盧勝男　陳光　張鳳磊

摘要：基于視頻的車流量檢測(cè)是智能交通的一個(gè)重要課題，為了滿足應(yīng)用中的實(shí)時(shí)性和準(zhǔn)確性要求，本文提出采用虛擬窗口法實(shí)現(xiàn)車輛的檢測(cè)和統(tǒng)計(jì)，使整個(gè)圖像處理過(guò)程只針對(duì)有限的虛擬窗口區(qū)域，背景提取采用統(tǒng)計(jì)直方圖法，利用像素多幀平均值來(lái)衡量背景灰度的可信度，背景更新則根據(jù)塊匹配置信度實(shí)現(xiàn)實(shí)時(shí)的背景更新。實(shí)驗(yàn)結(jié)果表明，該方法可以有效應(yīng)用于基于視頻的實(shí)時(shí)車流量檢測(cè)中。

關(guān)鍵詞：車流量檢測(cè)；背景提??；背景更新；虛擬窗口；置信度

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2015）34-0189-02

1 概述

車流量檢測(cè)是智能交通系統(tǒng)（ITS）的一個(gè)重要課題，它不僅可以為交通管理部門提供重要的車輛疏導(dǎo)控制信息，也為交通狀況預(yù)測(cè)提供幫助?；谝曨l圖像的交通信息檢測(cè)技術(shù)，由于成本低廉、安裝維護(hù)方便和檢測(cè)范圍廣等優(yōu)點(diǎn)被越來(lái)越廣泛地應(yīng)用于ITS中。

車流量檢測(cè)算法實(shí)質(zhì)上就是將運(yùn)動(dòng)車輛從序列圖像背景中分離出來(lái)，識(shí)別車輛目標(biāo)并統(tǒng)計(jì)其個(gè)數(shù)。具有代表性的方法有背景差分法[1]、光流法[2]和幀間差分法[3][4]。光流法由于算法復(fù)雜度高不適合實(shí)時(shí)應(yīng)用場(chǎng)合，幀間差分法一般很難獲得車輛目標(biāo)的完整輪廓，背景差分法由于簡(jiǎn)單方便，是最常使用的方法，該方法通過(guò)圖像序列中的當(dāng)前幀和背景參考模型比較來(lái)檢測(cè)運(yùn)動(dòng)車輛，然后利用車輛的外觀特征識(shí)別和統(tǒng)計(jì)車輛個(gè)數(shù)，但從復(fù)雜交通背景中分割出運(yùn)動(dòng)目標(biāo)是件非常困難的事情，而且大多數(shù)特征檢測(cè)算法復(fù)雜度較高，不適合實(shí)時(shí)應(yīng)用的場(chǎng)合。

基于以上分析，本文將采用虛擬窗口法，僅在虛擬窗口中進(jìn)行背景建模和更新，并根據(jù)虛擬窗口內(nèi)局部數(shù)據(jù)信息變化，判斷是否有車輛通過(guò)，并統(tǒng)計(jì)車輛數(shù)量。這種方法處理數(shù)據(jù)量小，而且算法簡(jiǎn)單，可以保證實(shí)時(shí)有效的車流量統(tǒng)計(jì)。

2 背景建模與更新

2.1 初始背景建模

初始背景估計(jì)是運(yùn)動(dòng)目標(biāo)檢測(cè)的關(guān)鍵，背景圖像的可靠性將直接影響檢測(cè)的有效性。本文采用統(tǒng)計(jì)直方圖法對(duì)背景進(jìn)行估計(jì)。傳統(tǒng)的統(tǒng)計(jì)直方圖法只適合車流量比較小的情況，車流量大時(shí)，統(tǒng)計(jì)直方圖會(huì)呈現(xiàn)多峰狀態(tài)，此時(shí)需要考慮其背景灰度值的可信度，選取可信度較高的灰度值作為背景灰度。本文將提出一種改進(jìn)的基于統(tǒng)計(jì)直方圖的背景提取方法。該方法采用像素多幀平均值來(lái)衡量背景灰度的可信度，以便確認(rèn)多峰直方圖中的哪個(gè)極大值對(duì)應(yīng)的灰度是背景的灰度值，該算法具體步驟如下：

步驟 1 統(tǒng)計(jì)一段時(shí)間內(nèi)，圖像中各點(diǎn)像素值的灰度直方圖；

步驟2 直方圖平滑去噪并尋找灰度值頻次出現(xiàn)最多的點(diǎn)，根據(jù)該點(diǎn)的位置，判斷其左右兩邊一定范圍內(nèi)的能量是否大于總能量的80%，若是，則該像素值為背景灰度值，否則執(zhí)行步驟3；

步驟3 找出直方圖中的若干極大值，以及這些極大值中的最大值及其兩邊的谷值點(diǎn)，然后，再在谷值點(diǎn)兩側(cè)尋找一個(gè)相應(yīng)的次極大值，以此類推，可以得到若干極大值[Pmax2，...，Pmaxn]；

步驟4 統(tǒng)計(jì)該像素點(diǎn)的多幀平均值[Pave]，將多個(gè)極大值與該平均值結(jié)果進(jìn)行比較，相差較小的是背景的可能性較大，即被認(rèn)為是背景的灰度值。

該算法利用背景灰度可信度濾除了差異變化較大的灰度值，一定程度上消除了背景誤差像素，整個(gè)算法簡(jiǎn)單可靠，背景提取速度快，效果較理想。

2.2 背景更新

由于交通場(chǎng)景光照變化或一些不確定因素導(dǎo)致的背景的改變，上述算法獲得的背景圖像如果得不到適時(shí)更新的話，背景圖像的誤差將會(huì)越來(lái)越大。因此，需要適時(shí)地更新背景以保證背景圖像的準(zhǔn)確性和實(shí)時(shí)性。本文采用作者早期提出的基于塊匹配置信度的背景更新算法[5]。該算法的基本思路是計(jì)算幀間對(duì)應(yīng)塊的SAD（Sum of Absolute Pixel Block Difference）值，若SAD值小于閾值說(shuō)明該塊相對(duì)穩(wěn)定，并記錄該塊連續(xù)穩(wěn)定的次數(shù)。當(dāng)穩(wěn)定次數(shù)達(dá)到一定的數(shù)量，即可按比例更新背景。其具體算法步驟如下：

步驟1 將圖像分成M*N的小塊，本文選取小塊大小為3*4；

步驟2 計(jì)算各個(gè)塊的SAD值，如式（1）所示，[Ft（m，n）]和[Ft-1（m，n）]分別是相鄰兩幀對(duì)應(yīng)塊的像素灰度值。若SAD小于閾值T，則該塊置信度[Ct]加1，反之則該塊置信度[Ct]清零。

該算法時(shí)間復(fù)雜度和空間復(fù)雜度較低，很好地滿足了系統(tǒng)實(shí)時(shí)響應(yīng)需求，對(duì)光線的變化反應(yīng)靈敏，當(dāng)光線由亮變暗或從暗變亮?xí)r該算法都能及時(shí)更新。

3 基于虛擬檢測(cè)窗口的車流量統(tǒng)計(jì)

3.1 虛擬檢測(cè)窗口設(shè)置

攝像機(jī)的角度和高度對(duì)虛擬檢測(cè)窗口的設(shè)置都會(huì)產(chǎn)生一定的影響，并且一段視頻中的車輛其尺度和角度的變化，都是檢測(cè)窗口設(shè)計(jì)時(shí)需要考慮的因素。本文針對(duì)視頻圖像的首幀，選取合適大小的與車道線相垂直的矩形區(qū)域作為虛擬檢測(cè)窗口。由于車輛之間的遮擋容易產(chǎn)生誤檢，虛擬檢測(cè)窗口設(shè)置在圖像靠近底部的位置，此處車輛之間的間隔較大，不會(huì)出現(xiàn)遮擋的情況。車輛正常行駛的路徑為每條車道內(nèi)部，因此本文在每條車道內(nèi)部各設(shè)一個(gè)虛擬檢測(cè)窗口，其高度大約為5～10個(gè)像素，寬度設(shè)置介于車道寬度和車身寬度之間，以便區(qū)分出行人或摩托車等寬度較小的運(yùn)動(dòng)目標(biāo)，也能夠檢測(cè)出車輛因變道而同時(shí)占據(jù)兩個(gè)虛擬窗口的情況。

3.2 車流量統(tǒng)計(jì)

所有的虛擬檢測(cè)窗口都位于同一水平線上，并且覆蓋了所有的車道，因此同一輛車只能在一個(gè)檢測(cè)窗口內(nèi)運(yùn)動(dòng)，即使出現(xiàn)變道情況，統(tǒng)計(jì)數(shù)量時(shí)也會(huì)根據(jù)其在虛擬檢測(cè)窗口中所占大小來(lái)進(jìn)行區(qū)分，以免誤檢。

本文通過(guò)背景差分得到的二值化圖像中統(tǒng)計(jì)窗內(nèi)像素點(diǎn)的加權(quán)平均值，再與前一幀的狀態(tài)相比較即能得到該幀中是否有車輛需要統(tǒng)計(jì)。本文設(shè)置一個(gè)標(biāo)志位flag，若檢測(cè)窗口內(nèi)的加權(quán)平均值大于或等于閾值，則flag=1，表示有車輛進(jìn)入該區(qū)域。若加權(quán)平均值小于閾值，則flag=0，表示沒(méi)有車輛進(jìn)入該區(qū)域。其計(jì)數(shù)狀態(tài)如表1所示。本文考慮到了道路上摩托車和行人情況，故將窗口中1/3置為“1”像素，進(jìn)而求出其加權(quán)平均值作為閾值。具體算法流程如圖2所示。

4 實(shí)驗(yàn)結(jié)果與分析

為了實(shí)現(xiàn)基于視頻的車流量檢測(cè)的算法，作者進(jìn)行了實(shí)際路況的視頻數(shù)據(jù)測(cè)試（格式為AVI，幀速率為25f/s，分辨率為640*480），使用Visual C++6.0和OpenCV進(jìn)行仿真。并對(duì)不同時(shí)間段，不同天氣下的路況視頻進(jìn)行了數(shù)據(jù)分析，最終通過(guò)對(duì)視頻圖像的處理達(dá)到對(duì)車輛識(shí)別和統(tǒng)計(jì)的目的，然后利用人工測(cè)試視頻樣本車流量與系統(tǒng)檢測(cè)的車流量進(jìn)行的對(duì)比， 以此驗(yàn)證該系統(tǒng)的準(zhǔn)確性和有效性，具體結(jié)果如表2所示。

由表2結(jié)果可以看出，本文的檢測(cè)方法平均準(zhǔn)確率高達(dá)95%以上，基本能夠滿足車流量檢測(cè)的準(zhǔn)確性要求，系統(tǒng)運(yùn)行速度快，可以實(shí)現(xiàn)車輛數(shù)量的實(shí)時(shí)統(tǒng)計(jì)。對(duì)比于晴朗的白天，晚上和雨天的檢測(cè)準(zhǔn)確率較低，主要原因是車輛夜間行駛時(shí)，車燈導(dǎo)致虛擬檢測(cè)窗口內(nèi)的光線變化，從而產(chǎn)生誤檢。而雨天時(shí)，雨水導(dǎo)致虛擬窗口局部信息產(chǎn)生變化，也容易造成誤檢。

5 結(jié)束語(yǔ)

傳統(tǒng)的車輛檢測(cè)方法是對(duì)整幅圖像進(jìn)行背景提取和更新，本文則只針對(duì)虛擬檢測(cè)窗口內(nèi)的像素進(jìn)行處理，結(jié)合改進(jìn)的基于塊匹配置信度的背景提取方法，更加實(shí)時(shí)地檢測(cè)一定時(shí)間內(nèi)的車流量。這種采用虛擬窗口的計(jì)算方法，減少了對(duì)無(wú)用圖像信息的處理量，提高了系統(tǒng)處理速度，因而該方法可以應(yīng)用于車流量檢測(cè)的實(shí)際場(chǎng)合中。

參考文獻(xiàn)：

[1] 侯志強(qiáng)，韓崇昭.視頻跟蹤技術(shù)綜述[J].自動(dòng)化學(xué)報(bào)，2006，32（4）：603-717.

[2] S Sivaraman and M M Trivedi.Looking at Vehicles on the Road：A Survey of Vision-Based Vehicle Detection，Tracking and Behavior Analysis. IEEE Trans.Intell. Transp.Syst.，2013，14（. 4）： 1773–1792.

[3] N.Buch，S.A.Velastin and J.Orwell. “A review of computer vision techniques for the analysis of urban traffic，” IEEE Trans. Intell. Transp. Syst，2011，12（3）： 920-939.

[4] Song Huansheng，Lu Shengnan，Ma Xiang， et al. Vehicle Behavior Analysis Using Target Motion Trajectories[J].IEEE Transactions on Vehicular Technology，2014，63（8）：3580-3591.

[5] 盧勝男，馮建利，段沛沛.基于塊匹配置信度的隧道交通背景提取算法[J]. 電視技術(shù).2015，39（8）：59-63.