基于數(shù)組變化的單車道車流量檢測系統(tǒng)

摘" 要： 針對現(xiàn)行的基于背景差分法計算的停車場車流量檢測系統(tǒng)在特殊情況下容易出現(xiàn)誤判，準確率不夠高的問題，擬通過對比車輛差異、易引起誤判因素間的異同，改進系統(tǒng)算法，利用矩陣中數(shù)組的變化規(guī)律過濾干擾因素，使系統(tǒng)提高識別率，只針對進出車輛執(zhí)行操作，從而提高準確率。經(jīng)過反復(fù)實驗，改進后系統(tǒng)的準確率接近100%。

關(guān)鍵詞： 背景差分法; 數(shù)組變化; 車流量; 檢測系統(tǒng); 虛擬檢測帶; 算法改進

中圖分類號： TN911.73?34; TP391" " " " " " " " " "文獻標識碼： A" " " " " " " " " 文章編號： 1004?373X（2019）21?0049?04

Abstract： The accuracy of available parking lot traffic flow detection system based on background difference method is not high， and it is easy to misjudge in special circumstances. In order to make the system only perform operation for inbound and outbound vehicles while ignoring other interference factors to improve the accuracy of system judgment， the system is used to compare the similarities and differences between vehicles and special factors that can easily lead to misjudgment and improve the system recognition rate. The analog signal is digitized and the interference signal is filtered by using the variation of the array in the matrix. The results of the repeated experiments indicate that the accuracy of the improved system is close to 100%.

Keywords：" background?difference method; array change; traffic volume; detection system; virtual detection band; algorithm improvement

0" 引" 言

隨著計算機視覺技術(shù)的不斷發(fā)展，基于DSP處理視頻的車流量檢測技術(shù)廣泛應(yīng)用于智能交通系統(tǒng)[1]。本文所研究的檢測系統(tǒng)采用TMS320DM642作為數(shù)據(jù)處理總控制器，通過攝像頭采集信息。為了降低運算量，保證實時性的同時保證準確性，實際中抽取視頻的一部分作為虛擬檢測帶，在虛擬檢測帶上提取運動區(qū)域完成車輛的檢測。

背景提取是在視頻圖像序列中提取出場景中靜止不動的事物，背景提取的目標就是找出圖像中每一點的背景值。由于攝像機不動，因此圖像中的每個像素點都有一個對應(yīng)的背景值，在一段時間內(nèi)，這個背景值是比較固定的，但是為了確保準確性還是要在一定的時間內(nèi)周期性地重復(fù)背景提取。

背景提取算法有很多，如幀間差分法[2]、高斯背景差分法、背景差分算法，還有針對運動攝像機的光流法[2?4]等。其中，基于背景差分法的車流量檢測算法具有快速高效的特點，可以讓車輛在進入停車場時就對場內(nèi)各停車區(qū)域的情況一目了然，有利于節(jié)省成本提高效率，從而取代傳統(tǒng)的傳感器指示燈的檢測系統(tǒng)，被廣泛應(yīng)用于停車場[5]判斷停車位的使用和分布情況。

1" 背景差分法

在視頻圖像中截取一幀，假設(shè)該圖像中的一個像素點[（x，y）]的當前像素灰度值記為[Fk（x，y）]，背景像素的灰度值記為[Bk（x，y）]，得到背景差分方程如式（1）所示：

為了提取出運動區(qū)域，需要將差分后的像素灰度值二值化：

由式（2）可知，當背景差值[Dk（x，y）]大于閾值[T]時，點[（x，y）]為運動點，將[Mk（x，y）]賦值為1，該點在圖像上顯示為白色。當背景差[Dk（x，y）]小于閾值[T]時，該點視為背景點，將[Mk（x，y）]賦值為0，在圖像上顯示為黑色。通過這種方法可以直觀地提取出運動區(qū)域。經(jīng)過大量的實驗測試，本文中閾值[T]取為30能最大限度地避免隨機噪聲的干擾。

在背景差分法基礎(chǔ)上改進的均值背景建模法[6?7]能夠降低運算量，保證系統(tǒng)的實時性。提前選取一個沒有運動車輛的圖像作為初始背景，實時截取的圖像幀[Ik（x，y）]與背景幀[B1（x，y）]的差值為[Ik（x，y）- B1（x，y）]。將[Ik（x，y）- B1（x，y）]與閾值[T]比較，判斷前景點和背景點：

式中[Dk（x，y）]為背景點與前景點判別值。若是前景點，則不用更換背景點;否則就要用均值法更新參考模型。

在DSP處理數(shù)據(jù)時，截取其中一條檢測帶進行，可以較好地減少運算量以確保算法的實時性。本文采用一個10×100個像素的虛擬檢測帶完成車輛的檢測及單車道車流量的計數(shù)工作。

將檢測帶看作是10×100個元素的矩陣：

2" 車輛出入庫判斷

為方便研究，將檢測帶的矩陣[A]劃分為10行，每行都是一個一維數(shù)組[a]。記為[a[i]]，[i]=1，2，…，10，[a[i]]表示第[i]行的狀態(tài)。[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)，即前文[Mk（x，y）]為1的個數(shù)。當?shù)赱i]行中白色像素點個數(shù)大于閾值[T]時，該行表示值[a[i]]為1，否則為0。

各行元素相互獨立。經(jīng)過式（4）運算后，此時檢測帶內(nèi)像素變化情況便可以用只有0和1組成的數(shù)組[a[i]]代替。

車輛入庫依次經(jīng)歷的狀態(tài)如圖1所示。由圖1可知，車輛入庫要依次經(jīng)歷狀態(tài)1→狀態(tài)2→狀態(tài)3。整個過程是連續(xù)的。

在車從狀態(tài)2變?yōu)闋顟B(tài)3的過程中，此時數(shù)組[a[i]]的變化為：

相反，出庫時要經(jīng)歷狀態(tài)3→狀態(tài)2→狀態(tài)1。

根據(jù)此規(guī)律可知，單車道情況下可以通過判斷[a][1]和[a][10]誰先由0變?yōu)?就可以得出車輛是駛?cè)脒€是駛出。若[a][1]先由0變?yōu)?，則為入庫;若[a][10]先由0變?yōu)?，則為出庫。

3" 利用矩陣數(shù)字變化排除干擾

改進算法的目的是讓系統(tǒng)僅對進出車輛起作用，識別并忽略在特殊情況下表現(xiàn)出符合車輛特性的非車輛物體，從而提高準確性。特殊情況包括在鏡頭的適合距離晃動手掌、數(shù)人并排經(jīng)過檢測帶等。

沒有車輛經(jīng)過檢測帶時，矩陣[A]為10×100的零矩陣。有車輛穿過檢測帶時，矩陣[A]中每一行中都有0元素變?yōu)?，并且1和0的排列規(guī)律如下：

1） 每一行中1在中間，0在兩側(cè)。

2） 1和0不會穿插排布。

矩陣[A]的每一行組成的數(shù)組[b[i]]，[i]=1，2，…，10，1的個數(shù)記為num[[i]]，[i]=1，2，…，10，則0的個數(shù)為100-num[[i]]。

正常情況下，車的形狀不會變化，而且寬度和長度是固定的。車輛是垂直穿過檢測帶的，這種情況下，檢測帶的變化區(qū)域是矩形，如圖2所示。

特殊情況下，車輛和檢測會有一個微小的偏差角度穿過檢測帶。這種情況下，檢測帶的變化區(qū)域是平行四邊形，如圖3所示。

當在距離鏡頭合適位置晃動手掌時，檢測帶受影響的區(qū)域是不規(guī)則的，不可能形成矩形或者平行四邊形，從而在實際運用中被排除干擾。所以當[num[i]-num[j]lt;f]，[i，j]=1，2，…，10，[f]是閾值時，可以認定不是外界干擾。

當幾個人經(jīng)過鏡頭時，檢測帶受影響的區(qū)域是不連續(xù)的，所以可以通過判定數(shù)組中的num[[i]]的排列規(guī)則來排除這種干擾。

同時現(xiàn)實生活中，通用車輛的寬度均保持在一定的范圍內(nèi)，比如1.5～2 m，所以根據(jù)停車場攝像頭安裝的具體情況，可通過實驗來確定數(shù)組中num[[i]]的范圍，以提高準確度。

4" 實驗結(jié)果與分析

4.1" 模擬實驗

在實驗室內(nèi)用模擬單車道車流量測試，如圖4所示。

4.2" 真實環(huán)境實驗

對停車場不同車速下該算法檢測的準確性做了實驗，如圖7所示。

結(jié)果顯示，車速控制在5 km/h以內(nèi)基本不會出現(xiàn)漏檢，準確率較高;車速在5 km/h以上10 km/h以下，準確率能保持在95%以上。另外，經(jīng)過大量的對比實驗發(fā)現(xiàn)，車身顏色對檢測的準確性影響特別大。車身的顏色越深，檢測的準確率越低。

5" 結(jié)" 語

綜上，本文提出的改進的新算法有利于提高系統(tǒng)檢測的精確度，但是對于由車身顏色帶來的誤判還需要進一步改進，這是下一步的研究方向。

參考文獻

[1] 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].計算機應(yīng)用與軟件， 2012，29（5）：117?120.

WANG Zhenya， ZENG Huanglin. A new algorithm of moving vehicle detection and tracking based on combining" frame" difference method with optical flow technique [J]. Computer applications and software， 2012， 29（5）： 117?120.

[2] 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].計算機測量與控制，2013，21（12）：3315?3318.

LU Zhangping， KONG Defei， LI Xiaolei， et al. A method for moving object detection based on background subtraction and three?frame differencing[J]. Computer measurement amp; control， 2013， 21（12）： 3315?3318.

[3] 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.

WANG Xiaowen. Vehicle detection and tracking based on optical flow [D]. Zhenjiang： Jiangsu University of" Science and Technology， 2015.

[4] 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.

WU Yabin， CHEN Shurong. A vehicle identification and traffic detection algorithm based on surveillance video [J]. Microcomputer amp; its applications， 2015， 34（7）： 45?48.

[5] 金華強.基于AMR傳感器的車位監(jiān)測系統(tǒng)的設(shè)計與實現(xiàn)[D].杭州：浙江工業(yè)大學(xué)，2012.

JIN Huaqiang. Design and implementation of parking spaces monitoring system basedon AMR sensor [D]. Hangzhou： Zhejiang University of Thechnology， 2012.

[6] 楊婷，李博，石雯婧，等.基于DSP的單車道車流量實時監(jiān)測算法[J].計算機應(yīng)用，2017，37（2）：593?596.

YANG Ting， LI Bo， SHI Wenjing， et al. Real?time vehicle monitoring algorithm of single?lane based on DSP [J]. Journal of computer application， 2017， 37（2）： 593?596.

[7] 楊婷.停車場車流量視頻檢測關(guān)鍵技術(shù)研究與應(yīng)用[D].太原：中北大學(xué)，2017.

YANG Ting. The research and application of the key technologies for traffic flow video detection in parking lot [D]. Taiyuan： North University of China， 2017.

[8] 王驍，李博，張碩.基于DSP的地下停車場車流量視頻檢測的改進算法[J].電子器件，2016，39（3）：741?745.

WANG Xiao， LI Bo， ZHANG Shuo. An improved DSP based on algorithm for underground parting lot traffic flow detection [J]. Chinese journal of electron devices， 2016， 39（3）： 741?745.

[9] 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.

XUE Ru， SONG Huansheng， ZHANG Huan. Overview of background modeling method based on pixel [J]. Video engineering， 2012， 36（13）： 39?43.

[10] 楊宇騰.基于背景差分與虛擬區(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.

YANG Yuteng. The method of combined the background difference method and video traffic statistical region merging based on virtual [D]. Kunming： Yunnan University， 2015.