基于視頻監(jiān)控的交通流參數(shù)檢測

劉海艷　李俊敏

摘要：智能交通系統(tǒng)（Intelligent Transportation System，ITS）是目前緩解城市交通壓力、解決交通擁堵問題的一種高效方法。短時(shí)車流量的采集與預(yù)測是智能交通系統(tǒng)的重要組成部分。本文介紹了基于視頻監(jiān)控的交通流參數(shù)檢測技術(shù)，引入混合高斯模型建立背景模型，通過背景差分法提取前景車輛，使用卡爾曼濾波方法對(duì)目標(biāo)車輛進(jìn)行跟蹤和預(yù)測，基于MATLAB GUI建立車流量檢測系統(tǒng)，可顯示當(dāng)前車輛目標(biāo)的數(shù)量和車輛總數(shù)，為實(shí)現(xiàn)交通誘導(dǎo)、違章監(jiān)控、速度監(jiān)控等提供可靠準(zhǔn)確的數(shù)據(jù)支持。

關(guān)鍵詞：視頻監(jiān)控 ?高斯模型 ?卡爾曼濾波 ?車流量

1 引言

隨著社會(huì)的高速發(fā)展，人民生活得到巨大改善，民眾汽車持有量顯著提升，交通擁擠現(xiàn)象頻繁發(fā)生。智能交通系統(tǒng)（Intelligent Transportation System，ITS）是目前緩解城市交通壓力、解決交通擁堵問題的一種高效方法。車流量的采集與預(yù)測是智能交通系統(tǒng)的重要組成部分，實(shí)時(shí)準(zhǔn)確的獲取車流量信息有助于保障城市道路的暢通，同時(shí)為城市交通的誘導(dǎo)和控制提供可靠準(zhǔn)確的數(shù)據(jù)支持，是緩解交通擁堵、減少交通事故發(fā)生率的基礎(chǔ)和關(guān)鍵。

傳統(tǒng)的交通流量檢測有電磁感應(yīng)線圈、超聲波檢測、微波檢測和紅外光標(biāo)及基于視頻的流量檢測等多種方式。其中，基于視頻的車流量統(tǒng)計(jì)方法具有不破壞路面、安裝簡單、獲得參數(shù)更多、更直觀、監(jiān)測范圍廣等優(yōu)點(diǎn)，近些年得到越來越廣泛的應(yīng)用。

2 視頻信號(hào)處理

安裝于道路兩側(cè)的視頻監(jiān)控單元通過網(wǎng)絡(luò)與遠(yuǎn)端服務(wù)器進(jìn)行通信，將讀取到包含車輛信息的視頻進(jìn)行簡單處理壓縮，通過網(wǎng)絡(luò)傳輸至總服務(wù)器端，服務(wù)器端對(duì)獲取信息進(jìn)行綜合處理，將車輛信息、車輛位置實(shí)時(shí)傳遞給交通管理中心，通過數(shù)據(jù)分析、信息比對(duì)等為交通指揮決策提供科學(xué)依據(jù)，提高交通管理的信息化水平。

車輛目標(biāo)的檢測主要分為三個(gè)步驟：背景模型的建立、運(yùn)動(dòng)目標(biāo)提取、目標(biāo)跟蹤及車輛計(jì)數(shù)。

2.1背景模型的建立與更新

針對(duì)道路背景多模態(tài)的特性，引入混合高斯模型來解決該問題，對(duì)每個(gè)像素建立一個(gè)多分布混合高斯模型用來表征該像素的灰度值或顏色的變化，并根據(jù)權(quán)值和方差來決定哪些分布代表背景顏色，然后用采集到的每一幀圖像與這些分布進(jìn)行匹配，來決定哪些像素屬于前景，由于場景的動(dòng)態(tài)變化，所以還需要對(duì)各分布的權(quán)值、均值和方差進(jìn)行實(shí)時(shí)更新以適應(yīng)環(huán)境的變化。

混合高斯模型的概率密度函數(shù)公式如（式1）和（式2）所示。

（式1）

（式2）

式中各參量的含義分別為：表示視頻第t幀圖像在圖像坐標(biāo)為（x，y）處的高斯分布量的權(quán)重值;表示在（x，y）圖像像素點(diǎn)的第i個(gè)高斯分布均值向量;表示協(xié)方差矩陣;E表示單位矩陣;表示視頻中第t幀的圖像在（x，y）像素點(diǎn)的第i個(gè)高斯分布方差。基于概率密度原理，可以構(gòu)建由K個(gè)高斯分布的混合高斯模型。

混合高斯模型背景建立的步驟如下。

（1）參數(shù)初始化

定義參數(shù)學(xué)習(xí)率變量來反映高斯分布函數(shù)的收斂速度 ，第一幀圖像的每個(gè)像素點(diǎn)的高斯分布的權(quán)重初始化為，并對(duì)均值和方差進(jìn)行初始化，見 （式3）和 （式4）。

（式3）

（式4）

（2）參數(shù)更新

混合高斯模型的參數(shù)更新即高斯分布權(quán)重的參數(shù)更新，對(duì)于像素點(diǎn)It-1的 K個(gè)高斯分布根據(jù)其權(quán)重的大小進(jìn)行排序，然后進(jìn)行重新的匹配，其公式如下：

（式5）

其中C在混合高斯模型的建模中常取值為2.5，即將每個(gè)像素值與當(dāng)前的K個(gè)模型進(jìn)行比較，直到找到匹配新像素值的分布模型，符合匹配公式即為背景，否則即為前景。在視頻變化時(shí)，需要不斷更新權(quán)重參數(shù)。

（3）背景模型的建立

對(duì)K個(gè)高斯分布按照進(jìn)行降序排列，權(quán)重大、標(biāo)準(zhǔn)差小的模式排列靠前，選取前Bt個(gè)高斯分布作為背景模型，如（式6）所示。

（式6）

式中T為自定義的權(quán)重閾值。

2.2背景差分法車輛提取

利用混合高斯模型建立了背景模型之后，通過可調(diào)參數(shù)的合理范圍設(shè)置能夠提取包含車輛目標(biāo)的前景圖像。在此基礎(chǔ)上，從提取的前景圖像中獲得車輛目標(biāo)，即完成車輛目標(biāo)的分割處理，圖像分割是在包含前景的圖像中確定目標(biāo)即完成目標(biāo)檢測，選用的目標(biāo)檢測方法為背景差分法，即首先基于混合高斯模型完成背景的提取，然后利用前景圖像減去背景圖像進(jìn)行差分，得到前景圖像的二值化圖像，如圖1所示。利用形態(tài)學(xué)運(yùn)算對(duì)目標(biāo)區(qū)域進(jìn)行處理，消除噪聲及小散點(diǎn)的干擾，填充孔洞區(qū)域，提取車輛目標(biāo)，處理結(jié)果如圖2所示。

2.3車輛跟蹤

車輛目標(biāo)跟蹤和預(yù)測使用卡爾曼濾波方法，通過對(duì)車輛的運(yùn)動(dòng)質(zhì)心進(jìn)行估計(jì)，預(yù)測出下一時(shí)刻的車輛的質(zhì)心位置和區(qū)域?？柭鼮V波方法由前一時(shí)刻的狀態(tài)得到后一時(shí)刻的狀態(tài)的基本方程如（式7）所示：

（式7）

式中：表示k時(shí)刻的車輛目標(biāo)的狀態(tài)向量;F為傳遞矩陣，其維數(shù)為n;的功能是施加于系統(tǒng)的外部控制;B是控制矩陣，將外部控制與狀態(tài)變化之間建立關(guān)系;是隨機(jī)變量，并被假設(shè)具有高斯分布。

同時(shí)，卡爾曼濾波在校正過程還需利用當(dāng)前的測量值，而當(dāng)前的測量值是很難直接獲取的，可通過測量值進(jìn)行轉(zhuǎn)換，如（式8）所示。

（式8）

式中：H為測量矩陣;是測量過程產(chǎn)生的誤差，假設(shè)其具有高斯分布。

2.4基于GUI的車流量檢測系統(tǒng)的建立

基于前述視頻處理原理，建立了基于MATLAB GUI的車流量檢測系統(tǒng)，由幾部分組成：視頻信息的導(dǎo)入和處理、當(dāng)前車輛目標(biāo)的數(shù)量顯示、車輛總數(shù)的顯示、識(shí)別的車輛目標(biāo)的實(shí)時(shí)跟蹤和軌跡顯示。其顯示界面如圖3所示。

3 實(shí)驗(yàn)分析

本文采集來自2段不同路段視頻進(jìn)行處理，a段截取自繞城閘道入口，車流密度較低，b段截取自城市道路主路口，車流密度較大。

利用本文設(shè)計(jì)的車流量檢測系統(tǒng)進(jìn)行數(shù)據(jù)處理，實(shí)驗(yàn)數(shù)據(jù)如下表1，從表中可以看出對(duì)于車流量較小的場合，本系統(tǒng)算法準(zhǔn)確率較高。在車流量密度較大的場合，多個(gè)車輛互相遮擋，導(dǎo)致車輛前景分割時(shí)，粘連發(fā)生，則多個(gè)車流量被認(rèn)為是一個(gè)運(yùn)動(dòng)目標(biāo)，分割不準(zhǔn)確，進(jìn)而導(dǎo)致計(jì)數(shù)錯(cuò)誤。

4 結(jié)論

本文針對(duì)交通流的視頻監(jiān)控進(jìn)行了交通流參數(shù)的測量，考慮由于天氣等因素影響路段光線，采用不調(diào)整參數(shù)的混合高斯模型建立背景模型，背景差分法提取前景車輛，使用卡爾曼濾波方法對(duì)目標(biāo)車輛進(jìn)行跟蹤和預(yù)測，實(shí)現(xiàn)當(dāng)前路段車輛的計(jì)數(shù)，有效的提高了車輛識(shí)別的效率和精度，為道路交通流參數(shù)測量提供了一種新的測量方法。

參考文獻(xiàn)

[1]柳長源，曹園園，羅一鳴.基于視頻圖像的車輛實(shí)時(shí)檢測系統(tǒng)[J].計(jì)算機(jī)工程2019 （8）： 265-269+277.

[2]夏瑩杰，歐陽聰宇，夏瑩杰，等.面向高速公路拋灑物檢測的動(dòng)態(tài)背景建模方法[J].浙江大學(xué)學(xué)報(bào)：工學(xué)版，2020， 54（7）： 17.

[3]劉云霄.基于圖像信息的道路車流量檢測算法研究與實(shí)現(xiàn)[D].南京：南京航空航天大學(xué)，2019.

[4]吳志偉，基于視頻的車流量檢測技術(shù)研究[D].廣州：華南理工大學(xué)，2012.

項(xiàng)目來源

校級(jí)科研項(xiàng)目，編號(hào) 2018ZRKX0401010。