高速公路視頻監(jiān)控技術(shù)研究

摘 要：為了提升高速公路視頻監(jiān)控的效果，本文提出一種基于背景差分的車輛目標檢測方法，先提出這種方法的流程，包括灰度化處理、均值去噪處理、背景差分處理。在背景差分處理中，針對非運動背景進行更新處理。在試驗過程中，對簡單背景、復(fù)雜背景、單車檢測、多車檢測的效果都進行驗證，進一步證明了本文所提出方法對車輛檢測的準確性要明顯高于模板匹配法。

關(guān)鍵詞：高速公路；視頻監(jiān)控；攝像機

中圖分類號：U 41" " 文獻標志碼：A

目前，我國高速公路系統(tǒng)日益完善，高速公路里程不斷增加、高速公路網(wǎng)絡(luò)覆蓋規(guī)模不斷拓寬[1]。而隨著高速公路建設(shè)質(zhì)量提高，機動車的速度上限也不斷提高。高速公路的發(fā)展現(xiàn)狀為物資運輸、旅客運輸都提供了極大的便利，最大程度地提高了生活效率[2]。但是，高速公路系統(tǒng)也面臨著極大的安全隱患。因為行駛速度過快，很難記錄車行過程，所以一旦出現(xiàn)肇事情況就會導(dǎo)致生命和財產(chǎn)損失，甚至難以推進后續(xù)的理賠或司法過程[3]。因此，對高速公路進行有效監(jiān)控是保障公路運輸安全的重要課題。公路里程長、延伸距離遠，國家層面已經(jīng)在公路上布置了大量的監(jiān)控設(shè)備，覆蓋了整個高速公路系統(tǒng)。根據(jù)監(jiān)控設(shè)備的有效監(jiān)控距離，每隔一段里程就會配置一個監(jiān)控設(shè)備。其中，以攝像機為主的視頻監(jiān)控設(shè)備得到了大規(guī)模使用。本文針對視頻監(jiān)控設(shè)計相應(yīng)的監(jiān)控算法，并通過試驗測試進行驗證。

1 基于背景差分的高速公路視頻監(jiān)控設(shè)計

高速公路中的視頻監(jiān)控通過攝像機等拍攝的視頻，提取特定車輛的位置，根據(jù)一定時間內(nèi)車輛位置的變化判斷車輛速度等信息，以確定其是否滿足安全性要求。從技術(shù)性的角度看，高速公路上的車輛監(jiān)控，屬于運動目標檢測問題。檢測運動目標通常有3種方法：基于光流模型的檢測方法、基于幀間差分的檢測方法、基于背景差分的檢測方法。本文將更新機制運用于其中，形成一種新的背景差分的檢測方法?；诒尘安罘值母咚俟芬曨l監(jiān)控算法的流程如圖1所示。

在上述處理過程中，通常通過布置特定點位的攝像機來獲取高速公路的視頻監(jiān)控圖像。因此，攝像機是監(jiān)控過程中最主要的傳感器。攝像機拍攝的高速公路的視頻圖像通常都是彩色信息。彩色信息的圖像存儲空間大、需要更長的處理時間。因此，通常需要對其進行灰度化處理，以縮小其存儲空間、縮短后續(xù)處理的時間。原始的監(jiān)控圖像因其拍攝條件、攝像器材等影響，會存在多種噪聲，常見的有高斯噪聲、隨機噪聲、椒鹽噪聲，需要采用特定的濾波器去除這些噪聲。在得到灰度化、沒有噪聲的圖像后，需要使用背景差分技術(shù)對車輛目標和背景進行分離。通過上述環(huán)節(jié)獲得車輛目標信息后，就可以對車輛進行定位，測定車輛目標的速度等運動參數(shù)，達到預(yù)期的監(jiān)控目的。

1.1 灰度處理

為了提高視頻監(jiān)控算法的執(zhí)行速度，需要將攝像機排成的彩色圖像轉(zhuǎn)換成灰度圖像。在各種數(shù)字圖像的色彩表達中，灰度圖像是一種非常特殊的圖像。如果用RGB色彩模式來表征灰度圖像，那么圖像中每個像素的顏色信息的特征是R=G=B，體現(xiàn)出灰度效果。與彩色圖像相比，灰度圖像的存儲空間減少了三分之二，相應(yīng)的處理速度也隨之提高。

對彩色圖像進行灰度化的常用數(shù)學手段包括基于線性模型的和基于非線性模型的?；诜蔷€性模型的處理方案如公式（1）所示。

式中：f為高速公路圖像灰度化后的結(jié)果；R為高速公路圖像中的紅色通道分量；G為高速公路圖像中的綠色通道分量；B為高速公路圖像中的藍色通道分量；max（R，G，B）為像素顏色信息的最大值；min（R，G，B）為像素顏色信息的最小值。

這種方法的轉(zhuǎn)換速度快，但是誤差較大。為了縮小誤差，可以采用基于線性化模型處理，方案如公式（2）所示。

f=ω1R+ω2G+ω3B " " " " " " " " " " " （2）

式中：ω1、ω2、ω3為R、G、B這3個通道在像素灰度中所占的比例。根據(jù)經(jīng)驗，當ω1、ω2、ω3為0.299、0.587、0.114時，灰度化后的圖像和原始圖像的表達最接近。

1.2 去除噪聲

在高速公路拍攝的圖像，因各種原因都存在一定的噪聲。去除高速公路圖像噪聲最常見的方法是采用均值濾波。

均值濾波技術(shù)需要采用一個濾波窗口，用窗口內(nèi)所有像素的灰度數(shù)值之平均值代替要處理的像素。這種方法對隨機噪聲和椒鹽噪聲具有較好的處理效果，但是如果窗口尺寸選取不合理，就會導(dǎo)致圖像模糊。因此，均值濾波除了要注意選擇合理的窗口尺寸外，還要配合銳化技術(shù)消除模糊效應(yīng)。

以一個3×3像素的平滑窗口為例，其進行均值處理的模板如圖2所示。

從圖2中可以看出，（m，n）就是待處理像素，這是一個以（m，n）為中心的3×3模板。根據(jù)均值濾波的原理，可以按照公式（3）計算（m，n）點的像素灰度。

h（m，n）={f（m-1，n-1）+f（m，n-1）+f（m+1，n-1）+f（m-1，n）+f（m，n）+f（m+1，n）+f（m-1，n+1）+f（m，n+1）+f（m+1，n+1）}/9 " " " " " " " " "（3）

式中：h（m，n）為高速公路圖像濾波后像素灰度；f（m，n）為高速公路圖像原始像素灰度；f（m-1，n-1）為模板中左上角的像素灰度；f（m，n-1）為模板中上方的像素灰度；f（m+1，n-1）為模板中右上角的像素灰度；f（m-1，n）為模板中左方的像素灰度；f（m+1，n）為模板中右方的像素灰度；f（m-1，n+1）為模板中左下角的像素灰度；f（m，n+1）為模板中下方的像素灰度；f（m+1，n+1）為模板中右下角的像素灰度。

1.3 背景差分

為了從高速公路圖像中提取運動中的車輛，需要對車輛目標和復(fù)雜背景進行區(qū)分，其中，背景差分是一種有效的方法。采用背景差分來提取車輛目標，通常包括兩個環(huán)節(jié)。第一個環(huán)節(jié)是對高速公路圖像進行背景建模，這時要具體到每一幀監(jiān)控圖像，即以靜止圖像為研究的對象。第二個環(huán)節(jié)是將新拍攝的圖像與背景建模圖像進行差分處理，從而提取車輛目標。從執(zhí)行流程上看，可以按照公式（4）來進行。

式中：D（x，y）為高速公路圖像進行背景差分的結(jié)果；I（x，y）為新拍攝的高速公路圖像；B（x，y）為高速公路背景建模圖像；T為背景差分過程中的判斷閾值。

從實際應(yīng)用的角度看，背景差分需要在高速公路視頻監(jiān)控圖像流持續(xù)供給的情況下，建立背景圖像模型。需要注意的是，高速公路場景是有一定運動和改變的，因此背景圖像也需要實時地更新和建模，才能保證背景差分和車輛檢測的有效性。

1.4 背景更新機制

為了保證車輛檢測的準確性，需要實時更新背景模型，如果實時更新背景，就需要耗費大量的計算資源，對高速公路視頻監(jiān)控系統(tǒng)的設(shè)備或硬件上的要求就更高。為了盡可能提升監(jiān)控系統(tǒng)的性價比，采用對整個背景進行細分，只對非運動背景進行更新的方法，具體的處理過程如公式（5）所示。

式中：Bt-1（x，y）為t-1時刻高速公路背景建模圖像；Tt（x，y）為t時刻新拍攝的高速公路圖像；α為需要更新的比例。

由于在視頻處理中，運動的目標常常會和陰影所重疊，因此就會導(dǎo)致陰影檢測出現(xiàn)錯誤，并且會把目標當做陰影進行消除，造成后續(xù)就找不出目標的問題，跟蹤出現(xiàn)嚴重的錯誤。因此，當對陰影進行消除時，需要充分考慮遮擋物和陰影之間的關(guān)系，遮擋物具有的形狀特征最能體現(xiàn)它和陰影之間的關(guān)系，在目標檢測階段就去除陰影。

2 高速公路視頻監(jiān)控測試試驗與結(jié)果分析

在本次研究工作中，針對高速公路視頻監(jiān)控圖像，本文設(shè)計了基于背景差分的監(jiān)測方法，給出了詳細的算法原理和流程，包括圖像的灰度化處理、均值濾波去噪、背景差分提取車輛目標。后續(xù)將通過試驗對所提的方法性能進行測試。在高速公路上，高速行駛車輛的圖像監(jiān)控效果如圖3所示。

圖3中，圖3（a）經(jīng)過圖像去噪、背景差分處理得到的車輛整體區(qū)域，如圖3（b）所示，再進一步精確定位得到圖3（c）。從這組試驗的結(jié)果中可以明顯看出，采用本文所提出的方法，可以對高速行駛的車輛目標進行有效提取，從而達到高速公路預(yù)期監(jiān)控的目標。

第一組試驗是一個簡單情況下的車輛目標檢測效果。在實際的情況中，高速公路上經(jīng)常出現(xiàn)多車輛并行行駛或臨近行駛的現(xiàn)象。因此，第二組試驗進一步給出本文提出的背景差分檢測方法，對多車輛復(fù)雜場景進行監(jiān)測的效果，如圖4所示。

在圖4中，高速公路為雙向七車道，在左側(cè)車道上同時行駛兩輛車，右側(cè)車道行駛一輛車。在當前位置的監(jiān)控設(shè)備拍攝場景內(nèi)，3輛車同時出現(xiàn)，形成了較為復(fù)雜的情況。但在本文提出的背景差分方法的檢測下，依然成功檢測到3組車輛，這種算法將每個車輛目標自動標識為方框區(qū)域。

為了進一步驗證本文提出的方法對高速公路視頻監(jiān)控的有效性，開始第三組測試試驗，即采用背景差分檢測算法對多個點位上的監(jiān)控設(shè)備進行檢測，觀察車輛目標運行通過的檢測準確率，結(jié)果如圖5所示。

在圖5中，在試驗測試的高速公路上配置5個監(jiān)控節(jié)點，在每個節(jié)點位置上都配置了監(jiān)控設(shè)備，每個節(jié)點針對100幀圖像進行車輛目標提取檢測。在試驗過程中，選擇模板匹配法作為對比方法。從圖中的對比結(jié)果可以明顯看出，在5個監(jiān)控位置上，本文提出的基于背景差分的檢測方法都明顯優(yōu)于模板匹配法，進一步證明了本文方法的有效性。

3 結(jié)論

因為行駛速度過快，很難記錄車行過程，一旦出現(xiàn)肇事就會導(dǎo)致生命和財產(chǎn)損失，且因無法有效記錄導(dǎo)致后續(xù)的理賠或司法過程難以推進。所以，本文針對高速公路的監(jiān)控問題提出了一種新的基于背景差分的檢測方法。在這種方法中，采用線性化方法對原始圖像進行灰度化處理，采用均值濾波方法對圖像中的噪聲進行去除，再采用基于背景差分的方法完成車輛目標提取。通過3組試驗分別驗證了本文提出方法對簡單背景單車檢測、復(fù)雜背景多車檢測、多監(jiān)控節(jié)點檢測的有效性和準確率。結(jié)果表明，本文所提出的方法對提升高速公路監(jiān)控效果具有重要實用價值。

參考文獻

[1] 屈有山，田維堅，李英才. 基于并行隔幀差分光流場與灰度分析綜合算法的運動目標檢測[J]. 光子學報，2023，52（1）：182-186.

[2] 李月. 基于改進幀差法和Camshift 算法的運動車輛檢測與跟蹤方法的研究[J]. 昆明理工大學學報，2017，32（5）：1106-1111.

[3] 張澤旭，李金宗，李寧寧. 基于光流場分割和 Canny 邊緣提取融合算法的運動目標檢測[J]. 電子學報，2022，31（10）：1299-1302.