加油站中基于自適應(yīng)閾值分割的車輛停車檢測(cè)方法

肖軍弼 朱風(fēng)珍 錢志軍 程千才

1(中國(guó)石油大學(xué)(華東)計(jì)算機(jī)與通信工程學(xué)院 山東 青島 266580)2(中國(guó)石油天然氣有限公司規(guī)劃總院 北京 100089)

0 引 言

在當(dāng)今的石油零售行業(yè)，利用網(wǎng)絡(luò)實(shí)現(xiàn)電子支付[1-2]的新型支付方式引起了各大石油企業(yè)的關(guān)注，通過車牌付款的方式已悄然走進(jìn)市場(chǎng)。但由于加油站環(huán)境復(fù)雜，大多數(shù)情況是在加油機(jī)兩側(cè)分別安裝車牌識(shí)別攝像頭輔助完成車牌付款。這種實(shí)現(xiàn)方式的弊端在于攝像頭的照射范圍較小，拍攝角度較低。當(dāng)多輛車排隊(duì)停靠在一臺(tái)加油機(jī)旁加油時(shí)，攝像頭只能識(shí)別出最前面車輛的車牌號(hào)，并由于前車的遮擋無法識(shí)別后面其他車輛的車牌號(hào)，造成后面加油車輛自動(dòng)扣款失敗，因此每一側(cè)的攝像頭只能輔助一輛車完成車牌付款。但傳統(tǒng)的加油站部署情況是在每臺(tái)加油機(jī)旁地面上標(biāo)有多個(gè)停車位標(biāo)線(以下簡(jiǎn)寫為“加油位”)，可容納多輛車同時(shí)進(jìn)行加油，而當(dāng)前車牌支付功能卻將原本多輛車同時(shí)加油的情況縮短至一輛車，降低了加油效率，在加油高峰期階段，還加劇車輛排隊(duì)情況。為解決當(dāng)前加油站內(nèi)車牌付款功能中車牌識(shí)別攝像頭的弊端，需要尋找更合適的車輛信息視頻采集角度，從而實(shí)現(xiàn)通過攝像頭輔助一臺(tái)加油機(jī)周圍的多輛車完成車牌付款。

當(dāng)前加油站針對(duì)每臺(tái)加油機(jī)的每把油槍設(shè)置了唯一編號(hào)，油槍提槍后會(huì)向后臺(tái)服務(wù)器發(fā)送交易的詳細(xì)信息，包括油槍編號(hào)、提槍時(shí)間、加油交易編號(hào)等信息。若通過監(jiān)控?cái)z像頭獲取到該加油機(jī)旁加油車輛的停車數(shù)據(jù)，包括加油位、停車時(shí)間、已停車時(shí)間、車牌號(hào)等信息，根據(jù)油槍編號(hào)與車輛所在加油位的對(duì)應(yīng)關(guān)系、油槍的提槍時(shí)間與車輛的停車時(shí)間差值等數(shù)據(jù)關(guān)系，可實(shí)現(xiàn)車牌號(hào)與對(duì)應(yīng)加油交易的匹配，從而輔助同一臺(tái)加油機(jī)旁的多輛車使用車牌付款功能。因此，在停車數(shù)據(jù)獲取方面，只要能獲取到多輛加油車輛的加油位、停車時(shí)間、已停車時(shí)間、車牌號(hào)等停車數(shù)據(jù)，就可以較容易地提高當(dāng)前車牌支付功能的加油效率。

本文針對(duì)大多數(shù)加油站內(nèi)加油機(jī)每側(cè)兩個(gè)停車位的部署情況，尋找更有效的車牌數(shù)據(jù)獲取方法。不難發(fā)現(xiàn)，加油站罩棚頂部的攝像頭監(jiān)控范圍更廣，可監(jiān)控一臺(tái)加油機(jī)的多個(gè)加油位。若通過加油機(jī)前后兩端罩棚頂部的兩個(gè)攝像頭分別監(jiān)控加油機(jī)每側(cè)的一個(gè)加油位，可實(shí)現(xiàn)整體上監(jiān)控一臺(tái)加油機(jī)左右共四個(gè)加油位，從而獲取四輛加油車輛的車牌號(hào)數(shù)據(jù)。具體部署情況如圖1所示，左邊攝像頭只需監(jiān)控加油機(jī)左邊的兩個(gè)停車位，右邊攝像頭監(jiān)控加油機(jī)右邊的兩個(gè)停車位。

圖1 加油站部署情況

但正因?yàn)檎峙镯敳繑z像頭監(jiān)控范圍更廣，監(jiān)控到的加油機(jī)兩側(cè)光線強(qiáng)度差別較大，加油機(jī)旁還經(jīng)常出現(xiàn)行人走動(dòng)以及過往車輛等干擾情況。針對(duì)上述情況進(jìn)行分析，由于當(dāng)前的數(shù)字圖像處理領(lǐng)域中，車牌識(shí)別技術(shù)已較為成熟，大傾斜角度下的車牌號(hào)也可識(shí)別成功[3]，但車輛檢測(cè)技術(shù)易受光照和噪聲干擾，加油站罩棚內(nèi)部與罩棚邊界的加油位光照強(qiáng)度不同，經(jīng)常出現(xiàn)行人走動(dòng)、過往車輛等噪聲，無法準(zhǔn)確獲取車輛目標(biāo)。而在停車檢測(cè)方面，文獻(xiàn)[4]通過計(jì)算車輛與違停區(qū)域的質(zhì)心距離和違停時(shí)間長(zhǎng)度綜合判斷違停車輛，但車輛在行駛過程中會(huì)產(chǎn)生距離不變的情況，因此無法檢測(cè)出車輛的停車時(shí)間點(diǎn)。文獻(xiàn)[5]通過基于像素時(shí)間序列特征的穩(wěn)態(tài)分析法提取停車車輛，文獻(xiàn)[6]通過機(jī)器學(xué)習(xí)的分類方法分析車輛的跟蹤軌跡，從而檢測(cè)停車行為。上述兩種算法中，分析每個(gè)像素點(diǎn)的變化和通過機(jī)器學(xué)習(xí)訓(xùn)練分類器都存在較高的運(yùn)算量，而加油站中檢測(cè)停車數(shù)據(jù)需要保證算法的實(shí)時(shí)性與準(zhǔn)確性，因此必需降低算法的運(yùn)算復(fù)雜度。

故本文通過分析加油站罩棚頂部攝像頭獲取的視頻數(shù)據(jù)，提出了一種簡(jiǎn)單有效的停車檢測(cè)算法。通過改進(jìn)的背景差分法以及改進(jìn)的自適應(yīng)閾值提取算法獲取車輛目標(biāo)，通過提出的停車檢測(cè)算法獲取停車數(shù)據(jù)。

1 停車檢測(cè)算法

1.1 車輛檢測(cè)

當(dāng)前通過視頻檢測(cè)運(yùn)動(dòng)目標(biāo)的算法主要包括光流法[7]、相鄰幀差法[8]、 背景差分法[9]等。光流法不易受光照變化的影響，但易受噪聲影響，且計(jì)算復(fù)雜度高，無法滿足檢測(cè)的實(shí)時(shí)性需求。相鄰幀差法主要通過計(jì)算相臨幀之間的差異獲取運(yùn)動(dòng)目標(biāo)，運(yùn)算原理簡(jiǎn)單、復(fù)雜度低，但檢測(cè)結(jié)果大多存在空洞，導(dǎo)致獲取的目標(biāo)前景不完整[10]。背景差分法相比于上述兩種方法來說，具有運(yùn)算復(fù)雜度低、目標(biāo)檢測(cè)完整等優(yōu)點(diǎn)[11-13]。該方法的核心是獲取穩(wěn)定的背景模型，通過計(jì)算當(dāng)前圖像與背景圖像的差值獲取運(yùn)動(dòng)目標(biāo)。因此，為滿足系統(tǒng)的實(shí)時(shí)性，本文選用背景差分法計(jì)算加油位背景。

1.1.1 背景差分法

假設(shè)(x,y)像素點(diǎn)在第k幀圖像中的像素值為Fk(x,y)，該點(diǎn)在背景圖像中的像素值為Gk(x,y)，差值圖像為Dk(x,y)。計(jì)算公式如下：

Dk(x,y)=|Fk(x,y)-Gk(x,y)|

(1)

將差值圖像二值化，獲取運(yùn)動(dòng)目標(biāo)，計(jì)算公式如下：

(2)

式中：Ok(x,y)是獲取到的前景圖像，當(dāng)差值Dk(x,y)大于等于設(shè)定的閾值T時(shí)視為運(yùn)動(dòng)點(diǎn)，將Ok(x,y)賦值1。當(dāng)差值Dk(x,y)小于設(shè)定的閾值T時(shí)視為背景點(diǎn)，將Ok(x,y)賦值0。最終得到只有黑色和白色的前景圖像，白色區(qū)域?yàn)檫\(yùn)動(dòng)目標(biāo)，黑色區(qū)域?yàn)楸尘安糠帧?/p>

1.1.2 改進(jìn)的均值背景建模

在加油站中，加油位的背景較為簡(jiǎn)單，大多數(shù)情況只受光照緩慢變化的影響，因此本文采用均值法進(jìn)行背景建模。但由于車輛在加油時(shí)停車時(shí)間較長(zhǎng)，使用該算法會(huì)將停車車輛誤判為背景。除此之外，當(dāng)有行人走動(dòng)時(shí)，計(jì)算出的初始背景中容易混入行人殘影。為此，本文針對(duì)加油站的特點(diǎn)，在均值背景法的基礎(chǔ)上做了改進(jìn)，解決了車輛混入背景以及行人殘影的問題，保證了加油位背景的正常更新。具體計(jì)算步驟如下：

1) 選取參考背景圖像 首先提取加油位第一幀無車輛圖像作為背景，讀取一幀圖像后，通過背景差分法計(jì)算前景圖像。根據(jù)前景目標(biāo)面積值判斷是否有車輛大面積駛?cè)爰佑臀?若前景圖像的目標(biāo)面積大于閾值T1則表示有車輛大面積駛?cè)?。當(dāng)無車輛大面積駛?cè)霑r(shí)，將當(dāng)前幀作為參考背景存儲(chǔ)，直到存儲(chǔ)的圖像幀數(shù)達(dá)到一定值N后，計(jì)算均值背景。

2) 計(jì)算均值背景 根據(jù)存儲(chǔ)的參考背景圖像，通過下式計(jì)算均值背景。

(3)

式中：Ik(x,y)為(x,y)像素點(diǎn)在第k幀參考背景中的像素值，N為參考背景的幀數(shù),GN(x,y)為計(jì)算得出的均值背景在(x,y)像素點(diǎn)的像素值。

3) 去除殘影 將均值背景與參考背景的每一幀像素值作差并求平均值，獲取殘影圖像，公式如下：

(4)

式中：SN(x,y)為殘影圖像在(x,y)像素點(diǎn)的像素值。獲取殘影圖像后，通過下式計(jì)算均值背景GN與殘影圖像SN的差值，獲得初始背景BN。

BN(x,y)=|GN(x,y)-SN(x,y)|

(5)

4) 進(jìn)行背景更新 讀取背景圖像，通過1.1節(jié)的背景差分法計(jì)算Ok(x,y)，并通過下式更新背景:

(6)

式中：θ是背景更新速度參數(shù)，BN(x,y)為更新前的背景，BN+1(x,y)為更新后的背景。由于加油位背景簡(jiǎn)單、光線變化緩慢，因此通過大量實(shí)驗(yàn)測(cè)試后，此處θ取經(jīng)驗(yàn)值0.02。

5) 通過改進(jìn)的自適應(yīng)閾值算法提取目標(biāo)前景 (1) Otsu算法。Otsu算法(最大類間方差法)由Otsu(即大津展之) 于 1978 年提出[14]，該算法是一種對(duì)圖像進(jìn)行二值化的高效算法，分割效果較好，適用范圍廣泛。

假設(shè)一副灰度圖像I的灰度級(jí)為L(zhǎng)(即灰度范圍在[0,L-1])，圖像的大小為M×N，ni是灰度級(jí)為i的像素點(diǎn)的個(gè)數(shù)，根據(jù)下式求像素點(diǎn)出現(xiàn)的概率Pi：

(7)

根據(jù)圖像I的灰度級(jí)，設(shè)分割閾值k∈[0,L-1]，通過下式分割前景圖像：

(8)

通過下式計(jì)算F0和F1的方差：

(9)

(10)

計(jì)算出目標(biāo)與背景之間的類間方差，計(jì)算公式如下：

(11)

(12)

通過最佳閾值k分割的前景圖像I即為最佳前景圖像。

(2) 改進(jìn)的自適應(yīng)閾值提取算法。在暗光環(huán)境下，當(dāng)車輛與背景的灰度相近時(shí)，通過背景差分算法提取的車輛目標(biāo)有較多空洞。圖2是亮光和暗光環(huán)境下提取的車輛目標(biāo)效果圖。

(a) 亮光下的車輛前景(b) 暗光下的車輛前景圖2 亮光與暗光環(huán)境下的車輛目標(biāo)

因此，為增強(qiáng)暗光環(huán)境下提取出的車輛前景效果，本文將背景差分法與Otsu算法相結(jié)合，提出一種自適應(yīng)閾值提取算法。

首先，讀取當(dāng)前幀，設(shè)圖像大小為M×N，通過下式計(jì)算當(dāng)前圖像的亮度：

(13)

若S大于閾值T2表示該圖像為亮光圖像，使用背景差分法提取目標(biāo)前景。若S小于閾值T2表示該圖像為暗光圖像，通過下式計(jì)算放大的差值圖像：

D(x,y)=|I(x,y)×t-G(x,y)×t|

(14)

式中：D(x,y)為放大的差值圖像。對(duì)D(x,y)通過Otsu算法計(jì)算最佳分割閾值k并進(jìn)行圖像分割，從而獲取較為理想的前景圖像。具體算法流程圖如圖3所示。

圖3 自適應(yīng)閾值提取目標(biāo)流程圖

1.2 停車判斷

本文通過分析車輛駛?cè)霑r(shí)的前景變化，判斷車輛的停車行為。此方法運(yùn)算復(fù)雜度低，且能有效過濾加油站的各種噪聲干擾。

在每個(gè)停車位設(shè)置兩條虛擬檢測(cè)帶，間隔為375像素，每條檢測(cè)帶的高度為10像素，寬度與加油位寬度相等。當(dāng)一條檢測(cè)帶有車輛通過時(shí)，檢測(cè)帶內(nèi)每一行的像素值都會(huì)出現(xiàn)較多的目標(biāo)點(diǎn)，并且大多連續(xù)，如圖4和圖5所示。

圖4 車輛駛?cè)胍粭l檢測(cè)帶

圖5 車輛駛?cè)雰蓷l檢測(cè)帶

因此，將每個(gè)檢測(cè)帶看作有10個(gè)元素的一維數(shù)組Z，其中，Z[i](i=0，1，…，9)表示第i+1行的狀態(tài)值。通過下式計(jì)算Z的每個(gè)元素值：

(15)

式中：Pi是每行檢測(cè)帶中1的個(gè)數(shù)，T3為判斷閾值。當(dāng)Z的每個(gè)元素值都為1，則表示該檢測(cè)帶有車通過，將該檢測(cè)帶的狀態(tài)值賦值1。按上述方式監(jiān)控加油位，若兩檢測(cè)帶同時(shí)檢測(cè)出有車輛駛?cè)霑r(shí)表示車輛疑似停車。當(dāng)疑似停車狀態(tài)持續(xù)T4秒后，代表車輛真正停車。

由于不同車輛的車速不完全相同，故不同車輛停車狀態(tài)持續(xù)時(shí)間T4不同，因此需要尋找車輛在通過兩檢測(cè)帶后到真正停車時(shí)所花費(fèi)的時(shí)間規(guī)律。首先獲取加油位內(nèi)第一條檢測(cè)帶檢測(cè)出車輛時(shí)的時(shí)間Tstart，并獲取加油位內(nèi)第二條檢測(cè)帶檢測(cè)出車輛時(shí)的時(shí)間Tend。經(jīng)實(shí)驗(yàn)測(cè)試，由于車輛停車過程中車速越來越慢，所測(cè)得的Tend-Tstart的值與T4相等，因此，此處的停車判斷條件為T4≥Tend-Tstart，當(dāng)滿足此條件時(shí)，表示車輛真正停車。

當(dāng)檢測(cè)到車輛停車后，獲取當(dāng)前時(shí)間作為車輛的停車時(shí)間點(diǎn)，調(diào)用車牌識(shí)別API識(shí)別出加油位的車牌號(hào)，并記錄車輛已停車時(shí)間。

2 實(shí) 現(xiàn)

本文的測(cè)試環(huán)境為Xeon(R) CPU E3-1226 3.30 GHz，RAM 8 GB，使用Python結(jié)合OpenCV3.4.1軟件平臺(tái)。通過實(shí)時(shí)讀取加油站高清監(jiān)控?cái)z像頭的視頻流，測(cè)試車輛的停車檢測(cè)效果。在通過背景差分法計(jì)算前景圖像時(shí)，T=30。在進(jìn)行均值背景建模時(shí)，判斷車輛目標(biāo)的閾值T1=60 000，參考背景的幀數(shù)N=100。在自適應(yīng)閾值提取前景時(shí)，判斷圖像亮度的閾值T2=30，放大差值圖像的參數(shù)t=2。在停車判別時(shí)，T3=150。本文的整個(gè)算法流程如圖6所示。

圖6 本文算法流程

3 實(shí)驗(yàn)結(jié)果分析

加油機(jī)兩側(cè)的監(jiān)控?cái)z像頭分別獨(dú)立獲取加油車輛數(shù)據(jù)，對(duì)監(jiān)控范圍內(nèi)的圖像處理程序完全相同。為驗(yàn)證本文研究方案的具體效果，只選取加油機(jī)上方罩棚頂部的一個(gè)攝像頭進(jìn)行實(shí)驗(yàn)測(cè)試與分析。在測(cè)試的加油站中，由于加油員的人工干預(yù)，加油車輛幾乎全部停在前后兩加油位中間進(jìn)行加油。因此，本文將加油機(jī)一側(cè)的兩加油位合并，作為一個(gè)加油位進(jìn)行檢測(cè)，共檢測(cè)一臺(tái)加油機(jī)兩側(cè)的四個(gè)停車位。攝像頭監(jiān)控區(qū)域如圖7所示。為減少不必要的計(jì)算，只截取加油位圖像進(jìn)行檢測(cè)。

圖7 加油站監(jiān)控區(qū)域

通過本文改進(jìn)的均值背景建模算法計(jì)算的初始背景模型與傳統(tǒng)的均值算法得出的背景模型比較如圖8所示，其中，(a)與(b)是行人走動(dòng)時(shí)提取的背景，(c)與(d)是過往車輛經(jīng)過時(shí)提取的背景。可以看出通過本文的改進(jìn)算法能較好地去除背景中的殘影。

(a) 傳統(tǒng)均值法 (b) 本文改進(jìn)算法

(c) 傳統(tǒng)均值法 (d) 本文改進(jìn)算法圖8 背景更新

在車輛檢測(cè)模塊，通過圖9可以看出本文改進(jìn)的自適應(yīng)閾值提取算法與其他兩種算法相比，能有效提取暗光環(huán)境下的車輛運(yùn)動(dòng)目標(biāo)。

(a) 當(dāng)前幀(b) 簡(jiǎn)單閾值

(c) Otsu算法 (d) 本文算法圖9 車輛檢測(cè)

在停車檢測(cè)模塊，通過圖10和圖11可以看出，本文停車檢測(cè)算法能準(zhǔn)確獲取車輛的停車時(shí)間。值得注意的是，在圖10中，車輛先駛?cè)爰佑臀磺岸耍笳{(diào)整到中間區(qū)域，停車檢測(cè)算法依然能準(zhǔn)確檢測(cè)出停車時(shí)間點(diǎn)。

(a) 無車(b) 車輛駛?cè)胛赐＼?/p>

(c) 檢測(cè)到停車狀態(tài) (d) 停車加油中圖10 左加油位停車檢測(cè)

(a) 無車(b) 車輛駛?cè)胛赐＼?/p>

(c) 檢測(cè)到停車狀態(tài) (d) 停車加油中圖11 右加油位停車檢測(cè)

對(duì)該加油站內(nèi)一臺(tái)加油機(jī)左右兩側(cè)的4個(gè)加油位進(jìn)行長(zhǎng)時(shí)間的停車檢測(cè)實(shí)驗(yàn)，總共檢測(cè)車輛數(shù)235輛，除過往車輛外，實(shí)際停車數(shù)228輛，本文系統(tǒng)檢測(cè)出的停車數(shù)225輛，檢測(cè)出的停車時(shí)間點(diǎn)準(zhǔn)確的車輛數(shù)223輛，其余2輛車的停車時(shí)間點(diǎn)與實(shí)際停車時(shí)間點(diǎn)左右相差1 s，完整的檢測(cè)數(shù)據(jù)如表1所示。

表1 測(cè)試結(jié)果統(tǒng)計(jì)表

通過實(shí)驗(yàn)結(jié)果可以看出，本文算法能有效檢測(cè)出絕大多數(shù)車輛的停車數(shù)據(jù)，并能有效過濾未停車車輛。測(cè)試過程中發(fā)現(xiàn)，停車時(shí)間點(diǎn)檢測(cè)中有2輛車存在1 s左右的誤差，由于停車時(shí)間點(diǎn)只作為車輛數(shù)據(jù)匹配的因素之一，較小的誤差不會(huì)對(duì)加油交易的車輛數(shù)據(jù)匹配造成影響。在車輛停車檢測(cè)時(shí)存在漏檢的情況,漏檢情況主要是由于車輛排隊(duì)加油時(shí)，前車加油結(jié)束離開、后來車輛駛?cè)霑r(shí)兩車距離過近造成前后車輛粘連情況，系統(tǒng)會(huì)誤認(rèn)為加油車輛還未駛離，因此會(huì)漏檢后來的加油車輛。在當(dāng)前系統(tǒng)實(shí)施階段，需要采用人工干預(yù)的辦法，保證車主駛?cè)爰佑臀粫r(shí)與駛離的前車保持不小于2 m的車距，從而避免出現(xiàn)系統(tǒng)的漏檢情況。同時(shí)在加油機(jī)旁設(shè)置電子顯示屏，顯示已匹配的車牌號(hào)與交易信息，使現(xiàn)場(chǎng)人員能夠及時(shí)發(fā)現(xiàn)未匹配情況并采用人工付款方式完成付款。而在研究方面，這也是本文檢測(cè)算法依然需要完善的地方。

4 結(jié) 語(yǔ)

為獲取加油站內(nèi)停車加油車輛的停車數(shù)據(jù)，本文提出了一種停車實(shí)時(shí)檢測(cè)算法。用背景差分法檢測(cè)運(yùn)動(dòng)車輛，用改進(jìn)的均值法計(jì)算初始背景，在保證實(shí)時(shí)性的同時(shí)有效去除了行人殘影以及過往車輛等噪聲干擾。通過改進(jìn)的自適應(yīng)閾值提取算法，能較完整地提取出暗光環(huán)境下的車輛目標(biāo)。最后使用停車檢測(cè)算法，成功檢測(cè)出車輛的停車時(shí)間點(diǎn)以及持續(xù)時(shí)間，并通過實(shí)地測(cè)試驗(yàn)證了本文算法的可行性。