孫維廣 于子鈞

摘 要：對(duì)交通視頻中的車輛計(jì)數(shù)方法進(jìn)行了研究。首先采用背景更新的背景差分法獲得無(wú)運(yùn)動(dòng)目標(biāo)的背景，并采用幀差法檢測(cè)是否存在運(yùn)動(dòng)目標(biāo)，以此作為背景更新的依據(jù)。然后當(dāng)前幀與背景圖像做差值，并進(jìn)行二值化提取運(yùn)動(dòng)目標(biāo)。對(duì)于光線較暗車輛目標(biāo)提取不完整和由于光照產(chǎn)生偽目標(biāo)的情況，采用一種基于虛擬的橫向檢測(cè)線和縱向檢測(cè)線相結(jié)合的檢測(cè)方法計(jì)數(shù)。實(shí)驗(yàn)表明，本方法可較準(zhǔn)確的實(shí)現(xiàn)車輛計(jì)數(shù)，并有較好的實(shí)時(shí)性。

關(guān)鍵詞：背景差分；二值化；車輛計(jì)數(shù)；虛擬檢測(cè)線

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2018）24-0118-04

Abstract： The vehicle counting method in traffic video is studied in this paper. Firstly， background subtraction method of background updating is used to obtain the background without moving objects， and frame difference method is used to detect the existence of moving objects， which is used as the basis of background updating. Then the difference between the current frame and the background image is done， and the moving object is extracted by binarization. In the case of incomplete extraction of dim vehicle targets and false targets due to illumination， a detection method based on the combination of horizontal detection lines and longitudinal detection lines is used to count the targets. The experiment results show that the method can realize vehicle counting accurately and has better real-time performance.

Keywords： background subtraction； binarization； vehicle counting； virtual detection line

1 概述

基于計(jì)算機(jī)視覺(jué)的車輛計(jì)數(shù)在智能交通領(lǐng)域有著重要的應(yīng)用價(jià)值，它可以作為相關(guān)部門(mén)的依據(jù)和參考，進(jìn)行更加科學(xué)有效的交通規(guī)劃和管理。例如，可以根據(jù)車流量等信息智能控制交通燈的持續(xù)時(shí)間，提高通行效率；可以對(duì)交通堵塞情況做出評(píng)估并預(yù)警等。為實(shí)現(xiàn)對(duì)車輛的準(zhǔn)確計(jì)數(shù)，首先要將車輛較完整的檢測(cè)出來(lái)，本文采用背景更新的背景差分法進(jìn)行目標(biāo)提取，然后根據(jù)目標(biāo)的長(zhǎng)度和寬度信息，采用一種基于橫向檢測(cè)線和縱向檢測(cè)線相結(jié)合的方法進(jìn)行車輛計(jì)數(shù)。

2 運(yùn)動(dòng)目標(biāo)檢測(cè)

基于運(yùn)動(dòng)分析的目標(biāo)檢測(cè)方法主要有光流場(chǎng)估計(jì)法，幀間差分法，背景差分法。光流場(chǎng)估計(jì)法的缺點(diǎn)是計(jì)算復(fù)雜度高，實(shí)時(shí)性差；幀間差分法的缺點(diǎn)是檢測(cè)到的目標(biāo)內(nèi)部容易產(chǎn)生較大的空洞，不利于后續(xù)根據(jù)目標(biāo)寬度、高度信息識(shí)別車輛進(jìn)行計(jì)數(shù)；背景差分法的缺點(diǎn)是對(duì)光照和其它運(yùn)動(dòng)目標(biāo)的干擾比較敏感[1]。由于路面背景比較單一，本文選取的路段出現(xiàn)的目標(biāo)以機(jī)動(dòng)車和少量非機(jī)動(dòng)車為主，其它運(yùn)動(dòng)目標(biāo)較少，因此可以采用背景差分法進(jìn)行目標(biāo)檢測(cè)。

2.1 背景差分

背景差分法一般能夠得到較完整的運(yùn)動(dòng)目標(biāo)，但背景對(duì)光照和場(chǎng)景的變化比較敏感，因此需要對(duì)背景進(jìn)行更新[2]。背景更新公式為

B（k+1）=（1-？琢）B（k）+？琢I（k） （1）

I（k）表示當(dāng)前輸入圖像，B（k+1）表示累加的圖像數(shù)據(jù)，用來(lái)做背景。這里α為較小的值，用來(lái)調(diào)節(jié)背景更新速率。用當(dāng)前輸入圖像I（k）與背景B（k）做差后，再對(duì)其進(jìn)行二值化處理，運(yùn)動(dòng)區(qū)域就被提取出來(lái)。但當(dāng)場(chǎng)景中車輛由運(yùn)動(dòng)轉(zhuǎn)為靜止時(shí)，比如，紅燈停車時(shí)，此車輛會(huì)被計(jì)入背景，當(dāng)綠燈亮?xí)r，車輛開(kāi)走，此時(shí)運(yùn)用背景差分法會(huì)提取出偽目標(biāo)。文獻(xiàn)[3]采用了定時(shí)更新背景模型與實(shí)時(shí)更新背景模型結(jié)合方法獲得背景。通過(guò)判斷是否存在運(yùn)動(dòng)目標(biāo)來(lái)決定是否更新背景。本文也采用類似的方法進(jìn)行背景更新。通過(guò)計(jì)算相鄰幀或隔幀像素的變化來(lái)判斷是否存在運(yùn)動(dòng)目標(biāo)，并設(shè)定一個(gè)像素變化的閾值。為了避免干擾并減小計(jì)算量，計(jì)算區(qū)域選在檢車線附近，如果此區(qū)域無(wú)運(yùn)動(dòng)車輛，即差值圖像像素?zé)o滿足閾值條件的變化，當(dāng)前幀圖像不計(jì)入背景，反之則計(jì)入背景。圖1為計(jì)算差值的視頻區(qū)域，圖2為相鄰幀做差值并二值化的效果，可見(jiàn)運(yùn)動(dòng)的車輛被檢測(cè)出來(lái)，而靜止的車輛并不會(huì)被檢測(cè)到。圖3為背景更新效果圖，場(chǎng)景內(nèi)沒(méi)有運(yùn)動(dòng)目標(biāo)。

2.2 二值化

當(dāng)前幀與背景做差后再對(duì)圖像進(jìn)行二值化處理，目標(biāo)就被提取出來(lái)。當(dāng)車輛灰度值與地面接近時(shí)，如果二值化閾值選取過(guò)高，則不能較完整地檢測(cè)車輛目標(biāo)，但過(guò)低的閾值會(huì)產(chǎn)生噪聲，還會(huì)使陰影、地面反光等干擾增強(qiáng)。因此，合理的閾值選取對(duì)于后續(xù)車輛檢測(cè)具有重要意義。本文根據(jù)背景圖像的灰度值來(lái)獲知場(chǎng)景光線情況，以此來(lái)確定二值化閾值。當(dāng)白天陽(yáng)光較好時(shí)，選取較大閾值，天色變暗時(shí)選取較低閾值。圖4、5為天色變暗時(shí)采用15作為二值化閾值的效果圖，圖7為陽(yáng)光充足時(shí)采用25作為閾值時(shí)的效果。

2.3 形態(tài)學(xué)處理

當(dāng)目標(biāo)與地面灰度值接近時(shí)，二值化后的圖像會(huì)出現(xiàn)較多的孔洞，可能會(huì)導(dǎo)致后續(xù)車輛計(jì)數(shù)錯(cuò)誤。本文利用形態(tài)學(xué)處理的方法消除較小的孔洞。首先對(duì)二值化后的圖像進(jìn)行膨脹操作，填充較小的孔洞，但這會(huì)使目標(biāo)變大，因此還要進(jìn)行腐蝕操作，恢復(fù)目標(biāo)的原始尺寸。

3 車輛計(jì)數(shù)

目前，基于計(jì)算機(jī)視覺(jué)的車流量檢測(cè)主要有虛擬檢測(cè)線法[4]和目標(biāo)跟蹤法[5]。其中基于虛擬檢測(cè)線的方法準(zhǔn)確率較高且易于實(shí)現(xiàn)，其原理是：當(dāng)車輛進(jìn)入和離開(kāi)橫向檢測(cè)線時(shí)，橫向檢測(cè)線上的像素值為較高值和較低值的交替變化，當(dāng)橫向檢車線出現(xiàn)高像素值到低像素值的跳變時(shí)，車輛計(jì)數(shù)值加一。文獻(xiàn)[6]、[7]的方法對(duì)于白天光線較好的情況效果較好。但當(dāng)天色較暗且車輛顏色與背景接近時(shí)，可能會(huì)出現(xiàn)目標(biāo)二值圖像有空洞或斷裂情況的情況，如圖5方框區(qū)域所示。其在橫向檢測(cè)線上像素值隨視頻幀數(shù)會(huì)出現(xiàn)高低值交替變化，示意圖如圖6所示。另外，陽(yáng)光直射到車后部時(shí)，地面的反光會(huì)導(dǎo)致二值圖出現(xiàn)拖尾現(xiàn)象，如圖7方框區(qū)域所示。這兩種情況都可能會(huì)導(dǎo)致重復(fù)計(jì)數(shù)。因此，為了提高計(jì)數(shù)準(zhǔn)確率，本文采用一種基于橫向檢測(cè)線和縱向檢測(cè)線相結(jié)合的車輛檢測(cè)方法進(jìn)行計(jì)數(shù)。即在待檢測(cè)車道上設(shè)置一個(gè)虛擬的橫向檢測(cè)線和縱向檢測(cè)線，如圖8所示。本文僅以右側(cè)的兩個(gè)車道為例來(lái)進(jìn)行計(jì)數(shù)研究。

對(duì)于橫向檢測(cè)線上高像素值的判斷，本文采用的方法是：首先在橫向檢測(cè)線上取高度為4像素左右的矩形，向x軸做累加和求均值；再向y軸做累加和求均值，并設(shè)定閾值，如果滿足則認(rèn)為在橫向檢測(cè)線上出現(xiàn)了車輛。此閾值應(yīng)根據(jù)目標(biāo)寬度和橫向檢測(cè)線長(zhǎng)度來(lái)確定。對(duì)于圖5和圖7的情形，本文的計(jì)數(shù)方法是：

（1）當(dāng)橫向檢測(cè)線上出現(xiàn)了從高到低的像素值變化時(shí)，在縱向檢測(cè)線上計(jì)算目標(biāo)長(zhǎng)度，如果目標(biāo)長(zhǎng)度超過(guò)閾值，計(jì)數(shù)值加一；如果目標(biāo)長(zhǎng)度小于閾值，且與上一目標(biāo)離開(kāi)橫向檢測(cè)線時(shí)間間隔滿足條件，則保留長(zhǎng)度值，但不計(jì)數(shù)。

（2）讀取后續(xù)幀，當(dāng)橫向檢測(cè)線上再次出現(xiàn)高低像素變化時(shí)，計(jì)算目標(biāo)長(zhǎng)度，如果大于閾值，計(jì)數(shù)值加一，上次保留的小目標(biāo)長(zhǎng)度丟棄；如果小于閾值，且與上一目標(biāo)離開(kāi)橫向檢測(cè)線的時(shí)間間隔滿足條件，則加上上次保留的小目標(biāo)長(zhǎng)度，如果長(zhǎng)度仍然小于閾值，則繼續(xù)執(zhí)行步驟（2）。

處理結(jié)果如圖9-圖12所示，圖9、10顯示左車道計(jì)數(shù)值由20增加到了21，其對(duì)應(yīng)的二值圖像為圖5；圖11、12的右車道計(jì)數(shù)值由8增加到了9，其對(duì)應(yīng)的二值圖為圖7?？梢?jiàn)，實(shí)現(xiàn)了正確計(jì)數(shù)。本文對(duì)同一路段采集的視頻進(jìn)行了車輛計(jì)數(shù)統(tǒng)計(jì)，如表1所示。準(zhǔn)確率達(dá)到了94%以上。

基于檢測(cè)線的車輛計(jì)數(shù)的特點(diǎn)是可以計(jì)算出一段時(shí)間內(nèi)通過(guò)此檢測(cè)線的車輛數(shù)目，要求檢測(cè)線上能出現(xiàn)高低像素的變化。如果交通擁堵，車速較慢時(shí)，會(huì)出現(xiàn)車輛首尾粘連的排隊(duì)情況。此時(shí)，橫向檢測(cè)線的位置選取及相機(jī)的角度將對(duì)計(jì)數(shù)結(jié)果產(chǎn)生較大影響。對(duì)于本文相機(jī)的位置和角度，橫向檢測(cè)線選取在圖像偏下方，即車輛剛進(jìn)入監(jiān)控區(qū)域的位置效果較好。

另外，如果要計(jì)算正在排隊(duì)的車輛數(shù)目，可以向縱向做投影計(jì)算車隊(duì)長(zhǎng)度。對(duì)于固定場(chǎng)景，精度要求不高的情況下，可根據(jù)車隊(duì)的長(zhǎng)度估算出此時(shí)排隊(duì)車輛的數(shù)目。

4 結(jié)束語(yǔ)

對(duì)交通視頻中的車輛計(jì)數(shù)進(jìn)行了研究，并針對(duì)天色變暗導(dǎo)致的車輛目標(biāo)提取不完整和由于光照產(chǎn)生偽目標(biāo)的情況提出了解決辦法。并利用VC++和OpenCV庫(kù)進(jìn)行了編程實(shí)驗(yàn)，結(jié)果表明本方法能夠?qū)崟r(shí)有效的對(duì)車輛計(jì)數(shù)。但當(dāng)車速較慢，會(huì)出現(xiàn)多輛車輛粘連的情況；車輛變道時(shí)，車輛處于兩條橫向檢測(cè)線中間，都會(huì)影響計(jì)數(shù)的準(zhǔn)確性。另外，雨雪天氣、光線等因素，都會(huì)影響目標(biāo)檢測(cè)效果，可能會(huì)導(dǎo)致計(jì)算錯(cuò)誤。因此，要適應(yīng)更復(fù)雜的情況需要做進(jìn)一步的研究。

參考文獻(xiàn)：

[1]郝菲.智能監(jiān)控系統(tǒng)中運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤的研究[D].北京：北京交通大學(xué)，2009，6：13-15.

[2]Dr Alan M. Mclvor. Background Subtraction Techniques[J]. IVCNZ00， Hamilton， NewZealand， 2000.

[3]楊大勇，楊建華，等.基于動(dòng)態(tài)閾值的核密度估計(jì)前景檢測(cè)算法[J].計(jì)算機(jī)應(yīng)用，2015，35（7）：2033-2038.

[4]常志國(guó)，李晶，等.基于視頻的車流量統(tǒng)計(jì)算法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2016，25（7）：187-191.

[5]唐雨操.基于車輛識(shí)別的車輛追蹤與計(jì)數(shù)[J].信息與電腦，2016，13：97-98.

[6]張韜.基于視頻的車流量檢測(cè)建模與分析[J].計(jì)算機(jī)與數(shù)字工程，2014，6（42）：1075-1078.

[7]楊昌瑞.基于視頻圖像的車輛計(jì)數(shù)新方法[J].公路工程，2015，40（3）：250-252.