基于點云數據和圖像處理技術的高速公路車輛流量檢測

劉衍和

（青海交通職業技術學院，青海西寧 810003）

現代經濟的迅速發展和汽車數量的迅猛增加，導 致交通運輸對人們日常生活的影響日益增大，特別是高速公路對人們的生活生產極為重要，在這種情況下有必要對高速公路車輛流量進行精準檢測，以有效提高高速公路車輛管理水平，保障高速公路的暢通性、安全性和節能環保性［1-3］。但由于傳統的交通檢測方法已不能滿足復雜多變的高速公路現狀，例如文獻［4］中的方法只在車道單一、車輛較少的情況下準確率高，對于高速公路的雙向四車道且處于高峰期車流量較大的情況，檢測準確率較低［4］。文獻［5］中的方法對光線的要求較高，晴天和白天對高速公路車輛流量檢測較準確，但是陰天和夜晚的檢測準確率偏低［5］。

為解決以上問題，本研究將點云數據和圖像處理技術引入到該領域，點云數據是通過一定的測量手段采集到的目標物體表面特征的密集點集合，點數少且點與點間距大稱為稀疏點云；點數多且比較密集稱為密集點云。圖像處理技術是采用計算機對圖像信息進行有效處理的一種手段，圖像數字化、圖像增強、圖像三維重建等均屬于圖像處理技術。因此為提升高速公路車輛流速檢測準確性，本文將點云數據和圖像處理技術進行有效結合，提出基于點云數據和圖像處理技術的高速公路車輛流量檢測方法，以期為交通管制提供一定數據支撐。

1 基于點云數據和圖像處理技術的高速公路車輛流量檢測

1.1 圖像預處理

可以通過虛擬現實技術整合原始點云數據來進行原始點云圖像的點云信息融合，使用中值濾波技術對融合后原始點云圖像中的點云數據進行預處理［6-7］。即通過采用數字點云圖像中某點云周圍一定范圍內其他點值的中值代替某點，以使該點周圍的像素值靠近該點的真實值，消除個體噪聲點云，實現圖像的預處理。預處理完成輸出值如公式（1）所示：

其中，b為窗口水平方向的大小；e為窗口垂直方向的大小；Z為平面窗口規格表示；二維數據串序號用Z2中的2 表示；Λij為圖像上點云坐標即（i，j），Ψi，j為經過中值濾波處理的輸出值。

通過圖像預處理把原始點云數據轉變為三維點云數據場，在此基礎上進行圖像點云優化［8］。

1.2 圖像點云優化

可利用虛擬現實技術實現三維點云數據場的點云分布密集度的優化，首先及時調整各光束和3D激光掃描儀位置，再根據3D激光掃描儀光心同空間點連接產生的光束，建立光束平差模型。圖像點云優化是指使用非線性改進法計算3D 激光掃描儀相關參數和空間坐標點時，使這兩者間誤差均勻分布且誤差最小的方法［9-10］。在三維空間中，第a幅圖像上空間點g的縱投影點和像素點之間距離平方和的最小值為

為去除圖像中的配準噪聲，隨機選取一個初始值對公式（2）進行線性轉換，再使用局部線性逼近方式完成圖像從迭代到收斂，然后采用非線性最小平方法消除圖像配準噪聲。最后通過擴大圖像迭代收斂范圍實現圖像點云優化，以得到精準的三維圖像重建結果。

由于3D激光掃描儀有12項參數，其中4項是空間點參數。設有A幅圖像，若要對圖像上的G個空間點實行三維重建，那么對參數實行最小化調換的數量為12A+4G。當空間點個數G和圖像幅數A增加時，參數最小化的計算量也會增加，導致圖像三維重建效率降低。所以需要降低G和A的數量或采用稀疏矩陣方法以避免發生三維重建效率降低的現象。

為提高三維圖像重建的準確性，可通過虛擬現實技術使三維數據點云分布得更為密集，從而避免因三維點云數據分配不均導致的數據重疊情況的發生［11］。為提升三維重建的完整度，可通過虛擬現實技術對圖像點云進行自動檢測，過濾掉噪聲點和障礙物，使之能更好地覆蓋目標圖像表面的微小矩形面片集，從而提高完整度。

設定A幅圖像序列集為I= {Ii|i= 1，2，…，A}，把全部圖像劃分為單元模塊Di(x，y)，每個大小是r×r，保證每個單元模塊都存在矩形面片λ，且可作為圖像三維重建目標，d(λ)為矩形面片λ的中心，n(λ)為單位法向量。按照Harris 和DoG 算子得到圖像對角點和特征塊，進一步求取Di(x，y) 響應值，在結果中選擇極大值，數量為η。此外，為獲得稀疏重構矩陣面片λ的初始值，還需要對極大值實施圖像間匹配和三角化。假設R(λ) = 1，使用光度一致性估算H(λ) 的初始值，在對d(λ) 和n(λ) 進行優化后重新計算H(λ) 值。重復此過程，直到出現|H(λ) | ≥β。

由于相鄰矩形面片之間的向量相近，因此始于矩形面片λ，使用迭代法查找已有矩形面片Di(x，y) 和D′i(x，y)，利用公式（3）判斷二者間是否相鄰，即

其中，ρ1為和r像素相對應的圖像在d(λ) 和d(λ′)中心的深度；初始化后的λ用λ′表示。利用局部光度一致性對d(λ′)和n(λ′)進行約束優化，并采用全局可視化方法對H(λ′)進行約束優化，如果|H(λ) | ≥β，則改變S(λ′)中的深度圖，并對擴展后的重建面片進行過濾，及時過濾錯誤匹配點。如果矩形面片λo在圖像集U的外表面，關系如公式（4）所示，則過濾λo點；如果矩形面片λo在圖像集U的內部，則需要再一次計算全部點的S(λo) 和H(λo)。 如 果 出現|H(λo)| ＜β，那么 過濾λo點。

1.3 點云圖像三維重建

為了能夠更好地表現出圖像中幀點像素的分布情況，需要將虛擬現實技術優化的點云數據進行高斯分布，為組成重建模型打下基礎。該模型中每個高斯分布的權重比例用來表示圖像前景和圖像背景的比例。用｛X1，X2，…，XO｝表示幀點像素在時間域O中的變化情況，隨機選擇幀點像素時間Xi，那么Xi是重建圖像背景的比例，如公式（5）所示，即

其中，f（X，Y）為高斯概率密度函數，wi，j為權值，L為高斯分布項目個數。

將點云數據調整為高斯分布狀態，以減小圖像前景和背景間相對位移產生的重建差異。公式（6）為通過灰度和方差的關系函數表示的背景圖像，即

其中，μi為圖像幀點像素灰度通過高斯分布的平均值，σ2為像素方差。

最后，通過約束各幀點像素灰度計算過程，以精確匹配前景圖像、背景圖像和原始點云圖像的點云位置，從而完成圖像的三維重建。

1.4 運動目標跟蹤法

由于跟蹤目標的運動過程可獲得更詳細的目標運動信息，而且還會給目標檢測提供可靠的數據來源，因此需要對其進行仔細分析。運動目標跟蹤可確定所需目標在視頻序列每一幀圖像中所處的位置，可使多個目標的特征數據匹配在連續幀圖像之間，以得到每一幀中所需目標的具體位置信息，從而完成目標的連續跟蹤［12-13］。

現如今，多目標跟蹤法被廣泛應用于交通控制和人工智能中［14］，本文采用基于均值漂移理論的半自動跟蹤算法Mean Shift 實現多目標跟蹤。該算法可以先創建初始目標模型，再創建候選目標模型，然后在不斷迭代的過程中，對目標模型和初始模型進行匹配，直到找到最優匹配模型。在此過程中，需選取合適的相似性度量函數與核函數，Mean Shift向量可取計算相似性度量函數最大值時的向量，以表示目標從前一幀的初始位置向當前位置移動時的均值漂移向量［15］。由于Mean Shift的算法存在一定收斂性，因此可以通過不斷的迭代計算使其向目標的真實位置靠近，直到收斂至目標實際位置，以達到目標跟蹤的目的。

1.4.1 初始幀的目標模型

初始目標的概率密度函數如公式（7）所示，即

其中，xo為目標中心，n為面積，b（x）為特征值函數，h為最小外接矩形的高，k為幀數，u為位置點。

用δ表示單位脈沖函數，對該函數鄰域內的像素分配不同的權重，使遠離中心的像素權值較小，靠近中心的像素權值較大，標準化系數用C表示，如公式（8）所示，即

1.4.2 當前幀模型

候選區域是指當前幀中含有目標的區域，候選目標模型的概率密度函數如公式（9）所示，即

其中，y為核函數的中心位置，nc為候選目標面積。

1.4.3 相似性度量函數

相似性度量函數可表示初始目標模型和當前幀模型的相似程度，Bhattacharyya 函數是最常用的相似性度量函數，其定義如式（10）所示，即

其中，m為初始目標中心的個數，ρ(y) ∈[ 0，1]為初始目標模型和當前幀模型的匹配程度，該值越小則相似性越差，該值越大表示相似性越大。通過計算可得出當前幀中使ρ(y)最大化的候選模型，即為跟蹤目標。

1.4.4 目標定位

通過計算得出前一幀中的目標中心，可把此中心當作當前幀的初始中心位置y0，以使ρ(y)取到極大值。假設y0為匹配搜索起始點，Bhattacharyya 系數可近似表示為公式（11），即

從表2可以看出,模板匹配和BP神經網絡雖然用時較少,但其識別率相對于HOG+SVM較低;BP神經網絡需人工選擇特征,其識別效率可隨網絡深度的增加而提高,但其時間也會隨著網絡參數的增多而增加。本文算法相比較于其它算法在時間上略有增加,但識別率提升明顯,適用于對識別精度要求較高的應用場景。

對其中關于y的函數進行分析，得出公式（12），即

用公式（12）估計加權后的核函數密度，當該式取最大值時，相似性系數也取最大值。當前幀中目標區域中心y0和實際位置y的漂移向量可通過計算公式（9）中的Mean Shift向量得到，如公式（13）所示，即

mh，G(y) 為目標由初始位置移動到當前位置的運動向量。由于應用Mean Shift 算法時首先應在當前幀中尋找目標的大概位置信息，再采用Mean Shift進行迭代搜索，因此當計算值為mh，G(y)＜ε時，說明迭代計算已達到收斂狀態，即可得到目標模型的最優位置，實現高速公路車輛流量檢測。

2 實驗結果與分析

為驗證基于點云數據和圖像處理技術的高速公路車輛流量檢測方法的有效性，選取某區域高速公路作為實驗對象。分別在不同路段、不同車道和不同光照條件三種情況下，對文獻［4］中的方法、文獻［5］中的方法和本文方法的車輛流量檢測結果進行對比。首先對比三種方法的準確率，如表1所示。

表1 三種方法不同路段檢測結果對比Tab.1 Comparison of detection results of three methods in different road sections

表1 所示為三種方法對不同路段高速公路車輛流量檢測結果，可以發現本文方法在檢測三段路段中車輛流量的平均準確率可達到96%，準確率較高；文獻［4］中的方法在三次檢測中車輛流量的平均準確率是90.1%；文獻［5］中的方法在三次檢測中的平均準確率是89.5%。實驗證明：本文方法在對不同路段車輛流量檢測中，準確率較高。

為繼續對比三種方法，再次對比不同車道情況下三種方法的檢測效果，結果如表2所示。

由表2 可知，文獻［4］中的方法和文獻［5］中的方法在單車道和雙車道情況下車輛流量檢測準確率可達90% 以上，但是在雙向雙車道和雙向四車道這種車輛較多的情況下，檢測準確率降低，最高不到90%。而本文方法在不同車道情況下檢測準確率較為穩定，在車輛較少的單車道和雙車道環境中檢測率可達96% 以上，在車輛較多的雙向雙車道和雙向四車道環境中，檢測率也在95% 以上。由此可見本文方法對高速公路不同車道情況下車輛流量檢測均具備較高的準確率。為了更準確地證實這一結論，再次進行對比，得到結果如圖1所示。

表2 不同車道情況下三種方法檢測結果對比Tab.2 Comparison of detection results of three methods under different lane conditions

圖1 三種方法不同光照條件下檢測效果對比Fig. 1 Comparison of detection effect of three methods un‐der different light conditions

由圖1 可知，文獻［4］中的方法對高速公路車輛流量檢測受光照影響較大，在晴天和清晨時檢測準確性較強，準確率可達85% 以上，但是陰天和夜晚時檢測準確率下降，僅處于76% 左右；文獻［4］中的方法情況相似，在晴天和清晨檢測準確率達86% 以上，陰天和夜晚時準確率下降，最低不到79%；而本文方法在四種不同光照條件下，檢測準確率高于94%。實驗表明：本文方法受光照影響較小，不同光照條件下檢測準確率都較高。

3 結論

為提高高速公路車輛檢測水平，本文利用點云數據和圖像處理技術相結合的方法對高速公路車輛流量進行檢測，并通過對比實驗驗證在不同路況、不同車道和不同光照條件下本文方法的檢測效果，得出本文方法在應用中的準確率最高。雖然本文方法在車輛流量檢測方面取得了一定的研究成果，但由于并未對高速公路道路邊障礙物對車輛流量檢測的影響加以考慮，今后會在該方面展開相關研究。