基于道路交通視頻的車流量檢測

姚斐，宋芳

（201620 上海市 上海工程技術大學）

0 引言

20 世紀60 年代初，美國最早開始研究用圖像處理技術來檢測車流量，通過攝像頭采集道路視頻，初步設計出了路口車流量檢測系統(tǒng)[1]，20 世紀90 年代，美國的明尼蘇達大學聯(lián)合當?shù)亟煌ú客ㄟ^實地測試，證明了利用視頻檢測車流量具有可行性，并有一定的實用價值[2]，此后，各個國家紛紛開始研究這種檢測技術，使視頻圖像檢測技術有了飛速提升。法國設計出了一種CitLog[3]檢測系統(tǒng)，該檢測技術利用視頻圖像的靜態(tài)背景提取車輛，法國政府利用該檢測技術追蹤犯罪車輛并取得了成效。日本Takabas[4]等人在20 世紀80 年代初，對美國的檢測技術進行改進，在視頻圖像中設置出敏感區(qū)域用來采集數(shù)據(jù)，當車輛通過該區(qū)域時，圖像的亮度會變化，還能通過設置多個采樣點來得到車距和車速。Azarbayejani[5]等，20 世紀末提出了圖像處理的高斯背景建模，給檢測圖像中的像素點加權賦值，用來分離檢測視頻的前景和背景。

我國在圖像的檢測技術領域落后于西方國家，但由于國家投入了大量的科研經費，推進了車流量檢測技術的發(fā)展。戴晶華[6]等采用了圖像幀平均法來提取道路的車道，利用高斯模型提取圖像中的背景，從而分離出運動的車輛，但該方法存在一定的局限性，不能適應惡劣天氣；王小鵬[7]等先對圖像進行孔洞填充，采用差分法尋找陰影區(qū)域，通過灰度的差異識別車輛，但當檢測的路段車輛密集時，容易出現(xiàn)漏檢，造成計數(shù)誤差；彭仁明[8]等采用改進的檢測方法，只截取視頻圖像中的一部分進行識別，對檢測帶進行預估和校正，提升了檢測速度，但當攝像頭在大風環(huán)境下時容易抖動，會讓識別結果不準確；張韜[9]對圖像處理采用了跳幀法和像素塊法，應用在車輛較少的路段時，會大大提升檢測效率，但當車速過快時，會因跳幀造成車輛重復計數(shù)；郭玲玲[10]等通過減背景的方法對運動的車輛進行識別，當運動目標進入檢測段，通過二值圖的差值來判斷車輛狀態(tài)，但當前后車輛的間距很小時，容易將其識別成一輛車。本文先通過對圖像進行二值化和濾波處理來剔除無關信息，然后采用背景差分法提取運動的車輛，最后采用改進的虛擬線圈法得到路口車流量。

1 車流量檢測

道路交通燈的轉換周期是固定的，紅燈、綠燈和黃燈時間也是固定的，這會影響人們的出行時間，為了解決這些問題，智能交通燈也開始快速發(fā)展。在智能交通燈系統(tǒng)設計中，車流量檢測是其中的關鍵一環(huán)。常見的車流量檢測有地磁線圈、視頻車流量檢測[11]，通過對檢測到的車流量數(shù)據(jù)進行分析，應用相應的智能控制算法實時控制交通燈，這樣的智能系統(tǒng)可以更加人性化，縮短人們的出行時間。城市道路上每個方向都有視頻監(jiān)控器，它們一直在采集道路情況，因此直接選用監(jiān)控設備拍下的視頻來進行車流量檢測，不需要添加額外的車流量檢測設備就可以得到相對比較準確的車流量數(shù)據(jù)。

本文主要介紹視頻車輛的檢測識別和計數(shù)方法。圖1 顯示了對應的車流量識別具體過程。

圖1 車流量識別流程圖Fig.1 Flow chart of vehicle flow identification

1.1 視頻圖像預處理

我們得到的視頻圖像往往會有一些干擾信息，這些干擾信息會給圖像處理帶來很多負面影響，因此需要預處理，以去除對視頻圖像中無關信息的檢測，提升處理效率。

（1）圖像灰度化

在這種變換過程中，需要將輸入的彩色圖像輸出為灰度圖像，常見的處理方法是均值法和加權平均法[12]。因為彩色圖像數(shù)據(jù)較大，會影響處理過程，使用灰度化后的圖像既能保證特征不會丟失，還能提升處理速度。

均值法是把輸入圖像像素分量總和的平均值作為處理后的灰度值?；叶戎礩 轉換公式為

加權平均法是把每個像素的3 個分量的權重不同處理，其灰度值Y 轉換公式為

（2）圖像降噪處理

常見的圖像降噪處理方法有均值濾波、中值濾波和高斯濾波[13]，它們的原理是，對圖像的鄰域像素適當處理，鄰域可看作目標像素附近的像素組成的區(qū)域。8 鄰域圖如圖2 所示。

圖2 圖像8 鄰域圖Fig.2 Image eight neighborhood

均值濾波：將待處理像素I 的鄰域像素作為S，然后選取其對應的全部像素均值為I'。可運用這種方法有效去除原圖中的“椒鹽”噪聲，不過在此過程中，也會導致邊緣信息丟失的問題。

中值濾波：對像素I 的鄰域S 相關的像素排序處理，并選擇S 的像素中值為輸出Y。這種方法在消除圖像中孤立噪聲方面的效果很顯著。若像素的灰度值排序為x1≤x2≤x3…≤xn，灰度值處理方法如式（4）和式（5）。

高斯濾波：主要是基于卷積方法進行處理，輸出像素值為卷積處理結果之和。選用不同高斯模板對圖像的各像素點進行掃描，然后將在掃描區(qū)域中的像素點的加權平均灰度值去替代。

1.2 圖像形態(tài)學處理

在進行圖像形態(tài)轉換過程中，需要進行膨脹和腐蝕操作。膨脹是將圖像與核卷積，然后再求局部的最大值[14]。膨脹的主要作用之一為消除“空洞”問題，在進行檢測確定出相應車輛區(qū)域圖像存在空洞的情況下，會導致漏檢問題，因而應該將空洞處理掉。

腐蝕是膨脹的反操作，在進行腐蝕操作時，需要確定出核區(qū)域像素的最小值。腐蝕通?？梢詫唿c腐蝕掉，并且能夠確保圖像內的較大區(qū)域依然存在。腐蝕可有效處理相關粘連問題。

在相關車距很近情況下，容易被誤判為一輛車，通常我們會將膨脹腐蝕兩者結合，這樣可以提高對象提取的準確率，減少誤差。

2 車流量檢測

2.1 車流量檢測方法

現(xiàn)代交通系統(tǒng)中，基于視頻圖像來智能調節(jié)紅綠燈的比例非常小，隨著人工智能技術的快速發(fā)展，智能交通系統(tǒng)的發(fā)展前景非常廣闊。車流量檢測的技術種類繁多，每種檢測原理也不相同，都有各自的側重點、適用性和局限性。具體優(yōu)缺點比較參見表1。

2.2 目標檢測

目標檢測主要是根據(jù)目標物理特性進行提取，這種方法可劃分為運動對象、靜態(tài)對象檢測兩類，前一種方法主要是針對視頻中運動的目標進行分析檢測，后一種方法則是提取出靜止的目標來分析。運動目標檢測相關的流程如圖3 所示。

圖3 運動目標檢測框圖Fig.3 Moving object detection block diagram

在對視頻中車輛檢測時可選擇不同方法，如灰度等級法、背景差分法、幀差法和光流法等?；叶鹊燃壏椒ㄔ跈z測過程中主要是依據(jù)背景和車輛的統(tǒng)計灰度閾值進行判斷分析，而確定出是否產生了運動車輛，這種方法在判斷時，受環(huán)境和光線變化干擾明顯，因而并不是很適用；背景差分法在檢測時，依據(jù)目前輸入幀和背景模型差進行分析而確定出運動目標，在檢測過程中需要不斷更新多變的場景，不過，所得結果容易受到光照和噪聲相關因素的干擾，會對其應用產生一定不利影響；幀差法在檢測中應用相鄰幀對應像素差分方法，所得結果主要和連續(xù)幀的時間間隔存在相關性，在提取過程中并不能獲得全部的特征像素點；光流法在檢測時主要是依據(jù)運動目標和時間變化相關的光流特性進行提取，所得結果精度相對高，不過其缺點表現(xiàn)為運算量大，且容易受到噪音干擾。

本文選擇背景差分法進行車輛檢測，這種檢測方法是目前視頻檢測算法中最快速有效的方法。在檢測過程中，需要確定出一幀沒有目標的背景圖像，然后確定出其和背景圖像的差值，若差值較大，則該像素為運動像素。背景差分法基本算法如式（6）和式（7）。

式中：Ik（x，y）——第k 幀圖像（x，y）像素處的灰度值；B（kx，y）——第K 幀圖像（x，y）像素的灰度值；T——條件閾值；Mk（x，y）——當前時刻目標前景掩模。

在對圖像進行預處理后，設置相應的待檢測區(qū)域，在此區(qū)域中可提取而獲得充分的車輛信息，從而有效控制檢測的準確性，在避免漏檢方面的效果也很顯著。

2.3 車輛計數(shù)

（1）虛擬線圈設置

當確定檢測對象為車輛的情況下，可選擇虛擬線圈法對目標的運動軌跡進行分析，并據(jù)此實現(xiàn)車流量統(tǒng)計的目的。虛擬線圈就是在視頻圖像上選擇檢測區(qū)域設置虛擬檢測線，它的作用和在地底埋放的感應線圈來檢測車流量相同。當有運動物體經過參考線時，檢測線上就會識別出有物體經過，若運動物體的長度、寬度大于檢測線的某個閾值時，系統(tǒng)就會判定有車輛經過。車輛的質心坐標在一段設定的時間t∈[0，T]內，若在該時間段內質心坐標先小于檢測線的坐標，然后質心坐標超出了檢測線坐標，則認為在t∈[0，T]時間段內有車輛經過，此時計數(shù)就加1。

虛擬線圈主要分為2 類，虛擬的檢測線和虛擬的檢測線圈，如圖4 所示。

圖4 虛擬線圈示意圖Fig.4 Virtual coil diagram

2.4 車流量檢測算法設計

基于以上對車流量檢測預處理及車流量檢測方法的研究，首先利用攝像頭監(jiān)控視頻文件來獲取選定路口的車流量，對選定路口的視頻圖像進行預處理，再采用背景差分法提取該選定路口的車道背景及運動目標，最后得出需要識別統(tǒng)計的車流量，具體設計步驟如下：

第1 步：獲取視頻幀序列。對監(jiān)控錄像的視頻進行解析，形成視頻幀序列；

第2 步：圖像預處理。將獲得的圖像灰度化，然后對灰度圖像進行降噪處理，將降噪后的圖像進行形態(tài)學處理；

第3 步：車輛檢測。判斷是否有車輛進入此區(qū)域，然后獲得當前幀圖像，通過差分法確定出背景圖像和當前幀差值，然后得到目標區(qū)域灰度差值是否高于設定的閾值P，如果高于閾值，則可判斷出當前幀有車輛進入此區(qū)域，相反情況下則判斷沒有；

第4 步：車流量計數(shù)。取前一幀后一幀車輛的質心坐標，如果當前質心坐標在檢測區(qū)域范圍內，下一幀車輛的質心坐標已經超出檢測區(qū)域，這車輛計數(shù)就增加1；

第5 步：當讀取N 幀圖像后，對背景圖像進行更新，然后循環(huán)執(zhí)行第1 步～第4 步。

3 車流量檢測實驗

（1）讀取監(jiān)控視頻，如圖5 所示。

圖5 讀取視頻文件Fig.5 Read video file

（2）利用OpenCV 軟件對視頻文件進行二值化處理，如圖6 所示。

圖6 圖像的二值化處理Fig.6 Binary image processing

（3）如圖7 所示，對二值圖像進行降噪處理后，能有效去除干擾因素。

（4）對視頻文件處理后，得到的交通流如圖8 所示。

用OpenCV 軟件對獲取的道路監(jiān)控視頻進行處理，利用改進的虛擬線圈法。圖8 為最后獲得的車流量數(shù)據(jù)，圖中的車輛上的數(shù)據(jù)為識別到車，右上角的數(shù)字37 代表當前由南向北通行所識別的車流量，得到的數(shù)據(jù)和人工獲取的數(shù)據(jù)基本相同，可以作為下一步控制輸入的數(shù)據(jù)。

圖8 處理后得到交通流數(shù)據(jù)Fig.8 Get traffic flow data after processing

4 結論

本文主要結合道路交通的監(jiān)控視頻，利用圖像處理軟件得到路口的車流量，闡述了圖像處理環(huán)節(jié)，包括對圖像的灰度化、降噪、形態(tài)學操作等，通過背景差分法提取背景，識別視頻中運動的車輛。對傳統(tǒng)車流量檢測增加了虛擬線圈的機制，當車輛進入第1 根虛擬線圈時，判斷該運動物體是否為車輛。當檢測為車輛時，通過運動物體的質心來檢測是否通過第2 根虛擬線圈，且據(jù)此確定出是否需要計算車流量。使用改進虛擬線圈法具有更高的準確率，更加適合作為智能交通信號系統(tǒng)控制的輸入數(shù)據(jù)。