一種改進(jìn)的針對(duì)車體遮擋的車流量檢測(cè)方法

周楠皓 朱明旱 張明月 郭言信 張栩華

摘 要：隨著社會(huì)的發(fā)展，人均收入的增加，城市道路中的車輛越來越多。當(dāng)車流量增多時(shí)，車體遮擋問題也隨之而來。針對(duì)于此問題，本文在傳統(tǒng)的針對(duì)車體遮擋的車流量檢測(cè)方法的基礎(chǔ)上進(jìn)行改進(jìn)。首先通過對(duì)視頻的分析，提出了利用車體面積法來解決前后車輛的遮擋，對(duì)于特例的大型貨車、客車?yán)媒皥D像檢測(cè)黃色車牌的方法，其次采用分車道取景框來解決相鄰車輛的遮擋。實(shí)驗(yàn)結(jié)果表明，本文提出的改進(jìn)方法能更好的識(shí)別遮擋車輛，具有較高的實(shí)用價(jià)值。

關(guān)鍵詞：車輛遮擋;車輛車牌識(shí)別;車流量

1 概述

近年來，伴隨著社會(huì)的進(jìn)步，經(jīng)濟(jì)的增長，無論是國外還是國內(nèi)，交通建設(shè)變得尤為重要。隨之而來的就是面臨城市交通緊張、交通事故頻發(fā)、交通環(huán)境惡化、交通管理混亂等問題，已經(jīng)成為了當(dāng)今世界各國面臨的共同問題之一。在這樣的背景壓力之下，大力發(fā)展智能交通系統(tǒng)是各國解決道路交通問題的重要任務(wù)。車流量的統(tǒng)計(jì)是智能交通方面的重要題目之一，是完成交通智能化管理[1]的重要一環(huán)，常見的車流量統(tǒng)計(jì)方法有基于超聲波、紅外線[2]和視頻檢測(cè)[3]等方法。車流量的統(tǒng)計(jì)中存在著許多問題，例如本文提出的車體遮擋問題。

在道路擁擠時(shí)，前后車輛遮擋和左右相鄰車輛遮擋都容易造成交通安全事故的發(fā)生，所以解決車體遮擋的系統(tǒng)更應(yīng)該盡快完善起來。為了達(dá)到這個(gè)目的，車體遮擋的檢測(cè)方法和算法也在不斷地改革和創(chuàng)新中。齊美彬等[4]提出一種車輛遮擋模型的車流量統(tǒng)計(jì)算法，利用兩輪掃描法提取運(yùn)動(dòng)目標(biāo)完整外部輪廓，但該方法只著重介紹與解決相鄰車道的遮擋，而前后遮擋的問題并未提及。侯進(jìn)輝等[5]提出的一種基于隨機(jī)遮擋輔助深度表征學(xué)習(xí)的車輛再辨識(shí)的方法，該方法運(yùn)用隨機(jī)遮擋，所提出的算法能夠在一定程度上模擬實(shí)現(xiàn)現(xiàn)實(shí)中的遮擋情況，但所列舉的算法比較復(fù)雜。蔡英鳳[6]對(duì)于部分遮擋車輛的檢測(cè)提出一種基于多部件RBM模型的部分遮擋車輛檢測(cè)，該算法有較高檢測(cè)率和很低的誤檢率，但本算法判斷結(jié)構(gòu)較為復(fù)雜，計(jì)算時(shí)多個(gè)SVM分類器均需進(jìn)行判斷，因此在實(shí)時(shí)性上仍有不足。金會(huì)慶等[7]提出一種利用面積匹配方法來解決車輛前后遮擋問題，采取繪畫分車道取景框的辦法來解決相鄰車道遮擋問題，但當(dāng)兩輛前后緊挨的小車的面積如果與大型客車、貨車的面積相同時(shí)，那么會(huì)使得車流量統(tǒng)計(jì)的精度大大降低，那么面積匹配方法不能解決。

對(duì)于這些方法中所存在的問題以及未研究過的前后遮擋中存在兩輛小車遮擋面積等于大型車，所導(dǎo)致的車流量計(jì)數(shù)的問題，本文提出一種改進(jìn)的針對(duì)車體遮擋的車流量檢測(cè)方法。該算法中將大型車單獨(dú)利用其特征—黃色車牌進(jìn)行車流量統(tǒng)計(jì)。實(shí)驗(yàn)結(jié)果表明，本文所提出的方法能夠準(zhǔn)確快速統(tǒng)計(jì)遮擋車輛，并且減少了因?yàn)檐圀w特征而造成的車流量統(tǒng)計(jì)誤差，算法較為簡單，魯棒性好，具有較好的實(shí)用價(jià)值。

2 算法描述

2.1 前后遮擋車輛提取

車輛提取關(guān)鍵在于匹配，也就是說，在不同的幀圖像中找到相同的移動(dòng)物體。由于在十字路口，車輛將停止在等待紅燈的時(shí)候。長時(shí)間不動(dòng)的車體會(huì)被一種以背景提取的算法當(dāng)成背景，而在下一個(gè)綠燈時(shí)間段，這部分虛假的背景部分會(huì)使得有較長時(shí)間的虛假的運(yùn)動(dòng)信息。所以不能采用前景背景差分的方法。而其他的運(yùn)動(dòng)信息提取的算法，不能滿足本文的實(shí)時(shí)處理的要求。本文采取幀間差分的方法與小塊合并相結(jié)合的方法，幀間差分的方法對(duì)于動(dòng)態(tài)環(huán)境有很強(qiáng)的自適用性，處理速度快，有實(shí)時(shí)性，而且這個(gè)方法對(duì)同一種顏色的物體沒有那么敏感，因此可以很好地解決陰影問題。但是幀間差分的方法往往使得被檢測(cè)的對(duì)象被分為許多小塊，而造成運(yùn)動(dòng)的信息不完善，所以在幀間差分的方法后加上了一個(gè)小塊合并的處理。

利用幀間差分法與小塊合并法將車輛的圖像提取出來，再根據(jù)面積匹配來進(jìn)行車輛配對(duì)。

圖1給出了匹配原理圖。用下面二要素的方法來進(jìn)行匹配對(duì)：

（1）面積匹配：a面積必須在b面積的0.8-1.2的范圍內(nèi)，才能認(rèn)為a，b的面積相匹配。

（2）車道號(hào)碼匹配：必須是同一車道的車輛。

面積匹配法。前后遮擋問題很普遍，處理這種遮擋也是智能交通的一個(gè)重點(diǎn)和難點(diǎn)。如圖2所示整個(gè)區(qū)域內(nèi)的遮擋十分嚴(yán)重，挑選一個(gè)遮擋很少的部分來做檢驗(yàn)，可以把從下到上的車輛統(tǒng)計(jì)得很清楚。

對(duì)于取景框內(nèi)的遮擋，可以采用面積配對(duì)的方法來解決。

2.2 大型運(yùn)動(dòng)目標(biāo)的車牌識(shí)別法

當(dāng)大型車經(jīng)過時(shí)，我們的面積法有可能會(huì)將其當(dāng)作前后遮擋問題。一輛小車在圖像中的面積匹配范圍在0.8-1.2，當(dāng)兩輛車前后遮擋時(shí)，在該圖像的面積匹配范圍大約在1.6-2.4。當(dāng)面積匹配范圍超過2.4時(shí)，那么就可以認(rèn)為該遮擋目標(biāo)不為兩輛車前后遮擋，而是大型車輛。

對(duì)于大型車輛的識(shí)別，本文根據(jù)其特征，利用其特有的黃色車牌進(jìn)行識(shí)別。

黃色車牌提取。本文利用matlab技術(shù)提取黃色車牌[8]讀入原始黃色車牌圖像，如圖3。

進(jìn)行灰度處理，如圖4。

進(jìn)行圖像邊緣檢測(cè)和腐蝕，膨脹和平滑圖像輪廓，最后去除小對(duì)象，如圖5。

在水平和豎直方向確認(rèn)車牌的位置并切割，如圖6。

確認(rèn)好車牌區(qū)域后進(jìn)行角度矯正，方便之后的讀取和文字定位，如圖7。

最后進(jìn)行二值化和色素堆積，如圖8，圖9。

2.3 分車道畫框取景法

相鄰車道之間的遮擋是由于車輛之間并排行駛造成的，可以使用畫框劃分的方法解決這個(gè)問題。如圖10所示的三個(gè)取景框，分別標(biāo)記為a，b，c，每個(gè)取景框又分成上下兩部分。分別標(biāo)記為a1，a2，b1，b2，c1，c2。

經(jīng)過長期的試驗(yàn)觀察得出，b車道內(nèi)的車輛在與它的相鄰a、c車道中的運(yùn)動(dòng)信息，總是局限在a、c車道的下方部分內(nèi)，即局限在a2或者是c2內(nèi)。在a、c車道中，該車沒有產(chǎn)生明顯的，從下方進(jìn)入、從上方離開的現(xiàn)象，因此不會(huì)當(dāng)作a、c車道中的車體。采取該方法既可以解決相鄰車道的車輛遮擋問題，又可以免得一車多次計(jì)算。

3 實(shí)驗(yàn)結(jié)果分析

本文拍攝了多組實(shí)驗(yàn)數(shù)據(jù)，結(jié)果如下表：

正確檢測(cè)率=檢測(cè)車輛數(shù)實(shí)際車輛數(shù)

通過實(shí)驗(yàn)結(jié)果易得出，本文提出的方法對(duì)處于遮擋情況的運(yùn)動(dòng)車輛能正確的識(shí)別處理，車流量統(tǒng)計(jì)精度相對(duì)傳統(tǒng)視頻參數(shù)的統(tǒng)計(jì)算法有所提高，整個(gè)車流量統(tǒng)計(jì)算法準(zhǔn)確率保持在95%以上，具有較高的準(zhǔn)確率。

4 結(jié)論

針對(duì)前后車輛遮擋的問題，前面提出了面積法，但不適用于大型車輛。本文從面積法的不足之處出發(fā)，提出大型車輛車牌識(shí)別法，解決了大型車輛無法識(shí)別問題。提高了前后車輛遮擋的車流量統(tǒng)計(jì)的精度，并且算法簡單，具有很高的魯棒性。

參考文獻(xiàn)：

[1]張勇，孫洪斌.城市道路交通智能控制技術(shù)研究[J].智能建筑與智慧城市，2018（10）：137-138.

[2]周彬.紅外線在道路測(cè)試中的應(yīng)用[J].交通科技與經(jīng)濟(jì)，2013（3）：45-48.

[3]肖國宴.基于視頻的車輛檢測(cè)與分割算法研究[D].南昌：南昌大學(xué)，2018：1-64.

[4]齊美彬，鮮柯，等.一種基于車輛遮擋模型的車流量統(tǒng)計(jì)算法[J].儀器儀表學(xué)報(bào)，2010（6）：1335-1341.

[5]侯進(jìn)輝，曾煥強(qiáng)，等.基于隨機(jī)遮擋輔助深度表征學(xué)習(xí)的車輛再辨識(shí)[J].控制理論與應(yīng)用，2018（12）：1725-1730.

[6]蔡英鳳，王海，等.基于多部件RBM模型的部分遮擋車輛檢測(cè)[C].2014第九屆中國智能交通年會(huì)，2014：344-349.

[7]金會(huì)慶，徐雪，等.基于視頻的復(fù)雜路口車流量檢測(cè)方法[C].第三屆中國智能交通年會(huì)會(huì)議論文，2012：634-638.

[8]許新華，薛迪杰.基于MATLAB的車牌識(shí)別系統(tǒng)的研究設(shè)計(jì)[J].科技風(fēng)，2019（10）：7.

作者簡介：周楠皓（1997-），男，漢族，湖南湘潭人，本科，研究方向：圖像處理。