基于圖像處理的道路擁堵快速檢測研究

李煒(山東交通學(xué)院交通與物流工程學(xué)院，山東濟(jì)南　250023)

?

基于圖像處理的道路擁堵快速檢測研究

李煒
(山東交通學(xué)院交通與物流工程學(xué)院，山東濟(jì)南250023)

摘要:提出一種基于圖像處理技術(shù)的城市道路車輛擁堵程度快速檢測算法。為既能加快處理速度又可任意選取有車區(qū)域路段，提出人機(jī)交互的有車區(qū)域檢測。利用擁堵圖像和通暢圖像紋理特性的差異，提出基于紋理分析的車輛密度估計(jì)。通過原始圖像灰度降級和灰度共生矩陣計(jì)算及特征提取，從有車區(qū)域圖像中提取能夠反映車輛密度的能量和熵特征，經(jīng)過特征值訓(xùn)練得到車輛擁堵判決閾值，實(shí)現(xiàn)道路擁堵檢測。試驗(yàn)結(jié)果證明，該算法檢測準(zhǔn)確率高達(dá)99%，同時算法的處理速度能夠滿足工程中的實(shí)時性要求。

關(guān)鍵詞:交通擁堵;交通視頻監(jiān)控;紋理分析;車輛密度檢測

目前道路擁堵是國民關(guān)注的焦點(diǎn)問題之一。道路擁堵嚴(yán)重影響市民的正常出行，制約社會經(jīng)濟(jì)的發(fā)展，損害社會穩(wěn)定，是亟待解決的問題［1］。針對此問題研究人員提出兩種解決手段:一種是根據(jù)道路交通流統(tǒng)計(jì)特性預(yù)測擁堵［2－4］;另一種是利用各種傳感器采集道路交通流數(shù)據(jù)，實(shí)時判別擁堵狀況，常用的檢測器有線圈、浮動車等［5－6］，這類方法存在成本高、不便于維護(hù)、檢測率偏低等缺點(diǎn)。

隨著交通監(jiān)控系統(tǒng)的廣泛應(yīng)用，利用圖像視頻處理技術(shù)檢測道路擁堵成為研究的熱點(diǎn)［7］?；趫D像處理的道路擁堵檢測方法，通過監(jiān)控場景背景訓(xùn)練、道路前景檢測、特征值提取與訓(xùn)練，對道路擁堵程度進(jìn)行估計(jì)［8－10］，其中背景訓(xùn)練環(huán)節(jié)需要耗費(fèi)一定時間，而且易受場景變換、攝像頭抖動和光線變化等因素的影響，導(dǎo)致?lián)矶聶z測既耗時又不精確。

而現(xiàn)實(shí)中，實(shí)時精確地獲取道路擁堵狀況是有效緩解擁堵的關(guān)鍵前提。本文利用道路監(jiān)控攝像頭獲取圖像數(shù)據(jù)，提出一種基于紋理特征的道路擁堵實(shí)時檢測算法，以實(shí)現(xiàn)各種場景中車輛密集程度的準(zhǔn)確識別。

1圖像紋理特征與道路擁堵

紋理是圖像的一種視覺特征，是由紋理基元按照某種統(tǒng)計(jì)規(guī)律或確定性規(guī)律排列組成，紋理區(qū)域內(nèi)各部分具有大致相同的結(jié)構(gòu)。紋理特征不依賴于顏色或亮度，是所有物體表面共有的結(jié)構(gòu)［11］。換言之，若圖像中的目標(biāo)體型統(tǒng)一且按某種方式規(guī)則排列，即說明該圖像具有較強(qiáng)的紋理特征;反之，若圖像中目標(biāo)大小不一，且隨機(jī)排列，該圖像的紋理特征便不明顯。如圖1所示，圖1a)對角線方向上具有平行的紋理，圖1b)則是形狀相同的紋理基元規(guī)則排列。

紋理特征常被用來表征圖像中群體目標(biāo)的密集程度，如人群、魚群或其他種群［12－13］。如圖1c)所示，密集的人群出現(xiàn)在同一場景，具有近似規(guī)則的紋理特征。人數(shù)越多，紋理特征越明顯。目前，基于紋理特征的人群密度估計(jì)已成為一種常用手段。而對于道路交通圖像，也可考慮利用紋理特征估計(jì)車輛的密集程度。汽車雖然有大小，但基本都具有長方體的外型，若圖像中密集的車輛按車道線先后行駛，該圖像的有車區(qū)域也具備較明顯的紋理特征。如圖1d)所示，大量車輛在橋上行駛，不同車道之間易于區(qū)分，則該圖像中沿車道線方向的紋理特征就非常明顯，因此，可通過選定有車區(qū)域，然后提取紋理特征來估計(jì)道路的擁堵程度。

圖1紋理特征明顯的圖像

本文旨在研究利用圖像紋理分析技術(shù)檢測有車區(qū)域的車輛密度，對于路面無車的情況不是本文的研究內(nèi)容。

為了量化圖像的紋理特征，算法分為4類:基于統(tǒng)計(jì)分析、基于模型、基于信號處理和基于結(jié)構(gòu)分析的方法。其中，最常用也最便捷的是基于二階統(tǒng)計(jì)分析的灰度共生矩陣( GLCM)方法［14］?；叶裙采仃嚪从沉藞D像二階組合的條件概率分布，描述圖像中沿水平、垂直或?qū)蔷€方向θ上，相隔指定距離d的像素對( i，j)在圖像中的出現(xiàn)概率。不同角度θ的GLCM反映圖像上不同方向的紋理。GLCM的計(jì)算復(fù)雜程度與圖像的灰度級有關(guān)，如果圖像灰度級為256，則相應(yīng)的GLCM的大小為256×256。從這樣的GLCM中提取特征，其計(jì)算量較大。一般采用先降低圖像灰度等級，再計(jì)算GLCM，常用的GLCM大小為8×8或16×16。

圖2顯示了8×8 GLCM的計(jì)算方法，其中θ=0°，d=1，即統(tǒng)計(jì)原始圖像中水平方向上，相距1個像素的像素對出現(xiàn)的次數(shù)。圖2a)為原始灰度圖像，圖像灰度等級為8，圖2b)為相應(yīng)的GLCM，尺寸為8×8。原始圖像中取值為( 1，1)的像素對出現(xiàn)次數(shù)為1，則GLCM中第1行第1列元素的值為1。同理，原始圖像中( 1，2)像素對出現(xiàn)次數(shù)為2，則GLCM中第1行第2列元素值為2。進(jìn)而通過遍歷圖像可得到原始圖像中所有像素對的統(tǒng)計(jì)結(jié)果。

圖2生成8×8的GLCM

從GLCM中可提取出十幾種特征量，分別表征不同的紋理特征，進(jìn)行群體目標(biāo)密度估計(jì)時要選取合適的特征量。本文選取能量和熵兩種特征量來估計(jì)道路擁堵程度，能量特征反映了圖像紋理的粗細(xì)程度，粗紋理圖像的能量特征值大;熵特征反映圖像GLCM的分布均勻程度，熵特征值越大［15］，GLCM分布越均勻。若圖像中車輛密集地沿車道線排列，如圖1d)所示，則該圖像的紋理結(jié)構(gòu)細(xì)小，相應(yīng)地能量特征值就小;反之，若圖像中車輛稀少，其紋理結(jié)構(gòu)粗大，能量特征值就大。如圖像中車輛數(shù)目較多，圖像的灰度直方圖呈均勻分布，相應(yīng)地熵特征值便大;反之，圖像中車輛稀少，直方圖分布無規(guī)則，熵特征值便小。因此，可以通過計(jì)算有車區(qū)域的GLCM，并提取熵特征值和能量特征值來估計(jì)車輛擁堵程度，熵值小、能量特征值大，說明車輛稀少，通行順暢;熵值大、能量特征值小，則說明車輛密集，會出現(xiàn)擁堵。

2基于紋理分析的道路擁堵快速檢測

本文算法包括車輛區(qū)域標(biāo)定、GLCM計(jì)算、特征值提取與訓(xùn)練、道路擁堵判別。

2．1車輛區(qū)域標(biāo)定

人機(jī)交互的道路擁堵快速檢測方法，即在監(jiān)控場景中先人為標(biāo)定檢測區(qū)域，然后利用紋理分析方法檢測標(biāo)定區(qū)域的擁堵程度。此種做法不僅避免了背景訓(xùn)練的耗時，而且操縱者能根據(jù)現(xiàn)場情況方便地選擇感興趣的區(qū)域。標(biāo)定后，有車區(qū)域保留原始灰度值不變，其他區(qū)域灰度值置零，表示為背景。

2．2 GLCM計(jì)算

標(biāo)準(zhǔn)的灰度圖像有256個灰度級，對應(yīng)的GLCM尺寸為256×256。實(shí)際中，計(jì)算這樣尺寸的GLCM既費(fèi)時又無必要。眾所周知，車身顏色大多是單一或有限的幾種，因此成像后車身區(qū)域的灰度值應(yīng)取單一值或數(shù)值連續(xù)的幾個值。但由于光線反射的緣故，實(shí)際成像后，車身區(qū)域的灰度值有較大的取值范圍，進(jìn)而導(dǎo)致GLCM的直方圖分布比真實(shí)情況更均勻，提取的紋理特征量也不能真實(shí)地反映有車區(qū)域的密集程度。通過灰度級降級可解決該問題。將256色灰度圖像降級為32色或16色，則原本取值范圍較大的車身區(qū)域，降色后取值范圍減小甚至單一，對應(yīng)的GLCM的直方圖分布即能真實(shí)反映車輛的密集程度。

根據(jù)場景的光照程度選擇不同的降色。若光照充足，則車身灰度值取值范圍較大，此時選擇較低的降色等級，如16色。若光照不充分，車身灰度值取值范圍較小，應(yīng)選擇較高的降色等級，如32色。降色后可計(jì)算對應(yīng)的GLCM。如圖2所示，先明確指定方向θ和指定距離d。通常，d設(shè)定為1，即計(jì)算相鄰的像素對的出現(xiàn)概率。θ取值為0°、45°、90°和135°，即分別統(tǒng)計(jì)水平、垂直和對角線等方向上的紋理。如此，本方法即可適用于從不同角度拍攝的道路場景圖像。降色后圖像中灰度值為零的區(qū)域代表背景，非零區(qū)域表示前景。而在進(jìn)行紋理分析時，背景區(qū)域不在分析范圍之內(nèi)，應(yīng)予以去除。因此在計(jì)算出4個方向的GLCM之后，其中的第1行和第1列將被去除，因?yàn)榈?行和第1列表示相鄰的像素對中至少有1個灰度值為0的統(tǒng)計(jì)結(jié)果，即圖像中的背景區(qū)域統(tǒng)計(jì)結(jié)果。經(jīng)過該步處理，GLCM的尺寸減小。若原始為32×32，處理后尺寸為31×31;若原始為16×16，處理后尺寸為15×15。

2．3特征值提取與訓(xùn)練

經(jīng)過計(jì)算，得到0°、45°、90°和135°4個歸一化的GLCM矩陣，提取能量特征值Sg和熵特征值Sp，計(jì)算式為:

式中: f( i，j)為GLCM中第i行第j列的元素值; L為GLCM的列數(shù)或行數(shù)。

因此，可得到特征向量

試驗(yàn)結(jié)果顯示Sg數(shù)值很小，比Sp低一個數(shù)量級，為此對能量特征進(jìn)行處理，得到處理后的新的能量

特征值Sg'為:

處理后新的能量特征值Sg'提高1個數(shù)量級，而且與車輛密度呈正比關(guān)系，即車輛越密集，Sg'值越大。

此時，特征向量變?yōu)?

隨后，對8個特征值分別進(jìn)行算術(shù)平均再求和，得到最終的特征值

2．4道路擁堵判別

利用最終特征值S表征道路車輛的密集程度，S越大則道路越擁擠，反之道路越暢通。本文通過大量樣本訓(xùn)練得到判別閾值ST，當(dāng)當(dāng)前圖像的特征值S＞ST時，說明該圖像中車輛密集，易出現(xiàn)擁堵;否則說明圖像中車輛稀疏，通行順暢。

3試驗(yàn)與分析

本文算法在2．6 GHz CPU、4 GB內(nèi)存的Win7系統(tǒng)下進(jìn)行仿真試驗(yàn)，采用MatLab語言編碼。試驗(yàn)數(shù)據(jù)包括自拍視頻圖像和下載視頻圖像兩部分。實(shí)現(xiàn)步驟如下:

1)選取100幅包含密集車輛的圖像和100幅包含稀疏車輛的圖像作為樣本集，如圖3所示，其中圖a)、b)圖包含密集車輛群，圖c)、d)包含稀疏車輛群。

圖3試驗(yàn)樣本示例

2)進(jìn)行車輛區(qū)域標(biāo)定，圖4為標(biāo)定結(jié)果的示例圖。

3)進(jìn)行灰度級降級和4個方向的GLCM計(jì)算，并從中提取能量和熵特征，并利用式( 1)、( 2)得到最終的特征值S。

此時，得到樣本數(shù)為200的樣本集合{ Si}，i∈{ 1，2，3，……，200}。試驗(yàn)中對所有特征值取整數(shù)。經(jīng)過統(tǒng)計(jì)后結(jié)果如圖5所示。圖中稀疏車輛特征值取值范圍為［2，7］，密集車輛特征值取值范圍為［6，15］。

4)進(jìn)行道路擁堵程度判別，由圖5可以看出，稀疏車輛和密集車輛的特征值有非常明顯的區(qū)別，2條曲線交叉點(diǎn)為6．5，因此選擇ST= 6．5作為判決閾值，進(jìn)行道路車輛擁堵程度判別，即: S≤6. 5時，道路通暢，S＞6．5時，道路擁堵。

隨后，對100幅包含有稀疏和密集車輛群的圖像進(jìn)行測試，結(jié)果顯示本文算法的檢測準(zhǔn)確率高達(dá)99%。

圖4車輛區(qū)域標(biāo)定結(jié)果

為驗(yàn)證本算法的實(shí)時性，特選取了一段路口監(jiān)控視頻，幀率為25幀/s，時長1 min，共計(jì)1 508幀圖像。因?yàn)閳鼍肮潭?，只需進(jìn)行1次有車區(qū)域的標(biāo)定。結(jié)果顯示，利用本文算法處理該段視頻用時6 117 ms，即圖片處理速度為4．056幀/ms，該速度完全可以滿足工程中的實(shí)時要求。

4　結(jié)語

針對日益嚴(yán)重的城市道路擁堵提出一種實(shí)時的車輛擁堵檢測算法，主要有兩點(diǎn)創(chuàng)新:

1)提出人機(jī)交互的車輛區(qū)域標(biāo)定，替代當(dāng)前通用的背景訓(xùn)練，大大加快了處理速度，同時操縱者可根據(jù)道路實(shí)際情況任意選擇感興趣的區(qū)域進(jìn)行檢測。

2)提出利用車輛圖像的紋理特征估計(jì)擁堵程度。經(jīng)計(jì)算驗(yàn)證，從有車區(qū)域提取的能量和熵紋理特征值與該區(qū)域的擁堵程度呈正比關(guān)系，而且擁堵區(qū)域和通暢區(qū)域的特征值區(qū)別明顯。

通過反復(fù)試驗(yàn)，證明本算法檢測準(zhǔn)確率高達(dá)99%，且滿足實(shí)時處理需求。本算法應(yīng)用于當(dāng)前的道路視頻監(jiān)控系統(tǒng)后，可為交通管理者快速精確掌握道路通行情況提供可靠信息。

圖5樣本特征值統(tǒng)計(jì)結(jié)果

參考文獻(xiàn):

［1］李佳芯，陸化普．城市擁堵進(jìn)入新階段［J］．道路交通管理，2010( 12) : 48－49．

［2］陳陽舟，田秋芳，張利國．基于神經(jīng)網(wǎng)絡(luò)的城市快速路交通擁堵判別算法［J］．計(jì)算機(jī)測量與控制，2011，19( 1) : 167－169．

［3］陳小紅．城市道路交叉路口的擁堵預(yù)測［J］．華南理工大學(xué)學(xué)報(自然科學(xué)版)，2010，38( 7) : 72－77．

［4］高藝．基于一次擁堵的城市交通擁堵綜合評價方法研究［D］．北京:北京交通大學(xué)，2011．

［5］薛忠林．基于單線圈的快速路擁堵自動檢測及車輛誘導(dǎo)［D］．北京:北京交通大學(xué)，2008．

［6］張志平，汪向杰，林航飛．基于浮動車數(shù)據(jù)的高速公路擁堵檢測方法［J］．交通信息與安全，2012( 6) : 95－99．

［7］王丹穎．基于視覺的高速公路匝道口檢測監(jiān)控技術(shù)的研究［D］．杭州:浙江工業(yè)大學(xué)，2012．

［8］王川童．基于視頻處理的城市道路交通擁堵判別技術(shù)研究［D］．重慶:重慶大學(xué)，2010．

［9］趙有婷，李熙瑩，佘永業(yè)．基于視頻全局光流場的交通擁堵檢測［J］．計(jì)算機(jī)應(yīng)用研究，2010，27( 11) : 4355－4357．

［10］黃磊磊，湯一平，孟焱．基于機(jī)器視覺的道路擁堵狀態(tài)檢測的研究［J］．小型微型計(jì)算機(jī)系統(tǒng)，2014，35( 1) : 148－153．

［11］LIU Li，KUANG Gangyao．Overview of image textural feature extraction methods［J］．Journal of Image and Graphics，2009，14( 4) : 622－635．

［12］ZHAN B，MONEKOSSO D N，REMAGNINO P，et al．Crowd analysis: A survey［J］．Machine Vision and Application，2008，19( 2) : 345－357．

［13］李煒．群體目標(biāo)動態(tài)分析研究［D］．濟(jì)南:山東大學(xué)，2011．

［14］JACQUES Junior，MUSSE S R，JUNG C R．Crowd analysis using computer vision techniques［J］．Signal Processing Magazine，2010，27( 5) : 66－77．

［15］HARALICK R M，SHANMUGNM K．Textural features for image classification［J］．IEEE Transactions on Systems，Man，and Cybernetics，1973，3( 6) : 610－621．

(責(zé)任編輯:楊秀紅)

A Fast Approach of Road Congestion Detection Based on Image Processing

LI Wei
( School of Traffic and Logistics Engineering，Shandong Jiaotong University，Jinan 250023，China)

Abstract:This paper proposes a fast detection algorithm for urban road traffic congestion based on image processing technology．Firstly，to speed up the processing and freely select a vehicle area，it puts forward a vehicle area detection with human-computer interaction．Then，by using the difference of texture features between congestion image and unobstructed image，it presents the vehicle density estimation based on the texture analysis．Through the image grayscale relegation，gray level co-occurrence matrix calculation and feature extraction，the energy and entropy features that can reflect vehicle density are obtained from the vehicle area．After the feature training，the decision threshold could be obtained and traffic congestion could be carried out．Experimental results show that the accuracy of algorithm is as high as 99%，and the processing speed could satisfy the real-time requirement in engineering．

Key words:traffic congestion; traffic video monitoring; texture analysis; vehicle density detection

作者簡介:李煒( 1982—)，男，山東聊城人，講師，工學(xué)博士，主要研究方向?yàn)閳D像視頻處理．

基金項(xiàng)目:山東省自然科學(xué)基金項(xiàng)目( ZR2014EL035)

收稿日期:2015－04－10

DOI:10．3969/j．issn．1672－0032．2015．02．003

文章編號:1672－0032( 2015) 02－0011－06

文獻(xiàn)標(biāo)志碼:A

中圖分類號:U491．265