基于視頻分析的高速公路交通流量檢測(cè)技術(shù)研究

摘要：文章闡述了基于視頻的高速公路交通流量檢測(cè)技術(shù)，主要包括圖像預(yù)處理、背景提取及背景更新、陰影抑制、目標(biāo)檢測(cè)、車流量統(tǒng)計(jì)和車輛跟蹤。經(jīng)過(guò)上述一系列步驟，最終開(kāi)發(fā)出一個(gè)基于視頻分析的高速公路交通流量檢測(cè)系統(tǒng)。

關(guān)鍵詞：高速公路；車流量檢測(cè)；交通流量；垂直投影；虛擬線框；視頻分析 文獻(xiàn)標(biāo)識(shí)碼：A

中圖分類號(hào)：U467 文章編號(hào)：1009-2374（2016）03-0011-02 DOI：10.13535/j.cnki.11-4406/n.2016.03.006

汽車流量檢測(cè)是智能交通系統(tǒng)中的關(guān)鍵技術(shù)。目前較常用的車輛檢測(cè)方法包括環(huán)形磁感線圈檢測(cè)、超聲波檢測(cè)、紅外線檢測(cè)和基于機(jī)器視覺(jué)的車輛檢測(cè)。由于磁感應(yīng)線圈檢測(cè)存在安裝麻煩、不易維護(hù)和可靠性差等缺點(diǎn)，超聲波、紅外線檢測(cè)存在準(zhǔn)度低、抗干擾性能差等缺點(diǎn)，而現(xiàn)有的基于機(jī)器視覺(jué)的車輛檢測(cè)技術(shù)不成熟，因此都沒(méi)有得到廣泛應(yīng)用。

本文對(duì)高速公路的交通流量視頻分析檢測(cè)技術(shù)進(jìn)行了研究，以建立視頻分析預(yù)警模型，并提出了相鄰幀差與背景幀差結(jié)合的車輛檢測(cè)算法。該方法對(duì)視頻幀設(shè)置虛擬線框，預(yù)處理后進(jìn)行背景建模，運(yùn)用背景幀差法和相鄰幀差法檢測(cè)運(yùn)動(dòng)車輛，實(shí)現(xiàn)了運(yùn)動(dòng)車輛的檢測(cè)；分析了陰影在RGB空間和HSV空間的特性，提出了HSV空間的運(yùn)動(dòng)物體陰影去除方法，提高了運(yùn)動(dòng)車輛的檢測(cè)精度；根據(jù)分割出的車輛圖像，利用車輛排隊(duì)時(shí)圖像的移動(dòng)特性和邊緣信息，提出了一種基于垂直投影的車輛數(shù)量統(tǒng)計(jì)方法和基于移動(dòng)虛擬線框的車輛排隊(duì)長(zhǎng)度的計(jì)算方法，實(shí)現(xiàn)了車輛數(shù)量的統(tǒng)計(jì)和排隊(duì)長(zhǎng)度的計(jì)算，并進(jìn)行了實(shí)驗(yàn)，結(jié)果表明本文的算法和方法是有效的。

高速公路交通流量分析預(yù)警模型的建立主要考慮斷面流量檢測(cè)分析、區(qū)間流量分析兩種情況，具體來(lái)講包括斷面車速檢測(cè)、斷面流量檢測(cè)、區(qū)間流量檢測(cè)、服務(wù)區(qū)流量檢測(cè)、區(qū)間平均速度測(cè)量等方面。通過(guò)上述檢測(cè)方法，獲取斷面流量、車速，區(qū)間流量、區(qū)間當(dāng)前容留車輛數(shù)量、區(qū)間平均速度等交通參數(shù)，以此建立高速公路交通流量預(yù)警模型：由于視頻圖像質(zhì)量的高低直接影響到系統(tǒng)對(duì)交通燈控制的精度，而攝像機(jī)的選擇和安裝決定了視頻質(zhì)量，所以一般要選擇穩(wěn)定性高、拍攝圖像為彩色的攝像機(jī)，而分辨率、可視角度都要根據(jù)實(shí)際的需求而定，因?yàn)榉直媛侍邥?huì)導(dǎo)致視頻圖像引入過(guò)多的細(xì)節(jié)，增加處理難度；而分辨率太低則過(guò)于模糊，丟失有用信息，比如邊緣特征。另外，因?yàn)橐曨l圖像處理只針對(duì)車道，所以可視角度只需滿足橫向覆蓋整個(gè)車道，縱向覆蓋能夠足夠反映車輛排隊(duì)信息的長(zhǎng)度即可。為了能夠拍攝到目標(biāo)車道，并且得到比較好的角度，便于后期圖像處理，安裝攝像機(jī)的時(shí)候應(yīng)盡量裝在所監(jiān)視道路的正上方，高度一般在7米以上，使拍攝到的圖像能夠橫向覆蓋整個(gè)車道，縱向覆蓋足以反映車輛排隊(duì)信息的長(zhǎng)度。以目標(biāo)車道的車道線為參照物，圖像的水平方向盡量與車道線垂直，垂直方向盡量與車道線平行。

車輛檢測(cè)是從獲取到的車流視頻中檢測(cè)出當(dāng)前幀中的運(yùn)動(dòng)車輛。首先在當(dāng)前視頻幀中設(shè)置檢測(cè)區(qū)域，即虛擬線框，然后對(duì)虛擬線框內(nèi)的圖像進(jìn)行預(yù)處理；接著再對(duì)預(yù)處理后的圖像進(jìn)行背景更新，運(yùn)用相鄰幀差法和背景幀差法來(lái)檢測(cè)運(yùn)動(dòng)車輛；最后去除前景的車輛陰影，從而分割出當(dāng)前幀中的運(yùn)動(dòng)車輛。

交通流量統(tǒng)計(jì)能夠獲得車輛數(shù)量和車輛排隊(duì)長(zhǎng)度，為進(jìn)一步的交通燈控制提供參數(shù)。本文統(tǒng)計(jì)的車輛數(shù)量是指通過(guò)虛擬線框的車輛數(shù)量，車輛排隊(duì)長(zhǎng)度是指在預(yù)先標(biāo)定的檢測(cè)區(qū)域內(nèi)的車輛排隊(duì)長(zhǎng)度。車輛數(shù)量的統(tǒng)計(jì)方法是通過(guò)對(duì)分割出來(lái)的車輛圖像做垂直投影，根據(jù)垂直投影結(jié)果來(lái)計(jì)算車數(shù)；車輛排隊(duì)長(zhǎng)度的計(jì)算方法是利用移動(dòng)的虛擬線框?qū)ふ谊?duì)尾，然后計(jì)算排隊(duì)車輛在圖像上的長(zhǎng)度，最后根據(jù)坐標(biāo)轉(zhuǎn)換，統(tǒng)計(jì)出車輛排隊(duì)的實(shí)際長(zhǎng)度。

由于光照的影響，車輛受到陽(yáng)光照射時(shí)會(huì)在一側(cè)產(chǎn)生陰影。在視頻圖像中，同一輛車的陰影會(huì)隨著光線的變化而變化，從而影響后續(xù)的車輛運(yùn)動(dòng)檢測(cè)或車輛分割；另外，陰影還可能導(dǎo)致兩個(gè)或多個(gè)車輛目標(biāo)粘連在一起，被錯(cuò)誤地當(dāng)作一個(gè)車輛，影響后續(xù)的車輛數(shù)量的統(tǒng)計(jì)。因此，為了提高車輛的檢測(cè)率和識(shí)別率，提高統(tǒng)計(jì)準(zhǔn)確率，就必須去掉車輛陰影。目前對(duì)車輛排隊(duì)的檢測(cè)方法并不多，Rourkc和Bell提出了一種基于FFT的車輛排隊(duì)檢測(cè)方法，該方法對(duì)檢測(cè)區(qū)域圖像進(jìn)行采集，根據(jù)有車和無(wú)車圖像對(duì)應(yīng)頻譜的不同，檢測(cè)公路上是否存在車輛。但是該方法計(jì)算量大，并且沒(méi)有定量給出車輛的排隊(duì)長(zhǎng)度。還有很多學(xué)者提出了車輛排隊(duì)檢測(cè)方法，但是效果不盡如人意。為了檢測(cè)排隊(duì)參數(shù)，必須設(shè)定交通圖像中的車輛排隊(duì)區(qū)域，由于交通路口各不相同，車道線復(fù)雜，因此采用事先標(biāo)定車道線和檢測(cè)區(qū)域，并用虛擬線框來(lái)檢測(cè)檢測(cè)區(qū)域。本文虛擬線框?qū)挾鹊扔谝曨l圖像中的車道寬度，其高度等于視頻圖像中的一輛車長(zhǎng)度，虛擬檢測(cè)區(qū)域由車輛的隊(duì)首向隊(duì)尾移動(dòng)，由于隨著隊(duì)列中車輛由近及遠(yuǎn)，車輛在圖像中的面積逐漸減小，故虛擬線框面積也相應(yīng)減小。

針對(duì)每一條車道，排隊(duì)檢測(cè)采用了車輛運(yùn)動(dòng)檢測(cè)和車輛存在檢測(cè)兩種算法。首先使用車輛運(yùn)動(dòng)檢測(cè)算法，若該算法沒(méi)有檢測(cè)到車輛運(yùn)動(dòng)，再進(jìn)行車輛存在檢測(cè)，確定是否存在排隊(duì)情況。排隊(duì)檢測(cè)的具體步驟如下：

（1）檢測(cè)當(dāng)前虛擬線框是否存在運(yùn)動(dòng)車輛，如果沒(méi)有運(yùn)動(dòng)，轉(zhuǎn)步驟（2）；否則進(jìn)行步驟（3）。

（2）進(jìn)行車輛存在檢測(cè)，如果檢測(cè)到車輛則向后移動(dòng)檢測(cè)區(qū)域，繼續(xù)進(jìn)行步驟（1）；反之直接進(jìn)行步驟（3）。

（3）檢測(cè)當(dāng)前是不是第一個(gè)虛擬線框，如果是則說(shuō)明當(dāng)前無(wú)排隊(duì)現(xiàn)象或隊(duì)列很短，轉(zhuǎn)步驟（1）；如果不是，則說(shuō)明車輛已經(jīng)開(kāi)始排隊(duì)，并且當(dāng)前虛擬線框包含車輛隊(duì)尾，則將當(dāng)前虛擬線框向前移動(dòng)，然后計(jì)算排隊(duì)長(zhǎng)度，輸出結(jié)果。

對(duì)檢測(cè)區(qū)域的圖像預(yù)處理后，進(jìn)行有無(wú)車輛運(yùn)動(dòng)判斷的、簡(jiǎn)單有效的方法是相鄰幀差法。該方法的優(yōu)點(diǎn)是對(duì)光線變化不敏感，因?yàn)橐话闱闆r下相鄰兩幀的光線、背景等條件不會(huì)有太大的變化。本文對(duì)相鄰兩幀進(jìn)行灰度化，然后相減，最后二值化，所得差值與閾值比較，差值大于閾值則認(rèn)為存在車輛運(yùn)動(dòng)，反之則認(rèn)為沒(méi)有車輛運(yùn)動(dòng)。該方法能夠較準(zhǔn)確地檢測(cè)出車輛運(yùn)動(dòng)，對(duì)于運(yùn)動(dòng)緩慢的車輛，我們可以認(rèn)為這是排隊(duì)的前兆，所以出現(xiàn)被相鄰幀差法判斷為無(wú)運(yùn)動(dòng)，而當(dāng)作排隊(duì)的靜止車輛的情況也是合理的。

若虛擬區(qū)域內(nèi)沒(méi)有檢測(cè)到車輛運(yùn)動(dòng)，則進(jìn)行車輛存在檢測(cè)。車輛存在檢測(cè)方法通常有背景幀差法和邊緣檢測(cè)法。背景幀差法的優(yōu)點(diǎn)是原理和算法設(shè)計(jì)簡(jiǎn)單，但容易受到光線、背景變化的影響，需要實(shí)時(shí)更新背景值。而車輛相對(duì)于路面往往包含豐富的邊緣信息，在圖像處理中，圖像的邊緣部分集中了圖像的大部分信息，圖像邊緣的確定與提取對(duì)于整個(gè)圖像場(chǎng)景的識(shí)別與理解是非常重要的，同時(shí)也是圖像分割所依賴的重要特征，因此本文用邊緣檢測(cè)算法來(lái)檢測(cè)車輛的存在。

高速公路上，在高速公路車速接近為120千米/小時(shí)的車速條件下，要求兩車保持安全行駛距離至少為100米。

在保持安全距離的情況下，前后兩車相繼經(jīng)過(guò)同一斷面時(shí)，車頭時(shí)距至少要保持為100米/（120千米/小時(shí)）約為3秒。據(jù)此，如果以5分鐘為一個(gè)流量統(tǒng)計(jì)周期，且假定車道數(shù)為2，那么所有車保持安全間距的情況下，在5分鐘內(nèi)通過(guò)斷面的數(shù)量為5分鐘*斷面車道數(shù)/3秒即300秒*2/3秒=200。

如果前端斷面流量檢測(cè)裝置檢測(cè)到5分鐘總計(jì)車流量超過(guò)200，則認(rèn)為這些車輛在經(jīng)過(guò)斷面前后無(wú)法保持正常安全行駛要求的行駛安全距離，以此設(shè)定斷面交通流量閥值。

按照上述推斷，假定交通流量統(tǒng)計(jì)周期為t分鐘，該流量監(jiān)測(cè)點(diǎn)位要求的安全行駛間距為L(zhǎng)，此流量統(tǒng)計(jì)周期內(nèi)的車輛平均速度為c，那么斷面交通流量閥值為x，則計(jì)算公式為：

x=t/（L/c）

通過(guò)實(shí)時(shí)交通流量信息采集，與各點(diǎn)位的交通流量閥值相比較，當(dāng)超出閥值時(shí)，即進(jìn)行預(yù)警。

在已經(jīng)收集長(zhǎng)時(shí)間的交通流量統(tǒng)計(jì)數(shù)據(jù)后，可以很快得到點(diǎn)位的歷史流量峰值；系統(tǒng)將當(dāng)前流量與歷史峰值進(jìn)行比較，建立交通流量峰值預(yù)警。

如果已經(jīng)觀測(cè)統(tǒng)計(jì)到，一般在該段道路保持暢通的情況下車輛的最低平均行駛速度，那么就是說(shuō)，當(dāng)前車流的平均車速高于這個(gè)限值意味著道路通暢，反之則意味著道路發(fā)生擁堵；如果交通流量統(tǒng)計(jì)中，平均車速值嚴(yán)重低于這一限值，則表明道路擁堵的程度更高。

實(shí)際應(yīng)用中，應(yīng)考慮暢通環(huán)境下的最低平均行駛速度值難以直接觀察得出。一般高速公路按照大小車限速，車輛在不受干擾的情況下以自由狀態(tài)或接近自由的狀態(tài)行駛，此時(shí)車速應(yīng)接近限速值；如果交通流量統(tǒng)計(jì)周期中車輛數(shù)量足夠多，那么可以排除個(gè)別車輛因自身車況或駕駛技術(shù)影響故意降低速度行駛的可能性。

因此，通過(guò)在高速公路中的關(guān)鍵路段建立視頻監(jiān)控點(diǎn)完成圖像采集編碼工作，視頻交通事件及參數(shù)檢測(cè)器完成基于前端視頻流的交通數(shù)據(jù)與事件的檢測(cè)處理工作，把檢測(cè)到的交通事件報(bào)警信息和交通數(shù)據(jù)實(shí)時(shí)傳輸?shù)焦芾砥脚_(tái)，高速公路管理部門(mén)在指揮中心通過(guò)平臺(tái)可以從該檢測(cè)子系統(tǒng)中獲取道路通行狀況的實(shí)時(shí)數(shù)據(jù)，從而對(duì)當(dāng)前道路的通行狀況有一個(gè)及時(shí)的了解，能夠及時(shí)進(jìn)行指揮調(diào)度，從而有效地對(duì)交通流進(jìn)行誘導(dǎo)，提高路網(wǎng)的交通運(yùn)行能力，為駕駛?cè)藛T安全快速行車提供良好的服務(wù)，從而減少交通事故的發(fā)生。

參考文獻(xiàn)

[1] 彭哲，吳煒，楊曉敏，等.基于視頻的交通流參數(shù)智能檢測(cè)系統(tǒng)研究[J].成都信息工程學(xué)院學(xué)報(bào)，2008，（2）.

[2] 彭春華，劉建業(yè)，劉岳峰，等.車輛檢測(cè)傳感器綜述[J].傳感器與微系統(tǒng)，2007，（6）.

作者簡(jiǎn)介：王傳根（1962-），男，安徽合肥人，安徽超遠(yuǎn)信息技術(shù)有限公司工程師，研究方向：智能交通。

（責(zé)任編輯：周 瓊）