通過分析截取與融合等手段結合關聯分析提取必要的交通參數。包括道路車輛目標的識別、道路交通參數的獲取、數據的誤差修改等環節。

1.3 算法計算及誤判修正

按照交通擁堵判態算法，計算得出道路的擁堵指數，并結合道路實際情況進行誤判的修正。主要包括交通態勢算法及擁堵指數的計算兩大環節。

1.4 道路交通判態與顯示

對城市道路整體狀態交通流進行匯總分析，進行交通判態，并通過誤檢測識別算法識別非真實擁堵，結合GIS地圖進行道路交通狀態的實時顯示，提交交通誘導信息進行發布。

2 關鍵技術

2.1 基于視頻圖像的車輛目標識別技術

對車輛運動目標的檢測是視頻監控圖像處理與識別中最基礎的環節，通過對圖像中有效提取運動目標，為事件檢測及車輛行為的分析提供基礎數據。其流程如圖2所示。

針對視頻圖像的特點，采用背景差法對道路運動車輛進行識別。利用背景差法在圖像的處理過程中，其要點是首先將RGB圖像轉換為灰度圖，對輸入的圖像進行轉換。獲取了背景圖像后，通過將背景圖像與某時刻輸入的圖像幀做差，即得到差分圖，采用二值化處理的辦法對差分圖像進行處理得到二值圖。最后基于形態學進行去噪，由此得到較為準確清晰的車輛目標二值圖。

利用得到的二值圖提取車輛信息時，由于車輛外形與矩形較為相似，所以提取車輛的外接矩形和面積作為車輛的特征參數。其具體算法：（1）通過減背景法和噪聲去除，獲得與圖像長寬相同的黑白圖像，目標為黑色，背景為白色。（2）從上到下、從左到右依次掃描圖像。當遇到黑色像素點時，記錄下此點的位置并入棧，以此點為開始進行八鄰域搜索直至結束。搜索的同時不斷累積面積值，更新外接矩形框上、下、左、右邊界值。（3）由經圖像提取的面積參數和車輛外接矩形進行判斷，剔除面積小于一定閾值的車輛（即噪聲），將非噪聲車輛參數加入參數提取的鏈表中。（4）重復（1）/（3）步驟，直到圖像掃描完畢。當同一輛車的不同部分未能連在一起時，通過融合進行連接；當兩輛車前后遮擋，發生重疊時，則需要把車輛分開。

2.2 基于視頻圖像的交通參數獲取技術

2.2.1 確定交通參數

基于視頻圖像數據的交通態勢研判中，交通參數的選擇非常重要，交通態勢往往需要兩個或兩個以上的參數來表述才較為準確。城市道路交通中主要的交通參數包括車輛速度、交通流量、交通密度、占有率等。考慮到視頻圖像在道路場景下背景變化較頻繁的特征，也考慮到車輛遮擋易使目標車輛識別不完整的問題，舍棄較復雜不容易準確獲取的參數，如道路排隊長度、車輛車頭間距等，確定采用道路空間占有率和道路時間占有率這兩個交通參數作為交通態勢研判的參數。通過這兩個參數在道路由暢通到擁堵中變化趨勢，可以看出這兩個交通參數反映交通態勢是比較有效的。

2.2.2 較準確地獲取交通參數

根據視頻圖像成像的原理，安裝于“T”型支架上的攝像頭時，其所采集車輛目標往往比實際空間具有更多的像素。在提取的視頻圖像中，往往獲取的目標車輛的長度會較明顯地大于該車輛本身的實際長度。且離攝像頭越近的車輛，其車輛的邊寬要明顯比遠處的車輛邊寬大，因此利用道路空間占有率模型進行計算時其結果會存在較為明顯的偏差。

針對視頻圖像獲取時的上述特征，通過將車輛在車頂面平面上的區域投影到路面平面上，以此可以更為準確地計算道路上車輛實際的占空面積。因此，定義車道的車道空間占有率為[6]：

其中，η∈（0，1）表示圖像中車輛像素區域投影到路面平面上的比率。可粗略估計出η：

其中，，和分別表示車輛的高與車身長度。

通過下式求得空間占有率：

其中，RS為車道占有率；VS為空間平均速度；為車輛平均長度；QS（T）為時間T內通過檢測區域的車輛總數。

2.3 基于模糊理論的交通態勢研判技術

2.3.1 算法及過程

考慮到實際生活中對交通擁擠狀態的判斷是一個相對模糊的概念，不同交通擁擠狀態間的區分并不是非常能量化清晰地表述。因此，采用模糊理論的思路和算法進行道路的交通擁擠狀態的判斷[7]。該判別算法的過程是：基于視頻圖像利用背景差分法識別車輛目標，對交通參數進行提取，按公式計算得到道路空間占有率和時間占有率兩大指標的數據，建立模糊C算法模型[8-10]，將獲取的數據輸入到模型中進行計算，根據計算的結果判別交通擁堵是否發生。并和實際道路擁堵情況相比較，分析算法判斷的結果是否和實際情況一致。若不是，則再通過連通域分析和投票機制降低誤測以重新進行判斷，直至判斷結果和實際情況一致（見圖3）。

2.3.2 降低交通擁堵狀態誤檢測的方法

道路環境的改變，會對車輛目標的檢測結果產生干擾和影響，其結果是將許多非車輛目標作為車輛進行識別，大大增加了背景中的車輛數量。可利用連通域分析的誤檢測識別算法和利用投票機制分析的誤檢測識別算法進行誤檢測的分析，對視域范圍內的前景目標進行識別、分析和研究，剔除非車輛的數據干擾，由此來判斷是否為真實的擁堵事件。利用連通域分析的誤檢測識別算法中，可按最大連通域在前景中所占比例超過設定的閾值（設定為90%）時，判斷并非真正的擁堵事件。在利用投票機制分析的誤檢測識別算法中，可取時間段、系列時間間隔時，統計出現次數最多的結果作為最終的交通擁堵狀態輸出。

3 案例分析

3.1 系統設計

以濟南市經十路和北園高架路為例，利用視頻圖像技術進行該局部路段交通態勢分析系統的設計，并根據監控數據進行交通態勢的實時判定。根據該路段已安裝高清監控系統獲取的實時視頻，進行機動車數量準確識別，獲取機動車流量、車速與占有率等指標，利用模糊C-均值聚類算法計算擁堵指數，并判斷實時交通態勢，針對擁堵情況及時上傳報警信息。

3.2 功能實現

（1）基于視頻分析的交通量和交通信息采集：獲取前端攝像機提供的車輛運動目標信息，進行流量統計和密度檢測功能，計算得到道路的通行量，分析當前路口的道路通行狀態參數。

（2）交通流融合判態分析：根據采集各個路口的交通流數據，對于上報的數據與已有交通流采集數據融合，定時分析截取。

（3）算法判態與人工判態：根據獲取的信息，按照交通擁堵判態算法，獲取道路通行狀態，對于擁堵的道路進行報警，上報給指揮調度系統進行進一步處理。同時支持人工判斷道路通行狀態，對系統判態進行準確性校正，經過系統運行一段時間積累，系統可以形成道路通行狀態規律性數據。

（4）路網通行狀態顯示：判態分析后得到的交通通行狀態（暢通、緩行、擁堵），能夠在GIS電子地圖通過不同顏色線（比如三色線）表示出來。

4 結語

本文提出了基于視頻圖像的城市道路交通態勢研判方法，提出其實現的關鍵技術，并以濟南市經十路和北園高架路為例，進行該局部路段交通態勢分析系統設計，并進行交通態勢的判定應用。但總體上來講，我國當前基于視頻檢測的交通態勢判別還處于起步階段，在利用視頻圖像進行車輛目標的識別時，在抗干擾水平和識別精度方面還需要進一步提升，在基于視頻圖像進行交通參數的提取時，還可以進一步優化選擇的交通參數以提高判斷結果的準確性和科學性。

參考文獻

[1] Wen TH，Chin WCB，Lai PC.Understanding the topological characteristics and flow complexity of urban traffic congestion[J].Physica A Statistical Mechanics & Its Applications，2017（473）：166-177.

[2] Jiang G.Theory and Architecture of Urban Traffic Flow Guidance System[J].Journal of Systems Science & Systems Engineering，1998（2）：30-35.

[3] Kong X，Xu Z，Shen G，et al.Urban traffic congestion estimation and prediction based on floating car trajectory data[J].Future Generation Computer Systems，2016，61（C）：97-107.

[4] Wang J， Mao Y， Li J， et al.Predictability of road traffic and congestion in urban areas[J].Plos One，2015，10（4）：e0121825.

[5] 王江鋒，姜桂艷，龍暉，等.基于神經網絡的城市快速路交通擁擠識別方法研究[A].proceedings of the多國城市交通學術會議[C].2003.

[6] 梁士棟.城市區域交通狀態判別方法研究[D].吉林大學， 2014.

[7] 劉普寅，吳孟達.模糊理論及其應用[M].長沙：國防科技大學出版社，1998.

[8] Zadeh LA.Fuzzy sets[J].Information & Control， 1965，8（3）：338-53.

[9] Sasaki Y，Akiyama T.Traffic control process of expressway by fuzzy logic[M].Elsevier North-Holland，Inc，1988.

[10]高峰.交通狀態判別算法研究[J].中國公共安全：學術版， 2016（4）：63-66.