基于交通視頻分析的自適應(yīng)攝像控制系統(tǒng)

張洪斌, 黃 山,, 印 月

(1. 四川大學(xué)計算機(jī)學(xué)院, 四川 成都 610065; 2. 四川大學(xué)電氣信息學(xué)院, 四川 成都 610065)

隨著經(jīng)濟(jì)發(fā)展和城市化進(jìn)程,激增的交通負(fù)荷與有限的道路資源之間矛盾凸顯.為解決由此產(chǎn)生的道路擁堵、事故頻發(fā)和尾氣污染等問題,各國都在大力發(fā)展智能交通系統(tǒng)(intelligent transport system, ITS)[1].當(dāng)前具有車流監(jiān)控[2]、車牌識別[3]、事件檢測[4]和違章執(zhí)法[5]等綜合功能的視頻檢測技術(shù)已成為ITS科學(xué)規(guī)劃和有效管理的重要數(shù)據(jù)來源.準(zhǔn)確的交通視頻檢測依賴于高質(zhì)量攝像采集提供豐富的視覺信息.然而,多變的戶外光照和復(fù)雜的交通路況等不可控因素對全天候攝像采集提出了嚴(yán)峻挑戰(zhàn).目前交通攝像控制研究主要集中在輔助駕駛和交通監(jiān)控領(lǐng)域.西門子的Acunzo等[6]用圖像中下部區(qū)域亮度中值和方差評價成像效果.O’Malley等[7]根據(jù)前車檢測距離和尾燈色畸變推薦夜間攝像EV(exposure values)值為10.Li等[8]以5×5畫面分區(qū)的亮度均值序列辨別不同光照環(huán)境來調(diào)控相機(jī).黃山教授[9]基于車牌圖像灰度共生矩陣分析,反饋控制模擬攝像系統(tǒng)完成單車道車牌成像和號牌識別.吳洪森等[10]分析了車輛速度對快門時間的制約以及曝光時長與環(huán)境光照的關(guān)系.潘薇博士[11]以變步長方式改變攝像參數(shù),調(diào)控車牌亮度均值.Raghavan等[12]重點研究了夜間低照度下的交通視頻質(zhì)量評價與故障檢測.Torres等[13]基于圖像直方圖分析,最大化場景對比度.

綜合分析以上研究發(fā)現(xiàn),在智能視頻監(jiān)控的高清化發(fā)展趨勢[14]下,現(xiàn)有交通攝像控制方法難以滿足綜合監(jiān)控的整體需求:一方面,基于監(jiān)控畫面分析的自動曝光算法沒有考慮運動車輛和車牌細(xì)節(jié),無法確保晝夜高動態(tài)光照環(huán)境中車牌成像效果;另一方面,車牌識別專用攝像系統(tǒng)局限于最優(yōu)化號牌成像效果,致使逆光與順光等復(fù)雜光照情況下場景過曝或昏暗,既不能滿足交通執(zhí)法[15]對監(jiān)控圖像中場景信息完整性要求,又影響車輛檢測的準(zhǔn)確性.本文從構(gòu)建面向道路交通綜合檢測的高清晰大場景攝像系統(tǒng)出發(fā),通過系統(tǒng)辨識確定攝像系統(tǒng)控制特性,針對車牌和場景成像需求提出代表性圖像分析指標(biāo)及算法,結(jié)合圖像反饋信號和高層檢測結(jié)果實現(xiàn)自適應(yīng)優(yōu)化控制,并通過實驗與應(yīng)用驗證了算法和系統(tǒng)的有效性.

1 高清交通攝像系統(tǒng)

1.1 硬件系統(tǒng)設(shè)計

為實現(xiàn)全天候交通圖像采集,構(gòu)建了圖1的高清交通攝像系統(tǒng).整套系統(tǒng)由高清攝像采集設(shè)備和智能分析檢測器兩部分構(gòu)成,以千兆以太網(wǎng)連接.

圖1 高清交通攝像系統(tǒng)Fig.1 High-definition traffic-imaging system

高清攝像采集設(shè)備在智能分析檢測器的調(diào)控下持續(xù)采集交通場景視頻,其組件包括位于防護(hù)罩內(nèi)的高清數(shù)字?jǐn)z像機(jī)、工業(yè)定焦鏡頭、LED(light emitting diode)驅(qū)動器和外置的LED補(bǔ)光燈組.其中,高清數(shù)字?jǐn)z像機(jī)分辨率為2 448×2 048像素,同時監(jiān)控3條機(jī)動車道,提供水平解析度高于110像素的車牌圖像.LED補(bǔ)光燈專為低光照環(huán)境設(shè)計,以頻閃方式補(bǔ)光車牌,有高亮度低功率的優(yōu)點.LED驅(qū)動器把攝像機(jī)曝光同步電平轉(zhuǎn)為光耦方式隔離驅(qū)動LED補(bǔ)光燈組,并通過自動倍頻以消除低頻閃爍感對司機(jī)的影響.

智能分析檢測器實時處理高清攝像采集設(shè)備輸出的交通視頻,分析圖像質(zhì)量,檢測車輛信息,反饋調(diào)控攝像參數(shù),實現(xiàn)各種條件下高質(zhì)量交通視頻的獲取.檢測器采用搭載Intel Atom D2700 CPU、4 GB DDR3內(nèi)存和1 TB SATA2硬盤的小型工控系統(tǒng).

1.2 控制特性辨識

快速準(zhǔn)確的攝像控制需要對攝像系統(tǒng)控制特性進(jìn)行辨識.為此,在可控的穩(wěn)定光照環(huán)境中通過實驗對曝光時長、攝像機(jī)增益和LED補(bǔ)光時長這3個攝像控制量與成像亮度的關(guān)系進(jìn)行分析測定.

1.2.1測定可靠觀測延遲

視頻采集是一個連續(xù)的光學(xué)成像、信號處理和圖像傳輸?shù)牧魉€過程,從檢測器發(fā)出改變攝像參數(shù)命令到收到對應(yīng)的亮度響應(yīng)圖像幀之間存在一個固有延遲.因此,確定可靠觀測延遲后才能以其為時間間隔準(zhǔn)確觀測控制量對成像亮度的影響.

這里僅簡述對曝光時長的觀測延遲測定過程:首先,對準(zhǔn)穩(wěn)定光源拍攝,把曝光時長調(diào)為較大值使得觀測亮度穩(wěn)定在200.然后,程序控制曝光時長在較大值和極小值(100 μs)之間切換100次,并記錄每次觀測到亮度變化幀的延時.最后,統(tǒng)計數(shù)據(jù)得到圖2中的曝光響應(yīng)延時分布.經(jīng)反復(fù)實驗驗證,所有控制量的觀測延時都在0.24 s以內(nèi).

1.2.2辨識攝像參數(shù)控制特性

對3個控制量(曝光時長、攝像機(jī)增益和LED補(bǔ)光時長)與成像亮度關(guān)系的實驗分析如下:

在不使用LED燈并且置零增益的情況下測定曝光時長的亮度響應(yīng).首先,將曝光時長設(shè)為實際使用的上限值6 ms,調(diào)節(jié)光圈使觀測亮度剛好穩(wěn)定達(dá)到255.然后,程序控制曝光時長遞減,以可靠觀測延遲記錄亮度響應(yīng)值.最后,得到圖3中紅線所示成正比關(guān)系的曝光時長控制特性.

圖2 攝像系統(tǒng)延時統(tǒng)計Fig.2 Imaging-system time-lag statistical graph

圖3 攝像參數(shù)控制特性Fig.3 Control characteristics of imaging parameters

在穩(wěn)定的低照度環(huán)境下,使用與曝光時長類似的方法對固定車牌進(jìn)行LED補(bǔ)光實驗,測得圖3綠線所示成線性關(guān)系的補(bǔ)光時長控制特性.

本文攝像系統(tǒng)采用的Point Grey ZBRA-50S5C高清攝像機(jī)的增益標(biāo)稱范圍為[0,24].程序控制增益從0開始遞增,測得圖3藍(lán)線所示的增益亮度響應(yīng).將亮度觀測值序列除以零增益時的起始亮度值得到對應(yīng)的放大倍率值序列.通過改變初始值重復(fù)實驗和數(shù)據(jù)擬合分析,得出攝像機(jī)增益值(Ggain)與放大倍率(KG)的關(guān)系為

Ggain=19.2 lgKG.

(1)

上述辨識過程揭示了攝像系統(tǒng)的固有延時與控制特性,為可靠觀測與控制計算奠定了基礎(chǔ).

2 圖像分析反饋算法

2.1 車輛號牌成像指標(biāo)

車牌是車輛惟一法定標(biāo)識,車牌識別對圖像質(zhì)量要求也最高,因此確保車牌成像效果是交通攝像控制的重點之一.基于對我國汽車號牌的亮度直方圖分析,定義了車牌亮度中點值作為車牌圖像調(diào)控指標(biāo),具體計算如圖4所示:使用經(jīng)典的Otsu閾值算法[16]分割車牌識別[17]得到的車牌圖像為字符和底板兩部分,分別統(tǒng)計這兩部分的亮度均值,取其中間點為車牌亮度中點值.車牌亮度中點值有兩個優(yōu)點:(1) 數(shù)值穩(wěn)定,能夠避免不同車牌因字符筆畫數(shù)不同而導(dǎo)致的觀測值波動;(2) 便于調(diào)控,當(dāng)中點值處于適當(dāng)范圍內(nèi)時,能有效確保車牌字符清晰、對比明顯.根據(jù)不同光照下的成像效果,把車牌亮度中點值的亮度范圍劃分為圖5的5個區(qū)段:在欠曝光區(qū)和過曝光區(qū),車牌對比度很低,無法正確識別;在偏暗區(qū),圖像信噪比低,不利于準(zhǔn)確識別;在偏亮區(qū),顏色失真,部分筆畫細(xì)節(jié)丟失;位于中段的亮度適中區(qū),車牌對比明顯,字符邊緣清晰.實際應(yīng)用中,亮度適中區(qū)間為[80,160].

(a) 車牌圖像(b) 閾值分割結(jié)果(c) 亮度中點值在直方圖中的位置圖4 計算車牌亮度中點值Fig.4 Computation of license plate mid-value

圖5 車牌亮度中點值的分區(qū)Fig.5 Partition of license plate mid-value range

在每個觀測統(tǒng)計周期內(nèi)對相繼檢出的車牌亮度中點值按式(2)加權(quán)統(tǒng)計,以反映最新的光照情況,并減小號牌污損的不良影響.

Vsta(k)=(1-0.4cnew)Vsta(k-1)+

0.4cnewVnew,

(2)

式中:Vsta為車牌亮度中點值的統(tǒng)計量;Vnew和cnew分別為新檢出車牌的亮度中點值和識別結(jié)果可信度(有效車牌的可信度范圍為[0.85,1.00]).

2.2 交通場景成像指標(biāo)

良好的交通場景成像是準(zhǔn)確車輛檢測、跟蹤和計數(shù)的前提.根據(jù)我國道路渠化標(biāo)準(zhǔn),選取監(jiān)測路面上普遍存在的白色標(biāo)線區(qū)塊(如圖6)作為交通場景的代表性觀測對象與調(diào)控指標(biāo);與車牌亮度中點值計算方法相同,定義了標(biāo)線區(qū)塊中點值.白色標(biāo)線區(qū)塊有3個優(yōu)點:(1) 代表性好,區(qū)塊圖像同時包含白色標(biāo)線和深色路面;(2) 觀測性好,停止線橫貫整個畫面,分道線位于車道之間,都不易被車輛全部遮擋;(3) 模式穩(wěn)定,規(guī)范的白色線條,便于檢測定位[18]和可見性判別.

(a) 停止線區(qū)塊(b) 分道線區(qū)塊(c) T形區(qū)塊的場景位置圖6 交通場景中的標(biāo)線區(qū)塊Fig.6 Road-marking blocks of a traffic scene

具體場景的標(biāo)線區(qū)塊定位由系統(tǒng)架設(shè)時的初始人工選定和監(jiān)控運行時的在線自動校正相結(jié)合.在路口場景中,首選停止線和分道線交匯處的T形區(qū)塊(圖6(c)中的3個黑色方框標(biāo)示區(qū)域)進(jìn)行觀測.在線自動校正功能基于標(biāo)線區(qū)塊定位算法:首先以PPHT(progressive probabilistic hough transform)[19]方法提取邊緣線段,然后使用標(biāo)線朝向、長度和線寬等先驗信息進(jìn)行篩選,從而實現(xiàn)區(qū)塊位置的持續(xù)鎖定,并適時刷新區(qū)塊模板圖像.

標(biāo)線區(qū)塊的可見性判別基于式(3)的圖像相關(guān)系數(shù)計算,能夠較好地抑制光照變化帶來的影響.

(3)

圖7顯示了一天中標(biāo)線區(qū)塊的相關(guān)系數(shù)變化,紅線對應(yīng)圖6(c)中間位置的T形區(qū)塊,綠線是所有3個T形區(qū)塊的聯(lián)合最大值,藍(lán)線是對聯(lián)合最大值二值化判別的結(jié)果.

圖7 標(biāo)線區(qū)塊的可見性判別Fig.7 Visibility detection of road-marking blocks

3 自適應(yīng)攝像控制方法

由系統(tǒng)辨識和圖像分析可見,高清交通攝像控制是一個多控制量、多控制目標(biāo)的最優(yōu)控制問題.為此,以自適應(yīng)控制框架綜合不同層面視頻分析信息,實現(xiàn)對復(fù)雜交通環(huán)境下成像的優(yōu)化調(diào)控.

3.1 整體控制架構(gòu)

自適應(yīng)交通攝像控制系統(tǒng)的工作原理見圖8.

圖8 自適應(yīng)攝像控制系統(tǒng)Fig.8 Adaptive imaging control-system graph

高清攝像采集設(shè)備作為控制對象,以控制量u(曝光時長、增益和LED補(bǔ)光時長)為攝像參數(shù),捕獲場景光線生成交通視頻.

綜合檢測功能模塊完成對交通視頻的在線檢測分析[17](運動檢測、車牌識別、車輛檢測、車輛跟蹤、違章判別和車流統(tǒng)計),并為圖像分析反饋和自適應(yīng)控制決策提供高層信息(車牌識別和運動檢測結(jié)果).

圖像分析反饋單元實時分析視頻圖像,生成反饋信號b(車牌亮度中點值和標(biāo)線區(qū)塊中點值),饋送給自適應(yīng)控制決策模塊和攝像控制模塊.

自適應(yīng)控制決策模塊作為控制核心,基于高層信息、反饋信號b和當(dāng)前控制量u,感知環(huán)境,優(yōu)化決策,合理配置控制目標(biāo)值r(期望達(dá)到的車牌亮度中點值或標(biāo)線區(qū)塊中點值).

攝像控制模塊根據(jù)反饋信號b和控制目標(biāo)值r計算出控制量u,發(fā)送給采集設(shè)備實現(xiàn)反饋控制.

3.2 自適應(yīng)優(yōu)化決策

自適應(yīng)控制決策模塊具有在線感知學(xué)習(xí)能力,能綜合圖像分析指標(biāo)和高層檢測結(jié)果,判斷光照環(huán)境,切換控制狀態(tài),消除不確定性,實現(xiàn)最優(yōu)控制.

3.2.1基于光照感知的控制目標(biāo)優(yōu)化

高清交通攝像控制是一個需要兼顧車牌和場景成像效果的多目標(biāo)優(yōu)化問題.但逆光和順光等光照情況常會導(dǎo)致這兩個控制目標(biāo)相矛盾,嚴(yán)重影響成像和檢測效果.逆光時,日光從攝像機(jī)前方射來,車牌處于車輛陰影中,車牌亮度明顯低于場景;順光時則剛好相反,日光直射車牌形成強(qiáng)反光,車牌亮度明顯高于場景.自適應(yīng)控制決策模塊按照圖9的光照模式感知規(guī)則優(yōu)化配置控制目標(biāo)值r.

圖9 光照模式的感知與控制Fig.9 Detection and control of different illumination modes

以逆光為例簡述原理:隨著逆光增強(qiáng),按常規(guī)光照模式調(diào)控車牌亮度會使場景亮度超出上限時,系統(tǒng)進(jìn)入強(qiáng)逆光模式,以調(diào)控場景亮度在VS,max為新的控制目標(biāo),允許車牌亮度位于[VP,min,VP,center).如果逆光嚴(yán)重,會使車牌亮度低于下限時,轉(zhuǎn)入極端逆光模式,以調(diào)控車牌亮度在VP,min為目標(biāo),以允許場景過亮為代價確保車牌識別.

順光與逆光相反,其控制規(guī)則呈現(xiàn)對偶形式.

3.2.2結(jié)合高層信息的控制狀態(tài)適應(yīng)

實際運行時,自適應(yīng)控制決策與高層綜合檢測分析密切配合,在圖10所示的3種控制狀態(tài)間自主切換,實現(xiàn)最優(yōu)控制:(1) 剛啟動或者長期無車輛通過時,系統(tǒng)處于場景控制狀態(tài),僅以場景亮度為控制目標(biāo),檢測車輛和車牌.(2) 當(dāng)有車牌檢出時,系統(tǒng)轉(zhuǎn)入優(yōu)化控制狀態(tài),按前述光照模式感知規(guī)則進(jìn)行調(diào)控.(3) 極少見的突變性極端逆光或順光有可能導(dǎo)致持續(xù)有車輛經(jīng)過而無車牌識別,系統(tǒng)自動轉(zhuǎn)入光照探查狀態(tài),通過有規(guī)律的試探性配置控制目標(biāo)值,使得系統(tǒng)在合適的亮度控制范圍捕獲可識別車牌,消除光照不確定性,轉(zhuǎn)入優(yōu)化控制.光照探查控制參考當(dāng)前時段的歷史光照模式記錄,優(yōu)先選擇遞增或遞減的亮度調(diào)控方向.例如在逆光多發(fā)時段,優(yōu)先配置場景控制目標(biāo)值為高亮度值250,而后在每個觀測周期結(jié)束時以30為步長遞減.

圖10 控制狀態(tài)轉(zhuǎn)換圖Fig.10 Control state-transition graph

3.3 實時控制量計算

為應(yīng)對戶外場景晝夜間巨大的光照強(qiáng)度變化,攝像控制模塊的控制量輸出水平由低到高分為快門調(diào)控、增益調(diào)節(jié)、LED補(bǔ)光和快門補(bǔ)償4個等級.

在日光較強(qiáng)的白天時段只需調(diào)控快門便可達(dá)到目標(biāo)亮度.由曝光時長的正比特性有調(diào)節(jié)算式:

(4)

式中:tsh(n)、tsh(n+1)分別為當(dāng)前幀和下一步的曝光時長;V(n)、Vref分別為亮度的觀測值和目標(biāo)值.

在日光減弱且曝光時長調(diào)至上限后,開啟增益調(diào)節(jié).由式(1)可得攝像機(jī)增益值調(diào)節(jié)算式為

(5)

在增益已達(dá)上限的低光照環(huán)境中,攝像控制系統(tǒng)進(jìn)行LED補(bǔ)光,確保車牌成像亮度.由LED補(bǔ)光時長的線性貢獻(xiàn)有調(diào)控算式:

tLED(n+1)=tLED(n)+k(Vref-V(n)),

(6)

式中:tLED(n)、tLED(n+1)分別為當(dāng)前幀和下一幀的LED補(bǔ)光時長;k為與攝像距離有關(guān)的系數(shù),在攝像機(jī)固定安裝的監(jiān)控場景中基本不變,一般在經(jīng)驗值基礎(chǔ)上結(jié)合LED實際控制效果自動反饋微調(diào).

夜間時段的道路照明遠(yuǎn)不及白天的日光,當(dāng)LED補(bǔ)光時長超過設(shè)定門限值時,攝像控制模塊將額外增加1 ms曝光時長作為快門補(bǔ)償,以提升整體場景亮度,增強(qiáng)背景和車輛對比.

4 實驗與分析

本文圖像分析算法、攝像控制方法以及相關(guān)綜合檢測功能[17]均采用C/C++編程實現(xiàn),并以多線程方式運行于前述智能分析檢測器上.以此構(gòu)建的高清晰大場景綜合交通檢測系統(tǒng)已在北京、廣州、成都、合肥等地的ITS建設(shè)中有上千套的實際應(yīng)用.

4.1 系統(tǒng)抗擾性實驗

圖11是在可控條件下通過快速改變光照以測試系統(tǒng)抗擾性的亮度觀測記錄.實驗中設(shè)定亮度控制目標(biāo)值為120,并在短時間內(nèi)3次降低、3次增強(qiáng)

和2次來回變換環(huán)境光照的強(qiáng)度.對于這些光照突變,系統(tǒng)均能在3幀的固有延遲內(nèi)控制亮度快速恢復(fù)到目標(biāo)值附近并保持穩(wěn)定.

圖11 光照擾動下的攝像控制效果Fig.11 Imaging control results with illumination changes

4.2 特殊光照對比實驗

為評測攝像控制算法的實際光照適應(yīng)性能,在特殊光照多發(fā)路段進(jìn)行了對比實驗.

圖12和圖13分別為逆光和順光情況下的成像效果對比.

(a) 算法1的場景(b) 算法2的場景(c) 本方法的場景(d) 算法1的車牌(e) 算法2的車牌(f) 本方法的車牌圖12 逆光成像效果對比Fig.12 Imaging effects comparison of backlighting

(a) 算法1的場景(b) 算法2的場景(c) 本方法的場景(d) 算法1的車牌(e) 算法2的車牌(f) 本方法的車牌圖13 順光成像效果對比Fig.13 Imaging effects comparison of front-lighting

圖12～13中,算法1是基于畫面中下部直方圖的自動曝光控制[13],算法2是針對車牌亮度均值的變步長反饋調(diào)控[11],本方法即本文的光照感知優(yōu)化算法.表1是綜合檢測系統(tǒng)采用不同攝像控制算法的檢測性能統(tǒng)計.其中,場景完整率為系統(tǒng)抓拍圖片中道路標(biāo)線和車輛輪廓都清晰可辨的圖片占比.

表1特殊光照檢測結(jié)果
Tab.1 Detection results under special illumination conditions %

攝像控制算法車牌識別率逆光順光場景完整率逆光順光算法154.833.296.498.0算法294.493.255.686.2本方法96.696.097.898.8

實驗結(jié)果表明,本文光照感知優(yōu)化算法融合了現(xiàn)有兩類算法的優(yōu)點,能有效兼顧高清晰車牌成像和大場景監(jiān)控取證.此外,基于控制特性辨識的攝像調(diào)控可以快速響應(yīng)光照突變,車牌識別率優(yōu)于變步長調(diào)控;以標(biāo)線區(qū)塊中點值為成像指標(biāo)能夠減小來自前景車輛的干擾,場景成像效果更加穩(wěn)定.

4.3 全天監(jiān)控效果

圖14和表2分別為成都市某路口24 h攝像控制量曲線和典型時段成像檢測效果.

圖14 攝像控制量24 h曲線Fig.14 Twenty-four-hour curves of imaging parameters

表2 典型時段成像檢測效果Tab.2 Imaging and detection results at typical moments

圖14的雙縱軸曲線圖從整體上反映了曝光時長、攝像機(jī)增益和LED補(bǔ)光時長的全天調(diào)控過程.在光線充足多變的白天,主要靠對曝光時長的優(yōu)化控制適應(yīng)各種復(fù)雜日照情況.在光線微弱的夜間,曝光時長和攝像機(jī)增益處于高水平,通過反饋調(diào)控LED補(bǔ)光時長獲取良好的車牌成像效果.晨昏交替時段,3個攝像參數(shù)快速聯(lián)動,以適應(yīng)高動態(tài)范圍的持續(xù)光照變化.

表2中的觀測統(tǒng)計包含了6個典型時段的成像效果和檢測數(shù)據(jù).從觀測圖例可見,高清攝像控制系統(tǒng)能平衡不同環(huán)境下的車牌與場景成像,確保車牌圖像細(xì)節(jié)和場景整體效果.統(tǒng)計數(shù)據(jù)顯示,系統(tǒng)平均車流準(zhǔn)確率97.0%,平均車牌識別率96.3%(白天97.9%,夜晚94.1%),均超過我國現(xiàn)行的國家標(biāo)準(zhǔn)[15,20](車流準(zhǔn)確率90%;車牌識別率白天95%,夜晚90%).

5 結(jié) 論

針對智能交通中大場景高清晰綜合檢測需求設(shè)計了一套完整的高清攝像系統(tǒng),通過系統(tǒng)辨識確定的系統(tǒng)特性為控制計算提供了依據(jù),視頻分析提取的車牌亮度中點值和標(biāo)線區(qū)塊中點值構(gòu)成了穩(wěn)定的成像調(diào)控指標(biāo),基于光照模式感知平衡優(yōu)化車牌與場景控制目標(biāo),綜合高層檢測信息自動變換當(dāng)前控制狀態(tài).實驗與應(yīng)用結(jié)果表明,本文系統(tǒng)能夠快速響應(yīng)外界光線變化,有效應(yīng)對特殊光照情況,持續(xù)采集優(yōu)良的全天交通視頻,支持視頻檢測實現(xiàn)了平均97.0%的車流準(zhǔn)確度和96.3%的車牌識別率.

[1] JIM B, GUSTAVE C, DOMINIE G, et al. ITS strategic plan 2015-2019[R]. Washington D. C.: U.S. Department of Transportation, 2014.

[2] YU C C, CHENG H Y, JIAN Y F. Raindrop-tampered scene detection and traffic flow estimation for nighttime traffic surveillance[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(3): 1518-1527.

[3] ZANG Di, CHAI Zhenliang, ZHANG Junqi, et al. Vehicle license plate recognition using visual attention model and deep learning[J]. Journal of Electronic Imaging, 2015, 24(3): 1-10.

[4] REN Jianqiang, CHEN Yangzhou, XIN Le, et al. Detecting and positioning of traffic incidents via video-based analysis of traffic states in a road segment[J]. IET Intelligent Transport Systems, 2016, 10(6): 428-437.

[5] KLUBSUWAN K, KOODTALANG W, MUNGSING S. Traffic violation detection using multiple trajectories evaluation of vehicles[C]∥Proceedings of International Conference on Intelligent Systems, Modelling and Simulation.[S.l.]: IEEE Computer Society, 2013: 220-224.

[6] ACUNZO D, ZHU Y, XIE B, et al. Context-adaptive approach for vehicle detection under varying lighting conditions[C]∥Intelligent Transportation Systems Conference, 2007, IEEE.[S.l.]: IEEE, 2007: 654-660.

[7] O’MALLEY R, JONES E, GLAVIN M. Rear-lamp vehicle detection and tracking in low-exposure color video for night conditions[J]. IEEE Transactions on Intelligent Transportation Systems, 2010, 11(2): 453-462.

[8] LI T, SONG Y, MEI T. An auto exposure control algorithm based on lane recognition for on-board camera[C]∥Proceedings of IEEE Intelligent Vehicles Symposium.[S.l.]: IEEE, 2015: 851-856.

[9] 黃山. 車牌識別技術(shù)的研究和實現(xiàn)[D]. 成都:四川大學(xué),2005.

[10] 吳洪森,李志能. “電子警察”視頻檢測系統(tǒng)的分析與設(shè)計[J]. 浙江大學(xué)學(xué)報:工學(xué)版,2005,39(10): 1517-1519.

WU hongsen, LI Zhineng. Analysis and design of auto-monitoring and recording system for electronic police[J]. Journal of Zhejiang University: Engineering Science, 2005, 39(10): 1517-1519.

[11] 潘薇. 嵌入式車牌識別系統(tǒng)關(guān)鍵技術(shù)研究[D]. 成都: 四川大學(xué), 2010.

[12] RAGHAVAN A, LIU J, SAHA B, et al. Reference image-independent fault detection in transportation camera systems for nighttime scenes[C]∥Proceedings of IEEE Conference on Intelligent Transportation Systems.[S.l.]: IEEE, 2012: 963-968.

[13] TORRES J, MENéDE J M. Optimal camera exposure for video surveillance systems by predictive control of shutter speed, aperture, and gain[C]∥Real-Time Image and Video Processing.[S.l.]: SPIE, 2015: 1-14.

[14] 黃凱奇,陳曉棠,康運鋒,等. 智能視頻監(jiān)控技術(shù)綜述[J]. 計算機(jī)學(xué)報,2015,38(6): 1093-1118.

[15] 公安部道路交通管理標(biāo)準(zhǔn)化技術(shù)委員會. GA/T 496—2014闖紅燈自動記錄系統(tǒng)通用技術(shù)條件[S]. 北京:中華人民共和國公安部,2014.

[16] OTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems Man & Cybernetics, 1979, 9(1): 62-66.

[17] 張洪斌,黃山. 面向城市路口的高清晰智能監(jiān)控系統(tǒng)研究[J]. 四川大學(xué)學(xué)報:工程科學(xué)版,2012,44(增刊1): 224-228.

ZHANG Hongbin, HUANG Shan. Research on the high definition intelligent surveillance system for urban intersection[J]. Journal of Sichuan University： Engineering Science Edition, 2012, 44(Sup.1): 224-228.

[18] MAMMERI A, BOUKERCHE A, TANG Z. A real-time lane marking localization, tracking and communication system[J]. Computer Communications, 2015, 73(2): 229-233.

[19] MATAS J, KITTLER J, GALAMBOS C. Robust detection of lines using the progressive probabilistic Hough transform[J]. Computer Vision and Image Understanding, 2000, 78(1): 119-137.

[20] 公安部道路交通管理標(biāo)準(zhǔn)化技術(shù)委員會. GA/T 833—2016 機(jī)動車號牌圖像自動識別技術(shù)規(guī)范[S]. 北京:中華人民共和國公安部,2016.