基于機器視覺的智能交通管理系統＊

［林菡 陳麗娟 吳帆旭］

1 引言

隨著近年來人工智能技術和圖像識別技術的迅速發展，智能交通系統的建設已被許多國家提上議事日程。特別是在中國，截至2019 年底，中國公路總里程已達484.65 萬公里、高速公路達14.26 萬公里。隨著公路里程的增加，中國的機動車數量激增。同時，交通狀況是城市正常運營的重要指標之一。建立智能交通管理系統已成為必然之舉。其中，機器視覺是提高交通管理系統智能水平的重要推動力。采用基于機器視覺的智能交通管理系統，可以大大降低傳統交通管理系統的人力和物力成本，同時提高交通標準化水平，大大減少人工干預次數，降低市政壓力。一定程度上減輕了交通壓力。

2 背景

2.1 智能交通管理系統簡介

智能交通系統[1]（Intelligent Transport System，智能交通系統）是將先進的智能識別技術、通信技術、結合高效率的智能傳感器技術、控制技術及計算機相關技術等，并將其有效地整合了現代交通監控管理系統。進而構建起的一種在巨大區域內及全方位發揮作用的，實時、準確及高效的綜合現代交通智能管理系統。美國、日本、西歐率先展開相關的研究并成為ITS發展的前三甲，此外加、中、韓、新、澳等國家的研究也具有相當規模。近幾年來不僅僅是發達國家，各個發展中國家也陸續開展了相關的研究工作。

智能交通管理系統，可以有效的提高交通網絡的安全性，效率與可持續性；減少交通擁擠，改善駕駛員體驗。

2.2 OpenCV

OpenCV 的全稱是開源計算機視覺庫，是一個由許多技術公司參與開發的跨平臺的機器視覺庫。是一種開源的可以在各大商業和研究領域中免費使用。OpenCV 可用于開發實時圖像處理、機器視覺以及模式識別程序。該庫也可以使用Intel 的互聯網打印協議進行加速。同時它具有一系列的圖像識別和機器視覺算法，可以在機器視覺[2]處理上發揮重要作用。

3 系統分析

3.1 系統功能

（1）車輛識別功能：在系統布置區域對所有經過監測點的車輛進行捕捉識別。對違章變線等違反交通規則的行為，智能系統要能過進行自動識別，同時將違章現場的行為圖片進行上傳保存，留取證據，并且定期清理系統空間內的過期無效圖片，從而節省內存空間。

（2）車輛特征捕獲功能：在集成相機的檢測范圍內，若有車輛經過，集成相機需要有能夠正確判斷出車輛的具體特征，并在一系列光學設備的的協助下進行捕獲，拍攝的圖片中能夠體現出運動車輛的整體特征，以及標注出該車輛的行駛信息及車輛信息如：車牌號，車型，整車顏色等。

（3）車速測定功能：在相關監測點中布置的攝像機要對來往車輛進行識別的同時，還要完成對車輛在行駛過程中的視頻測速，并將具體速度，車牌信息等表示在清晰的車輛照片中，對于速度測定的精度要求：測定速度與真實速度的誤差要小。

（4）車牌識別功能：通過部署在監測點的相機或攝像頭，通過opencv 中的具體算法程序，自動通過視頻識別出經過監測點的車牌，同時將識別出的車牌信息上傳數據庫，以備查詢。

3.2 系統架構

基于機器視覺的現代智能交通管理系統所需要實現的目標是：監控系統收集道路交通信息，同時向數據庫傳回具體的車輛信息并使用有關算法進行處理與分析，同時系統根據用戶設定的具體規則進行比較查詢，如有發現非法行為的出現：如超速，追尾等，系統根據程序進行報警提示用戶，同時抓取圖像，留存證據，但是對于無違法行為正常行駛的車輛所拍攝的照片僅進行保存，過期后刪除，同是系統數據庫進行數據的統計查詢，如圖1 所示。

圖1 系統架構圖

據需求分析，系統可分為前端數據收集分析系統、系統后臺數據庫數據管理系統。二者互相協助，密不可分。

3.3 系統實現

要實現系統的上述相關功能，就必須實現對運動的來往車輛的檢測、車輛的背景的提取以及軌跡跟蹤；接下來進行系統實現的方法介紹。

3.3.1 運動目標的檢測

與靜態目標的檢測[3]，[4]相比，在檢測運動目標時要做的第一件事是將運動的物體進行圖像分割，找到對識別有意義的部分，然后從分割圖像中提取所需的特征。由于是對運動的車輛進行識別，所以必須在視頻圖像中進行測定，首先將圖像分割為運動區域與恒定區域，進而進行特征的提取，從而判定該物體（本項目為車輛）的具體情況。下面具體介紹兩種運動物體的分割方法：光流法和差分法。

（1）光流法

光流法在機器視覺以及其他圖像處理相關領域中的運用也十分廣泛，其可用于運動物體的檢測、圖像的分割計算、運動補償編碼，或通過物體的表面和邊緣的立體測量。它利用時域中圖像序列中像素強度的變化來具體確定每個像素位置的相對運動。但是，由于實現過程的復雜性和較長的計算時間，無法實現實時監控。故本系統不采用光流法開發系統，而采用差分法進行相關功能的開發。

（2）差分法

①幀間差分

幀間差分法是從相機捕獲的視頻中提取相鄰兩幀或相隔若干幀的兩幅圖像像素值做減運算，并對減運算后產生的圖像執行閾值化處理，以提取圖像中的運動區域，假如做減運算的兩幀圖像的幀數分別為第n 幀，第（n+1）幀，且這兩幀圖像分別為fn（x,y）；fn+1（x,y），差分圖像二值化閾值為T，差分圖像用D（x,y）表示，則幀間差分法的公式如下：

故幀間差分法是所有運動分割中的相關算法中最簡單的一種方法。但是對于運動物體表面若具有大塊灰度值類似區域之情況下，使用這種方法所做出的差分圖像會出現一些孔洞。并且識別誤差會伴隨著物體運動速度的增大而增大。故對于與本系統而言此方法并不適用與對高速運動的物體的檢測。

② 背景差分

背景差異方法是通過將圖像序列中的當前幀與預先建立的背景參考模型進行比較來測量移動對象的方法。此方法對動態場景的變化非常敏感。它執行圖像幀和此時捕獲的視頻的背景圖像之間的差分操作，從而獲得目標車輛的運動區域的灰度圖像，并對灰度圖像進行閾值處理。提取運動區域，而且為避免環境光照變化而對檢測產生影響，背景圖像根據攝像機當時捕獲的圖像幀進行更新。該方法在一定程度上克服了環境光線的變化對圖像識別過程中所造成的影響。

根據相關處理方法的不同，存在幾種不同的背景差分方法。若設It，Bt分別為當前幀與背景幀圖像，T 為前景灰度閾值，則其中一種方法如下：

通過調用攝像機，拍攝圖像，去前幾幀圖像的均值，并將其作為初始的背景Bt

提取當前幀與背景進行圖像二值并進行減運算，并減去絕對值；公式為：

對上述處理過的圖片進行形態學的處理以及更新背景圖像。

3.3.2 程序功能實現

通過建立背景圖像模型來對運動車輛檢測，并做到對運動車輛的跟蹤。通過運用OpenCV 開源技術中所擁有的機器視覺相關函數，實現對攝像機現場采集到的運動圖像數據進行操作分析，以及對攝像機的規則設定與定標。進行包括對采集的圖象的分配、釋放與圖象相關數據的轉換分析。對于功能實現，基本上使用OpenCV 圖像處理相關函數，并且根據對運動車輛的跟蹤,使用累積函數的相關函數統計出相關數據。

本項目通過運用上述函數實現對監測攝像機實時拍攝的視頻流中的運動車輛的輪廓提取與檢測，但是在實際操作中，需要進行背景圖像模型的建立。車輛輪廓提取程序流程圖如圖2 所示。

圖2 車輛輪廓提取程序流程圖

主程序功能流程如圖3 所示。

圖3 主程序功能流程

4 實驗結論

通過基于機器視覺的智能交通管理系統，對視頻中運動車輛的輪廓提取和運動目標跟蹤過程中，在現場限定環境下，受到相機的采樣效率、相機本身性能以及燒錄的算法程序的復雜程度，呈現正比例關系；監測效果基本滿足系統的實時性要求，動態跟蹤的正確率達到93%以上。

5 結語

在中國城市化進程大踏步提速的今天，本項目通過結合智能交通管理系統的課題，進行了視頻流中的動態車輛的圖像信息采集，車輛運動狀態的監測，完成識別功能，可用于智能交通管理系統中；后續，我們將會對相關算法進行優化，在非限定環境下，對車輛的識別，做到滿足大多情況下的使用需求。基于機器視覺的智能交通管理系統可以降低傳統交通管理系統的人力和物力成本，同時提高交通標準化水平，可以大大提高城市自動化和智能水平。