基于智能交通系統下視頻監測技術的研究分析

摘要：視頻監測技術是建設智能交通系統體系中不可或缺的部分，也是現代安防與城市管理工作的主要實施手段，過去的視頻監測對人力有較強的依賴性，尤其是一些交通情況較復雜環境下的監測工作，但智能交通體系的全面建設可以有效監測各種交通環境。本文主要深入研究視頻監測中的移動目標識別和跟蹤監測技術，并分析實際應用效果，以供參考。

關鍵詞：智能交通系統；視頻監測；分析

DOI：10.12433/zgkjtz.20231906

二十一世紀以來，國內的汽車保有量得到大幅提升，給交通管理部門帶來了較大的挑戰，正是在這種背景下，視頻監測作為提高管理效率的重要實施手段也被交通部門廣為使用。但以往的交通監測技術還需要大量的人工處理數據信息，但人工處理數據難免會出現一些漏洞。隨著人工智能、物聯網、大數據、云計算等信息技術的不斷成熟，給打造智能交通體系創造了良好的實施條件，而智能交通系統中的視頻監測技術又是打造智能交通系統中的核心技術，要求交通部門根據當地的實際監測情況選擇合適的技術，從而提高交通監測質量和效率。

一、視頻識別和檢測方式研究分析

在智能交通系統中應用視頻監測技術時，運用的攝像機主要負責采集原始圖像信息，技術原理是轉化鏡頭范圍內可識別光信號，通過電信號的方式進行傳輸。其中，需要大量的算法轉化，可以采集各種靜態視覺信號，并將這些信號合成視頻圖像，這也是目前針對移動目標經常使用的方式。

（一）背景差分方法

視頻監測技術中的背景差分方法主要技術原理是在特定背景下，實時監測移動目標，需要選取其中一幀圖像作為原始背景，再將需要監測的圖像與選取的背景圖像通過差分方法進行運算，完成監測目標的提取工作。背景差分方法的主要運用難點取決于圖像大多具有時變性的特點，每一幀圖像的背景都存在一定差異，而運動目標監測中的背景圖像需要重新選定，導致計算系統始終處于高速運行的狀態，給設備的更新和維護工作帶來了極大困難。在選取背景圖像時，通常設定第一幀圖像是不固定的，而在交通監測時，選取圖像中沒有車輛移動的道路或景象作為背景，但考慮到交通的流量和運行情況較復雜，給背景圖像的選定工作帶來了極大的時變性，選定單一的背景作為參照物不符合交通監測的需求。在實際運用中大多都是將視頻中提取精確與高效的圖像作為背景使用，并針對拍攝視頻中選取一個圖像作為背景建模。例如，均值法、中值法和單高斯分布等諸多背景建模方式，都存在一些局限，尤其是選取背景較復雜的建模方式。

（二）光流方法

在視頻識別技術中，光流法的技術特點是監測像素點與目標速度矢量，以此得出二者之間的內在關系，并勾畫具有運動特點的圖像，圖像會隨著亮度的變化而影響識別質量，變化可以清晰反映像素點中灰度在不同時間的變化情況，而目標在整個圖像之中和所在背景變化進行相對運動過程中，目標移動都呈現在像素點中，可以測算速度矢量變化情況，快速篩選目標，且運動目標的二維速度矢量也可以通過計算的方式轉化為三維速度矢量，再運用成像表面的計算方式進行投影。因此，光流方法可以實時測算運動目標的各種信息，且圖像中還包括大量的周邊背景信息，而光流法監測技術對各種場景切換的適應性較好，無需深入監測場景信息，可以準確識別各種移動目標的具體位置。

但由于光流法運用在智能交通監測中具有明顯缺點，即對光線不斷變化而產生的敏感與依賴，而現實監測中的光照強度是不斷變化的，一旦光照強度變化過大，就會增加識別誤差，降低監測結果的精度。同時，光流法還會由于車輛行駛距離過長而出現監測誤差，導致計算量增加，浪費過多的時間，且以往的光流法監測技術需要更多的計算時間，會影響技術的時效性與精確性，由于對監測環境的要求過高，導致不能滿足智能交通的監測需求。

（三）幀間差分方法

幀間差分監測技術的主要原理是通過視頻排序的方式，全面分析諸多相鄰圖像呈現的灰度值，再通過計算相鄰兩張圖片呈現的不同灰度值進行監測工作，以此確保移動目標得到正常監測。大多數的操作方式都是在讀取視頻中不同序列兩幀圖像進行計算，主要的計算方式是運用像素點之間的不同灰度值呈現的差分進行相減計算，以此得到完整的差分圖，再次進行二值化深度處理，還要在這些圖像中選取一個科學且合理的計算閾值，以閾值作為整個監測中的前景點與背景點，再通過判斷計算得到正確的結果。

通過對以上三種識別方法進行對比發現，幀間差分方法更適合在智能交通系統監測下作為主要的視頻識別和監測技術。但在智能交通系統實際運用中，為了確保視頻識別與監測精度得到有效提高，在通過幀間差分方法進行視頻處理后，還要充分運用分割技術與形態學技術再次處理，從而得出正確的監測結果。

二、圖像分割技術與形態學處理技術研究分析

在整個智能交通體系中，圖像分割技術的主要運用原理和作用是將攝像機拍攝的圖像進行初步分離工作，并進行加工和后期處理。在圖像分割技術中，可以細分為閾值分割計算方法、邊緣監測計算方法和區域生長計算方法。

（一）閾值分割計算方法

閾值分割算法的主要適用場景是對前景與背景之間的灰度值進行分析和處理工作，便于計算視頻監測工作，主要應用方向是對圖像進行預處理，算法應用細節是根據不同等級的灰度設定相應閾值，再將整個圖像劃分為多個區域，確保區域內部具有較強的關聯，以此區分與其他區域的內在屬性。但這種算法還存在一定缺陷，對噪聲過于敏感，且對灰度值明顯不清晰的圖像處理效果不理想，導致這種算法和其他算法搭配使用。

（二）邊緣監測計算方法

邊緣監測算法主要是識別圖像中各項變化較明顯的像素點，再進行有效連接，使像素形成穩定的圖像邊緣，以此實現定位移動目標圖像邊緣的使用效果。邊緣增強計算方法通常都是將圖像前景與背景進行加強對比，以此確定邊緣，主要的技術重點是突出邊緣輪廓。

（三）區域生長計算方法

區域生長算法與分裂合并算法是在交通監測中經常使用的算法，主要運用串行區域技術的特點對圖像進行計算工作。而區域生長算法主要是充分運用圖像中不同像素點具有的灰度值和紋理特性中存在相似的屬性，以此作為種子點對共同屬性像素進行處理，可以使其集合起來，并發展為獨立的區域。

（四）形態學處理技術

形態學處理方式的主要技術特點是運用不同的形態結構監測移動目標的運動軌跡和速度形狀，全面分析監測結果。經常使用的計算方式是利用膨脹、形態學梯度、閉運算、頂帽和黑帽運算等。這種計算在比較復雜的交通背景下，大多是對移動目標進行差分二值圖像處理，再利用閾值進行分割，但在實際過程中難免會出現空洞或噪聲。此時，需要人工進行二次處理，以此減少視頻中的干擾。使用形態學處理方式對閾值進行分割處理的圖像，可以進一步提高移動目標的監測精度。

三、視頻測速和跟蹤技術研究分析

（一）交通系統主要運用的測速手段

測速一直是交通系統中主要的監管指標，而經常在交通系統中使用的移動目標測速技術通常包括感應線圈技術測速、雷達技術測速和視頻技術測速。感應線圈技術測速是通過在不同的測速區間找到一些適合安裝感應線圈的位置，通過電磁感應的技術特點測算移動目標的實時位置。但仍存在局限，主要監測測速區間中金屬移動的速度，但在使用過程中依然需要監控設備，導致該技術不適合運用于智能交通系統中。

雷達測速是目前交通系統中經常使用的測速手段，雷達測速具有測速精準度高的優點。但雷達測速也存在移動目標較多和環境較復雜狀況下檢測精準度不高的問題，尤其是抗干擾性不夠，鋪設成本相對較高，雷達測速對于鋪設地域和周邊環境的要求也較高，通過分析實際使用效果可以發現，雷達測速不適合在現代智能交通系統中大規模應用。

視頻測速技術是近年來大規模應用的測速手段，也是在各地智能交通系統中經常看到的技術，這種技術可以將以往的目標跟蹤和測量合二為一，全面提高交通測速效果。視頻測速技術的主要原理是運用參數實時檢測圖像中移動目標的二維定位，得出移動目標的三維位置，并推算視頻中的時間，最終得出車輛在測速區間的速度。主要的應用優點是安裝方便，抗干擾也比以往的測速技術強，且具有良好的實時特點，視頻測速技術和人工智能技術結合后，可以實現在較復雜交通環境下對車輛行駛速度的監測工作。

（二）運動目標定位和跟蹤監測技術

監測運動目標中的詳細信息一直都是智能交通系統建設中的重點實現目標，主要的實施方向是運用計算機視覺和圖像處理的方式進行綜合分析，以此對攝像頭捕捉的交通視頻進行順序排列。而目標跟蹤檢測技術的運用不僅要對目標車輛進行測速，也是城市治安維護主要手段，尤其針對在逃犯人追捕工作等。在智能交通系統建設中對運動目標進行跟蹤可以通過以下方面實施。

1.通過移動目標的主要特征進行抓取

抓取移動目標的主要特點不需要了解移動目標的全貌，只需要重點觀察移動目標中的部分特征，但存在一定局限，如果沒有充分了解運動目標的主要特征，會發生缺乏判斷依據的現象，造成判斷錯誤導致跟蹤失敗，而在現實使用中，很多運動目標都會通過遮擋的方式跟蹤逃避設備，給通過目標特征進行跟蹤的方式造成一定困難。正是由于此種局限，在建設智能交通系統過程中，通過目標特征作為主要抓取的方式很難大規模應用。

2.移動目標的建模技術

移動目標建模技術主要是針對運動目標進行3D、2D和線圖模型方面的建模工作，也可以運用高層次移動目標模型空間的構建，例如，三維或二維空間的方式。通過對移動目標跟蹤和建模，可以實時跟蹤移動目標，且技術的可靠性較強，但主要缺點是計算量和工作量偏大，只能針對重點目標實行建模工作，會導致適用范圍較小，不具備大規模應用的特點。

3.區域跟蹤方法

區域跟蹤方法主要對目標區域的背景進行排序工作，對比每幀圖像中的紋理、梯度和色彩等主要特征，篩選其中需要監測的移動目標運動軌跡，選擇有針對性的識別與跟蹤方式，以此勾畫這一移動目標在整個監測區域的活動軌跡，適合目前正在構建的智能交通系統。

而區域跟蹤法主要分為兩種方式：第一，灰度重心定位法主要分析移動目標檢測區域內任何相鄰的兩幀圖像，確保移動目標始終在圖像中顯示灰度重心，使得到的數據不會發生較大變化，同時將灰度重心作為基礎的定位點，讓每個圖像中的灰度重心點能拼合完整的運動軌跡。第二，亞像素定位方法主要依靠圖像特征來進行篩選的技術，對特征的移動目標具有較高的定位準確度，也是領域內較受歡迎的跟蹤方法，對目標選取呈現出一定形狀的分布，但檢測范圍和圖像變化程度也具有一定要求，尤其是通過灰度重心法描繪像素特征，也是人工智能應用到智能交通系統的主要表現。

四、結語

綜上所述，視頻監測技術在構建智能交通系統中可以發揮較大的作用，應用空間與發展潛力較大，尤其是在互聯網、人工智能和大數據技術的廣泛應用背景下，智能交通體系視頻監測技術的應用范圍還應當進一步擴大，從而提高交通管理效率和質量。

參考文獻：

[1]李宇杰，裴中陽，李強，等.智能視頻分析技術在地鐵站客流監測中的應用研究[J].現代城市軌道交通，2022（03）：86-92.

[2]陳嘉寧，車俐，廖嘉寧.基于視頻分析的疲勞駕駛監測技術研究[J].電腦知識與技術，2022，18（08）：9-11.

[3]于春和，杜夢麒.基于智能交通系統下視頻監測技術的研究[J].通信電源技術，2020，37（09）：42-44.

[4]劉培泉.基于視頻圖像再融合技術和災害性氣候監測的高速公路交通安全監測及預警分析[J].中國交通信息化，2019（07）：114-116.

[5]鮑金玉.基于視頻分析的車輛智能監測技術研究[D].北京：北方工業大學，2019.

[6]徐成偉，張德強，張昊，等.基于雷達與視頻分析技術的鐵路崩塌落石自動監測報警系統設計與實現[J].鐵路計算機應用，2017，26（11）：22-27.

作者簡介：張豪（1983），男，安徽省樅陽縣人，本科學歷，畢業于西北農林科技大學；主要研究方向為機電工程。