胡凱峰，吳曉紅，楊 毅，何小海

(四川大學(xué)電子信息學(xué)院圖像信息研究所，四川成都 610064)

目前隨著交通運(yùn)輸體系的飛速發(fā)展，智能交通系統(tǒng)(Intelligent Traffic System，ITS)已發(fā)展成為智能交通管理中的主要研究方向［1］。車流量檢測(cè)作為智能交通系統(tǒng)的重要研究課題之一，在理論研究方面已經(jīng)取得了眾多碩果。目前世界上主要形成了美國(guó)、日本、歐盟三大ITS研究基地［2］，韓國(guó)、新加坡等亞洲國(guó)家的ITS研究水平相對(duì)較高，隨著理論研究的不斷成熟，也相繼出現(xiàn)了各種視頻交通參數(shù)檢測(cè)方面的工業(yè)產(chǎn)品。

其中基于視頻的車流量檢測(cè)引起了國(guó)內(nèi)外研究人員的廣泛關(guān)注，相比于傳統(tǒng)的微波檢測(cè)技術(shù)、環(huán)形線圈檢測(cè)技術(shù)，它具有處理簡(jiǎn)單、信息量大、運(yùn)用廣泛等優(yōu)點(diǎn)［3］。常用的基于視頻的車流量檢測(cè)方法有灰度法、相鄰幀差法、邊緣檢測(cè)法、背景差分法?；叶确ú捎寐访婧蛙囕v的灰度統(tǒng)計(jì)值來(lái)檢測(cè)車輛，但對(duì)環(huán)境光線的變化十分敏感。相鄰幀差法是將相鄰兩幀相減以檢測(cè)出運(yùn)動(dòng)車輛，但對(duì)運(yùn)行速度過(guò)慢的車輛不能有效檢測(cè)。邊緣檢測(cè)法能夠在不同的光線條件下得到車輛的邊緣，但在車輛邊緣不明顯的情況下，該方法可能造成漏檢、誤檢。背景差分法計(jì)算當(dāng)前幀與背景的差值來(lái)檢測(cè)運(yùn)動(dòng)車輛，是最常用的車輛檢測(cè)方法，但需要可靠的背景［4］。

考慮到國(guó)內(nèi)外對(duì)智能交通系統(tǒng)的研究，尤其在實(shí)際產(chǎn)品應(yīng)用上的探索，其技術(shù)方案越來(lái)越成熟，但絕大多數(shù)都是在PC機(jī)上實(shí)現(xiàn)的，隨著嵌入式系統(tǒng)的日益發(fā)展，如何在嵌入式平臺(tái)上實(shí)現(xiàn)車流量檢測(cè)已成為非常熱門的研究方向。本文設(shè)計(jì)了基于TMS320DM648嵌入式平臺(tái)的多車道車流量檢測(cè)系統(tǒng)。首先采用了基于抽樣的背景建模思想在虛擬線圈內(nèi)進(jìn)行背景建模，然后采用背景差分獲取運(yùn)動(dòng)目標(biāo)，最后在虛擬線圈內(nèi)對(duì)目標(biāo)進(jìn)行檢測(cè)。整個(gè)嵌入式系統(tǒng)實(shí)現(xiàn)了對(duì)車輛實(shí)時(shí)檢測(cè)，并且有較高的準(zhǔn)確率，具有一定的實(shí)用性。

1 系統(tǒng)硬件平臺(tái)

TMS320DM648嵌入式系統(tǒng)硬件總體架構(gòu)如圖1所示，主要集成了系統(tǒng)存儲(chǔ)模塊、視頻處理模塊、數(shù)據(jù)傳輸模塊。

存儲(chǔ)模塊包括的存儲(chǔ)設(shè)備有256 Mbyte的DDR2內(nèi)存、64 Mbyte 的 NOR Flash、512 kbyte SPI EEPROM。DDR2內(nèi)存為DSP/BIOS和系統(tǒng)軟件的運(yùn)行空間，最高頻率可達(dá)533 MHz。NOR Flash用于存儲(chǔ)Boot loader和支持系統(tǒng)脫機(jī)運(yùn)行。

圖1 硬件框架圖

視頻處理模塊可以接收8路模擬視頻信號(hào)，將其通過(guò)TVP5154視頻解碼器解碼成YUV格式，隨后通過(guò)EDMA3的方式傳送給 TMS320DM648，經(jīng)過(guò)視頻處理后，TMS320DM648通過(guò)EDMA3的方式傳送給SAA7105視頻編碼器編碼，最后連接顯示器顯示。另外可以接收1路高清視頻信號(hào)和輸出1路高清視頻信號(hào)。

數(shù)據(jù)傳輸模塊包括有2路千兆以太網(wǎng)、1路RS－232串口。

2 車流檢測(cè)算法的研究

車流檢測(cè)主要是采用運(yùn)動(dòng)目標(biāo)檢測(cè)的方法來(lái)提取運(yùn)動(dòng)車輛，進(jìn)而實(shí)現(xiàn)對(duì)智能交通中的車輛進(jìn)行實(shí)時(shí)統(tǒng)計(jì)。

而常用的運(yùn)動(dòng)目標(biāo)檢測(cè)的方法有光流法、幀差法、背景差分、塊匹配法等［5］。其中光流法和塊匹配法算法精度高、目標(biāo)定位準(zhǔn)確度高，但是運(yùn)算量大，對(duì)硬件環(huán)境要求比較高，不適合在該嵌入式平臺(tái)上進(jìn)行實(shí)時(shí)的車輛檢測(cè)。幀差法算法簡(jiǎn)單，但對(duì)于運(yùn)動(dòng)速度比較緩慢的車輛檢測(cè)噪聲大、準(zhǔn)確度不高。背景差分法算法簡(jiǎn)單，只需要可靠的背景，就能夠提取出準(zhǔn)確的目標(biāo)，比較適合在該嵌入式平臺(tái)上進(jìn)行車輛的實(shí)時(shí)檢測(cè)。針對(duì)以上的分析，本文采用背景差分法來(lái)提取運(yùn)動(dòng)目標(biāo)，因而需要使用背景建模來(lái)提取可靠的背景。

其中常見(jiàn)的背景建模方法有平均背景建模、中值背景建模、單高斯背景建模、混合高斯背景建模等。平均背景建模、中值背景建模、單高斯背景建模算法簡(jiǎn)單，但對(duì)于環(huán)境比較復(fù)雜的車流視頻，提取的背景噪聲比較大，檢測(cè)準(zhǔn)確率低?；旌细咚贡尘敖Ｋ惴ň雀撸撬惴ǖ倪\(yùn)算量大，背景更新耗時(shí)大，不適合在該嵌入式平臺(tái)上進(jìn)行實(shí)時(shí)處理。針對(duì)以上的問(wèn)題，本文設(shè)計(jì)了基于抽樣和高斯分布相結(jié)合的背景建模算法。

2.1 基于抽樣和高斯分布的背景建模

假設(shè)車流視頻中的某一像素點(diǎn)(x，y)在時(shí)間軸T上的一系列連續(xù)樣本集合為{x1，x2，…，xn}，根據(jù)抽樣原理采用等時(shí)間間隔ΔT對(duì)(0，T)時(shí)間內(nèi)的樣本進(jìn)行抽樣，其中ΔT根據(jù)不同的車流場(chǎng)景而定。

設(shè)抽樣樣本集合為{xm，…，xn}，通過(guò)式(1)、式(2)，求取樣本集合的均值um，n和方差σm，n

式中:um，n為圖像當(dāng)前點(diǎn)的初始背景值。

由于實(shí)際視頻圖像中存在運(yùn)動(dòng)物體，上述抽樣樣本集合可能同時(shí)包含前景和背景，因而需要對(duì)樣本進(jìn)行篩除，根據(jù)高斯分布的特征，盡可能選擇概率大的像素點(diǎn)作為學(xué)習(xí)樣本點(diǎn)，具體的篩除方法如下:

依次選取樣本集合{xm，…，xn}中的每一個(gè)樣本xi，對(duì)于滿足式(3)的樣本點(diǎn)再次采用式(1)、式(2)，求取均值和方差

式中:為本次學(xué)習(xí)樣本集合的背景值;T為樣本xi與均值um，n之間波動(dòng)系數(shù)。

由于實(shí)際視頻圖像中可能存在一些慢速運(yùn)動(dòng)的物體，導(dǎo)致在某次學(xué)習(xí)樣本集合得出的實(shí)際為前景樣本值，因而需要采用式(4)對(duì)新的均值樣本集進(jìn)行篩除，對(duì)于滿足式(4)的所有均值樣本點(diǎn)采用式(1)、式(2)，求取最終的均值和方差

式中:為運(yùn)動(dòng)圖像的最終背景值，而圖像中每個(gè)像素點(diǎn)的值組建了最終的背景圖，M與N為均值樣本與均值μ之間的波動(dòng)系數(shù)，k為學(xué)習(xí)樣本集合的個(gè)數(shù)，0＜i＜k，0＜N＜M＜3。

2.2 基于背景差分的目標(biāo)提取

假設(shè)t時(shí)刻車流視頻中點(diǎn)(x，y)處像素值為It(x，y)，背景圖像值為B(x，y)，采用背景差分公式(5)，求取當(dāng)前圖像在(x，y)處前景的灰度值Dt(x，y)。然后采用Ostu最大類間方差法［6］，求取由Dt(x，y)組成的前景圖像最佳分割閾值T。最后采用式(6)，求取當(dāng)前圖像在(x，y)處前景的二值圖像值Mt(x，y)

式中:Mt(x，y)為最終提取的二值化前景圖像值。

為了消除由背景差分和Ostu分割提取的二值化前景圖像帶有的噪聲，采用了形體學(xué)腐蝕操作消除目標(biāo)圖像中的小點(diǎn)噪聲，然后采用膨脹操作重建因腐蝕操作而丟失的邊緣部分，增強(qiáng)目標(biāo)識(shí)別的準(zhǔn)確性。

本文采用該方法測(cè)試了一段陰天環(huán)境下城市快速路段的車流視頻序列圖，該視頻幀率為25 f/s(幀/秒)，并與在混合高斯建模方法下提取的運(yùn)動(dòng)目標(biāo)效果圖以及最終的運(yùn)行時(shí)間進(jìn)行了比較，具體如圖2和表1所示。

圖2 兩種不同建模方法提取目標(biāo)的效果圖

從圖2和表1可以看出，使用本文提出的建模算法與混合高斯算法在提取目標(biāo)效果圖基本相同的情況下，運(yùn)行時(shí)間上有很大提高。

表1 兩種建模方法的運(yùn)行時(shí)間對(duì)照表

3 車流量檢測(cè)的步驟及實(shí)驗(yàn)分析

3.1 車流量檢測(cè)步驟

首先設(shè)置虛擬檢測(cè)線，具體的設(shè)置方法如下:

1)在車流視頻圖像的下方設(shè)置兩條相互平行、等長(zhǎng)且垂直于車道的虛擬檢測(cè)線，其中每條檢測(cè)線的寬度為1個(gè)像素點(diǎn)。同時(shí)必須滿足兩條虛擬檢測(cè)線的長(zhǎng)度包含整個(gè)車道，間距根據(jù)具體車流視頻圖像而定，大于最小車距，小于最短車輛的長(zhǎng)度。

2)根據(jù)具體車流視頻圖像上的車道數(shù)設(shè)置每個(gè)檢測(cè)車道的檢測(cè)寬度，其中盡量保證每個(gè)車道寬度相等，彼此間距相等。

然后進(jìn)行車流統(tǒng)計(jì)，具體統(tǒng)計(jì)流程如下:

1)初始化車輛狀態(tài)標(biāo)志flag為－1，每個(gè)車道車輛數(shù)目count為0。

2)采用背景差分提取運(yùn)動(dòng)目標(biāo)。

3)檢測(cè)車輛，當(dāng)兩條檢測(cè)線上同時(shí)檢測(cè)有車時(shí)，將狀態(tài)標(biāo)志flag置為1;當(dāng)兩條檢測(cè)上同時(shí)檢測(cè)無(wú)車時(shí)，將狀態(tài)標(biāo)志flag置為0，并且將當(dāng)前車道車輛數(shù)目count加1，flag恢復(fù)到初始化狀態(tài)。

其中有車和無(wú)車的判斷主要依據(jù)目標(biāo)二值圖像中虛擬檢測(cè)線上白色點(diǎn)的數(shù)目確定。假設(shè)檢測(cè)線長(zhǎng)度為L(zhǎng)，車道數(shù)目為N，當(dāng)檢測(cè)到檢測(cè)線上白色點(diǎn)數(shù)大于采用式(7)求取的白色點(diǎn)數(shù)目門限值T時(shí)，則標(biāo)記該檢測(cè)線上有車

3.2 多環(huán)境下車流檢測(cè)實(shí)驗(yàn)及分析

本文在城市快速路錄制了5段不同天氣的車流視頻，對(duì)本文算法和高斯算法進(jìn)行了車流量檢測(cè)測(cè)試。5段視頻的基本信息如表2所示。

表2 5段視頻基本信息

5段視頻車流量檢測(cè)界面如圖3所示(原圖為彩色圖片)，其中白色矩形為背景建模區(qū)域，藍(lán)色矩形為車型檢測(cè)區(qū)域，橘黃色矩形為檢測(cè)線，紅色矩形為檢測(cè)到的車型。

圖3 車流量檢測(cè)界面圖

其中車流量檢測(cè)的準(zhǔn)確度衡量標(biāo)準(zhǔn)如下:

5段視頻采用本文算法和高斯算法進(jìn)行車流量檢測(cè)，結(jié)果分別如表3、表4、表5、表6、表7所示。

表3 視頻1車流量檢測(cè)結(jié)果

表4 視頻2車流量檢測(cè)結(jié)果

表5 視頻3車流量檢測(cè)結(jié)果

表6 視頻4車流量檢測(cè)結(jié)果

表7 視頻5車流量檢測(cè)結(jié)果

上述表中，“—”表示車輛比較少，不進(jìn)行統(tǒng)計(jì)。從上述表中可以看出，視頻1和2場(chǎng)景光線強(qiáng)烈，在陽(yáng)光的照射下，陰影常導(dǎo)致相鄰車輛粘連。采用本文提出的劃分車道方法有效防止了車輛粘連產(chǎn)生的誤檢，提高了檢測(cè)率，平均準(zhǔn)確率達(dá)到了94%，而高斯算法平均準(zhǔn)確率為92%。視頻3場(chǎng)景光線較弱，視頻4和5場(chǎng)景陰雨天氣，同時(shí)伴有風(fēng)，對(duì)目標(biāo)提取影響較大。采用本文提出的基于虛擬線圈內(nèi)進(jìn)行抽樣的背景建模方法，較完整地提取出了運(yùn)動(dòng)車輛，有效抑制了虛擬線圈外場(chǎng)景變化產(chǎn)生的影響，提高了檢測(cè)率，陰天下平均準(zhǔn)確率達(dá)到了94%，雨天下達(dá)到了91%，而相同條件下高斯算法陰天平均準(zhǔn)確率為92%，雨天下達(dá)到了89%。進(jìn)而表明，基于本文算法設(shè)計(jì)的TMS320DM648嵌入式平臺(tái)的多通道車流量檢測(cè)系統(tǒng)，準(zhǔn)確率較高，具有一定的使用價(jià)值。

4 總結(jié)

針對(duì)傳統(tǒng)車輛檢測(cè)系統(tǒng)的局限性，本文設(shè)計(jì)實(shí)現(xiàn)了基于TMS320DM648嵌入式平臺(tái)的多通道車流量檢測(cè)系統(tǒng)。首先在虛擬線圈內(nèi)采用基于抽樣的背景建模方法進(jìn)行背景建模，然后采用背景差分提取運(yùn)動(dòng)目標(biāo)，最后在虛擬線圈內(nèi)對(duì)車輛進(jìn)行檢測(cè)。實(shí)驗(yàn)表明該DSP嵌入式系統(tǒng)實(shí)時(shí)檢測(cè)效果好、速度快，具有一定的使用價(jià)值。但也存在因車輛不規(guī)范行駛導(dǎo)致車流漏檢或誤檢的情況，因此需要研究改進(jìn)。

:

［1］史其信，熊輝.展望21世紀(jì)智能交通系統(tǒng)(ITS)的發(fā)展［J］.黑龍江工程學(xué)院學(xué)報(bào)，2001，15(1):52－56.

［2］杜麗麗.智能交通系統(tǒng)中視頻車輛檢測(cè)技術(shù)的研究［D］.青島:中國(guó)海洋大學(xué)，2009.

［3］李宇成，李雷，王目樹.多車道的車流量統(tǒng)計(jì)［J］.自動(dòng)化儀表，2010，31(10):57－60.

［4］周世付，李建雄，沈振乾，等.基于高斯混合模型的多車道車流量檢測(cè)算法［J］.計(jì)算機(jī)仿真，2012，29(10):331－335.

［5］田雨露，楊剛，王波，等.基于塊的背景重構(gòu)算法研究及應(yīng)用［J］.液晶與顯示，2011，26(5):693－697.

［6］齊麗娜，張博，王戰(zhàn)凱.最大類間方差法在圖像處理中的應(yīng)用［J］.無(wú)線電工程，2006，7(36):25－26.