基于視頻的交通監(jiān)控技術(shù)研究

朱敏

摘要：提出了一種基于視頻的實時交通監(jiān)控系統(tǒng)。系統(tǒng)包括背景建模和更新，運動目標(biāo)分割，特征提取，以及車輛的跟蹤、分類和統(tǒng)計。以改進的高斯混合模型算法估算并實時更新背景圖像，以背景差分法檢測運動車輛并作后處理，以卡爾曼濾波算法進行車輛跟蹤。通過分析車輛輪廓及其外接盒獲得車輛的明顯特征，最后使用提取到的特征和虛擬檢測線方法對車輛進行分類和統(tǒng)計。實驗結(jié)果表明所提出的方法用于交通監(jiān)控是可行的。

關(guān)鍵詞：車輛檢測；背景差分；車輛跟蹤；特征提??；車輛計數(shù)；車輛分類

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2016）32-0194-03

Research of Vision-Based Traffic Surveillance Technology

ZHU Min

（ Nantong Shipping College， Management and Information Department， Nantong 226010， China）

Abstract： A vision-based realtime traffic surveillance system is proposed . The system includes background modeling and updating， moving object segmentation， feature extraction， and vehicle tracking， classification and counting. The background image is estimated and updated in realtime by improved Gaussian Mixture Model. Vehicles are detected by background subtraction followed by post-processing steps，and tracked by Kalman filtering algorithm. By analyzing the contours of vehicles and their corresponding bounding box， salient discriminative features of vehicles are obtained.The vehicle classification and counting can be achieved by extracted features and virtual detecting line.Experimental results show the proposed method is feasible for traffic surveillance.

Key words： Vehicle detection；Background subtraction；vehicle tracking； Feature extraction；Vehicle counting；vehicle classification

隨著計算機視覺技術(shù)的快速發(fā)展，基于視頻的道路交通監(jiān)控技術(shù)越來越多地受到重視。與其他技術(shù)相比，基于視頻的交通監(jiān)控技術(shù)有很多的優(yōu)點，如安裝與維護的方便與低成本，可以獲取多方面的交通相關(guān)信息等等。

本文的目的在于研究基于視頻的道路交通監(jiān)控系統(tǒng)，通過對視頻的分析，對運動車輛進行檢測，收集多方面的交通相關(guān)信息。交通監(jiān)控一般由車輛檢測、車輛跟蹤和信息分析等幾部分組成。車輛檢測是將運動的前景物體從背景中分割出來；車輛跟蹤是將從檢測模塊中獲得的二值化前景對象在一系列的圖像幀中進行匹配；信息分析則對視頻中包含的各種交通相關(guān)信息進行分析處理。

1 車輛檢測

在運動目標(biāo)檢測方面，背景差分法、幀差法和光流法是3種常用的方法。其中背景差分法由于計算復(fù)雜度低、獲取的特征數(shù)據(jù)完整等特點，得到尤其廣泛的運用[1]。

本文采用背景差分法檢測運動物體。在背景差分法中，穩(wěn)定而精確的背景的提取十分重要，這取決于建立一個良好的背景模型。

1.1 背景模型

采用了P. Kaewtrakulpong在[2]中提出的改進的混合高斯模型。與其他各種模型相比，該模型綜合性能表現(xiàn)好，運算復(fù)雜度低，適合用于實時的應(yīng)用中。

在混合高斯模型中，圖像中的第一個像素由 K 個 Gaussian 分布組成，每個 Gaussian分布稱為一個成分，這些成分加在一起就組成了概率密度函數(shù)：

其中是第k個高斯分布成員的權(quán)重，是它的分布。

當(dāng)存在B滿足下式時，前B個分布就用來作為該場景下的背景。

P. Kaewtrakulpong針對經(jīng)典混合高斯模型在初始化階段學(xué)習(xí)慢的缺點進行了改進，把參數(shù)估計的EM算法分成兩個階段。前L幀樣本使用期望充分統(tǒng)計公式，L幀樣本以后則切換到用L-最近窗口更新公式進行參數(shù)估計。前一種方式不僅提高了估計的精度，也更加快速地收斂到穩(wěn)定的背景模型。而后一種方式則更多關(guān)注最近數(shù)據(jù)，因而能將環(huán)境的變化對背景模型作及時的更新。

期望充分統(tǒng)計公式如下式：

L-最近窗口更新公式如下式：

1.2車輛分割

在得到背景圖像后，就可以用當(dāng)前圖像與背景圖像進行相減操作來獲取運動物體。假設(shè)I（x，y）是當(dāng)前圖像，CB（x，y）是更新過的背景圖像，則：

其中T是預(yù)先設(shè)定的閾值，D（x，y）是當(dāng)前圖像與背景圖像的差分圖經(jīng)過二值化后的結(jié)果，稱之為 Blob。

為去除噪聲，需要對二值化圖像進行形態(tài)學(xué)的處理，包括腐蝕操作和膨脹操作。腐蝕消除物體的邊界點，而膨脹則擴展物體的邊界點。將兩種操作組合起來，以獲取好的分割結(jié)果。

2 車輛跟蹤

本文使用卡爾曼濾波法對車輛進行跟蹤?？柭鼮V波算法根據(jù)車輛的歷史軌跡預(yù)測它的未來位置信息。有利于減少對車輛位置的搜索區(qū)域，顯著降低運算復(fù)雜度，提高實時性[3]。其算法流程圖如下：

3 車輛信息分析

基于視頻的道路交通監(jiān)控系統(tǒng)的優(yōu)勢之一能夠監(jiān)測到多方面的車輛道路交通方面的信息，如車輛的分類，車流量的統(tǒng)計，車輛的速度，道路交通的擁堵狀態(tài)等。系統(tǒng)對車輛的分類和車流量的統(tǒng)計進行了研究和實現(xiàn)。

要對車輛分類，必須提取車輛的特征信息。我們將車輛分成兩類，汽車和摩托車。利用運動車輛的外接盒信息進行分析，如緊密度、寬高比、面積比等[4]。

其中，周長、面積為運動物體的周長和面積，高、寬是運動物體外接盒的高和寬。這些特征不會隨著物體的運動而發(fā)生變化。

為了對車輛進行計數(shù)，采用的算法是在交通道路的適當(dāng)區(qū)域劃一條虛擬檢測線，當(dāng)運動車輛的質(zhì)心越過虛擬檢測線時，就對該車輛計數(shù)。

分別對兩類車輛設(shè)置了計數(shù)器，如特征值屬于汽車類，則汽車類計數(shù)器增加1，如特征值屬于摩托類，則摩托類計數(shù)器增加1。

4 實驗結(jié)果分析

系統(tǒng)在Visual Studio 2013下結(jié)合OpenCV來實現(xiàn)。選用了幾段公路交通監(jiān)控視頻進行測試。

結(jié)果如下圖所示。圖2為原始監(jiān)控圖像。圖3為分割出的前景。圖4為車輛跟蹤畫面。圖5為車輛的分類和計數(shù)畫面，對跟蹤的車輛以C和M標(biāo)記類型，在畫面的左下角分別顯示了兩種車輛類型各自的數(shù)目。

5 結(jié)束語

本文對基于視頻的道路交通監(jiān)控技術(shù)進行研究，提出了一個基于OpenCV的實時監(jiān)控系統(tǒng)，其中包括背景模型的建立與更新，運動車輛的分割，車輛的跟蹤和特征提取，虛擬檢測線的設(shè)置，最終實現(xiàn)對車輛的分類和計數(shù)。用實際道路交通的監(jiān)控視頻進行測試，能夠?qū)崿F(xiàn)對車輛的分類和計數(shù)。

參考文獻(xiàn)：

[1] Morris B T， Trivedi M M. A survey of vision-based trajectory learning and analysis for surveillance[J]. IEEE Transactions on Circuits and Systems for Video Technology， 2008， 18（8）：1114-1127.

[2] P. Kaewtrakulpong ，R. Bowden， “An improved adaptive background mixture model for realtime tracking with shadow detection，” Proceedings of European Workshop on Advanced Video Based Surveillance Systems， London， September 2001：1–5.

[3] Morris B T， Trivedi M M. Real-time video based highway traffic measurement and performance monitoring， Proc. of the IEEE Conference on Intelligent Transportation System， pp. 59V64， 2007.

[4] Bo L， Heqin Z， Using object classification to improve urban traffic monitoring system， Proc. IEEE International Conference on Neural Networks and Signal Processing， 2003： 1155-1159.