智能交通車輛識別檢測技術(shù)研究

羅輝

摘 要：為了解決目前交通存在的污染、擁擠以及安全交通事故等問題，將現(xiàn)代化人工智能、電子傳感、信息通信等新技術(shù)，用于智能交通車輛識別檢測意義重大?；诖耍瑢χ悄芙煌ㄜ囕v圖像采集系統(tǒng)具體設計方案進行概述，包括數(shù)據(jù)采樣端、圖像質(zhì)量評估端、大數(shù)據(jù)分析端，設計圖像采集功能模塊，完成設備視頻設置，視頻圖像保存、壓縮與傳輸?shù)裙δ?，對已采集圖像進行去燥、增強對比度等預處理，提出基于背景差法融合幀差法的車輛檢測算法。研究結(jié)果表明：此種方法可以很好的解決經(jīng)典檢測算法的缺點，提高檢測精度，排除干擾，降低車輛誤檢率，可以成功識別不同類型車輛，構(gòu)建全面、高效、科學的智能交通系統(tǒng)。

關鍵詞：智能交通；車輛識別；車輛檢測

中圖分類號：U495? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：2096-6903（2023）07-0093-03

0 引言

隨著城市發(fā)展進程不斷加快，交通需求與日俱增，基礎設施建設速度相應加快，隨之而來的交通擁擠與安全事故，成為給城市交通發(fā)展帶來困擾的重大問題。那么設計智能交通系統(tǒng)，對于改善交通發(fā)展降低污染有重大推動作用，車輛識別一般運用數(shù)字攝影與計算機信息管理技術(shù)，進行圖像處理與識別等輔助技術(shù)下，完成車輛數(shù)據(jù)采集及處理的過程[1]。車輛檢測技術(shù)則運用視頻圖像實現(xiàn)交通監(jiān)管，從而獲取所需圖像信息。車輛交通識別檢測技術(shù)作為目前智能交通系統(tǒng)中應用比較廣泛的技術(shù)之一，能夠為實現(xiàn)智能交通提供數(shù)據(jù)支撐，因此本文展開對智能交通車輛識別檢測技術(shù)的研究，對全面建立由智能交通系統(tǒng)意義重大。

1 車輛圖像采集系統(tǒng)設計

利用視頻監(jiān)控系統(tǒng)得到交通中車輛圖像，利用視頻攝像機，精準分析交通道路中的相關信息，將模擬圖像利用圖像采集卡進行大量信息整合與分類，分析道路運行中不同類型的信息，利用計算機技術(shù)得出數(shù)字圖像信號。將得出的不同類型信息統(tǒng)一輸入車輛圖像采集系統(tǒng)之中，并進行不同設備之間的信息共享[2]。如圖1所示，車輛視頻監(jiān)控檢測系統(tǒng)運行中設計視頻采集、處理、顯示車輛信息等不同模塊，通過此種處理方式構(gòu)建智能交通系統(tǒng)。

2 車輛檢測識別數(shù)字圖像處理技術(shù)

2.1 圖像去燥

2.2 圖像增強

圖像對比度增強主要包括兩種方法，分別是直接對比度增強和間接對比度增強，間接對比度增強法中直方圖拉伸、直方圖均衡化運用較為常見，直方圖拉伸可以利用對比度拉伸調(diào)整直方圖，將圖像背景與前景之間的灰度差別進行調(diào)整，從而增強對比度[4]。直方圖均衡化利用“中心思想”，灰度直方圖在某一灰度區(qū)間中分布，呈現(xiàn)出非線性拉伸狀態(tài)，對圖像像元值進行集中處理與分析，由此得出灰度范圍內(nèi)像元數(shù)量。

3 幀差法融合背景差分車輛檢測

3.1 融合技術(shù)的車輛檢測

將這兩種算法融合就是利用不同傳感器，依據(jù)某一算法綜合處理多幅圖像，主要就是為了將多個數(shù)據(jù)源圖像內(nèi)的互補信息與冗余信息充分融合，從而強化圖像信息，提高圖像質(zhì)量可靠性，保證融合后所獲圖像的良好魯棒性，有助于分析、理解與檢測圖像[5]。

幀差法除了具有快速運算、計算過程比較簡單、光線變化整體敏感度不高、魯棒性較強等優(yōu)點外，還因為鄰近兩幀圖像存在較短的間隔時間，算法并不受背景變更影響（使用中可以不隨背景更新而變化）。其缺點就是無法對靜止車輛加以檢測。而背景差分算法則可以滿足動靜車輛的同時檢測，并且此算法的計算原理比較簡單，并不涉及求解均值等運算的過程，所以整體難度不高。但缺點是面臨環(huán)境背景的多變性，需要不斷更新背景預防環(huán)境變化所致檢測誤差。

在車輛檢測中引入融合思想，將上述兩種方法結(jié)合，處理車輛識別的視頻圖像，提取背景完成車輛檢測，選擇適當?shù)泥徑鼛瑱z測，然后通過像素融合兩種方法的各自處理結(jié)果，最終獲得檢測圖像提高了車輛檢測精度。不僅減小了計算量，還保證了檢測實時可靠性。融合規(guī)則主要運用加權(quán)平均法，其權(quán)重系數(shù)可調(diào)節(jié)的適用范圍較廣，可以將部分噪聲成功消除減少源圖像信息損失[6]。

融合檢測算法流程圖如圖2所示。首先由攝像頭獲得所采集的交通車輛圖像，并提取圖像背景，成功去除行人與汽車的剩余車道信息。通過鄰近幀差法，對源圖像采集，獲取鄰近兩幀圖像，將前幀圖像讀取之后，保留后幀進行差分法。使用原圖將提取背景之后的背景圖成功減去之后，對前一幀圖像進行一定處理，利用融合技術(shù)得出檢測圖像，基于分析目標進行圖像處理[7]。

3.2 去除圖像陰影

系統(tǒng)攝像機長期處于室外工作環(huán)境下，攝像所受日光影響下，背景環(huán)境散射照度是路面照度的重要構(gòu)成部分之一。在直射過程中，物體產(chǎn)生各自的陰影，但是散射光線不會產(chǎn)生陰影，由此在圖像分析過程中容易出現(xiàn)處理陰影問題，影響數(shù)據(jù)的得出與分析，不利于得出精準的分析結(jié)果。每一個物體均具有各自的背景、移動物體、物體陰影灰度，在圖像信息分析中要求及時剔除物體陰影區(qū)域，對相關信息進行進一步分析?；趨^(qū)域灰度跳躍性原理邊緣檢測方法，進一步增強陰影區(qū)域排除的科學性[8]。

通過運用此算法去除陰影結(jié)果發(fā)現(xiàn)（見表1），在交通圖像的路面、車輛與陰影之間存在較大灰度差值時，可以最終獲得很好的陰影去除效果。兩種融合的方法吸收了背景差法、幀間差法兩種算法優(yōu)勢，保證車輛檢測性能的魯棒性更強，滿足晴天、陰天、霧天、雨天等不同天氣條件下較高的車輛檢測率。

4 車輛識別系統(tǒng)

4.1 識別流程

基于數(shù)字形態(tài)學處理方法進行通常車輛識別，可增強圖像信息收集的全面性與科學性。車輛識別系統(tǒng)流程圖如圖3所示，將圖像干擾去除之后應用邊緣檢測算法，成功獲取車輛輪廓，并提取車輛特征完成識別。在獲得車輛圖像之后，為了保證所獲車輛輪廓線的完整程度，如果依然使用傳統(tǒng)邊緣檢測，不僅會影響圖像輪廓的連續(xù)性，還會出現(xiàn)外部輪廓及內(nèi)部邊緣重合等情況。所以需要得出車輛識別獲取外部輪廓，利用車輛邊緣信息，得出車輛長寬面積等特征信息。

首先，進行數(shù)據(jù)采樣與圖像質(zhì)量評估，通過圖像質(zhì)量自動評估程序，自定義采集圖像質(zhì)量評估標準。為了解決人工判斷誤差，通過布設標準測試卡與攝像機設備之后，返回識別信號可以利用機器視覺技術(shù)完成圖像質(zhì)量評估，用于判斷圖像的清晰程度[9]。

其次，完成車輛圖像預處理后，克服圖像魯棒性快速準確定位車牌，根據(jù)顏色特征、紋理特征、形狀特征、灰度跳變特征，即可根據(jù)圖像性質(zhì)不同，設計基于灰度圖像的定位算法，也可設計基于彩色圖像定位算法，劃分為基于區(qū)域、邊界、彩色空間等分割定位方法。

最后，利用大數(shù)據(jù)技術(shù)設計圖像質(zhì)量追溯系統(tǒng)，用于對歷史圖像質(zhì)量追溯。采用Spark大數(shù)據(jù)平臺存儲、查詢圖像質(zhì)量的評估過程與結(jié)果，所存儲的相關數(shù)據(jù)包括了攝像機設備類型，機器人的相對位置，相對高度以及光照強度，與人工檢測現(xiàn)場相關數(shù)據(jù)，以及攝像圖傳回測試卡圖像。Spark可以基于現(xiàn)有Hadoop分布式文件系統(tǒng)基礎上，利用特有Shark/Spark SQL接口，存儲平臺選擇Spark為后續(xù)數(shù)據(jù)分析、挖掘奠定基礎。

此系統(tǒng)滿足機器人采用遠距離WIFI遙控，操作響應時間應在3 s內(nèi)。對圖像自動評估系統(tǒng)而言，在檢測人員選定圖像進行判斷時，其響應時間應在1 s內(nèi)，判別結(jié)果應與人工評估結(jié)果誤差在5%內(nèi)。大數(shù)據(jù)庫技術(shù)對存儲規(guī)模沒有限制，其主要技術(shù)指標在于存儲和查詢的響應速度上，初步要求其存儲和查詢的響應時間應在2 s內(nèi)[10]。

4.2 特征識別

首先，在提取車輛輪廓階段，選用canny邊緣檢測獲取目標車輛邊緣輪廓，根據(jù)檢測邊緣效果能夠發(fā)現(xiàn)盡管這種方法可以很好的提取車輛平滑輪廓，可是依然存在邊緣斷裂問題，無法精準完整的描繪車輛輪廓。這就需要對車輛邊緣完成一系列的膨脹、腐蝕等數(shù)學形態(tài)學處理過程，最終獲得完整連續(xù)的車輛輪廓圖。

其次，在車輛分類階段，選用單個攝像頭以不同的安裝角度拍攝車輛上方信息，以車輛的長寬完成車型判斷，具體劃分為大車一類、小車二類、超長車三類，從而很好的區(qū)分車輛。

再次，在計算車輛特征參數(shù)階段，使用像素法進行計算，需要計算的面積就是包含輪廓之內(nèi)的像素數(shù)，根據(jù)公式f（x，y）=1的個數(shù)即可完成計算，其中背景用0表示，車輛用1表示，（見表2）作為上述分類的3種不同車輛計算周長、面積、長寬等幾何參數(shù)結(jié)果。

最后，在車輛類型識別階段，劃分為三類目標，運用線性分類器完成識別，遵循Fisher準則、感知準則、最小平方誤差準則等思想，確保各類群類內(nèi)距離盡可能的小。增加類間距離，利用車輛識別分類系統(tǒng)，基于Fisher準則構(gòu)建線性分類器準則函數(shù)，得出線性識別判定函數(shù)，進一步優(yōu)化車輛信息檢測、識別與分析。

5 結(jié)束語

利用智能交通車輛識別檢測技術(shù)、機器人應用技術(shù)、大數(shù)據(jù)技術(shù)，發(fā)現(xiàn)提高了圖像質(zhì)量判斷效率，增強檢測準確度。設計圖像采集功能模塊，完成設備視頻設置，視頻圖像保存、壓縮與傳輸?shù)裙δ?，對已采集圖像進行去燥、增強對比度等預處理，可以成功識別不同類型車輛，構(gòu)建全面、高效、科學的智能交通系統(tǒng)。

參考文獻

[1] 肖玉紅.淺析智能交通中車輛檢測技術(shù)的發(fā)展和應用[J].汽車測試報告，2021（19）：20-21.

[2] 曲愛妍吳秋玲張正梁穎紅黃曉婷.基于車標區(qū)域的智能識別方法研究[J].軟件工程，2021，24（10）：37-40，36.

[3] 王林，柴江云.深度神經(jīng)網(wǎng)絡在多場景車輛屬性識別中的研究[J].計算機工程與應用，2021，57（9）：162-167.

[4] 李洋，韓偉，沈暉，等.基于全景視頻檢測技術(shù)的智能交通綜合管控方法研究[J].道路交通科學技術(shù)，2021（2）：15-19.

[5] 余明高，王連濤，閔凡蕾.面向智能交通引導的車輛檢測算法改進[J].計算機技術(shù)與發(fā)展，2022，32（9）：43-50.

[6] 羅運鑫，佘堃，于鑰，等.基于憶阻神經(jīng)網(wǎng)絡的車輛標志識別技術(shù)研究[J].信息安全研究，2021，7（8）：715-727.

[7] 任高翔，底帥，彭劍林.基于MagFace損失函數(shù)的停車場智能人臉識別尋車系統(tǒng)研究[J].電子技術(shù)與軟件工程，2021 （16）：142-145.

[8] 陳耀祖，谷玉海，成霞，等.基于優(yōu)化YOLOv4算法的行駛車輛要素檢測方法[J].應用光學，2022，43（2）：248-256.

[9] 孔烜，張杰，鄧露，等.基于機器視覺的車輛檢測與參數(shù)識別研究進展[J].中國公路學報，2021，34（4）：13-30.

[10] 王志紅，王少博，顏莉蓉，等.基于語義分割模型的路面類型識別技術(shù)研究[J].公路交通科技，2021，38（1）：128-134.