神紅玉 王波濤 閆躍

摘要：實時交通信息檢測在智能交通系統(tǒng)中起著重要的作用，視頻車輛檢測是交通信息檢測的一種重要手段。背景差分算法因其靈活性和準確性，成為基于視頻的運動目標實時檢測的一種常用方法，傳統(tǒng)背景差分算法僅僅強調對二維圖像的處理，尤其強調對圖像分割和目標跟蹤。該文對傳統(tǒng)背景差分算法進行了改進，提出一種基于虛擬線框的車輛視頻檢測算法。該算法核心思想通過在每個車道設置兩個虛擬線框來檢測交通流參數(shù)，虛擬線框的輸出信號源于背景差分。該方法只需對虛擬線框內的圖像區(qū)域進行處理，從而并且避開了在視頻圖像中進行復雜的車輛特征提取與跟蹤，減少了運算量，降低了運算負荷。經測試算法的處理速度為25幀/秒，車輛識別精度約為88%。

關鍵詞：視頻車輛檢測；背景差分；虛擬線框

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2015）21-0144-03

The Video Vehicle Detection Based on Improved Background Difference Method

SHEN Hong-yu1， WANG Bo-tao 2， YAN Yue 2

（1. Career Academy， Jiangsu， Jiangsu， Huaian 223300， China； 2.Electronic Information and Control Engineering， Beijing University of Technology， Beijing 100124， China）

Abstract：The collection of real-time traffic data plays a critical role in the intelligent transport system， and video-based detection is an important part in traveler information systems. Background difference method has become common means in real-time motion detection because of its flexibility and veracity. Traditional background difference method is mainly based on 2-dimensional image processing， especially on image division and vehicle tracking. Improved the traditional background difference method， an algorithm of vehicle detection which is based on virtual frame is proposed in the paper. The main idea of this algorithm is based on the lane， each lane can have two virtual-frame to detect its traffic parameters. Each virtual-frames output signals mainly derive from the background difference. This method is only processing small area within virtual-frame and avoiding vehicle tracking in 2-dimensional image， hence the time cost of calculation and the computation burthen is reduced. The experiment tells us that the speed of the algorithm is 25 fps， the precision is about 88%.

Key words： video vehicle detection； background difference method； virtual frame

隨著社會經濟的不斷發(fā)展，公路交通量持續(xù)增長，交通擁擠和阻塞現(xiàn)象日益嚴重，同時帶來的交通污染與交通事故也越來越引起社會的普遍關注， 交通運輸已經成為國民經濟和現(xiàn)代社會發(fā)展的關鍵因素之一。由信息技術、通訊傳輸技術、自動控制技術以及計算機處理技術等高新技術組成的智能交通系統(tǒng)ITS（Intelligent Transport System）是解決交通擁堵難題的一條有效出路。它借助電子、通信、計算機、人工智能、數(shù)據庫、運籌規(guī)劃等先進的技術手段得到和提供道路交通的全方位信息，從而低成本、高效率地對公路交通實現(xiàn)科學的管理，達到高效合理地利用道路交通資源、及時測報和防范交通隱患、促進交通管理、城市安全的現(xiàn)代化的目的。

交通信息包括交通事件（交通事故、闖紅燈等）和交通流量、車道占有率、行程時間等交通參數(shù)和道路擁擠程度等信息，其中車速、車輛駛向等參數(shù)在交通信息檢測中起著至關重要的作用。在車輛信息檢測中，人工測量方法只適用于作短期內的調查，不適用于實時交通控制和交通流的誘導。因此，就需要應用自動檢測技術，同時測量多種車輛信息，從而便于對交通的實時監(jiān)測與控制。隨著數(shù)字圖像處理理論的不斷完善、計算機硬件系統(tǒng)的迅速發(fā)展、高速處理芯片和高速大容量存儲芯片的出現(xiàn)與普及，從圖像序列中檢測出運動信息，識別與跟蹤目標成為車輛信息實時檢測技術的主要發(fā)展方向。

車輛實時檢測的方法多種多樣，但其基本原理就是利用運動車輛的某種特征把車輛目標從動態(tài)的圖像序列中提取出來，目前常用的方法有基于背景差分的檢測方法[1-2，7]、基于鄰幀差分的檢測方法[5]、基于檢測窗數(shù)據流的檢測方法[3-4]、基于概率特征分組的檢測方法、基于陰影的檢測方法。背景差分算法在處理運動目標的檢測時較其他方法有著靈活性強、準確度高的優(yōu)點，因而更加利于對動態(tài)的車輛目標進行檢測。

但是，傳統(tǒng)的背景差分算法[1]進行車輛檢測需要對二維圖像進行大面積的目標搜索并識別，這對于視頻車輛的實時檢測導致計算量過大。為準確、實時地進行車輛檢測，本文在參考檢測窗數(shù)據流法思路的基礎上，對傳統(tǒng)的背景差分法進行了改進，提出一種基于虛擬線框的車輛實時檢測方法。該方法通過在各個車道上設置類似于電磁感應線圈的虛擬線框，通過判斷車輛是否觸發(fā)虛擬線框來進行車輛檢測，避免了對圖像進行復雜的圖像分割，從而大大降低了算法的運算量。

以下第二部分中著重介紹基于虛擬線框的車輛檢測算法的設計思想以及利用這種方法進行車輛信息的檢測。第三部分測試該算法的處理速度和精度。最后是結論。

1 車輛檢測算法

1.1 車輛識別算法

本文的算法是以背景差分法[7]為基礎的，背景差分法是一種應用很廣泛的運動目標提取方法，包括差分圖像、圖像分割和目標識別三個部分。差分圖像是指將當前幀圖像與預先提取的背景幀圖像（無目標出現(xiàn)）逐像素差分，對于差分值大于某個閾值的像素二值化為1，差分值小于某個閾值的像素二值化為0；這樣，二值化結果為1的像素所組成的區(qū)域為圖像變化區(qū)域，這就將目標可能出現(xiàn)的區(qū)域從圖像中分割出來了，稱為圖像分割；接著對該區(qū)域內的像素進行目標識別，即判斷區(qū)域內是否存在車輛，目標識別的方法有很多，常用的有邊緣檢測法[1，3，8]、模型匹配法[6]、顏色特征分析法。

傳統(tǒng)的背景差分法[1]是基于彩色圖像的，由于本文的算法無需對車輛的顏色進行判斷，所以車輛的顏色信息為無用信息，因此，在圖像處理過程中，先將圖像的顏色信息濾除，即將彩色圖像轉化為灰度圖像，這樣就能在一定程度上減少算法的計算量。

用背景差分法檢測目標，使用的參考幀（背景幀）的好壞直接關系到檢測的精度。然而，隨著環(huán)境中光線和天氣的不確定的變化，背景圖像也是在不斷變化的，單選取一個固定的背景圖像進行差分肯定會造成較大的誤差，降低算法的準確度。因此，在車輛檢測中，背景幀不是一成不變的，而是需要不斷刷新的[7]。所以，背景提取應當分為背景的初始選取和動態(tài)更新兩個過程，背景初始選取就是在進行實時的視頻車輛檢測之前先預先選取一個沒有目標出現(xiàn)的背景圖像，以后的各個幀就同該背景幀進行差分。背景的動態(tài)更新就是根據當前幀和背景幀兩個圖像，來推導出在沒有車輛通過的情況下當前幀的道路背景圖像，濾除掉所有的車輛、行人，光線，天氣等干擾。背景更新如以下公式（1）所示：

[Bn+1=Bn+Cn+12，ifCn-Bn

上式中，[Bn]、[Bn+1]為第n、n+1幀背景幀灰度，[Cn]為當前幀灰度，若當前幀灰度[Cn]與背景幀灰度[Bn]之間差分絕對值小于閾值時，通過平均法進行背景更新，若大于閾值就保持原背景不變。

但是，如果對整個圖像進行上述的背景更新、差分圖像、圖像分割、目標識別等運算，并且在目標識別的基礎上還要對其進行跟蹤，以提取車輛信息，這對于每秒要處理25幀圖像的系統(tǒng)來說計算量太大，不利于實時處理。這就需要對背景差分算法進行改進，降低其運算量，以達到高效，準確的進行車輛實時檢測的目的。

檢測窗數(shù)據流法[3、4]通過在圖像中有車輛出現(xiàn)的某個區(qū)域設置一個檢測窗，通過對檢測窗內的圖像進行邊緣檢測，當有車輛目標出現(xiàn)在窗口內時，算法就將該目標的邊緣信息提取出來，從而判斷出是否有車輛目標出現(xiàn)。檢測窗的作用就類似電磁線圈，一旦被觸發(fā)就向系統(tǒng)發(fā)出目標出現(xiàn)的信號。檢測窗法只需要對窗口內的圖像進行處理，從而避免了對整幅圖像進行大面積目標搜索。但是，不斷地對窗口內的圖像進行邊緣算子的計算也很難達到預想的效果，并且對于邊緣信息不明顯的車輛線框很難檢測到，因此，僅用檢測窗法進行目標檢測還是存在弊端。

本文在背景差分算法的基礎上，結合檢測窗數(shù)據流法的思想，提出一種基于虛擬線框的視頻車輛檢

測算法。算法的基本思想是：在每個車道上設置虛擬線框，算法僅對虛擬線框內的圖像作背景差分處理，即將當前幀中線框內的像素與背景幀線框內的像素進行差分處理，這樣，就避免了對整個圖像進行復雜的圖像分割，直接對線框內的差分結果做特征分析，本文采用面積分析法，即當目標占用線框總面積的1/2以上時，觸發(fā)虛擬線框，從而得到目標出現(xiàn)的信號。

1.2 車輛目標的跟蹤

如果需要對車輛行駛方向和行駛速度進行檢測，只對車輛目標進行識別是不夠的，必須對車輛目標進行跟蹤，即從連續(xù)的數(shù)幀圖像中提取出車輛的運動軌跡。利用傳統(tǒng)的背景差分算法進行車輛跟蹤計算量是相當大的[1]。國內外的專家們也提出過許多能夠準確進行目標跟蹤的算法，如：基于模型分析的目標跟蹤方法、基于運動估計的目標跟蹤方法[7]、基于邊緣檢測的目標跟蹤算法[8]、基于輪廓匹配的目標跟蹤算法[6]。這些方法都能夠準確對目標進行跟蹤，而且還能夠得到目標車輛的車型，車長，尤其是基于邊緣檢測和基于輪廓匹配的跟蹤算法，它們甚至能直觀的在視頻圖像中將車輛目標鎖定并且在圖像中表現(xiàn)出來。但是，以上算法存在一個通病，那就是算法復雜，對于檢測器的運算速度要求較高。同時，算法的復雜性必然會導致算法的不穩(wěn)定。而利用虛擬線框法進行車輛跟蹤，雖然不能得到車型、車長等信息，但其算法簡單，速度快，在同樣能準確的檢測出車輛的行駛速度和行駛方向的基礎上耗費的硬件資源更少。

圖1 車輛檢測區(qū)域的虛擬線框設置

下面介紹一下虛擬線框法進行車輛目標跟蹤的基本思想。如圖1所示，在整個圖像的感興趣區(qū)域（即車輛檢測區(qū)域）設置兩個虛擬線框，一個線框作為車輛識別線框，用于判斷有無車輛出現(xiàn)，另一個線框作為車輛跟蹤線框，用于進行車輛行駛方向判斷和車速的測量（兩個線框中每個線框都可能作為車輛識別線框，關鍵是看哪個線框先被觸發(fā)）。開始時，對該車道設置的兩個虛擬線框進行目標檢測，若某個線框內出現(xiàn)目標，則該線框成為車輛識別線框，另一個線框為車輛跟蹤線框，并開始計時。當另一個線框也被觸發(fā)，車輛跟蹤結束，停止計時。此時即可輸出車輛行駛方向，并且兩個線框之間的距離（路面上的實際距離）除以計時變量輸出的時間就是車輛行駛的（平均）速度。

2 測試結果及分析

本文分別對不同車型，不同顏色的50輛車的進行檢測。車速車輛定性地劃分為快速、中速、慢速三個部分。本文對每輛車分別檢測5個時段，每個時段檢測25幀圖像，圖像的分辨率為720×576像素，根據實驗中檢測準確的幀數(shù)除以幀數(shù)25得到一輛車在某個時段下的檢測準確率，然后對得到的準確率求平均即可得到一輛車的識別準確率。每個虛擬線框的大小約為150×15像素。實驗結果如表1所示。

經過測試，算法的測試效果還是比較理想的。結論如下：

1）算法對車輛行駛方向檢測效果較好，在處理速度基本達到25幀/秒的情況下檢測準確率約為

88%，對車輛行駛方向的判斷基本準確。

2）在測試過程中，當虛擬線框內在首幀就有車輛出現(xiàn)時，車輛方向檢測出錯。

3）對于車輛顏色與路面相近的情況，算法出錯，出現(xiàn)車輛“斷裂”現(xiàn)象，即在車輛通過虛擬線框過程中出現(xiàn)某幀顯示“無車經過”。

4）在車輛行駛緩慢的情況下，算法準確率明顯下降。

3 結論

獲得各條道路的交通流參數(shù)是對城市交通狀況進行監(jiān)控的前提，同時它又為城市的道路規(guī)劃提供了必要的依據?；谝曨l的交通流檢測方法由于它的種種優(yōu)點目前已經成為了智能交通系統(tǒng)中的一個研究熱點，視頻檢測方法的準確性和實時性是直接影響它實際應用價值的兩個指標。

本文從傳統(tǒng)的背景差分目標檢測算法出發(fā)，探索出一種基于視頻虛擬線框的車輛檢測方法，能有效完成車輛行駛方向檢測、車速測量，取得了較好的效果。

參考文獻：

[1] Bevilacqua A. Vaccari， S. Real time detection of stopped vehicles in traffic scenes[C].IEEE Conference on Advanced Video and Signal Based Surveillance， 2007： 266 -270.

[2] Toshiyuki Yoshida，T.Background differencing technique for image segmentation based on the status of reference pixels[C]. 2004 International Conference on Image Processing，2004， 5： 3487-3490.

[3] Fathy M，Siyal M Y.A window-based image processing technique for quantitative and qualitative analysis of road traffic parameters[J]. IEEE Transactions on Vehicular Technology，1998，47（4）： 1342-1349.

[4] Siyal M Y.A novel multiprocessor system for road traffic applications[C]. 2002 IEEE International Conference on Industrial Technology， 2002（1）： 450-455.

[5] ThakoorN， Gao J. Automatic video object shape extraction and its classification with camera in motion[C]. IEEE International Conference on Image Processing， 2005，3：III-437-40.

[6] 楊建國，尹旭全.基于自適應輪廓匹配的視頻運動車輛檢測和跟蹤[J].西安交通大學學報，2005，39（4）：351-355.

[7] 鄭江濱，張艷寧.視頻監(jiān)視中運動目標的檢測與跟蹤算法[J].系統(tǒng)工程與電子技術，2002，24（10）：34-37.

[8] 王春波，張衛(wèi)東.復雜交通環(huán)境中車輛的視覺檢測[J].上海交通大學學報，2000，34（12）：1680-1682.