基于視頻圖像的城市道路交通態(tài)勢研判方法研究

王劍峰 張永梅 薛龍飛

摘 要：本文針對日益嚴(yán)重的道路擁堵問題，提出了基于視頻圖像的城市道路交通態(tài)勢研判方法，其總體框架包括視頻圖像的獲取與傳輸，數(shù)據(jù)檢測、獲取與修正，算法計算及誤判修正，道路交通判態(tài)與顯示這4個環(huán)節(jié)；提出基于視頻圖像的城市道路交通態(tài)勢研判的關(guān)鍵技術(shù)，即基于視頻圖像的車輛目標(biāo)識別技術(shù)、基于視頻圖像的交通參數(shù)獲取技術(shù)、基于模糊理論的交通態(tài)勢研判技術(shù)，闡明了各項關(guān)鍵技術(shù)實(shí)施流程與方法；并以濟(jì)南市經(jīng)十路和北園高架路為例，利用視頻圖像技術(shù)進(jìn)行該局部路段交通態(tài)勢分析系統(tǒng)的設(shè)計，根據(jù)監(jiān)控數(shù)據(jù)進(jìn)行交通態(tài)勢的實(shí)時判定。

關(guān)鍵詞：視頻圖像 交通態(tài)勢 車輛識別 研判

中圖分類號：TP39 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-098X（2017）12（c）-0147-04

Abstract： Aiming at increasingly serious road congestion problem， the article put forward the method for judging urban road traffic situation based on video image analysis， its overall frame includes video image acquisition and transmission， data access and correction， algorithm calculation and misjudgment correction of road traffic state.It analysed the key technologies for urban road traffic situation judging based on video image， namely Vehicle target recognition technology for video image， Technology of traffic parameter acquisition based on video image， traffic situation research and judgment technology based on fuzzy theory. The implementation process and method was illustrated of the key technology. Based on the example of no.10 road and beiyuan highway in Jiinan city， video image technology is used to design the traffic situation analysis system of the local section， and the real-time judgment of traffic situation is carried out according to the monitoring data.

Key Words： Video Image； Traffic Situation； vehicle identification； Study and judge

交通擁堵一直是困擾現(xiàn)代城市發(fā)展的嚴(yán)重問題，而準(zhǔn)確判別交通擁擠狀態(tài)是構(gòu)建城市交通誘導(dǎo)系統(tǒng)的重要一環(huán)[1]，是有效預(yù)防和緩解城市道路交通擁擠，進(jìn)而提高道路通行能力的必要前提[2，3]。過去交通擁擠狀態(tài)判別方法多通過感應(yīng)線圈檢測技術(shù)獲取數(shù)據(jù)[4]，近年來隨著智能交通視頻監(jiān)控系統(tǒng)在我國逐步得到研究和發(fā)展，尤其是隨著高清視頻技術(shù)和產(chǎn)品的成熟，我國許多城市道路監(jiān)控中廣泛安裝了交通視頻監(jiān)控系統(tǒng)，該系統(tǒng)通過從交通監(jiān)控視頻中獲取捕獲目標(biāo)，提取目標(biāo)信息并進(jìn)行分析達(dá)到對城市交通的監(jiān)控管理。與感應(yīng)線圈相比，視頻檢測具有視頻圖像可獲得性容易、數(shù)據(jù)量豐富、圖像數(shù)據(jù)能重復(fù)進(jìn)行計算、可獲得較為準(zhǔn)確的交通態(tài)勢判定結(jié)果的優(yōu)點(diǎn)，它表現(xiàn)出在解決交通問題方面的強(qiáng)大優(yōu)勢，使利用智能視頻技術(shù)手段進(jìn)行道路交通態(tài)勢判斷成為可能[3]。但目前交通視頻檢測技術(shù)還局限于單純的交通信息提取，很少利用其進(jìn)行城市道路交通擁擠狀態(tài)的判別[5]。針對我國當(dāng)前道路交通態(tài)勢研究中的主要問題，與先進(jìn)的視頻監(jiān)控手段相結(jié)合，深入研究分析基于視頻檢測的城市交通擁擠狀態(tài)判別中的關(guān)鍵問題及難點(diǎn)，建立基于視頻監(jiān)控的交通擁擠狀態(tài)判別方法，推動我國道路交通態(tài)勢研究的進(jìn)一步發(fā)展，是當(dāng)前我國道路交通態(tài)勢研究領(lǐng)域的研究熱點(diǎn)[6]。

1 總體架構(gòu)

基于視頻圖像的城市道路交通狀態(tài)判別方法研究其總體框架見圖1，主要由4個部分組成。

1.1 視頻圖像的獲取與傳輸

通過在路口或路段設(shè)置的高清監(jiān)控設(shè)備，獲取海量視頻數(shù)據(jù)流，包括前端視頻采集、數(shù)字?jǐn)?shù)據(jù)流傳輸、錄像穩(wěn)定存儲、視頻顯示等環(huán)節(jié)。高清視頻系統(tǒng)獲取的是高清數(shù)字監(jiān)控信息，具有“點(diǎn)位多、高清晰、時間長、數(shù)據(jù)大”等特點(diǎn)，因此傳輸中需考慮采用數(shù)據(jù)傳輸?shù)姆€(wěn)定和可靠性，系統(tǒng)存儲必須支持大容量和具高擴(kuò)展性。

1.2 數(shù)據(jù)檢測、獲取與修正

對視頻質(zhì)量進(jìn)行診斷和檢測，根據(jù)采集的視頻圖像數(shù)據(jù)，由圖像分析得到指定區(qū)域范圍內(nèi)的車輛目標(biāo)情況，獲取交通量統(tǒng)計和交通密度數(shù)據(jù)，通過分析截取與融合等手段結(jié)合關(guān)聯(lián)分析提取必要的交通參數(shù)。包括道路車輛目標(biāo)的識別、道路交通參數(shù)的獲取、數(shù)據(jù)的誤差修改等環(huán)節(jié)。

1.3 算法計算及誤判修正

按照交通擁堵判態(tài)算法，計算得出道路的擁堵指數(shù)，并結(jié)合道路實(shí)際情況進(jìn)行誤判的修正。主要包括交通態(tài)勢算法及擁堵指數(shù)的計算兩大環(huán)節(jié)。

1.4 道路交通判態(tài)與顯示

對城市道路整體狀態(tài)交通流進(jìn)行匯總分析，進(jìn)行交通判態(tài)，并通過誤檢測識別算法識別非真實(shí)擁堵，結(jié)合GIS地圖進(jìn)行道路交通狀態(tài)的實(shí)時顯示，提交交通誘導(dǎo)信息進(jìn)行發(fā)布。

2 關(guān)鍵技術(shù)

2.1 基于視頻圖像的車輛目標(biāo)識別技術(shù)

對車輛運(yùn)動目標(biāo)的檢測是視頻監(jiān)控圖像處理與識別中最基礎(chǔ)的環(huán)節(jié)，通過對圖像中有效提取運(yùn)動目標(biāo)，為事件檢測及車輛行為的分析提供基礎(chǔ)數(shù)據(jù)。其流程如圖2所示。

針對視頻圖像的特點(diǎn)，采用背景差法對道路運(yùn)動車輛進(jìn)行識別。利用背景差法在圖像的處理過程中，其要點(diǎn)是首先將RGB圖像轉(zhuǎn)換為灰度圖，對輸入的圖像進(jìn)行轉(zhuǎn)換。獲取了背景圖像后，通過將背景圖像與某時刻輸入的圖像幀做差，即得到差分圖，采用二值化處理的辦法對差分圖像進(jìn)行處理得到二值圖。最后基于形態(tài)學(xué)進(jìn)行去噪，由此得到較為準(zhǔn)確清晰的車輛目標(biāo)二值圖。

利用得到的二值圖提取車輛信息時，由于車輛外形與矩形較為相似，所以提取車輛的外接矩形和面積作為車輛的特征參數(shù)。其具體算法：（1）通過減背景法和噪聲去除，獲得與圖像長寬相同的黑白圖像，目標(biāo)為黑色，背景為白色。（2）從上到下、從左到右依次掃描圖像。當(dāng)遇到黑色像素點(diǎn)時，記錄下此點(diǎn)的位置并入棧，以此點(diǎn)為開始進(jìn)行八鄰域搜索直至結(jié)束。搜索的同時不斷累積面積值，更新外接矩形框上、下、左、右邊界值。（3）由經(jīng)圖像提取的面積參數(shù)和車輛外接矩形進(jìn)行判斷，剔除面積小于一定閾值的車輛（即噪聲），將非噪聲車輛參數(shù)加入?yún)?shù)提取的鏈表中。（4）重復(fù)（1）/（3）步驟，直到圖像掃描完畢。當(dāng)同一輛車的不同部分未能連在一起時，通過融合進(jìn)行連接；當(dāng)兩輛車前后遮擋，發(fā)生重疊時，則需要把車輛分開。

2.2 基于視頻圖像的交通參數(shù)獲取技術(shù)

2.2.1 確定交通參數(shù)

基于視頻圖像數(shù)據(jù)的交通態(tài)勢研判中，交通參數(shù)的選擇非常重要，交通態(tài)勢往往需要兩個或兩個以上的參數(shù)來表述才較為準(zhǔn)確。城市道路交通中主要的交通參數(shù)包括車輛速度、交通流量、交通密度、占有率等。考慮到視頻圖像在道路場景下背景變化較頻繁的特征，也考慮到車輛遮擋易使目標(biāo)車輛識別不完整的問題，舍棄較復(fù)雜不容易準(zhǔn)確獲取的參數(shù)，如道路排隊長度、車輛車頭間距等，確定采用道路空間占有率和道路時間占有率這兩個交通參數(shù)作為交通態(tài)勢研判的參數(shù)。通過這兩個參數(shù)在道路由暢通到擁堵中變化趨勢，可以看出這兩個交通參數(shù)反映交通態(tài)勢是比較有效的。

2.2.2 較準(zhǔn)確地獲取交通參數(shù)

根據(jù)視頻圖像成像的原理，安裝于“T”型支架上的攝像頭時，其所采集車輛目標(biāo)往往比實(shí)際空間具有更多的像素。在提取的視頻圖像中，往往獲取的目標(biāo)車輛的長度會較明顯地大于該車輛本身的實(shí)際長度。且離攝像頭越近的車輛，其車輛的邊寬要明顯比遠(yuǎn)處的車輛邊寬大，因此利用道路空間占有率模型進(jìn)行計算時其結(jié)果會存在較為明顯的偏差。

針對視頻圖像獲取時的上述特征，通過將車輛在車頂面平面上的區(qū)域投影到路面平面上，以此可以更為準(zhǔn)確地計算道路上車輛實(shí)際的占空面積。因此，定義車道的車道空間占有率為[6]：

其中，η∈（0，1）表示圖像中車輛像素區(qū)域投影到路面平面上的比率?？纱致怨烙嫵靓牵?/p>

其中，，和分別表示車輛的高與車身長度。

通過下式求得空間占有率：

其中，RS為車道占有率；VS為空間平均速度；為車輛平均長度；QS（T）為時間T內(nèi)通過檢測區(qū)域的車輛總數(shù)。

2.3 基于模糊理論的交通態(tài)勢研判技術(shù)

2.3.1 算法及過程

考慮到實(shí)際生活中對交通擁擠狀態(tài)的判斷是一個相對模糊的概念，不同交通擁擠狀態(tài)間的區(qū)分并不是非常能量化清晰地表述。因此，采用模糊理論的思路和算法進(jìn)行道路的交通擁擠狀態(tài)的判斷[7]。該判別算法的過程是：基于視頻圖像利用背景差分法識別車輛目標(biāo)，對交通參數(shù)進(jìn)行提取，按公式計算得到道路空間占有率和時間占有率兩大指標(biāo)的數(shù)據(jù)，建立模糊C算法模型[8-10]，將獲取的數(shù)據(jù)輸入到模型中進(jìn)行計算，根據(jù)計算的結(jié)果判別交通擁堵是否發(fā)生。并和實(shí)際道路擁堵情況相比較，分析算法判斷的結(jié)果是否和實(shí)際情況一致。若不是，則再通過連通域分析和投票機(jī)制降低誤測以重新進(jìn)行判斷，直至判斷結(jié)果和實(shí)際情況一致（見圖3）。

2.3.2 降低交通擁堵狀態(tài)誤檢測的方法

道路環(huán)境的改變，會對車輛目標(biāo)的檢測結(jié)果產(chǎn)生干擾和影響，其結(jié)果是將許多非車輛目標(biāo)作為車輛進(jìn)行識別，大大增加了背景中的車輛數(shù)量?？衫眠B通域分析的誤檢測識別算法和利用投票機(jī)制分析的誤檢測識別算法進(jìn)行誤檢測的分析，對視域范圍內(nèi)的前景目標(biāo)進(jìn)行識別、分析和研究，剔除非車輛的數(shù)據(jù)干擾，由此來判斷是否為真實(shí)的擁堵事件。利用連通域分析的誤檢測識別算法中，可按最大連通域在前景中所占比例超過設(shè)定的閾值（設(shè)定為90%）時，判斷并非真正的擁堵事件。在利用投票機(jī)制分析的誤檢測識別算法中，可取時間段、系列時間間隔時，統(tǒng)計出現(xiàn)次數(shù)最多的結(jié)果作為最終的交通擁堵狀態(tài)輸出。

3 案例分析

3.1 系統(tǒng)設(shè)計

以濟(jì)南市經(jīng)十路和北園高架路為例，利用視頻圖像技術(shù)進(jìn)行該局部路段交通態(tài)勢分析系統(tǒng)的設(shè)計，并根據(jù)監(jiān)控數(shù)據(jù)進(jìn)行交通態(tài)勢的實(shí)時判定。根據(jù)該路段已安裝高清監(jiān)控系統(tǒng)獲取的實(shí)時視頻，進(jìn)行機(jī)動車數(shù)量準(zhǔn)確識別，獲取機(jī)動車流量、車速與占有率等指標(biāo)，利用模糊C-均值聚類算法計算擁堵指數(shù)，并判斷實(shí)時交通態(tài)勢，針對擁堵情況及時上傳報警信息。

3.2 功能實(shí)現(xiàn)

（1）基于視頻分析的交通量和交通信息采集：獲取前端攝像機(jī)提供的車輛運(yùn)動目標(biāo)信息，進(jìn)行流量統(tǒng)計和密度檢測功能，計算得到道路的通行量，分析當(dāng)前路口的道路通行狀態(tài)參數(shù)。

（2）交通流融合判態(tài)分析：根據(jù)采集各個路口的交通流數(shù)據(jù)，對于上報的數(shù)據(jù)與已有交通流采集數(shù)據(jù)融合，定時分析截取。

（3）算法判態(tài)與人工判態(tài)：根據(jù)獲取的信息，按照交通擁堵判態(tài)算法，獲取道路通行狀態(tài)，對于擁堵的道路進(jìn)行報警，上報給指揮調(diào)度系統(tǒng)進(jìn)行進(jìn)一步處理。同時支持人工判斷道路通行狀態(tài)，對系統(tǒng)判態(tài)進(jìn)行準(zhǔn)確性校正，經(jīng)過系統(tǒng)運(yùn)行一段時間積累，系統(tǒng)可以形成道路通行狀態(tài)規(guī)律性數(shù)據(jù)。

（4）路網(wǎng)通行狀態(tài)顯示：判態(tài)分析后得到的交通通行狀態(tài)（暢通、緩行、擁堵），能夠在GIS電子地圖通過不同顏色線（比如三色線）表示出來。

4 結(jié)語

本文提出了基于視頻圖像的城市道路交通態(tài)勢研判方法，提出其實(shí)現(xiàn)的關(guān)鍵技術(shù)，并以濟(jì)南市經(jīng)十路和北園高架路為例，進(jìn)行該局部路段交通態(tài)勢分析系統(tǒng)設(shè)計，并進(jìn)行交通態(tài)勢的判定應(yīng)用。但總體上來講，我國當(dāng)前基于視頻檢測的交通態(tài)勢判別還處于起步階段，在利用視頻圖像進(jìn)行車輛目標(biāo)的識別時，在抗干擾水平和識別精度方面還需要進(jìn)一步提升，在基于視頻圖像進(jìn)行交通參數(shù)的提取時，還可以進(jìn)一步優(yōu)化選擇的交通參數(shù)以提高判斷結(jié)果的準(zhǔn)確性和科學(xué)性。

參考文獻(xiàn)

[1] Wen TH，Chin WCB，Lai PC.Understanding the topological characteristics and flow complexity of urban traffic congestion[J].Physica A Statistical Mechanics & Its Applications，2017（473）：166-177.

[2] Jiang G.Theory and Architecture of Urban Traffic Flow Guidance System[J].Journal of Systems Science & Systems Engineering，1998（2）：30-35.

[3] Kong X，Xu Z，Shen G，et al.Urban traffic congestion estimation and prediction based on floating car trajectory data[J].Future Generation Computer Systems，2016，61（C）：97-107.

[4] Wang J， Mao Y， Li J， et al.Predictability of road traffic and congestion in urban areas[J].Plos One，2015，10（4）：e0121825.

[5] 王江鋒，姜桂艷，龍暉，等.基于神經(jīng)網(wǎng)絡(luò)的城市快速路交通擁擠識別方法研究[A].proceedings of the多國城市交通學(xué)術(shù)會議[C].2003.

[6] 梁士棟.城市區(qū)域交通狀態(tài)判別方法研究[D].吉林大學(xué)， 2014.

[7] 劉普寅，吳孟達(dá).模糊理論及其應(yīng)用[M].長沙：國防科技大學(xué)出版社，1998.

[8] Zadeh LA.Fuzzy sets[J].Information & Control， 1965，8（3）：338-53.

[9] Sasaki Y，Akiyama T.Traffic control process of expressway by fuzzy logic[M].Elsevier North-Holland，Inc，1988.

[10]高峰.交通狀態(tài)判別算法研究[J].中國公共安全：學(xué)術(shù)版， 2016（4）：63-66.