基于DSP的單車道車流量實時監(jiān)測算法

楊 婷，李 博，石雯婧,張成飛

(1.儀器科學(xué)與動態(tài)測試教育部重點實驗室(中北大學(xué))，太原 030051； 2.圖像視頻處理與通信實驗室(新墨西哥大學(xué))，阿爾伯克基 新墨西哥州 87131，美國)

(*通信作者電子郵箱libo@nuc.edu.cn)

基于DSP的單車道車流量實時監(jiān)測算法

楊 婷1，李 博1*，石雯婧2,張成飛1

(1.儀器科學(xué)與動態(tài)測試教育部重點實驗室(中北大學(xué))，太原 030051； 2.圖像視頻處理與通信實驗室(新墨西哥大學(xué))，阿爾伯克基 新墨西哥州 87131，美國)

(*通信作者電子郵箱libo@nuc.edu.cn)

針對傳統(tǒng)的車流量檢測系統(tǒng)采用感應(yīng)器設(shè)備硬件安裝繁雜及通用車流量檢測算法無法判別車輛行駛方向的問題，提出一種基于數(shù)字信號處理器(DSP)的單車道車流量實時監(jiān)測算法，并應(yīng)用于停車場。首先,在虛擬檢測帶上使用背景差分法完成車輛檢測，并對均值法背景建模進行改進；其次,提出一種鄰幀二值歸類算法對車輛行駛方向進行判別；最后,在虛擬檢測帶上進行車流量計數(shù)并將車位情況實時顯示于LED顯示屏上。通過模擬實驗驗證了所提算法的可行性，并在實際測試實驗中，得到鄰幀二值歸類算法方向判別的準確率為96.5%，車位監(jiān)控算法準確率為92.2%。實驗結(jié)果表明，該單車道車流量實時監(jiān)測算法準確率較高，節(jié)省了檢測系統(tǒng)設(shè)備，可以應(yīng)用于單車道停車場進行車流量實時監(jiān)測。

車流量監(jiān)測；單車道；背景差分法；背景建模; 虛擬檢測帶

0 引言

隨著經(jīng)濟的迅猛發(fā)展，汽車持有量急劇增加，停車場的使用頻率也大幅提高。目前國內(nèi)大型停車場是進出雙向車道，而在住宅小區(qū)或占地面積不大的小型停車場，由于車流量的限制，進出口使用同一車道。傳統(tǒng)的停車場車流量檢測均是采用電動欄桿感應(yīng)器或地磁感應(yīng)器[1-3]，硬件設(shè)備成本高且易損耗，維修與升級更是需要消耗更多的財力物力。這種方法硬件設(shè)備過于復(fù)雜，且占用大量的軟件資源[4-6]。近年來，隨著計算機視覺技術(shù)的不斷發(fā)展，基于視頻的車流量檢測已廣泛應(yīng)用于智能交通系統(tǒng)(Intelligent Traffic System, ITS)[7]中。

與傳統(tǒng)的視頻檢測以個人計算機為平臺不同，本文采用TMS320DM642(簡稱DM642)作為數(shù)據(jù)處理總控制器，對地下停車場單車道的車流量進行實時監(jiān)測，并通過外接發(fā)光二極管(Light Emitting Diode, LED)屏實時顯示車位剩余情況。鑒于數(shù)字信號處理器(Digital Signal Processor, DSP)的運算能力有限，要在保證檢測準確性的同時滿足實時性的要求，就必須降低算法的運算量，故本文在虛擬檢測帶上用背景差分法提取運動區(qū)域完成車輛的檢測，通過鄰幀二值歸類法完成單車道車流量計數(shù)并在LED屏上實時顯示。

1 單車道車流量實時監(jiān)測算法

1.1 車輛檢測

目前基于視頻的車流量檢測主流算法有光流法[8]、幀間差分法[9]和背景差分法[10]。本文采用背景差分法完成車輛檢測，因為與另外兩種算法相比，背景差分法提取運動目標更為精確，計算量較小,實時性好，且目標完整性不易受到目標速度的影響，但它需要實時更新背景[11-13]。本文系統(tǒng)的應(yīng)用環(huán)境為停車場，相對公路具有車流量較少的特點，因此設(shè)計了改進型的均值法進行背景模型建立，具有算法簡單、運算量小的特點，適合簡單場景，能保證算法的準確性。

1.1.1 背景差分法

假設(shè)第k幀圖像中像素點(x,y)的當前像素灰度值為Fk(x,y)，背景像素灰度值為Bk(x,y)，差值為Dk(x,y)，背景差分如式(1)所示：

Dk(x,y)=|Fk(x,y)-Bk(x,y)|

(1)

背景差分后為了提取出運動區(qū)域，將差分后的像素灰度值二值化：

(2)

其中Mk(x,y)為前景掩模。由式(2)可知，背景差值Dk(x,y)與閾值T進行比較，當Dk(x,y)≥T,視為運動點，此時Mk(x,y)賦值為1，在圖像上顯示為白色；當Dk(x,y)

1.1.2 改進均值法背景建模

改進均值法步驟如下：

1)取一幀沒有運動車輛的圖像作為初始背景B1(x,y)。

2)當前幀Ik(x,y)與背景幀B1(x,y)相減根據(jù)閾值判斷前景點和背景點：

(3)

式中，Dk(x,y)為背景點與前景點判別值。

3)當判別為前景點時，保持前一幀背景值不變;當判別為背景點，則更新參考背景模型。

(4)

其中：Gk(x,y)為第k幀參考背景模型；θ是更新速度參數(shù)，經(jīng)過大量實驗測試，本文取θ=0.03。

4)當k=M時，要對前M幀參考背景模型取平均值，得到新的背景值，其計算公式為：

(5)

式中，BM(x,y)為更新后的背景值，經(jīng)過實驗測試，M取值為30較為合適。

采用改進的均值法更新背景模型，首先利用停車場車流量相對公路較少的特點，取初始背景幀更容易實現(xiàn)；其次，得到參考背景模型后再對M幀參考背景模型作均值得到更新的背景，消除了圖像中非背景點，提高了運算的準確率；最后，該算法運算簡單，每30幀更新一次背景，降低了算法運算量，保證了系統(tǒng)的實時性。

1.2 單車道方向判別

為了減少運算量以提高算法的實時性，在DSP處理數(shù)據(jù)時，無需對整幅圖像作運算，只需截取一條檢測帶進行數(shù)據(jù)處理。本文設(shè)置10個像素高度的虛擬檢測帶完成車輛檢測以及單車道車流量計數(shù)。

經(jīng)過背景差分二值化后，此時虛擬檢測帶中可以檢測出運動車輛。若有車輛經(jīng)過檢測帶，像素值會發(fā)生規(guī)律性變化，根據(jù)變化情況判別車輛駛?cè)腭偝龇较颉Ｊ紫葘⒃摍z測帶看作元素個數(shù)為10的一維數(shù)組a，其中a[i](i=0,1，…，9)表示第(i+1)行的狀態(tài)，此時各行元素之間相互獨立，相應(yīng)值為：

(6)

其中：Pi表示第i行中經(jīng)過背景差法二值化后白色像素點的個數(shù)，也即1.1.1節(jié)Mk(x,y)為1的個數(shù)；t為閾值。經(jīng)過式(6)運算后，此時檢測帶內(nèi)像素變化情況便可用只有0和1組成的數(shù)組a[i]代替。

由圖1可知，當車駛?cè)胲噹鞎r，是由3種狀態(tài)組成:狀態(tài)1→狀態(tài)2→狀態(tài)3。當車從狀態(tài)1變?yōu)闋顟B(tài)2的過程中，數(shù)組a的變化為[1000000000],[1100000000],[1110000000],…,[1111111110]；當車處于狀態(tài)2時，數(shù)組a為[1111111111]，當車從狀態(tài)2變?yōu)闋顟B(tài)3的過程中，此時數(shù)組a的變化為[0111111111],[0011111111],[0001111111]，…,[0000000001]。而車駛出車庫的情況與車駛?cè)胲噹煺孟喾?，因此是狀態(tài)3→狀態(tài)2→狀態(tài)1。

圖1 車輛駛?cè)腭偝雠袛嘣硎疽鈭D

根據(jù)分析可知，數(shù)組a[i]的值分為兩部分，L個1和10-L個0規(guī)律排列，1和0并非穿插排布。當L大于0時，即狀態(tài)2不予考慮，此時便可根據(jù)規(guī)律判斷車輛駛?cè)腭偝龇较颉?/p>

車輛駛?cè)腭偝龇较蚺袛嗖襟E：

1) 根據(jù)式(6)確定數(shù)組a[i]的值。

2) 計算a[i]中1的個數(shù)。

3) 將當前幀1的個數(shù)與前一幀1的個數(shù)作對比：

(7)

其中Count表示當前幀1的個數(shù)與前一幀1的個數(shù)的差值。

4) 判斷數(shù)組起始值a[0]是否為1。

(8)

5)車輛行駛方向通過a[0]和Count的不同組合進行判斷，判斷方法見表1。

表1 車輛駛?cè)腭偝龇较蚺袆e方法

傳統(tǒng)的車輛方向判別法是標記并記錄每幀圖像中車輛外接矩形的中心點位置，并跟蹤該中心點所形成的軌跡[14]。這種方法需要對目標車輛進行跟蹤、定位、估計運動矢量，運算復(fù)雜度高，運算量較大，難以滿足實時性的要求，而本文方法根據(jù)虛擬檢測帶像素值規(guī)律性變化判斷車輛行駛方向，算法簡單，實時性好。

1.3 車流量計數(shù)

虛擬檢測帶中的像素點是固定值，若有車輛駛?cè)霗z測帶，圖像背景差分二值化后，運動目標檢測為白色，背景檢測為黑色。當車輛駛?cè)霗z測帶再駛出時，檢測帶內(nèi)白色像素點個數(shù)增多后又逐漸減少，因此采用背景差分法檢測出運動車輛，采用鄰幀二值歸類法判別出車輛駛?cè)腭偝龇较?，再統(tǒng)計虛擬檢測帶中白色像素點的個數(shù)便可完成單車道車輛檢測、方向判別及流量計數(shù)。

2 DSP的實現(xiàn)

為了在虛擬檢測帶中提取足夠的車輛信息并減少計算量以保證系統(tǒng)實時性，本文系統(tǒng)中虛擬檢測帶設(shè)置高為10個像素，寬為500個像素，總計共5 000個像素點；在車流量計數(shù)時，設(shè)置閾值Th1=4 800，閾值Th2=20。當檢測到虛擬檢測帶中白色像素點逐漸增多并達到4 800后，又逐漸減少到小于20時，則判定為車輛通過；再采用鄰幀二值化歸類法根據(jù)Count和a[0]的不同組合值判別出車輛行駛方向，此時完成車流量計數(shù)。算法流程如圖2所示。

圖2 本文算法流程

3 實驗結(jié)果分析

將本文算法應(yīng)用于DM642平臺下，用CodeComposerStudio(CCS)連接DSP與仿真器，并將程序下載到DSP開發(fā)板中進行測試。

實驗使用模擬小車對單車道車流量進行測試，如圖3所示。

圖3 模擬實驗測試

從圖3(a)中看出，在虛擬檢測帶的位置，此時車輛未駛?cè)霗z測帶，顯示屏中顯示車位為98；圖3(b)～(c)中車輛駛?cè)胩摂M檢測帶，此時檢測帶內(nèi)的車輛判別為白色像素點，顯示屏中車位數(shù)量不變；圖3(d)中車輛駛離虛擬檢測帶，檢測帶中白色像素點減少，幾乎為0，此時顯示屏計數(shù)減少，變成車位97。

多次測試結(jié)果顯示，車速對該算法有一定的影響。根據(jù)基于虛擬線圈車速計算公式[15]可以計算出通過虛擬檢測帶的速度：

(9)

其中：Δx為虛擬檢測帶的高度；N為車輛駛過虛擬檢測帶共需要N幀圖像；Δt為每幀圖像拍攝間隔。

假設(shè)駛過虛擬檢測帶需要1 s，攝像機每秒采集25幀圖像，N為25，Δt為40 ms，Δx為10個像素高度，代入式(10)，得出vA為10km/h，但一般停車場車速限速5km/h，因此可以滿足實際要求。

由圖4中可以看出，虛擬檢測帶設(shè)置在圖像中部靠下位置，當車輛駛離虛擬檢測帶時，處于檢測帶區(qū)域的車輛尾部在圖像中顯示為白色像素點，檢測帶其他區(qū)域顯示為黑色像素點。

圖4 實際測試場景

對停車場不同車速下4h內(nèi)的車流量進行統(tǒng)計，以測試本文算法的檢測準確性，結(jié)果統(tǒng)計如表2所示。由表2可以看出，車速控制在5km/h以內(nèi)的車輛很少，基本不會出現(xiàn)漏檢的車輛，準確率較高；車速在5～10km/h的車輛較多，準確率能保持在92%以上；車速大于10km/h的車輛也較少，檢測準確率大幅下降。其中漏檢是由于前車車速慢，而后車緊跟，雖然檢測帶中沒有出現(xiàn)兩車粘連現(xiàn)象，但檢測帶會將極其相近的兩幀圖像判別為一輛車通過；方向誤判是由于a[0]的值沒有讀出。實地測試結(jié)果顯示，鄰幀二值歸類算法方向判別準確率為96.5%，車位監(jiān)控算法準確率為92.2%。

表2 實際測試結(jié)果統(tǒng)計

4 結(jié)語

為簡化傳統(tǒng)停車場車流量檢測設(shè)備，實現(xiàn)車輛行駛方向判別，提出一種基于DSP的單車道車流量實時監(jiān)測算法。利用背景差分法對車輛進行檢測，用改進型均值法完成背景模型更新，在提高運算速度的同時保證了算法的準確性；提出鄰幀二值歸類法實現(xiàn)了車輛行駛方向判別，結(jié)合虛擬檢測帶實現(xiàn)車流量計數(shù)，并將停車場剩余車位數(shù)實時顯示在LED屏上，解決了單車道停車場車流量監(jiān)控的問題。通過模擬實驗和實地測試實驗驗證了算法的可行性，而且在測試中發(fā)現(xiàn)車輛粘連現(xiàn)象和過快車速是造成檢測誤差的主要原因，這也是檢測算法有待進一步優(yōu)化的地方。

)

[1]YAMADAY,KISEIH.Geomagneticsensingdevice:US, 20120078562A1 [P].2012- 03- 29.

[2] 金華強.基于AMR傳感器的車位檢測系統(tǒng)的設(shè)計與實現(xiàn)[D].杭州:浙江工業(yè)大學(xué),2012:8-10.(JINHQ.DesignandimplementationofparkingspacesmonitoringsystembasedonAMRsensor[D].Hangzhou:ZhejiangUniversityofTechnology, 2012: 8-10.)

[3] 吳呈祥.停車場車位引導(dǎo)系統(tǒng)的設(shè)計與實現(xiàn)[D].大連:大連海事大學(xué),2015:4-6.(WUCX.Thedesignandimplementationofparkinglotguidancesystem[D].Dalian:DalianMaritimeUniversity, 2015: 4-6.)

[4] 黃訓(xùn)磊,王麗靜,王興宇,等.基于ARM的停車場車輛管理系統(tǒng)[J].現(xiàn)代電子技術(shù),2014,37(2):100-104.(HUANGXL,WANGLJ,WANGXY,etal.DesignofparkinglotmanagementsystembasedonARM[J].ModernElectronicsTechnique, 2014, 37(2): 100-104.)

[5] 方俊,谷冰冰.基于無線射頻識別技術(shù)的停車場管理系統(tǒng)設(shè)計[J].計算技術(shù)與自動化,2010,29(3):92-95.(FANGJ,GUBB.Thedesignofaparkinglotmanagementsystembasedonradiofrequencyidentificationtechnology[J].ComputingTechnologyandAutomation, 2010, 29(3): 92-95.)

[6] 李宇成,嚴娟莉,王目樹,等.利用視頻圖像檢測車位狀態(tài)的方法[J].計算機工程與設(shè)計,2012,33(1):282-285，321.(LIYC,YANJL,WANGMS,etal.Approachforparkingspacesdetectionbasedonvideoimages[J].ComputerEngineeringandDesign, 2012, 33(1): 282-285,321.)

[7]GUPTAP,PUROHITGN,DADHICHA.Approachesforintelligenttrafficsystem:asurvey[J].InternationalJournalonComputerScienceandEngineering, 2012, 4(9): 1570-1578.

[8] 王效文.基于光流法的車輛檢測與跟蹤[D].鎮(zhèn)江:江蘇科技大學(xué),2015:18-37.(WANGXW.Vehicledetectionandtrackingbasedonopticalflow[D].Zhenjiang:JiangsuUniversityofScienceandTechnology, 2015: 18-37.)

[9] 王振亞,曾黃麟.一種基于幀間差分和光流技術(shù)結(jié)合的運動車輛檢測和跟蹤算法[J].計機應(yīng)用與軟件,2012,29(5):117-120,129.(WANGZY,ZENGHL.Anewalgorithmofmovingvehicledetectionandtrackingbasedoncombiningframedifferencemethodwithopticalflowtechnique[J].ComputerApplicationsandSoftware, 2012, 29(5): 117-120, 129.)

[10] 盧章平,孔德飛,李小蕾,等.背景差分與三幀差分結(jié)合的運動目標檢測算法[J].計算測量與控制.2013,21(12):3315-3318.(LUZP,KONGDF,LIXL,etal.Amethodformovingobjectdetectionbasedonbackgroundsubtractionandthree-framedifferencing[J].ComputerMeasurement&Control, 2013, 21(12): 3315-3318.)

[11] 吳亞斌,陳淑榮.一種基于監(jiān)控視頻的車型識別和車流量檢測算法[J].微型機與應(yīng)用,2015,34(7):45-48.(WUYB,CHENSR.Avehicleidentificationandtrafficdetectionalgorithmbasedonsurveillancevideo[J].Microcomputer&ItsApplications, 2015, 34(7): 45-48.)

[12] 楊宇騰.基于背景差分法與虛擬區(qū)域融合的視頻中車流量統(tǒng)計的方法[D].昆明:云南大學(xué),2015:14-18.(YANGYT.Methodoftrafficstatisticsinthevideobasedonthebackgrounddifferencemethodandthevirtualregionalintegration[D].Kunming:YunnanUniversity, 2015: 14-18.)

[13] 薛茹,宋煥生,張環(huán).基于像素的背景建模方法綜述[J].電視技術(shù),2012,36(13):39-43,47.(XUER,SONGHS,ZHANGH.Overviewofbackgroundmodelingmethodbasedonpixel[J].VideoEngineering, 2012, 36(13): 39-43, 47.)

[14] 黃海靜.基于視頻技術(shù)的交通事件監(jiān)測及其應(yīng)用研究[D].西安:西安科技大學(xué),2014:46-47.(HUANGHJ.Trafficincidentdetectionanditsapplicationbasedonvideotechnology[D].Xi’an:Xi’anUniversityofScienceandTechnology, 2014: 46-47.)

[15] 許慧.基于視頻的車速檢測及超速報警系統(tǒng)[D].呼和浩特:內(nèi)蒙古工業(yè)大學(xué),2015:35-50.(XUH.Vehiclespeeddetectionbasedonvideoandoverspeedalarmsystem[D].Hohhot:InnerMongoliaUniversityofTechnology, 2015: 35-50.)

ThisworkissupportedbytheNationalNaturalScienceFoundationofChina(61471325).

YANG Ting, born in 1991, M.S.candidate.Her research interests include embedded video image processing.

LI Bo, born in 1972, Ph.D., associate professor.His research interests include embedded electronic circuit system.

SHI Wenjing, born in 1992, M.S.candidate.Her research interests include video image processing.

ZHANG Chengfei, born in 1990,Ph.D.candidate.His research interests include electronic circuit system.

Real-time vehicle monitoring algorithm for single-lane based on DSP

YANG Ting1, LI Bo1*, SHI Wenjing2, ZHANG Chengfei1

(1.KeyLaboratoryofInstrumentationScience&DynamicMeasurement,MinistryofEducation(NorthUniversityofChina),TaiyuanShanxi030051,China;2.ImageandVideoProcessingandCommunicationsLab(UniversityofNewMexico),AlbuquerqueNewMexico87131,UnitedStates)

The traditional traffic flow detection system based on sensor device has complex hardware equipment and the universal traffic flow detection algorithm cannot distinguish the directions of vehicles.To resolve the above problems, a real-time vehicle monitoring algorithm for single-lane based on Digital Signal Processor (DSP) was proposed and applied to parking lot.Firstly, the background differential algorithm was used to detect vehicles on virtual detection zone and the method of mean background modeling was improved.Then, an adjacent frame two-value classification algorithm was proposed to distinguish the directions of vehicles.Finally, virtual detection zone was used for vehicle counting and the number of empty parking spots was real-time displayed on a Light Emitting Diode (LED) screen.The feasibility of the proposed algorithm was verified by the simulation experiment.The actual test results showed that the accuracy rate of the adjacent frame two-value classification algorithm for direction detection was 96.5% and the accuracy rate of parking spot monitoring algorithm was 92.2%.The proposed real-time vehicle monitoring algorithm for single-lane has high accuracy and needs less detection equipment, so it can be applied to single-lane parking lot for real-time vehicle monitoring.

vehicle monitoring; single-lane; background differential algorithm; background modeling; virtual detection zone

2016- 06- 22;

2016- 09- 06。 基金項目:國家自然科學(xué)基金資助項目(61471325)。

楊婷(1991—)，女，內(nèi)蒙巴彥淖爾人，碩士研究生，主要研究方向：嵌入式視頻圖像處理； 李博(1972—)，男，山西呂梁人，副教授，博士，主要研究方向：嵌入式電子電路系統(tǒng)； 石雯婧(1992—)，女，江蘇南通人，碩士研究生，主要研究方向：視頻圖像處理；張成飛(1990—)，男，安徽亳州人，博士研究生，主要研究方向：電子電路系統(tǒng)。

1001- 9081(2017)02- 0593- 04

10.11772/j.issn.1001- 9081.2017.02.0593

TP391.4

A