基于機器視覺的車流量統計算法應用

王墨琦

摘要：智能交通系統（Intelligent Traffic System，ITS）是目前公路運輸信息化、智能化的主流解決方案，其應用依賴于車流量檢測數據的準確度。精準的車流量信息在通過智能交通系統改進車輛通行情況的過程中發揮重要作用。文章針對汽車流量檢測情況，提出了基于機器視覺的卡爾曼（Kalman）跟蹤檢測方法，收集車輛運行中的相關信息，并對數據信息進行歸類整理，通過車流量信息特征數據分析，對汽車通行情況進行有效分析，改進原有車流量計算中的錯檢以及誤檢問題，從而降低了車流計數的漏檢率。

關鍵詞：機器視覺；車流量統計；卡爾曼檢測方法；交通狀態檢測

中圖分類號：TP391.4文獻標志碼：A0引言車流量檢測是智能交通系統［1］中重要的研究課題之一，常見的檢測方法包括感應線圈、紅外線、超聲波以及視頻檢測方法［2］。在解決道路交通擁擠方面，基于機器視覺的檢測分析方法與統計算法具有重要的應用價值，經過大量的實例驗證，基于機器視覺的交通流量檢測和分析能夠有效解決車輛通行數據采集問題，并據此統計車輛通行中的相關信息，包括車牌、車流量、車輛速度等，并在實踐中較好地發揮了智能交通系統的作用。本文針對車輛通行情況構建了相應的檢測分析算法，該算法可以準確地對車輛目標進行跟蹤、定位與分析，在車流量統計方面具有顯著的應用效果。

1車輛通行及跟蹤相關問題分析在能見度較低的情況下對車流量統計時，若采用傳統的視頻分析方式難度較大，在檢測分析過程中容易出現算法精度低、檢測穩定性差、車輛信息統計不準確等現象。因此，為了準確檢測車輛運行信息，本文基于機器視覺技術構建了相應的檢測分析方法，跟蹤統計車輛的質心坐標、位置信息、運動區域等，并在監測過程中進行降噪處理，保證各項檢測信息的準確性與全面性。

2基于Kalman濾波的車輛跟蹤數據采集2.1構建Kalman濾波模型Kalman濾波算法通過不斷更新目標的狀態來跟蹤目標或協助跟蹤過程，可有效改善基于外觀特征的目標跟蹤質量，降低物體邊界跟蹤誤差，縮小候選跟蹤區域范圍［3］。當前在對車輛行駛情況的分析中，研究人員廣泛應用了Kalman濾波算法，針對車輛運行情況構建了一種視覺跟蹤分析方式，對目標車輛的實際運行情況進行分析，在檢測運用之后能夠縮小汽車的匹配范圍，從而在運行中顯著地提升檢測速度，縮短各項信息的匹配時間。視覺跟蹤分析方式的構建包括q維動態系統與r維動態系統的離散動態系統。

用于觀測的q維動態系統為：

x+1=Ax+ω（1）

目標觀測方程為：

y=Hx+υ（2）

其中，x是系統中的狀態向量，y是系統中的測量向量，ω和υ分別為系統噪聲和測量噪聲，A和H矩陣為系統的狀態矩陣和測量矩陣，是系統的參數。

Kalman濾波算法運用過程包括預測階段與校正階段兩個部分。在預測階段，Kalman濾波算法分析車輛以及檢測系統當前的運行狀態，分析系統對車輛信息的收集與判斷情況，針對檢測的圖形信息，構建誤差協方差矩陣。在校正階段，Kalman濾波算法對汽車當前行駛情況進行數據校正，構建Kalman增益矩陣，將收集到的數據代入其中，通過計算之后得出協方差矩陣。

2.2設置運動估計模型參數本文構建卡爾曼系統模型，設定運行參數，包括狀態向量X、測量向量Y、系統參數A，針對得出的數據進行目標匹配。得出第k+1幀第m個目標車輛的質心坐標、外接矩陣長、寬，計算外接矩陣面積，得出質心距離公式、矩形面積相似公式、面積相似公式，由此計算第k+1幀上的任何車輛的面積情況，分析該數據之下的汽車通行情況。之后及時對跟蹤模型進行更新，分析第k幀檢測目標與第k+1幀檢測目標匹配之后，記錄系統分析中的相關數據，并對數據進行整理與歸類總結，保留分析中的特征數值，從而總結出新的車輛信息，及時更新Kalman模型，并保留相關的數據記錄。

筆者將第n個檢測目標與第k+1幀上的檢測目標進行配對，得出其中是否存在匹配目標，若通過數據對比沒有得到匹配目標，則顯示當時跟蹤的車輛已經消失在視頻流模型之中，失去了進一步統計的意義，此時將標記目標取消。在車輛信息新目標進入視頻流時，則需要建立新的模型進行分析，要求將這些運動特征保留，并結合收集的相關數據構建初始化模型。

3對汽車流量的檢測

3.1汽車目標圖像特征分析筆者利用計算機技術，提取區域中的方位信息，并構建合理的數據分析方式，將方位信息劃分為不同的區域，按照不同的特征進行數據采集與分析。分析方式利用區域的數字特征，結合圖像中的幾何特征表示目標區域的面積、周長以及外接矩形等［4］。利用數據結構分析存儲圖像中的相關信息，利用每個元素，用線段編碼形式表達數據結構。將掃描的信息匯入數組，通過數據分析得出最終的目標區域。掃描的起始部分為圖像首行，一直掃描至該行首項不為0的點為止，分析像素聯系為255的段，并標出該部分內容的起點、終點坐標，得出區域幾何參數信息，掃描汽車通行過程中的全部數據，并得出各個區域的數據，將圖像內容輸入之后分析該時段內是否存在連通區域，將目標參數輸入其中進行數據信息匯總。

3.2汽車流量檢測根據所提取的車輛目標特征數據參數，基于機器視覺中的圖像識別技術以及計算機視覺技術檢測流量，針對目標汽車運行情況構建三維立體模型，通過內容匹配得出最終的立體信息。結合汽車運動過程中方向以及位置的變化情況，得出運動模型中速度、偏轉角度、方向等相關參數信息，由此實現對目標的精準定位及跟蹤，得出移動狀態下的相關參數。對汽車在真實運動狀態以及表現運動狀態下的變動情況進行光流場分析，利用圖像分析汽車在運動狀態下的運動場，包括運動參數以及運動目標。精準追蹤汽車運動速度，采用迭代方式進行分析。運用圖像差分的檢測方法，分析汽車運動圖像序列各幀之間的相互關系，并構建針對圖像的相關處理方式，將圖像序列中每幀與參考幀進行對比。

通過對背景的更新與處理，得出汽車運動過程中的目標參數，并對圖像進行圖像二值化處理［5］，得到目標圖像與背景圖像。對得出的汽車目標圖像進行去噪處理，構建33×33的去噪模板，若黑色像素個數Sum小于設定閾值T，則說明該區域中的內容為噪聲點，則將像素灰度值從0變為255，并對得到的像素點依次進行處理，從而將運動中的噪聲點去除，得出最終的汽車目標圖像。通過對收集到的圖像特征進行提取與分析，得出汽車流量，分析方法為將灰度變化的圖像與背景圖形進行差分對比，并設置一個固定的閾值。計算車輛差分圖像特征點個數，據此計算車輛面積，并分析此階段內是否有車輛路過，從而對車流量進行統計分析。結合圖像灰度變化設定既定的閾值，測量得出閾值N，設定檢測區域內個數或目標面積，設定目標面積S，若目標面積S大于灰度的閾值，則顯示該時段內有車輛經過，否則，則認定沒有車輛路過。對閾值N進行測試與調整，得出的車流量數據如表1所示。

4交通狀態檢測汽車實際運行情況是重要的檢測內容與要求，可以基于機器視覺，聯合運用計算機技術與通信技術進行分析。

提取汽車運行過程中的交通狀態，并結合汽車流量的平均特征進行分析，綜合判斷當前汽車行駛狀態為擁擠或者阻塞。例如：在對一個雙車道進行分析的過程中，假設1 min內平均通過18輛汽車，則一天之內該車道平均汽車流量閾為18。利用遺傳算法優化BP神經網絡智能化判斷汽車通行情況，構建一個3層BP神經網絡分級器，提升計算過程中的BP神經網絡學習速度，從而實現對車輛運行情況的精準判斷。結合汽車流量變動設置BP神經網絡的閾值與權值，選擇平均車流量作為輸入層節點，將汽車經過區域劃分為5個節點，將汽車通行情況作為輸出層節點，設置交通阻塞或者交通暢通兩個節點。結合經驗數值，估算結點個數，BP神經網絡訓練誤差是0.055，在隱含層節點數為10時，能夠達到最佳的運行效果。結合BP神經網絡實際運行情況分析交通狀態，利用遺傳算法累計開展8次檢驗，每次檢測結果識別率均超過96%，如表2所示。

阻塞交通狀態下BP算法誤差0.103，GA優化BP網絡誤差0.057；暢通交通狀態下BP算法誤差0.101，GA優化BP網絡誤差0.048。結果顯示，對車輛交通情況的判斷正確率均超過96%，可以將其運用于對交通狀態的檢測過程之中，具有實時性檢測的運用效果。

5Kalman算法實現跟蹤

在運用Kalman跟蹤算法統計車流量信息時，按照以下流程進行。首先計算車輛信息的特征值，與車輛的運動區域相結合，對圖像信息進行預處理，再對圖像進行初始化與二值化，進行膨脹腐蝕與開閉運算，由此通過多種方式處理，進行目標定位，選擇分析特征，計算面積區域中的跟蹤區域特征值以及質心位置，從而得出車輛信息特征值。隨后將目標數值代入，構建Kalman模型，對參數進初始化，分析預測車輛下一時刻所處的位置。將收集到的數據值進行匹配，構建相似匹配函數，包括最小外接矩形長與寬、運動車輛質心位置、外接區域面積等，通過計算之后預判車輛的通行情況，并進行迭代跟蹤，最終計算得出車流量。基于Kalman算法進行機器視覺檢測車流量的整體流程如圖1所示。

6結語本文系統地闡釋了在基于機器視覺獲得的圖像中進行車流量檢測的方法。檢測系統利用Kalman濾波模型，通過對汽車圖像的目標特征分析，獲取跟蹤目標，從而實現車流量檢測。在對車流量進行分析過程中，有效地結合汽車面積、質心和最小外接矩形等相關參數，利用圖像差分法對汽車流量進行檢測，利用數值構建汽車目標圖像，并對圖像信息進行去噪處理，增強圖像信息處理效率，從而精準得出車流量，研究得出檢測識別率不低于90%，符合智能交通系統中實時性檢測的相關要求。文章基于該車流量檢測，利用BP網絡分析交通狀態，完善和優化了智能交通系統中車流量檢測的應用方式，提高了智能交通系統的應用效益。該研究對智能交通系統持續改進和更新具有重要的意義。

參考文獻

［1］史新宏，蔡伯根，穆建成．智能交通系統的發展［J］.北方交通大學學報，2002（1）：29-34.

［2］齊美彬，鮮柯，蔣建國.基于對比度失真參數的車流量統計算法［J］.合肥工業大學學報（自然科學版），2010（12）：1815-1818，1823.

［3］周云，胡錦楠，趙瑜，等.基于卡爾曼濾波改進壓縮感知算法的車輛目標跟蹤［J］.湖南大學學報（自然科學版），2023（1）：11-21.

［4］呂揚建，李光耀.基于視頻分析的車流量統計算法研究［J］.井岡山大學學報（自然科學版），2013（4）：46-51.

［5］韓錕，韓洪飛.基于區域級和像素級特征的路面裂縫檢測方法［J］.鐵道科學與工程學報，2018（5）：1178-1186.

［6］尹曉丁，吳陽明，趙喆，等.基于DSP圖像處理的車流量統計算法研究［J］.計算機與數字工程，2017（6）：1204-1206，1233.

（編輯 王雪芬）

Application of vehicle flow detection based on machine visionWang? Moqi

（Intelligence and Information Engineering College， Tangshan University， Tangshan 063000， China）Abstract： Intelligent transportation system （ITS） is currently the mainstream solution of road transportation informatization and intelligence， and its application depends on the accuracy of traffic flow detection data. Accurate traffic flow information can play an important role in the intelligent transportation system to improve vehicle traffic. In this paper， a machine vision-based Kalman tracking detection method is proposed for the detection of vehicle flow， which collects relevant information in vehicle operation， classifies and sorts out the data information， effectively analyzes the vehicle traffic situation through the analysis of vehicle flow information characteristics， and improves the error detection and false detection problems in the original traffic flow calculation， thereby reducing the missed detection rate of traffic flow counting.

Key words： machine vision; vehicle flow detection; Kalman detection method; traffic state detection