曹鑫勝，韓一德

(1.山西省交通信息通信公司，山西 太原 030006；2.青海省高等級(jí)公路建設(shè)管理局，青海 西寧 810008)

1 研究背景與研究現(xiàn)狀

2015年，全國高速公路里程快速增長(zhǎng)，總里程已經(jīng)達(dá)到11.7萬公里，位居世界第一。經(jīng)過兩年的快速發(fā)展，全國高速公路每年新增5000多公里的里程，到2017年我國高速公路總程突破13萬公里。在高速建設(shè)取得喜人成績(jī)的同時(shí)，中國的汽車和駕駛員的數(shù)量也在突飛猛進(jìn)。2015年，小型載客汽車達(dá)1.36億輛，較2014年增長(zhǎng)18%，私家車數(shù)據(jù)也逐年遞增，到2017年底，全國擁有私家車的家庭數(shù)量已達(dá)到4億多戶，相當(dāng)于每三個(gè)家庭中就有一個(gè)家庭擁有一輛私家汽車，與此同時(shí)駕駛員人數(shù)也在快速增長(zhǎng)。高速公路里程和機(jī)動(dòng)車駕駛?cè)藛T的迅速增長(zhǎng)，在給人們生活帶來方便的同時(shí)，也激發(fā)了高速公路管理方的管理需求，如果對(duì)高速公路上的交通流量進(jìn)行很好地監(jiān)測(cè)，從而為人們提供很好的交通信息，正在成為高速公路管理方越來越關(guān)心的問題。

交通狀況的分析其中很重要的一項(xiàng)內(nèi)容是對(duì)交通流參數(shù)的檢測(cè)，通過檢測(cè)交通流量，不僅可以為高速公路管理方日常運(yùn)營(yíng)管理提供支持，也是交通流理論研究、交通管理政策制定的重要依據(jù)。只有快速地采集、傳輸、利用交通信息，了解道路交通的運(yùn)行狀況，才能根據(jù)不同狀況，迅速采取應(yīng)對(duì)措施。交通流參數(shù)檢測(cè)技術(shù)主要包括環(huán)形線圈檢測(cè)、超聲波檢測(cè)、視頻檢測(cè)等。相比之下，視頻檢測(cè)具有明顯優(yōu)勢(shì)，易于安裝、維護(hù)方便、費(fèi)用低、檢測(cè)范圍廣、信號(hào)能用多種方式傳輸、可以綜合分析不同區(qū)域的信息，且滿足實(shí)時(shí)要求。

國內(nèi)外有很多關(guān)于通過視頻來檢測(cè)交通流的研究，比如美國的教授Kofler，采用基于輪廓的方法來描述運(yùn)動(dòng)中的汽車，而Beymer教授則采用提取出角點(diǎn)特征來描述運(yùn)動(dòng)中的物體[1，2]，上海交通大學(xué)的專家們則將攝像機(jī)標(biāo)定技術(shù)應(yīng)用于交通流參數(shù)等。除此之外，基于視頻的檢測(cè)方法主要包括均值法、中值法、幀間差分法、單高斯模型、混合高斯模型、自適應(yīng)混合高斯模型等等。

但部分算法存在一定的問題，如復(fù)雜度高，不適于實(shí)時(shí)交通流檢測(cè)；標(biāo)定過程復(fù)雜，不適用于多個(gè)外場(chǎng)攝像機(jī)；精確度不夠高等，具體情況如表1[3,4]。

表1 前景檢測(cè)算法比較

從表1 可以看出，混合高斯模型與自適應(yīng)混合高斯模型的精確度要遠(yuǎn)高于其他算法。尤其值得一提的是，由于混合高斯模型對(duì)于微小重復(fù)運(yùn)動(dòng)的場(chǎng)景特別有效，比如樹葉的搖動(dòng)、風(fēng)扇在旋轉(zhuǎn)、光線反射等情況，使得該模型可以廣泛應(yīng)用在復(fù)雜的視頻背景下建模。另外，基于像素的混合高斯模型能適應(yīng)背景的微小變化，比如光線的逐漸改變，且算法的計(jì)算速度較快，因此在工程應(yīng)用中有很好的適應(yīng)性。

2 混合高斯模型介紹

2.1 交通流參數(shù)檢測(cè)中相關(guān)概念

2.1.1 背景與前景

交通流參數(shù)檢測(cè)，就是對(duì)高速公路中正在行駛的汽車或其他運(yùn)動(dòng)物體的檢測(cè)，因此統(tǒng)稱對(duì)運(yùn)動(dòng)物體的目標(biāo)檢測(cè)。對(duì)運(yùn)動(dòng)目標(biāo)參數(shù)提取的過程中，最重要的就是將背景和運(yùn)動(dòng)的目標(biāo)進(jìn)行區(qū)別，同時(shí)識(shí)別出運(yùn)動(dòng)目標(biāo)。而交通流參數(shù)檢測(cè)模型構(gòu)建的過程，是背景目標(biāo)提取的一個(gè)重要環(huán)節(jié)。前景是指在假設(shè)背景為靜止的情況下，任何有意義的運(yùn)動(dòng)物體即為前景。

由于高速公路交通流參數(shù)檢測(cè)時(shí)，背景的特征在一段時(shí)間內(nèi)變化不大，因此可認(rèn)為在短時(shí)間內(nèi)，背景的像素點(diǎn)服從高斯分布。當(dāng)然，在工程應(yīng)用中，背景也會(huì)發(fā)生微小的變化，比如光線反射、樹葉的搖動(dòng)、風(fēng)扇在旋轉(zhuǎn)，因此背景像素點(diǎn)不會(huì)呈現(xiàn)純高斯分布的現(xiàn)象，而是出現(xiàn)雙峰或多峰，因此必須采用混合高速分布的方式來建模，從而降低干擾。

2.1.2 運(yùn)動(dòng)物體檢測(cè)

在進(jìn)行運(yùn)動(dòng)物體檢測(cè)時(shí)，根據(jù)攝像機(jī)是否固定分成兩種情況，一是攝像機(jī)固定時(shí)的檢測(cè)，另一個(gè)是攝像機(jī)移動(dòng)時(shí)的檢測(cè)。根據(jù)行業(yè)內(nèi)通用的處理方案，攝像機(jī)移動(dòng)時(shí)，使用光流法能很好地解決運(yùn)動(dòng)物體檢測(cè)的問題。光流法是指通過一個(gè)圖像序列中的圖像亮度模式來捕捉運(yùn)動(dòng)目標(biāo)，即空間物體表面上的點(diǎn)的運(yùn)動(dòng)速度在視覺傳感器的成像平面上的表達(dá)[5]。

對(duì)于攝像機(jī)固定的運(yùn)動(dòng)物體檢測(cè)，也可以采用光流法，但由于該方法計(jì)算比較復(fù)雜，因此很難滿足工程中實(shí)時(shí)性的要求。大量的研究表明，使用混合高斯模型，可以有效地適應(yīng)攝像機(jī)固定的運(yùn)動(dòng)物體檢測(cè)情況。因?yàn)樵跀z像機(jī)固定時(shí)，背景的變化是緩慢的，而且大多都是一些光線反射、微風(fēng)吹過等微小的變化，這種場(chǎng)景特別適合使用混合高斯模型來建模，從而在圖像序列中快速地分離出背景和前景，從而達(dá)到運(yùn)動(dòng)物體檢測(cè)的目的。

2.2 傳統(tǒng)混合高斯模型

根據(jù)表1，混合高速模型經(jīng)常用于進(jìn)行運(yùn)動(dòng)物體的檢測(cè)，但在工程應(yīng)用中，該建模方法也存在一些不好解決的問題

1) 當(dāng)運(yùn)動(dòng)物體在當(dāng)前圖像中停止不動(dòng)，或長(zhǎng)時(shí)間停止不動(dòng)時(shí)，該模型會(huì)失效，而這一點(diǎn)在高速公路領(lǐng)域經(jīng)常發(fā)生，也就是交通擁堵現(xiàn)象；

2) 在高速公路上，經(jīng)常會(huì)有大量的緩慢行駛的車輛，特別是接近市區(qū)的時(shí)候，而對(duì)于這種情況混合高斯模型無法適應(yīng)，它只能檢測(cè)到汽車的部分輪廓，無法提取出完整的目標(biāo)；

3) 當(dāng)大量緩慢行駛的車輛從慢速轉(zhuǎn)變?yōu)檫\(yùn)動(dòng)時(shí)，該算法會(huì)出現(xiàn)“影子”現(xiàn)象，即將背景區(qū)域檢測(cè)為前景。

2.3 自適應(yīng)混合高斯模型

基于以上問題我們選擇了自適應(yīng)混合高斯模型算法，它的主要思想是將混合高斯模型中的模型個(gè)數(shù)改進(jìn)為自適應(yīng)的，能滿足不同情況下所需要的高斯核。

1) 用第一幀圖像對(duì)高斯混合模型進(jìn)行初始化：

(1)

2) 對(duì)于t時(shí)刻的像素It(x,y)，分別與已經(jīng)存在的M個(gè)高斯模型一次進(jìn)行匹配：

|It(x,y)-μi,t-1(x-y)|<2.5σi,t-1.

(2)

4) 未匹配模式的均值和方差不變，對(duì)匹配模式的第i個(gè)高斯模型參數(shù)進(jìn)行更新：

(3)

(4)

6) 繼續(xù)對(duì)It(x,y)與上述各高斯模型進(jìn)行匹配檢驗(yàn)，如果It(x,y)與前B個(gè)高斯模型的任意一個(gè)匹配，則改像素點(diǎn)為背景點(diǎn)；否則為前景點(diǎn)。

7) 重復(fù)步驟2)～6)，直到視頻結(jié)束。

自適應(yīng)選擇高斯分布的個(gè)數(shù)是每隔N幀，對(duì)高斯分布進(jìn)行一次掃描。檢查所有高斯分布的權(quán)重，如果某個(gè)高斯分布同時(shí)滿足下式：

ωi,t<ωinit
(ωi,t/σi,t)<(ωinit/σinit).

(5)

則將該高斯分布判定為多余的高斯分布，并刪除該高斯分布。最終得到需要的自適應(yīng)混合高斯分布模型。

3 交通流參數(shù)獲取方法

3.1 基于模擬線圈法的高速交通流量獲取

完成自適應(yīng)高斯混合模型構(gòu)建之后，則需要利用虛擬線圈法來對(duì)車輛運(yùn)動(dòng)進(jìn)行檢測(cè)。

在算法中，是統(tǒng)計(jì)虛擬線圈中前景像素的個(gè)數(shù)來確定車輛是否在虛擬線圈中的。也就是該方法對(duì)圖像特征描述是利用對(duì)圖像中的灰度跳變的統(tǒng)計(jì)來進(jìn)行的，其意義是很清晰明了、而且計(jì)算起來也不會(huì)復(fù)雜，可以只對(duì)部分統(tǒng)計(jì)檢測(cè)區(qū)域即可得到相關(guān)的結(jié)果，并且取得的實(shí)驗(yàn)效果也是相當(dāng)好的。

把虛擬線圈設(shè)置到視頻圖像當(dāng)中進(jìn)行車輛檢測(cè)與識(shí)別技術(shù)就是虛擬線圈檢測(cè)法，其基本實(shí)現(xiàn)方法與使用物理線圈的檢測(cè)方法相類似，具體效果如圖1。

3.2 其他交通流參數(shù)計(jì)算方法介紹

1) 速度：設(shè)兩個(gè)虛擬線圈，并且已知線圈的實(shí)際間隔距離，通過經(jīng)過兩個(gè)線圈的時(shí)間差，即可計(jì)算出該車速度。

(6)

2) 占有率：本算法是計(jì)算五分鐘內(nèi)的時(shí)間占有率，在車量經(jīng)過虛擬線圈的每個(gè)時(shí)刻都會(huì)記錄下來。則占有率可由以下公式得到：

(6)

3) 車頭時(shí)距：我們定義了車時(shí)矩指的是：前車的車尾過虛擬線圈到后車的車頭過虛擬線圈所需的時(shí)間間隔。因此，相應(yīng)的在計(jì)算車頭過虛擬線圈，為防止把噪聲認(rèn)為是車頭經(jīng)過，加了一個(gè)閾值，連續(xù)兩幀都經(jīng)過，且剛過去的第四幀沒有車輛經(jīng)過，即視為車頭經(jīng)過。

4) 車頭間距：由于實(shí)際情況我們的鏡頭是不動(dòng)的，因此，不一定能捕捉到一輛車和另一輛車的絕對(duì)位置的圖像。因此，我們假設(shè)車輛的速度是穩(wěn)定的。通過得到的后車與前車的車時(shí)距，與前車的速度，得到我們最終大致的車間距。

distance=vlast×Δt.

(8)

圖1 虛擬線圈設(shè)置演示

4 交通流參數(shù)實(shí)驗(yàn)結(jié)果展示

交通參數(shù)算法指標(biāo)中，我們著重于將指標(biāo)集中于車流量這一個(gè)參數(shù)，其余的參數(shù)主要和實(shí)際情況相符即可，即基本無與實(shí)際情況不符數(shù)據(jù)。我們選擇了一個(gè)視頻進(jìn)行實(shí)驗(yàn)測(cè)試算法性能，視頻都沒有給定的準(zhǔn)確車流量以及其他信息，故我們統(tǒng)計(jì)了整個(gè)視頻每3分鐘每條車道為一單元的車流量，以此得到每條車道三分鐘車流量的準(zhǔn)確率。所得到的平均準(zhǔn)確率即為算法得到的AA準(zhǔn)確率指標(biāo)。如下面式子所示：

(9)

由此得到的車流量的數(shù)值與準(zhǔn)確率部分情況如表2。

表2 車流量統(tǒng)計(jì)準(zhǔn)確率

通過得到的流量結(jié)果，按照其他交通流參數(shù)計(jì)算方法，可以得到其他交通流參數(shù)隨時(shí)間的變化情況，如圖2所示。

圖2 其他交通流參數(shù)變化情況

5 總結(jié)與展望

本文介紹了基于固定視頻圖像的高速公路交通流參數(shù)檢測(cè)研究，包括車輛檢測(cè)方法以及交通流參數(shù)相關(guān)計(jì)算方法?；趫D像處理的視頻車輛檢測(cè)方法與其他車輛檢測(cè)方法相比，具有直觀、可監(jiān)視范圍廣、交通參數(shù)種類多以及費(fèi)用低等優(yōu)點(diǎn)，可廣泛使用于高速道路、匝道的交通監(jiān)控系統(tǒng)之中。