劉云波　黃華

摘要：針對大型施工工地對車輛統(tǒng)計和監(jiān)控的需求，提出一種基于計算機視覺的施工現(xiàn)場車輛監(jiān)管方法。首先采用高斯背景建模方法得到高精度的監(jiān)管區(qū)域背景；然后運用背景差分結(jié)合二值化方法實時提取運動目標(biāo)，再根據(jù)車輛尺寸和形狀特征識別車輛運動目標(biāo)，并通過尺寸和形狀濾波等方法對車輛進行分類，識別出工程大車和小型機動車；另外，對車輛速度進行了基于視覺的虛擬檢測線法估計，當(dāng)有車超速的時候予以抓拍和警告，即在路中心位置平行設(shè)置兩條虛擬檢測線，當(dāng)車輛通過其間時，對車輛測量速度和數(shù)目進行統(tǒng)計。實驗結(jié)果表明，該方法基本達到了大型工地現(xiàn)場對車輛監(jiān)管的需求。

關(guān)鍵詞：計算機視覺；車輛檢測；車速估計

中圖分類號：TP37 文獻標(biāo)識碼：A 文章編號：1009-3044（2015）04-0161-04

Abstract： Aiming at statistics and monitoring the situation for vehicles in the large-scale construction site，this paper proposes a method of monitoring vehicles in the construction site based on computer vision. First， we use Gaussian background modeling to get a high-precision initial background image of the regulatory region. Second， using background subtraction method combines binary to extract real-time moving target， and then to find the vehicle moving target from all the moving targets based on the size and shape characteristics of the vehicle， and filtering the vehicles into big trucks and small carts by size， shape filtering and other methods. Meanwhile， we estimate the speed of the vehicle through virtual detection line method based on computer vision， and the system will issue a warning and capturing when a car speeding. Finally， two horizontal virtual test lines set in the middle of the road. When the vehicle passing through the virtual test lines， the system statistics the number of vehicles and estimated the vehicles speed. Experimental results demonstrate that this method can basically meet the requirements of vehicle supervision of large construction site.

Key words： computer vision； vehicle detection； speed ??estimate

在大型工地施工現(xiàn)場中出入的施工及其他車輛數(shù)目眾多，施工現(xiàn)場對車輛的管理直接關(guān)系到施工現(xiàn)場秩序和安全，比如在施工現(xiàn)場中進入的車輛數(shù)目不加以控制會造成施工工地內(nèi)部擁堵，施工現(xiàn)場有過多非施工車輛進入也會造成一定混亂，諸如此類問題都需要通過對施工現(xiàn)場車輛合理監(jiān)管來解決。然而，現(xiàn)有的施工現(xiàn)場對車輛的監(jiān)管還大多依賴于人力，如記錄進出的車輛數(shù)、車輛種類、車輛是否超速等，這些監(jiān)管任務(wù)目前大都是依靠值班人員人工進行監(jiān)管，這樣不僅耗費人力物力也存在很多安全隱患問題。針對大型工地現(xiàn)場對車輛自動高效監(jiān)管需求，該文提出一種基于計算機視覺的施工現(xiàn)場車輛監(jiān)管方法，能夠智能的對進出施工工地的車輛進行監(jiān)管，包括對進出車輛數(shù)量的統(tǒng)計、車輛類型的區(qū)分、車速的估計和超速抓拍警告等等。

1 基于視覺的大型工地現(xiàn)場車輛自動監(jiān)管總體方案設(shè)計

1.1 需求及其分析

在大型施工工地，由于出入現(xiàn)場的車輛繁多，所以需要對進出施工現(xiàn)場的車輛進行監(jiān)管。監(jiān)管的需求主要是兩個部分，一個部分是對出入的車輛數(shù)目進行監(jiān)控，即對進出的車輛數(shù)目進行統(tǒng)計，并且將大型工程車與小型機動車分類計數(shù)；另一個部分就是要控制施工現(xiàn)場車輛的速度，因為在施工現(xiàn)場的車速是嚴(yán)格限制的，因此，要對出入施工現(xiàn)場車輛速度進行測量，并當(dāng)車輛出現(xiàn)超速行為時對其給予警告和抓拍。

1.2總體方案設(shè)計

根據(jù)上述大型工地自動高效監(jiān)管車輛需求，首先采用高斯背景建模方法得到高精度的監(jiān)管區(qū)域背景，然后運用背景差分結(jié)合二值化方法實時提取運動目標(biāo)，再根據(jù)車輛的尺寸和形狀特征識別車輛運動目標(biāo)，并通過尺寸和形狀濾波等方法對車輛進行分類，識別出工程大車和小型機動車。另外，對車輛速度進行了基于視覺的虛擬檢測線法估計，當(dāng)有車超速的時候予以抓拍和警告，即在路中心位置平行設(shè)置兩條檢測線，當(dāng)車輛通過其間時，對車輛的數(shù)目進行統(tǒng)計并測量其速度。

2 車輛目標(biāo)自動檢測與監(jiān)管研究

2.1車輛目標(biāo)檢測算法研究

對施工現(xiàn)場車輛進行基于計算機視覺的監(jiān)管，首先要獲取車輛目標(biāo)，即在攝像頭所獲取的圖像序列中實時地提取出運動目標(biāo)，并判斷其是否為車輛目標(biāo)，然后才能更好地進行后續(xù)處理和監(jiān)控。在施工現(xiàn)場的安裝的固定攝像頭監(jiān)管范圍內(nèi)獲得場景中背景相對位置基本保持不變，則背景圖像的大小和位置在不同幀中將保持不變，同時背景圖像在視頻序列中變化不大，于是可以考慮使用背景差分法[1-2]即利用當(dāng)前幀與當(dāng)前背景圖像相減提取運動目標(biāo)。

背景差法準(zhǔn)確檢測運動目標(biāo)前景的關(guān)鍵在于背景圖像是否準(zhǔn)確，如果背景圖像較為準(zhǔn)確，那么背景差法的精度就較高，因此在系統(tǒng)正式開始檢測前，首先要得到一張精度較高的初始背景?？紤]到高斯背景建模方法獲取背景的方法精度較高，首先使用該方法獲取第一張初始背景。

為了減少圖像中冗余信息的干擾，減小計算量，首先將獲得攝像機圖片做灰度化處理，這樣每個像素點處圖片的信息即為其灰度值一個值，大大提高了效率。對于一個固定的場景，光照變化較為緩慢，可以認為場景中各個像素的灰度值是符合一個隨機概率分布的。高斯分布是以某一均值為基線， 在其附近有不超過一定偏差的隨機振蕩[4]。對場景中每個像素點建立高斯模型， 對依次進入的幀進行高斯模型的擬合來提取背景圖像。即對每一個像素利用高斯模板建模， 每一像素點都認為服從均值為μ和標(biāo)準(zhǔn)方差為σ的分布， 且每一點的高斯分布是獨立的[5]。將背景中的每個像素按照高斯分布模型建模， 通過一段時間的訓(xùn)練獲得其參數(shù)并不斷更新其分布參數(shù)， 據(jù)此來獲取初始背景。

如此得到的二值圖像，運動目標(biāo)體現(xiàn)在二值圖上為一塊塊白色區(qū)域，這些區(qū)域就為運動目標(biāo)潛在區(qū)域，其中可能存在車輛目標(biāo)。然而由于噪聲的影響，白色區(qū)域也有可能是噪聲點造成的，因此還要對得到的二值圖像進行一些處理，首先對其進行3×3窗口的中值濾波[8]消除椒鹽噪聲，然后對其進行先腐蝕再膨脹的處理以得到更完整的前景運動目標(biāo)。經(jīng)過上述步驟得到的運動目標(biāo)的二值圖像如圖2中（b）的大型白色前景塊所示，圖2中（a）為當(dāng)前幀圖像。得到二值化前景后，再對它進行輪廓搜索并且進行尺寸濾波濾除尺寸太小不可能為運動目標(biāo)的前景輪廓[9]，找出初步確定的運動目標(biāo)在前景二值圖中的輪廓，并劃出它的外接矩形，圖2（c）為找到的運動目標(biāo)及劃出其外接矩形表示。

2.2車輛分類識別和數(shù)目統(tǒng)計算法研究

得到的前景目標(biāo)輪廓即為含有車輛目標(biāo)的潛在區(qū)域，對這些前景目標(biāo)進行一些處理以便找到其中車輛目標(biāo)。為了更好地確定前景輪廓中運動目標(biāo)的位置和大小，該文用其外接矩形框來示意運動目標(biāo)的位置和大小。

對當(dāng)前所有前景目標(biāo)輪廓的外接矩形框進行搜索，在其外接矩形框范圍內(nèi)檢測其面積大小、前景區(qū)域與矩形框區(qū)域面積比例、橫向距離、縱向距離、豎直積分投影圖特性。因為進出施工現(xiàn)場的基本上只有行人和車輛兩種目標(biāo)，如圖3所示，其中（a）和（b）是車輛目標(biāo)而（c）是人目標(biāo)，可以很明顯地看出其中車輛目標(biāo)的橫向和縱向距離遠遠大于人，同時車輛目標(biāo)外接矩形的面積也遠大于人外接矩形的面積，但是如果出現(xiàn)同時好幾個人距離很近的一起行走會造成目標(biāo)粘連，也就是可能幾個行人會被認為是一個運動目標(biāo)，即幾個行人會被算作一個目標(biāo)框在一個矩形框中，此時該框的橫向距離、縱向距離和總面積都比較大，可能會被誤判做車輛目標(biāo)，所以這里還要進行再判斷。

由于車輛目標(biāo)較為方正的形狀，分布較為集中，而幾個人并排走導(dǎo)致的粘連目標(biāo)在其外接矩形中是有較大空隙的，分布較為松散。我們用離散度來表征運動目標(biāo)輪廓的聚散程度，車輛輪廓由于較為集中其離散度是小于行人目標(biāo)粘連輪廓離散度的。根據(jù)目標(biāo)前輪廓離散度是否達到閾值來判定是否為車。同時由于人的身體的特殊特征，可以發(fā)現(xiàn)行人目標(biāo)的豎直積分投影圖中有許多的波峰波谷，然而車目標(biāo)的豎直積分投影圖則較為平坦，所以再根據(jù)目標(biāo)的豎直積分投影圖的波峰波谷特征來附加判斷該目標(biāo)是車輛還是人。

判定目標(biāo)為車輛之后，再根據(jù)其面積、其中前景點數(shù)、離散度來判斷其是工程大車還是小型機動車。小型機動車面積較小、其中前景點數(shù)也較少且形狀較為規(guī)則近似方形，即離散程度較小。而出入施工現(xiàn)場的工程車都多為大型車，如圖3中所示，（a）為小型機動車，（b）為工程大車，與小型機動車相比工程大車其不僅面積較大、其中前景點數(shù)較多，且因為工程車是體積較大的重型卡車、水泥攪拌車或者是有吊臂等施工器材的施工車輛，導(dǎo)致其形狀不規(guī)則有凹凸和空洞，那么其在圖像中成像前景的離散程度也就大。得到車輛目標(biāo)及其外接矩形后，根據(jù)上述依據(jù)判斷出車輛的類型，為工程大車還是小型機動車。

對捕捉到的車輛目標(biāo)進行跟蹤，并且在車輛目標(biāo)第一次出現(xiàn)時建立其屬性列表，包括其行進方向、面積大小、車輛類型、初始位置等等信息，并在后續(xù)跟蹤過程中將屬性列表傳遞和完善，其中很重要的一點是根據(jù)其當(dāng)前位置與初始位置的坐標(biāo)關(guān)系來分析其行進方向是進入還是出去，并進入其屬性列表中。在固定攝像機視場正對施工現(xiàn)場出入口得到的攝像機圖像靠近中間部分劃取兩條平行的水平檢測虛擬線用以計數(shù)，當(dāng)非重檢車輛目標(biāo)外接矩形的中心到達兩條檢測線中間時對其進行計數(shù)，并根據(jù)其屬性列表中方向信息來區(qū)分其計入進入車輛數(shù)還是出去車輛數(shù)，并將數(shù)據(jù)錄入系統(tǒng)統(tǒng)計日志中，實時顯示。

2.3車輛速度測量算法研究

在施工現(xiàn)場車輛的速度是被限制的，一般不能超過20-30km/h，速度過快會造成許多安全隱患，在施工現(xiàn)場是不被允許的。在視頻監(jiān)控現(xiàn)場車輛數(shù)目的同時，也可以通過得到的視頻初步估計車輛的速度，以監(jiān)控車輛的速度。

由于路面的顏色是幾乎單一的，呈現(xiàn)一種暗灰色，為路面的像素點的灰度值之間相差很小，當(dāng)檢測線上的像素均為路面元素時，整條檢測線的像素灰度值方差是很小的，然而有車輛通過時由于車輛的橫向距離較大且與地面灰度值存在較大差異，所以檢測線上像素中除了路面元素還有許多車輛元素，其灰度值方差將會明顯增大。這樣我們可以考察兩條檢測線上像素灰度值的方差大小，當(dāng)其灰度值方差大于設(shè)定經(jīng)驗閾值時認為有車輛到達檢測線，計算其時間差，使用前述實際測得的兩條檢測線間距離除以該時間差，得到車輛的速度值。當(dāng)車輛速度值超過規(guī)定速度時，系統(tǒng)保存車輛圖片，并實時顯示在前端屏幕予以警告。

3 實驗結(jié)果與分析

對施工現(xiàn)場實拍的一段視頻來檢測本文算法，結(jié)果如表1所示。

該文算法的檢測正確率達到百分之88%以上，該方法可以達到檢測施工現(xiàn)場出入車輛數(shù)目情況的目的，并且算法簡單有效，尤其針對單個通過的大型工程車和較為規(guī)則的小型機動車有良好的檢測效果。但與此同時，在表格中可以發(fā)現(xiàn)小型機動車有時會多檢，是由于實際施工現(xiàn)場中有一些騎著三輪車的人與小型機動車在大小和形狀上難以區(qū)分，使得騎著三輪車的人被誤檢做小型機動車；還有些時候是由于路面有水而車輛軋過的車轍眾多導(dǎo)致前景出現(xiàn)大量干擾造成誤檢測，這還有待以后深入研究和解決。

4 結(jié)束語

本文提出了一種基于計算機視覺的施工現(xiàn)場車輛監(jiān)管方法，可以比較準(zhǔn)確地實現(xiàn)對施工現(xiàn)場車輛運動目標(biāo)的檢測與跟蹤以及其數(shù)量及速度的檢測和統(tǒng)計。從整體效果來看，基本滿足應(yīng)用要求。

參考文獻：

[1] 李玉萍.基于視覺的車輛檢測技術(shù)現(xiàn)狀[J].國外電子測量技術(shù)，2007（26）：10.

[2] 張文溥.視頻車輛檢測技術(shù)及發(fā)展趨勢[J].中國人民公安大學(xué)學(xué)報，2010（1）.

[3] 張暉，董育寧.基于視頻的車輛檢測算法綜述[J].南京郵電大學(xué)學(xué)報，2007（27）：3.

[4] 康曉晶，吳謹(jǐn).基于高斯背景建模的目標(biāo)檢測技術(shù)[J].液晶與顯示，2010（25）：3.

[5] 朱齊丹，李科，張智，等.改進的混合高斯自適應(yīng)背景模型[J].哈爾濱工程大學(xué)學(xué)報，2010，31（10）：1348-1353.

[6] Ming Han， LIU Jiao-min， Yi Sun. A background modeling algorithm based on improved adaptive Mixture Gaussian[J].Journal of Computers， 2013， 8（9）： 2239-2244.

[7] Xiaopeng Ji，Zhiqiang Wei，Yewei Feng. Effective vehicle detection technique for traffic surveillance systems[J].Journal of Visual Communication and Image Representation，2006，17（3）：647-658.

[8] 郭磊，李克強，王建強，連小珉.一種基于特征的車輛檢測方法[J].汽車工程，2006（28）：11.

[9] 趙文哲，秦世引.視頻運動目標(biāo)檢測方法的對比分析[J].科技導(dǎo)報，2009（10）.

[10] Stauffer C，Grimson W E L. Learning patterns of activity using real-time tracking[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2000，22（8）：747-757.

[11] 姚敏.數(shù)字圖像處理[M].北京：機械工業(yè)出版社，2006.