基于點(diǎn)云數(shù)據(jù)和圖像處理技術(shù)的高速公路車輛流量檢測

劉衍和

（青海交通職業(yè)技術(shù)學(xué)院，青海西寧 810003）

現(xiàn)代經(jīng)濟(jì)的迅速發(fā)展和汽車數(shù)量的迅猛增加，導(dǎo) 致交通運(yùn)輸對人們?nèi)粘Ｉ畹挠绊懭找嬖龃?，特別是高速公路對人們的生活生產(chǎn)極為重要，在這種情況下有必要對高速公路車輛流量進(jìn)行精準(zhǔn)檢測，以有效提高高速公路車輛管理水平，保障高速公路的暢通性、安全性和節(jié)能環(huán)保性［1-3］。但由于傳統(tǒng)的交通檢測方法已不能滿足復(fù)雜多變的高速公路現(xiàn)狀，例如文獻(xiàn)［4］中的方法只在車道單一、車輛較少的情況下準(zhǔn)確率高，對于高速公路的雙向四車道且處于高峰期車流量較大的情況，檢測準(zhǔn)確率較低［4］。文獻(xiàn)［5］中的方法對光線的要求較高，晴天和白天對高速公路車輛流量檢測較準(zhǔn)確，但是陰天和夜晚的檢測準(zhǔn)確率偏低［5］。

為解決以上問題，本研究將點(diǎn)云數(shù)據(jù)和圖像處理技術(shù)引入到該領(lǐng)域，點(diǎn)云數(shù)據(jù)是通過一定的測量手段采集到的目標(biāo)物體表面特征的密集點(diǎn)集合，點(diǎn)數(shù)少且點(diǎn)與點(diǎn)間距大稱為稀疏點(diǎn)云；點(diǎn)數(shù)多且比較密集稱為密集點(diǎn)云。圖像處理技術(shù)是采用計(jì)算機(jī)對圖像信息進(jìn)行有效處理的一種手段，圖像數(shù)字化、圖像增強(qiáng)、圖像三維重建等均屬于圖像處理技術(shù)。因此為提升高速公路車輛流速檢測準(zhǔn)確性，本文將點(diǎn)云數(shù)據(jù)和圖像處理技術(shù)進(jìn)行有效結(jié)合，提出基于點(diǎn)云數(shù)據(jù)和圖像處理技術(shù)的高速公路車輛流量檢測方法，以期為交通管制提供一定數(shù)據(jù)支撐。

1 基于點(diǎn)云數(shù)據(jù)和圖像處理技術(shù)的高速公路車輛流量檢測

1.1 圖像預(yù)處理

可以通過虛擬現(xiàn)實(shí)技術(shù)整合原始點(diǎn)云數(shù)據(jù)來進(jìn)行原始點(diǎn)云圖像的點(diǎn)云信息融合，使用中值濾波技術(shù)對融合后原始點(diǎn)云圖像中的點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理［6-7］。即通過采用數(shù)字點(diǎn)云圖像中某點(diǎn)云周圍一定范圍內(nèi)其他點(diǎn)值的中值代替某點(diǎn)，以使該點(diǎn)周圍的像素值靠近該點(diǎn)的真實(shí)值，消除個(gè)體噪聲點(diǎn)云，實(shí)現(xiàn)圖像的預(yù)處理。預(yù)處理完成輸出值如公式（1）所示：

其中，b為窗口水平方向的大?。籩為窗口垂直方向的大??；Z為平面窗口規(guī)格表示；二維數(shù)據(jù)串序號用Z2中的2 表示；Λij為圖像上點(diǎn)云坐標(biāo)即（i，j），Ψi，j為經(jīng)過中值濾波處理的輸出值。

通過圖像預(yù)處理把原始點(diǎn)云數(shù)據(jù)轉(zhuǎn)變?yōu)槿S點(diǎn)云數(shù)據(jù)場，在此基礎(chǔ)上進(jìn)行圖像點(diǎn)云優(yōu)化［8］。

1.2 圖像點(diǎn)云優(yōu)化

可利用虛擬現(xiàn)實(shí)技術(shù)實(shí)現(xiàn)三維點(diǎn)云數(shù)據(jù)場的點(diǎn)云分布密集度的優(yōu)化，首先及時(shí)調(diào)整各光束和3D激光掃描儀位置，再根據(jù)3D激光掃描儀光心同空間點(diǎn)連接產(chǎn)生的光束，建立光束平差模型。圖像點(diǎn)云優(yōu)化是指使用非線性改進(jìn)法計(jì)算3D 激光掃描儀相關(guān)參數(shù)和空間坐標(biāo)點(diǎn)時(shí)，使這兩者間誤差均勻分布且誤差最小的方法［9-10］。在三維空間中，第a幅圖像上空間點(diǎn)g的縱投影點(diǎn)和像素點(diǎn)之間距離平方和的最小值為

為去除圖像中的配準(zhǔn)噪聲，隨機(jī)選取一個(gè)初始值對公式（2）進(jìn)行線性轉(zhuǎn)換，再使用局部線性逼近方式完成圖像從迭代到收斂，然后采用非線性最小平方法消除圖像配準(zhǔn)噪聲。最后通過擴(kuò)大圖像迭代收斂范圍實(shí)現(xiàn)圖像點(diǎn)云優(yōu)化，以得到精準(zhǔn)的三維圖像重建結(jié)果。

由于3D激光掃描儀有12項(xiàng)參數(shù)，其中4項(xiàng)是空間點(diǎn)參數(shù)。設(shè)有A幅圖像，若要對圖像上的G個(gè)空間點(diǎn)實(shí)行三維重建，那么對參數(shù)實(shí)行最小化調(diào)換的數(shù)量為12A+4G。當(dāng)空間點(diǎn)個(gè)數(shù)G和圖像幅數(shù)A增加時(shí)，參數(shù)最小化的計(jì)算量也會增加，導(dǎo)致圖像三維重建效率降低。所以需要降低G和A的數(shù)量或采用稀疏矩陣方法以避免發(fā)生三維重建效率降低的現(xiàn)象。

為提高三維圖像重建的準(zhǔn)確性，可通過虛擬現(xiàn)實(shí)技術(shù)使三維數(shù)據(jù)點(diǎn)云分布得更為密集，從而避免因三維點(diǎn)云數(shù)據(jù)分配不均導(dǎo)致的數(shù)據(jù)重疊情況的發(fā)生［11］。為提升三維重建的完整度，可通過虛擬現(xiàn)實(shí)技術(shù)對圖像點(diǎn)云進(jìn)行自動(dòng)檢測，過濾掉噪聲點(diǎn)和障礙物，使之能更好地覆蓋目標(biāo)圖像表面的微小矩形面片集，從而提高完整度。

設(shè)定A幅圖像序列集為I= {Ii|i= 1，2，…，A}，把全部圖像劃分為單元模塊Di(x，y)，每個(gè)大小是r×r，保證每個(gè)單元模塊都存在矩形面片λ，且可作為圖像三維重建目標(biāo)，d(λ)為矩形面片λ的中心，n(λ)為單位法向量。按照Harris 和DoG 算子得到圖像對角點(diǎn)和特征塊，進(jìn)一步求取Di(x，y) 響應(yīng)值，在結(jié)果中選擇極大值，數(shù)量為η。此外，為獲得稀疏重構(gòu)矩陣面片λ的初始值，還需要對極大值實(shí)施圖像間匹配和三角化。假設(shè)R(λ) = 1，使用光度一致性估算H(λ) 的初始值，在對d(λ) 和n(λ) 進(jìn)行優(yōu)化后重新計(jì)算H(λ) 值。重復(fù)此過程，直到出現(xiàn)|H(λ) | ≥β。

由于相鄰矩形面片之間的向量相近，因此始于矩形面片λ，使用迭代法查找已有矩形面片Di(x，y) 和D′i(x，y)，利用公式（3）判斷二者間是否相鄰，即

其中，ρ1為和r像素相對應(yīng)的圖像在d(λ) 和d(λ′)中心的深度；初始化后的λ用λ′表示。利用局部光度一致性對d(λ′)和n(λ′)進(jìn)行約束優(yōu)化，并采用全局可視化方法對H(λ′)進(jìn)行約束優(yōu)化，如果|H(λ) | ≥β，則改變S(λ′)中的深度圖，并對擴(kuò)展后的重建面片進(jìn)行過濾，及時(shí)過濾錯(cuò)誤匹配點(diǎn)。如果矩形面片λo在圖像集U的外表面，關(guān)系如公式（4）所示，則過濾λo點(diǎn)；如果矩形面片λo在圖像集U的內(nèi)部，則需要再一次計(jì)算全部點(diǎn)的S(λo) 和H(λo)。 如 果 出現(xiàn)|H(λo)| ＜β，那么 過濾λo點(diǎn)。

1.3 點(diǎn)云圖像三維重建

為了能夠更好地表現(xiàn)出圖像中幀點(diǎn)像素的分布情況，需要將虛擬現(xiàn)實(shí)技術(shù)優(yōu)化的點(diǎn)云數(shù)據(jù)進(jìn)行高斯分布，為組成重建模型打下基礎(chǔ)。該模型中每個(gè)高斯分布的權(quán)重比例用來表示圖像前景和圖像背景的比例。用｛X1，X2，…，XO｝表示幀點(diǎn)像素在時(shí)間域O中的變化情況，隨機(jī)選擇幀點(diǎn)像素時(shí)間Xi，那么Xi是重建圖像背景的比例，如公式（5）所示，即

其中，f（X，Y）為高斯概率密度函數(shù)，wi，j為權(quán)值，L為高斯分布項(xiàng)目個(gè)數(shù)。

將點(diǎn)云數(shù)據(jù)調(diào)整為高斯分布狀態(tài)，以減小圖像前景和背景間相對位移產(chǎn)生的重建差異。公式（6）為通過灰度和方差的關(guān)系函數(shù)表示的背景圖像，即

其中，μi為圖像幀點(diǎn)像素灰度通過高斯分布的平均值，σ2為像素方差。

最后，通過約束各幀點(diǎn)像素灰度計(jì)算過程，以精確匹配前景圖像、背景圖像和原始點(diǎn)云圖像的點(diǎn)云位置，從而完成圖像的三維重建。

1.4 運(yùn)動(dòng)目標(biāo)跟蹤法

由于跟蹤目標(biāo)的運(yùn)動(dòng)過程可獲得更詳細(xì)的目標(biāo)運(yùn)動(dòng)信息，而且還會給目標(biāo)檢測提供可靠的數(shù)據(jù)來源，因此需要對其進(jìn)行仔細(xì)分析。運(yùn)動(dòng)目標(biāo)跟蹤可確定所需目標(biāo)在視頻序列每一幀圖像中所處的位置，可使多個(gè)目標(biāo)的特征數(shù)據(jù)匹配在連續(xù)幀圖像之間，以得到每一幀中所需目標(biāo)的具體位置信息，從而完成目標(biāo)的連續(xù)跟蹤［12-13］。

現(xiàn)如今，多目標(biāo)跟蹤法被廣泛應(yīng)用于交通控制和人工智能中［14］，本文采用基于均值漂移理論的半自動(dòng)跟蹤算法Mean Shift 實(shí)現(xiàn)多目標(biāo)跟蹤。該算法可以先創(chuàng)建初始目標(biāo)模型，再創(chuàng)建候選目標(biāo)模型，然后在不斷迭代的過程中，對目標(biāo)模型和初始模型進(jìn)行匹配，直到找到最優(yōu)匹配模型。在此過程中，需選取合適的相似性度量函數(shù)與核函數(shù)，Mean Shift向量可取計(jì)算相似性度量函數(shù)最大值時(shí)的向量，以表示目標(biāo)從前一幀的初始位置向當(dāng)前位置移動(dòng)時(shí)的均值漂移向量［15］。由于Mean Shift的算法存在一定收斂性，因此可以通過不斷的迭代計(jì)算使其向目標(biāo)的真實(shí)位置靠近，直到收斂至目標(biāo)實(shí)際位置，以達(dá)到目標(biāo)跟蹤的目的。

1.4.1 初始幀的目標(biāo)模型

初始目標(biāo)的概率密度函數(shù)如公式（7）所示，即

其中，xo為目標(biāo)中心，n為面積，b（x）為特征值函數(shù)，h為最小外接矩形的高，k為幀數(shù)，u為位置點(diǎn)。

用δ表示單位脈沖函數(shù)，對該函數(shù)鄰域內(nèi)的像素分配不同的權(quán)重，使遠(yuǎn)離中心的像素權(quán)值較小，靠近中心的像素權(quán)值較大，標(biāo)準(zhǔn)化系數(shù)用C表示，如公式（8）所示，即

1.4.2 當(dāng)前幀模型

候選區(qū)域是指當(dāng)前幀中含有目標(biāo)的區(qū)域，候選目標(biāo)模型的概率密度函數(shù)如公式（9）所示，即

其中，y為核函數(shù)的中心位置，nc為候選目標(biāo)面積。

1.4.3 相似性度量函數(shù)

相似性度量函數(shù)可表示初始目標(biāo)模型和當(dāng)前幀模型的相似程度，Bhattacharyya 函數(shù)是最常用的相似性度量函數(shù)，其定義如式（10）所示，即

其中，m為初始目標(biāo)中心的個(gè)數(shù)，ρ(y) ∈[ 0，1]為初始目標(biāo)模型和當(dāng)前幀模型的匹配程度，該值越小則相似性越差，該值越大表示相似性越大。通過計(jì)算可得出當(dāng)前幀中使ρ(y)最大化的候選模型，即為跟蹤目標(biāo)。

1.4.4 目標(biāo)定位

通過計(jì)算得出前一幀中的目標(biāo)中心，可把此中心當(dāng)作當(dāng)前幀的初始中心位置y0，以使ρ(y)取到極大值。假設(shè)y0為匹配搜索起始點(diǎn)，Bhattacharyya 系數(shù)可近似表示為公式（11），即

從表2可以看出,模板匹配和BP神經(jīng)網(wǎng)絡(luò)雖然用時(shí)較少,但其識別率相對于HOG+SVM較低;BP神經(jīng)網(wǎng)絡(luò)需人工選擇特征,其識別效率可隨網(wǎng)絡(luò)深度的增加而提高,但其時(shí)間也會隨著網(wǎng)絡(luò)參數(shù)的增多而增加。本文算法相比較于其它算法在時(shí)間上略有增加,但識別率提升明顯,適用于對識別精度要求較高的應(yīng)用場景。

對其中關(guān)于y的函數(shù)進(jìn)行分析，得出公式（12），即

用公式（12）估計(jì)加權(quán)后的核函數(shù)密度，當(dāng)該式取最大值時(shí)，相似性系數(shù)也取最大值。當(dāng)前幀中目標(biāo)區(qū)域中心y0和實(shí)際位置y的漂移向量可通過計(jì)算公式（9）中的Mean Shift向量得到，如公式（13）所示，即

mh，G(y) 為目標(biāo)由初始位置移動(dòng)到當(dāng)前位置的運(yùn)動(dòng)向量。由于應(yīng)用Mean Shift 算法時(shí)首先應(yīng)在當(dāng)前幀中尋找目標(biāo)的大概位置信息，再采用Mean Shift進(jìn)行迭代搜索，因此當(dāng)計(jì)算值為mh，G(y)＜ε時(shí)，說明迭代計(jì)算已達(dá)到收斂狀態(tài)，即可得到目標(biāo)模型的最優(yōu)位置，實(shí)現(xiàn)高速公路車輛流量檢測。

2 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證基于點(diǎn)云數(shù)據(jù)和圖像處理技術(shù)的高速公路車輛流量檢測方法的有效性，選取某區(qū)域高速公路作為實(shí)驗(yàn)對象。分別在不同路段、不同車道和不同光照條件三種情況下，對文獻(xiàn)［4］中的方法、文獻(xiàn)［5］中的方法和本文方法的車輛流量檢測結(jié)果進(jìn)行對比。首先對比三種方法的準(zhǔn)確率，如表1所示。

表1 三種方法不同路段檢測結(jié)果對比Tab.1 Comparison of detection results of three methods in different road sections

表1 所示為三種方法對不同路段高速公路車輛流量檢測結(jié)果，可以發(fā)現(xiàn)本文方法在檢測三段路段中車輛流量的平均準(zhǔn)確率可達(dá)到96%，準(zhǔn)確率較高；文獻(xiàn)［4］中的方法在三次檢測中車輛流量的平均準(zhǔn)確率是90.1%；文獻(xiàn)［5］中的方法在三次檢測中的平均準(zhǔn)確率是89.5%。實(shí)驗(yàn)證明：本文方法在對不同路段車輛流量檢測中，準(zhǔn)確率較高。

為繼續(xù)對比三種方法，再次對比不同車道情況下三種方法的檢測效果，結(jié)果如表2所示。

由表2 可知，文獻(xiàn)［4］中的方法和文獻(xiàn)［5］中的方法在單車道和雙車道情況下車輛流量檢測準(zhǔn)確率可達(dá)90% 以上，但是在雙向雙車道和雙向四車道這種車輛較多的情況下，檢測準(zhǔn)確率降低，最高不到90%。而本文方法在不同車道情況下檢測準(zhǔn)確率較為穩(wěn)定，在車輛較少的單車道和雙車道環(huán)境中檢測率可達(dá)96% 以上，在車輛較多的雙向雙車道和雙向四車道環(huán)境中，檢測率也在95% 以上。由此可見本文方法對高速公路不同車道情況下車輛流量檢測均具備較高的準(zhǔn)確率。為了更準(zhǔn)確地證實(shí)這一結(jié)論，再次進(jìn)行對比，得到結(jié)果如圖1所示。

表2 不同車道情況下三種方法檢測結(jié)果對比Tab.2 Comparison of detection results of three methods under different lane conditions

圖1 三種方法不同光照條件下檢測效果對比Fig. 1 Comparison of detection effect of three methods un‐der different light conditions

由圖1 可知，文獻(xiàn)［4］中的方法對高速公路車輛流量檢測受光照影響較大，在晴天和清晨時(shí)檢測準(zhǔn)確性較強(qiáng)，準(zhǔn)確率可達(dá)85% 以上，但是陰天和夜晚時(shí)檢測準(zhǔn)確率下降，僅處于76% 左右；文獻(xiàn)［4］中的方法情況相似，在晴天和清晨檢測準(zhǔn)確率達(dá)86% 以上，陰天和夜晚時(shí)準(zhǔn)確率下降，最低不到79%；而本文方法在四種不同光照條件下，檢測準(zhǔn)確率高于94%。實(shí)驗(yàn)表明：本文方法受光照影響較小，不同光照條件下檢測準(zhǔn)確率都較高。

3 結(jié)論

為提高高速公路車輛檢測水平，本文利用點(diǎn)云數(shù)據(jù)和圖像處理技術(shù)相結(jié)合的方法對高速公路車輛流量進(jìn)行檢測，并通過對比實(shí)驗(yàn)驗(yàn)證在不同路況、不同車道和不同光照條件下本文方法的檢測效果，得出本文方法在應(yīng)用中的準(zhǔn)確率最高。雖然本文方法在車輛流量檢測方面取得了一定的研究成果，但由于并未對高速公路道路邊障礙物對車輛流量檢測的影響加以考慮，今后會在該方面展開相關(guān)研究。