基于視頻監控的交通流參數檢測

劉海艷　李俊敏

摘要：智能交通系統（Intelligent Transportation System，ITS）是目前緩解城市交通壓力、解決交通擁堵問題的一種高效方法。短時車流量的采集與預測是智能交通系統的重要組成部分。本文介紹了基于視頻監控的交通流參數檢測技術，引入混合高斯模型建立背景模型，通過背景差分法提取前景車輛，使用卡爾曼濾波方法對目標車輛進行跟蹤和預測，基于MATLAB GUI建立車流量檢測系統，可顯示當前車輛目標的數量和車輛總數，為實現交通誘導、違章監控、速度監控等提供可靠準確的數據支持。

關鍵詞：視頻監控 ?高斯模型 ?卡爾曼濾波 ?車流量

1 引言

隨著社會的高速發展，人民生活得到巨大改善，民眾汽車持有量顯著提升，交通擁擠現象頻繁發生。智能交通系統（Intelligent Transportation System，ITS）是目前緩解城市交通壓力、解決交通擁堵問題的一種高效方法。車流量的采集與預測是智能交通系統的重要組成部分，實時準確的獲取車流量信息有助于保障城市道路的暢通，同時為城市交通的誘導和控制提供可靠準確的數據支持，是緩解交通擁堵、減少交通事故發生率的基礎和關鍵。

傳統的交通流量檢測有電磁感應線圈、超聲波檢測、微波檢測和紅外光標及基于視頻的流量檢測等多種方式。其中，基于視頻的車流量統計方法具有不破壞路面、安裝簡單、獲得參數更多、更直觀、監測范圍廣等優點，近些年得到越來越廣泛的應用。

2 視頻信號處理

安裝于道路兩側的視頻監控單元通過網絡與遠端服務器進行通信，將讀取到包含車輛信息的視頻進行簡單處理壓縮，通過網絡傳輸至總服務器端，服務器端對獲取信息進行綜合處理，將車輛信息、車輛位置實時傳遞給交通管理中心，通過數據分析、信息比對等為交通指揮決策提供科學依據，提高交通管理的信息化水平。

車輛目標的檢測主要分為三個步驟：背景模型的建立、運動目標提取、目標跟蹤及車輛計數。

2.1背景模型的建立與更新

針對道路背景多模態的特性，引入混合高斯模型來解決該問題，對每個像素建立一個多分布混合高斯模型用來表征該像素的灰度值或顏色的變化，并根據權值和方差來決定哪些分布代表背景顏色，然后用采集到的每一幀圖像與這些分布進行匹配，來決定哪些像素屬于前景，由于場景的動態變化，所以還需要對各分布的權值、均值和方差進行實時更新以適應環境的變化。

混合高斯模型的概率密度函數公式如（式1）和（式2）所示。

（式1）

（式2）

式中各參量的含義分別為：表示視頻第t幀圖像在圖像坐標為（x，y）處的高斯分布量的權重值;表示在（x，y）圖像像素點的第i個高斯分布均值向量;表示協方差矩陣;E表示單位矩陣;表示視頻中第t幀的圖像在（x，y）像素點的第i個高斯分布方差。基于概率密度原理，可以構建由K個高斯分布的混合高斯模型。

混合高斯模型背景建立的步驟如下。

（1）參數初始化

定義參數學習率變量來反映高斯分布函數的收斂速度 ，第一幀圖像的每個像素點的高斯分布的權重初始化為，并對均值和方差進行初始化，見 （式3）和 （式4）。

（式3）

（式4）

（2）參數更新

混合高斯模型的參數更新即高斯分布權重的參數更新，對于像素點It-1的 K個高斯分布根據其權重的大小進行排序，然后進行重新的匹配，其公式如下：

（式5）

其中C在混合高斯模型的建模中常取值為2.5，即將每個像素值與當前的K個模型進行比較，直到找到匹配新像素值的分布模型，符合匹配公式即為背景，否則即為前景。在視頻變化時，需要不斷更新權重參數。

（3）背景模型的建立

對K個高斯分布按照進行降序排列，權重大、標準差小的模式排列靠前，選取前Bt個高斯分布作為背景模型，如（式6）所示。

（式6）

式中T為自定義的權重閾值。

2.2背景差分法車輛提取

利用混合高斯模型建立了背景模型之后，通過可調參數的合理范圍設置能夠提取包含車輛目標的前景圖像。在此基礎上，從提取的前景圖像中獲得車輛目標，即完成車輛目標的分割處理，圖像分割是在包含前景的圖像中確定目標即完成目標檢測，選用的目標檢測方法為背景差分法，即首先基于混合高斯模型完成背景的提取，然后利用前景圖像減去背景圖像進行差分，得到前景圖像的二值化圖像，如圖1所示。利用形態學運算對目標區域進行處理，消除噪聲及小散點的干擾，填充孔洞區域，提取車輛目標，處理結果如圖2所示。

2.3車輛跟蹤

車輛目標跟蹤和預測使用卡爾曼濾波方法，通過對車輛的運動質心進行估計，預測出下一時刻的車輛的質心位置和區域。卡爾曼濾波方法由前一時刻的狀態得到后一時刻的狀態的基本方程如（式7）所示：

（式7）

式中：表示k時刻的車輛目標的狀態向量;F為傳遞矩陣，其維數為n;的功能是施加于系統的外部控制;B是控制矩陣，將外部控制與狀態變化之間建立關系;是隨機變量，并被假設具有高斯分布。

同時，卡爾曼濾波在校正過程還需利用當前的測量值，而當前的測量值是很難直接獲取的，可通過測量值進行轉換，如（式8）所示。

（式8）

式中：H為測量矩陣;是測量過程產生的誤差，假設其具有高斯分布。

2.4基于GUI的車流量檢測系統的建立

基于前述視頻處理原理，建立了基于MATLAB GUI的車流量檢測系統，由幾部分組成：視頻信息的導入和處理、當前車輛目標的數量顯示、車輛總數的顯示、識別的車輛目標的實時跟蹤和軌跡顯示。其顯示界面如圖3所示。

3 實驗分析

本文采集來自2段不同路段視頻進行處理，a段截取自繞城閘道入口，車流密度較低，b段截取自城市道路主路口，車流密度較大。

利用本文設計的車流量檢測系統進行數據處理，實驗數據如下表1，從表中可以看出對于車流量較小的場合，本系統算法準確率較高。在車流量密度較大的場合，多個車輛互相遮擋，導致車輛前景分割時，粘連發生，則多個車流量被認為是一個運動目標，分割不準確，進而導致計數錯誤。

4 結論

本文針對交通流的視頻監控進行了交通流參數的測量，考慮由于天氣等因素影響路段光線，采用不調整參數的混合高斯模型建立背景模型，背景差分法提取前景車輛，使用卡爾曼濾波方法對目標車輛進行跟蹤和預測，實現當前路段車輛的計數，有效的提高了車輛識別的效率和精度，為道路交通流參數測量提供了一種新的測量方法。

參考文獻

[1]柳長源，曹園園，羅一鳴.基于視頻圖像的車輛實時檢測系統[J].計算機工程2019 （8）： 265-269+277.

[2]夏瑩杰，歐陽聰宇，夏瑩杰，等.面向高速公路拋灑物檢測的動態背景建模方法[J].浙江大學學報：工學版，2020， 54（7）： 17.

[3]劉云霄.基于圖像信息的道路車流量檢測算法研究與實現[D].南京：南京航空航天大學，2019.

[4]吳志偉，基于視頻的車流量檢測技術研究[D].廣州：華南理工大學，2012.

項目來源

校級科研項目，編號 2018ZRKX0401010。