基于視頻的夜間車流量統(tǒng)計*

劉 莉，潘曉露，李一民

(昆明理工大學，昆明650500)

1 引言

社會經(jīng)濟在不斷發(fā)展，城市人口和機動車輛在不斷增加，交通監(jiān)控管理越來越受到社會各方面的廣泛重視。應用先進的監(jiān)控技術(shù)，建立完善的道路交通監(jiān)控管理系統(tǒng)，實現(xiàn)城市道路的現(xiàn)代化管理，從而有效地規(guī)劃城市道路和抑制交通事故的發(fā)生，也可以減輕道路工作人員的負擔，減少社會財產(chǎn)的損失，這個問題已成為各地交通管理部門最為關注的問題。

對交通的監(jiān)控應該在不同的環(huán)境、天氣和光照條件下都能正常有效地工作，對道路做到完全的實時監(jiān)控，完善夜間道路的監(jiān)控系統(tǒng)是非常重要的。為達到此目的，檢測思想和算法也在不斷的改進和革新。有基于檢測線的［1-2］、檢測窗口的［3］，以及整幅圖片的，大部分算法都是基于整幅圖片的研究［4］。

夜間，很多中小城市道路的光照條件還不是很好，運動車體大部分不可見，車輛的顯著特征就是車頭燈以及它的投射光束，還有道路兩旁的路燈和道路上的斑馬線［5］，并且夜間的背景和這些特征的亮度差別很大。

在夜間光照條件不是很充分的情況下，根據(jù)以上特征對視頻序列圖像進行閾值化，然后通過形態(tài)學分析便可以提取出車燈輪廓，最后根據(jù)車頭燈之間一定的距離分離出車燈對，將其作為運動目標，對其進行跟蹤來統(tǒng)計車流量，甚至可以通過車燈之間的距離估計出車型。

2 車頭燈對的檢測過程

2.1 視頻序列圖像預處理

根據(jù)夜間道路的顯著特征，對目標檢測影響較大的因素主要是車燈投射的光束，通過預處理盡量消除此因素是關鍵。有通過“浮雕”［6］做處理，如圖1(b):計算圖像的每一個像素與其左上方像素之差，最后提取車體，從圖中可以看到車燈明顯突出，而在兩輛車靠近時車體連接在一起。因此車燈提取是最簡單的方案。

實驗研究中所用數(shù)據(jù)是三通道彩色圖像序列，整個過程是對單通道做處理。通過閾值化將背景和前景分開:當圖像的像素值f(x，y)大于設定的閾值T時就把該像素賦值為255，否則賦值為0(如式1)。分離出來的前景包括車燈、車燈投射的光束以及一些小的噪聲，形態(tài)學分析里的腐蝕可以去除小的噪聲，也可以把一些輪廓分開，本文采用3×3的算子進行了2次腐蝕(如圖1(c))。最后通過對連通區(qū)域的最小值進行設置，去掉一些較小的噪聲，找出輪廓的連通區(qū)域(如圖1(d)連線在下文介紹)。該預處理效果很好，利于后期研究的進行。

圖1 視頻序列預處理

2.2 車頭燈對的檢測

檢測運動目標常用的算法是幀差分和背景差分［7］算法，前者在靜態(tài)時目標信息被差去無法檢測，后者對光照特別敏感，以及將二者進行或［8］的運算。有基于顏色和運動信息［9］來檢測車流量的，此方法在車輛有一個車燈駛出拍攝范圍時受到限制。

該過程的目的就是從圖像序列中將車頭燈的輪廓提取出來。從圖1可以看到預處理結(jié)果中只有車燈、車燈投射的光束以及疑似車燈的輪廓。通過對多組數(shù)據(jù)的觀察與研究發(fā)現(xiàn)一般車燈的輪廓接近圓形或矩形，且其長寬和面積都在一定范圍之內(nèi)，這樣可以把一小部分干擾剔除掉，再根據(jù)兩個車頭燈之間的距離，以及車輛無論是在靜止、直行還是拐彎時兩個車頭燈輪廓的縱坐標位置，就可以很準確地把兩個車頭燈輪廓進行配對。由于車輛有可能有一些裝飾燈(除了主燈之外)，所以此過程也將一些能提取出來的裝飾燈進行配對。根據(jù)主燈的面積大于裝飾燈，把主燈的輪廓信息存儲以備后續(xù)研究應用。此部分的閾值都是根據(jù)視頻序列圖像的具體情況而設定的。

為了能直觀地看到車頭燈檢測以及配對效果，在輪廓的連通區(qū)域圖像上將主燈和裝飾燈都分別配對連線(如圖1(d))，在原始序列圖像上只對主燈進行連線(如圖2)。對于一些拐彎的車輛只留一個主燈在攝像范圍內(nèi)，可以根據(jù)主燈離圖像邊緣的距離猜測是否它的車牌大部分還在圖像中，如果是就把該主燈和邊緣處連線表示此車也被檢測到。

圖2 車頭燈檢測

所有被配對成功的車頭燈對的信息包括當前幀數(shù)、輪廓的中心點、輪廓區(qū)域、輪廓面積都被放在車燈對鏈中為下一步的跟蹤做準備，如果是對單個車燈進行配對，那么信息中有一個輪廓的區(qū)域為0，面積是該車燈面積。

3 車輛跟蹤和車流量統(tǒng)計

3.1 車輛跟蹤

夜間車體基本上不可見，車輛跟蹤主要是對車頭燈對的跟蹤。正常情況下車道上車輛的運動狀況只有向前運動，拐彎和靜止，異常情況會有倒車等現(xiàn)象，研究只針對于正常情況:

(1)車體運動時車燈也在運動

(2)車體靜止時車燈的位置不會變化

根據(jù)以上兩種情況對車燈對進行跟蹤，即對當前幀的車燈對鏈(新鏈)TrackBlock［track］與上一幀的車燈對鏈BlockOld［old］(舊鏈)中的信息進行判斷:

Track是新配對的車燈對數(shù)目，old是上一幀配對數(shù)目，新舊鏈中每一對車燈對的輪廓連線中心點分別為 p2、p1，面積分別為 area2，area1

a.如果兩個中心點橫坐標差的絕對值|p2.xp1.x|在閾值(Dx1，Dx2)之內(nèi)，判斷兩個中心點的縱坐標

b.若其縱坐標p2.y≥p1.y，車輛向前運動或靜止;或者Dy1＜(p1.y-p2.y)＜Dy2，由于光照影響造成輪廓大小變化也屬正常。符合上述兩種情況轉(zhuǎn)(c);否則轉(zhuǎn)(d)

c.若area1＜area2＜k×area1，新鏈中的車燈對已經(jīng)存在;否則為新目標。

d.判斷下一車燈對。

在每次判斷完之后都把新鏈中的信息存儲在舊鏈中。

把當前幀的車燈對鏈中的信息和舊的車燈對鏈中的信息進行對比判斷后，當前幀的車燈對鏈中的部分信息(幀數(shù))會被修改，用來標記該車燈對是否已經(jīng)存在。判斷結(jié)果如圖2:藍、綠線表示新增車輛，紅、黃線表示已經(jīng)存在的車輛，紅、綠線表示兩個車燈都在圖像上，藍、黃線表示只有一個車燈留在圖像上的車輛。

3.2 車流量統(tǒng)計

在對車燈對進行跟蹤完后，新增車輛和已經(jīng)存在的車輛已經(jīng)完全分開而且明顯地標注出來，每畫一條紅或黃線計數(shù)器Num就會自動加一，方便從檢測到的目標中減去已經(jīng)存在的目標。最后對車流量進行統(tǒng)計，從開始幀到當前幀的車流量的相關計算過程為:

設從開始幀到第i幀的車流量為carNum1，到第i+1幀的車流量為carNum2

從上述中可知第 i+1幀的新增車輛為:(track+1)/2-Num2

則:carNum2=carNum1+(track+1)/2-Num2

4 實驗結(jié)果及分析

采集到的實驗數(shù)據(jù)是在夜間光照不充足的場景下，以兩個車道上車輛為主，其他車道車輛為輔，采用幀大小為1616×1232，幀速為25fps，像素類型為8位的RGB視頻序列圖像。實驗結(jié)果如表1所示。

表1 實驗測試表

從上述圖中可以看出車輛的車頭燈被完整地提取，車燈對被準確的配對及跟蹤，從表中可以得出統(tǒng)計數(shù)據(jù)都超過97%，這對以后的夜間車輛檢測和跟蹤進一步改進打下了良好的基礎，不過由于車燈投射光束及天氣變化的影響，使得結(jié)果還不是很精確，還有待進一步改善。

5 結(jié)束語

該算法主要針對當前一些城市地段夜間光照不充足，交通監(jiān)控系統(tǒng)不方便工作的狀況下，對夜間的車流量進行了初步統(tǒng)計，得出的結(jié)果還比較滿意，為以后實現(xiàn)各種環(huán)境下的交通監(jiān)控提供了信息。由于交通監(jiān)控系統(tǒng)實時性和精確性的要求，該算法的時效性和精確性都還需要進一步優(yōu)化和提高。

夜間車輛檢測中的遮擋和車燈投射的光束問題是一直以來該領域的難點。研究中同時對兩個車道上的多個車輛進行處理，結(jié)果中投射光束的影響基本上不存在。由于該視頻序列是在實際的交通場景下拍攝的，有一些公交車和小型車輛之間存在一些遮擋，遮擋問題如何解決是今后研究當中需要考慮的。

［1］ Tseng B L，Lin Ching Yun，Smith J R.Real-time Video Surveillance for Traffic Monitoring Using Virtual Line Analysis［C］.Proceedings of 2002 IEEE International Conference on Multimedia and Expo.2002.

［2］ 朱江，宜國榮，鄭振東.基于視頻動態(tài)投影的實時車輛流量檢測系統(tǒng)［J］.計算機工程，2001，27(11):25-27.

［3］ 王琳，馮海軍，盧朝陽.一種基于聚類分析的實時交通流量檢測系統(tǒng)［J］.電視技術(shù)，2004，25(1):82-84.

［4］ 羅欣，朱清新.改進的基于邊緣檢測技術(shù)的車流量統(tǒng)計系統(tǒng)［J］.計算機工程，2006，32(9):228-229，232.

［5］ R Cucchiara，M Piccardi.Vehicle Detection under Day and Night Illumination［C］.Proceedings of 3rd International ICSC Symposium on Intelligent Industrial Automation(IIA 99).

［6］ 譚榮偉，雷蘊奇，陳柏生.夜間運動車輛檢測［J］.計算機工程及應用，2005，41(13):230-231，235.

［7］ 錢晉，方濤.基于背景差法的視頻車輛檢測算法研究［D］.上海:上海交通大學，2007.

［8］ Masakazu Toyama，Taketo Horiuchi，Yasuo Shiina.Development of a portable traffic flow measurement system using image processing［C］.Vehicle Navigation and Information Systems Conference.Yokohama，JAPAN Matsushita Communication Industrial Co.，Ltd.，1996.

［9］ 劉勃，周荷琴，魏銘旭.基于顏色和運動信息的夜間車輛檢測方法［J］.中國圖象圖形學報，2005，10(2):57-61.