用于智能交通系統(tǒng)的夜間車流量統(tǒng)計

鄒金里 李洪芹 吳健珍 李金書 王文強 楊啟超

摘 要 智能交通系統(tǒng)是一種充分利用交通基礎(chǔ)設(shè)施，實現(xiàn)交通環(huán)保節(jié)能，提升交通服務水平的手段。建立智能交通系統(tǒng)，能有效規(guī)劃城市道路，抑制交通事故的發(fā)生。交通監(jiān)控應在不同的環(huán)境、天氣和照明條件下正常有效地工作。在晚上，許多中小城市的照明條件不是很好。本文主要針對夜間的車流量統(tǒng)計，根據(jù)上述特征對視頻序列圖像進行閾值處理，然后，通過形態(tài)分析，可以提取燈光走廊，最后根據(jù)前燈之間的一定距離分離車燈對，將其用作移動目標并通過計算得到交通流量。

關(guān)鍵詞 車燈配對 交通流量統(tǒng)計 夜間車輛檢測 路面反射

中圖分類號：TP29 文獻標識碼：A DOI：10.16400/j.cnki.kjdks.2019.03.035

Abstract Intelligent Transportation System （ITS） is a means of making full use of transportation infrastructure， realizing environmental protection and energy saving， and improving the level of transportation services. The establishment of intelligent transportation system can effectively plan urban roads and restrain traffic accidents. Traffic monitoring should work normally and effectively under different environment， weather and lighting conditions. In the evening， the lighting conditions in many small and medium-sized cities are not very good. In this paper， according to the traffic statistics at night， the video sequence image is threshold processed according to the above characteristics. Then， through morphological analysis， the light corridor can be extracted. Finally， according to a certain distance between headlights， the pair of headlights can be separated and used as moving targets and traffic flow can be calculated.

Keywords headlight pairing； traffic flow statistics； night vehicle detection； pavement reflection

當今社會飛速發(fā)展，科技日新月異，交通工具逐漸從貧瘠變得發(fā)達，每條道路上車輛數(shù)目急劇增加，為了更好的統(tǒng)計車流量，需要應用到車流量檢測技術(shù)來輔助統(tǒng)計車輛及道路情況。同時隨著一門新興技術(shù)飛速發(fā)展，名為“計算機視覺技術(shù)”，由于要確保道路交通系統(tǒng)的安全和通行的效率，智能交通系統(tǒng)分析交通視頻序列應運而生。

智能交通系統(tǒng)利用先進的科學技術(shù)進行交通控制和服務控制，并緊密結(jié)合車輛、道路和用戶，從而形成一個高效、安全、全方位管理的綜合智能交通系統(tǒng)。智能交通系統(tǒng)是一種充分利用交通基礎(chǔ)設(shè)施，實現(xiàn)交通環(huán)保節(jié)能，提升交通服務水平的手段。智能交通系統(tǒng)主要包括車輛檢測跟蹤，車牌智能識別，車輛分類，車速檢測，交通流量統(tǒng)計等。在智能交通系統(tǒng)的開發(fā)中，分割和提取有用的車輛信息以及在復雜的交通場景中進行有效的分析和處理是一個非常具有挑戰(zhàn)性的問題。隨著計算機技術(shù)的飛速發(fā)展，計算機視覺技術(shù)在智能交通系統(tǒng)中的應用將具有更廣闊的發(fā)展前景。

1 課題相關(guān)領(lǐng)域的發(fā)展概括及研究現(xiàn)狀

目前國內(nèi)研究的交通信息采集方法一般都是物理接觸類，主要包括壓電、壓力管檢測、環(huán)形線圈檢測和磁檢測。經(jīng)過多年的開發(fā)技術(shù)，測量精度高，易于掌握。但仍存在許多問題。例如，收集裝置埋在地下，難以安裝和維護。隨著公路車輛的增加，接觸裝置的使用壽命越來越短。為了解決上述問題，需要從其他角度入手，而不是一味的依靠一些儀器檢測出來的數(shù)據(jù)來統(tǒng)計。本文中提出可以逐步用智能系統(tǒng)來替代這些方法，從而不需要在維護儀器上浪費時間和精力，我們可以通過路段監(jiān)控，并且加以視頻處理。通過計算得出一個比較準確的統(tǒng)計數(shù)據(jù)，這樣可以節(jié)省很多人力物力。

1.1 項目方案

（1）道路交通資料收集。在某個路段或某幾個路段采集多組視頻監(jiān)控，并加以保存歸類。

（2）各時段交通道路情況的視頻了解。除了采集視頻，還要對每個時間段有明確的認知，因為不是每個時間段的車流量都是相近的，高峰期的監(jiān)控視頻和交通舒暢時段的監(jiān)控都要有收集并分類。

（3）對視頻加以處理。對視頻的去噪處理、灰度變換。

（4）在不同天氣條件下（晴天，陰天，下雨）檢測道路車輛。留意各個天氣的車流量，爭取各類天氣的監(jiān)控視頻都有收集，這樣得出的結(jié)論才會更加準確。

（5）資料分析。整合處理好的視頻資料，利用背景差分法計算數(shù)據(jù)。

（6）車流量統(tǒng)計。整理計算好的數(shù)據(jù)，加以匯總。

2 視頻中運動目標檢測方法

2.1 背景差分法

背景差分法也稱為背景減法方法或減法背景方法，基本思想是獲得背景圖像。把輸入圖像和背景圖像進行相減運算得到與輸入圖像和背景都不同的區(qū)域背景。差分法的主要思想是將視頻幀與估計的背景圖像幀相減，兩幀差異用作前景運動圖像以分割前景并用以檢測運動對象。本文采用該方法來計算車流量，因為該方法可以相對下面兩種方法來說更準確的得出計算結(jié)果。通過每一幀的背景差異來做運算，不僅可以計算精準，更可以消除模糊背景帶來的視覺誤差和系統(tǒng)誤差。

2.2 幀間差分法

幀間差分法，其思路是將鄰近兩幀做減法運算并將相減結(jié)果作為前景用來檢測運動目標信息。

2.3 光流法

在圖像處理領(lǐng)域，光流的概念是在圖像中移動物體所呈現(xiàn)的速度。當我們用眼睛觀察運動的物體時，一系列連續(xù)運動的信息傳達給我們的視覺接收器——視網(wǎng)膜，而隨著時間的延伸，變化的信息不斷地傳遞給視網(wǎng)膜，運動的信息實際就是光線不斷變化的信息猶如光流一樣。

2.4 問題及解決辦法

如何提取車前燈的關(guān)鍵信息是本文的研究重點。由于夜間可見度低，有很多干擾物，不能清晰的體現(xiàn)出來車燈的數(shù)量以及位置，為了提取車前燈的關(guān)鍵信息，項目小組成員經(jīng)過查閱資料發(fā)現(xiàn)，確定了可以通過車前燈的對數(shù)來計算并完成夜間的車流量的統(tǒng)計設(shè)計方案。首先，通過對比可以了解到在晚上統(tǒng)計車流量的特點。然后，通過在某一段路口監(jiān)控視頻的采集并處理圖像來方便計算。最后，制定一種算法，通過該算法以及對車燈對數(shù)的統(tǒng)計來實現(xiàn)車輛的檢測和車輛的跟蹤。這種方法可以較好的在跟蹤目標的過程中實現(xiàn)夜間車流量的計算的。

3 目標跟蹤方法

3.1 基于特征的跟蹤

該方法做出一種假設(shè)，通過建立一個唯一的目標特征集來確定移動目標，然后把移動的目標設(shè)置成相應的特征集。本文使用該方法進行目標跟蹤，因為技術(shù)原因，基于區(qū)域的跟蹤并不成熟，容易出現(xiàn)數(shù)據(jù)上的誤差，所以使用該方法更佳嚴謹一些。

3.2 基于區(qū)域的跟蹤

這種方法需要的是一個沒有太多形狀變化的目標，而且視線良好無障礙物影響，要不然的話，很容易因為某些重要的特定的因素丟失導致失去對目標的跟蹤。這些年以來，這種方法逐漸的受到人們的重視，社會以及國家的相關(guān)研究人士也開始從該方法入手，當需要解決一種模版的變化的問題，可以了解到該種變化可能是因為目標的移動以及形態(tài)或者位置引起的。

4 夜間視頻圖像預處理

夜間視頻圖像處理過程如圖1所示，具體流程詳見下面介紹。

4.1 流程

（1）收集視頻。通過提取某路段的監(jiān)控視頻或者不定期的在該路段拍攝視頻實現(xiàn)收集各種情況下的車流量視頻。

（2）視頻格式化。

（3）灰度變換。通常經(jīng)輸入系統(tǒng)獲取的圖像信息中含有各種各樣的噪聲與畸變，例如室外光照度不夠均勻會造成圖像灰度過于集中；這些不可遊免地影響系統(tǒng)圖像清晰度，降低了圖像質(zhì)量，因此，在對對圖像進行分析之前，必須對圖像質(zhì)量經(jīng)行改善，一般情況下使用圖像增強，該方法目的是設(shè)法改善圖像的視覺效果，提高圖像的可讀性，將圖像中感興趣的特征有選擇的突出，便于人與計算機的分析和處理灰度變換是圖像增強處理中一種非?；A(chǔ)直接的空間域圖像處理方法?；叶茸儞Q是根據(jù)某種條件按一定變換關(guān)系逐點改變每一個像素灰度值的方法。

（4）二值化。一幅圖像包括目標物體、背景還有噪聲，要想從多值的數(shù)字圖像中直接提取出目標物體，最常用的方法就是設(shè)定一個閾值T，用T將圖像的數(shù)據(jù)分成兩部分：大于T的像素群和小于T的像素群。這是研究灰度變換的最特殊的方法，稱為圖像的二值化。

（5）圖像去噪。去噪處理，可以讓圖像精準度更高。

（6）數(shù)學形態(tài)學處理。通過數(shù)學方法加以計算分析，得到所要求的結(jié)果。

4.2 數(shù)字圖像技術(shù)

在本文中，基于車輛前燈的運動檢測用于交通流量統(tǒng)計，攝像機應捕獲車輛進入的視頻鏡頭。圖像處理軟件基于數(shù)字運算的處理方式，決定了圖片大?。ㄏ袼攸c的多少）與之運算速度直接關(guān)聯(lián)。對于車輛檢測和統(tǒng)計車流量來說，實際只需提取交通圖像幀中的感興趣區(qū)域，僅對感興趣區(qū)域（ROI）執(zhí)行相應算法操作即可達到研究目的?；诟信d趣區(qū)域的運動目標檢測在實現(xiàn)功能的情況下，相比檢測完整圖片幀中的所有像素點具有運算量少、精度高等優(yōu)點。

夜間環(huán)境下交通視頻幀含有噪聲因素較多，其中光線變化因素對前景像素的提取具有很大干擾。為了后續(xù)較好的提取車燈前景像素，需要對所獲取的交通監(jiān)控視頻圖像進行預處理，其中包括閾值分割、灰度變換、對比度調(diào)整、高斯平滑濾波等。

4.3 視頻采集的地點

基于本文使用車前燈這一車輛局部特征識別車輛運動特征的方法，選取交通道路的要求為具有多車道且車流量較多的城市主要交通干路，采集時間為夜晚下班高峰時間段。鑒于是夜晚時段，經(jīng)過商議，一致決定挑選該的地點應為路面情況好，燈光照明設(shè)備良好，道路兩旁雜亂物體應盡可能少。

5 統(tǒng)計與計算

在不發(fā)生車輛變道的情況下，對于最左側(cè)車道即認為該車道上運動車輛的前燈的中心坐標不斷朝視頻幀左下角運動，并記錄坐標變化后的車前燈中心坐標。當新的車前燈中心位于記錄的車前燈中心坐標行駛方向的后方一定距離時且當前前方無車輛前燈，認為有新車輛進入該車道，該車道流量計數(shù)加一。最后完成計算。

6 結(jié)束語

本文主要研究基于智能系統(tǒng)，前期不定期收集監(jiān)控視頻，待各時段，各種天氣的視頻都收集整理好，加以分類處理，格式化之后通過去噪，灰度變換得到可以計算的格式，通過背景差分法來計算數(shù)據(jù)并整理，期間目標跟蹤利用假設(shè)一個目標的特征，例如車前燈對數(shù)來實現(xiàn)對每個目標的清晰跟蹤。最后得出計算結(jié)果，可以簡易實現(xiàn)智能架通系統(tǒng)的夜間車流量統(tǒng)計。

參考文獻

[1] 郭怡文，袁飛虎.基于背景差分的多車道車流量檢測系統(tǒng)[J].電光與控制，2010.17（9）：90-93.

[2] 章冠，李棟，郭建強等.基于磁感線圈的車流量檢測的研究[J].現(xiàn)代電子技術(shù)，2012.

[3] 陰亮.基于視頻圖像的車輛車速與外形參數(shù)檢測[D].北方工業(yè)大學，2008.

[4] 馬永杰，李鵬飛，王彬.一種新的夜間交通流量檢測方法[J].西北師范大學學報：自然科學版，2015（3）：43-48.

[5] 周斌.基于視覺的夜間車輛檢測與跟蹤[D].杭州電子科技大學，2015.

[6] 張永麗，張?zhí)?，畢建?基于自適應背景初始化的車流量檢測算法[J].微電子學與計算機，2007.24（5）：138-140.

[7] 宋雪樺，陳瑜，耿劍鋒，等.基于改進的混合高斯背景模型的運動目標檢測[J].計算機工程與設(shè)計，2010.31（21）：4646-4649.

[8] 聶美玲.基于車燈幾何和運動特征的夜間車輛檢測及追蹤[D].哈爾濱工程大學，2014.

[9] 劉莉，潘曉露，李一民.基于視頻的夜間車流量統(tǒng)計[J].微處理機，2012.33（1）：67-70.

[10] Zhang W，Wu Q M J，Wang G， et al. Tracking and Pairing Vehicle Headlight in Night Scenes[J].IEEE Transactions on Intelligent Transportation Systems，2012.13（1）：140-153.

[11] 聶美玲.基于車燈幾何和運動征的夜間車輛檢測及追蹤[D].哈爾濱工程大學，2014.

[12] 李小琦.基于Matlab的圖像閾值分割算法研究[J].軟件導刊，2014（12）.

[13] 許欣.圖像增強若干理論方法與應用研究[D].南京理工大學，2010.

[14] 趙小川，何灝，繆遠誠等.Matlab數(shù)字圖像處理實戰(zhàn)[M].北京：機械工業(yè)出版社，2013：59-74.