張銘璐　何小東

摘要：智能視頻監(jiān)控技術(shù)越來越多的應(yīng)用于交通監(jiān)控管理。本文基于OpenCV技術(shù)從車輛檢測和車輛跟蹤兩方面對車流量的統(tǒng)計算法進(jìn)行研究。以高斯背景更新算法和背景差分算法實現(xiàn)對車輛的檢測與識別，后利用CamShift算法實現(xiàn)對車輛的跟蹤，最后采用質(zhì)心估算法完成對車流量的統(tǒng)計，研究結(jié)果表明上述算法可以對車流量進(jìn)行有效統(tǒng)計，能為交通疏導(dǎo)管理提供有效分析處理數(shù)據(jù)。

關(guān)鍵詞：智能視頻監(jiān)控；高斯背景更新算法；背景差分法；車流量統(tǒng)計

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2016）19-0169-02

1概述

隨著科技的發(fā)展，智能視頻監(jiān)控技術(shù)越來越多的應(yīng)用于城市道路交通，交通監(jiān)控包括對車速的監(jiān)控、車流量和道路狀況的監(jiān)控、車輛異常行駛報警、車型判斷、車牌識別等內(nèi)容，其中車流量統(tǒng)計可以對多車道進(jìn)行車輛計數(shù)和擁塞分析，它能為交通管理者提供大量的有效信息，實現(xiàn)道路智能化調(diào)度，減少擁塞，提高路面的資源利用率。

本文算法就是在Visual C++6.0平臺上使用OpenCV機器視覺處理庫，OpenCV集合了目前一些圖像處理和機器視覺流行算法的C函數(shù)和C++類庫，包括圖像處理、運動分析、模式識別等方面，可以輕松實現(xiàn)物體輪廓跟蹤、圖像的幾何處理圖像特征提取、背景分離等很多操作，能夠降低代碼編寫的復(fù)雜度。

2 車輛檢測

1）背景獲取技術(shù)

在背景差分法和高斯建模方法中都有一步是要得到初始背景圖像，背景提取的精確與否，直接關(guān)系到最終結(jié)果的準(zhǔn)確性。因為背景通常是不斷變化的，所以背景模型不應(yīng)該在一個較長的時間周期內(nèi)固定不變。我們要經(jīng)常性的對背景模型進(jìn)行更新。

本文采用多高斯背景更新算法，分別研究了初始背景生成、背景實時更新等環(huán)節(jié)的特點，總結(jié)了一些有意義的規(guī)律，提出了利用連續(xù)三幀視頻的差別消除運動區(qū)域的方法來構(gòu)建初始背景，對初始階段的背景更新采用較大的閥值，以便快速得到穩(wěn)定干凈的背景，后續(xù)階段采用較小的閥值并采用隔多幀背景更新，達(dá)到減少計算量的目的。

2）車輛檢測

在獲得初始背景后，采用背景差分法來實現(xiàn)對車輛的檢測，背景差分法是常用的運動目標(biāo)檢測方法，它的基本算法過程如圖所示，首先利用公式計算當(dāng)前幀圖像與背景圖像的差，然后再按照公式對差分圖像進(jìn)行二值化處理。

其中，為當(dāng)前幀序列圖像，為背景圖像，而為兩幀圖像的幀差。對進(jìn)行二值化處理，然后進(jìn)行形態(tài)學(xué)濾波及連通性分析等后續(xù)處理，并確定一個閾值，當(dāng)某一連通域的面積大于給定的閾值時，則將其保留并標(biāo)識為運動車輛。

這種差分法檢測物體的優(yōu)點是位置精確、速度快，并且由于在背景提取時加入了背景圖像實時更新機制，可以有效避免由于外界環(huán)境變化所帶來的誤差。

3 車輛跟蹤技術(shù)

本文主要采用CamShift算法對車輛進(jìn)行跟蹤。它是將MeanShift算法擴展到連續(xù)圖像序列（一般都是指視頻圖像序列）形成的。CamShift算法的全稱是"Continuously Apaptive Mean-SHIFT"，它的基本思想是視頻圖像的所有幀作MeanShift運算，并將上一幀的結(jié)果（即Search Window的中心和大小）作為下一幀MeanShift算法的Search Window的初始值，如此迭代下去，就可以實現(xiàn)對車輛的跟蹤。

Camshift算法描述：

其中虛線框內(nèi)就是Camshift算法核心mean shift。Camshift算法計算量小，在簡單背景環(huán)境中能夠取得較好的跟蹤效果，但是在跟蹤之前必須手動選定待跟蹤目標(biāo)。它在目標(biāo)移出視頻范圍時，還會繼續(xù)跟蹤，所以跟蹤目標(biāo)的橢圓會出現(xiàn)不規(guī)則放大，并且偏向一邊。本系統(tǒng)在此基礎(chǔ)上進(jìn)行了判定，使得當(dāng)跟蹤目標(biāo)移出視頻范圍時就不再跟蹤。

4 車流量統(tǒng)計

在要統(tǒng)計路段的合適位置畫出一個基準(zhǔn)矩形框。在之前通過高斯背景更新算法和背景差分算法實現(xiàn)對車輛的檢測與識別，然后對車輛進(jìn)行跟蹤，當(dāng)車輛通過基準(zhǔn)框是，上方的計數(shù)框自動增加一個數(shù)。

通過一個車輛視頻測試車流量統(tǒng)計的準(zhǔn)確性，在單擊車輛統(tǒng)計按鈕時，計數(shù)框初始為0，每當(dāng)有車輛通過這個狹長的矩形框時，計數(shù)框的值就會加1，并且將當(dāng)前車輛在右下角的Picture控件上顯示出來，如圖所示：

我們可以隨時查看該路段通過的車輛數(shù)。

5 總結(jié)

本文采用OpenCV技術(shù)對車輛跟蹤、車流量統(tǒng)計進(jìn)行了研究，并以車輛通過的視頻進(jìn)行了多次測試，能夠?qū)崿F(xiàn)對進(jìn)入某一區(qū)域內(nèi)的車輛進(jìn)行跟蹤，以及單車道車流量的統(tǒng)計。此外，該系統(tǒng)還可以進(jìn)一步優(yōu)化，實現(xiàn)對多車道車流量的統(tǒng)計，從而更好地為交通疏導(dǎo)管理提供有效數(shù)據(jù)。

參考文獻(xiàn)：

[1] 劉瑞禎，于仕琪. OpenCV教程基礎(chǔ)篇[M].北京：航空航天大學(xué)出版社，2008.

[2] 陳勝勇，劉盛.基于OpenCV的計算機視覺技術(shù)實現(xiàn)[M].北京：科學(xué)出版社，2008.

[3] 謝鳳英，趙丹培.Visual C++數(shù)字圖像處理[M].電子工業(yè)出版社，

[4] 王琳.視頻運動目標(biāo)跟蹤中有關(guān)問題的研究[D].西北大學(xué)，2006.

[5] 樓曉艷.智能監(jiān)控系統(tǒng)若干關(guān)鍵技術(shù)的研究和實現(xiàn)[D].浙江：浙江工業(yè)大學(xué)，2005

[6] 常向魁.視頻運動目標(biāo)跟蹤算法研究[D].河南大學(xué)，2007.

[7] 陳磊.視頻圖像中的運動目標(biāo)檢測算法研究[D].湖南大學(xué)，2007.

[8] 楊耿.運動目標(biāo)的圖像識別與跟蹤研究[D].江蘇大學(xué)，2005.

[9] 孟鳳.視頻監(jiān)控系統(tǒng)中運動目標(biāo)檢測與跟蹤算法的研究[D].燕山大學(xué)，2007.

[10] 高浩軍.視頻圖像序列中車輛目標(biāo)的檢測與識別研究[D].揚州大學(xué)，2007.

[11] 徐波.智能交通系統(tǒng)中車輛提取與技術(shù)算法研究[D].大連海事大學(xué)，2006.