肖軍弼 朱風珍 錢志軍 程千才

1(中國石油大學(華東)計算機與通信工程學院 山東 青島 266580)2(中國石油天然氣有限公司規(guī)劃總院 北京 100089)

0 引 言

在當今的石油零售行業(yè)，利用網(wǎng)絡實現(xiàn)電子支付[1-2]的新型支付方式引起了各大石油企業(yè)的關注，通過車牌付款的方式已悄然走進市場。但由于加油站環(huán)境復雜，大多數(shù)情況是在加油機兩側(cè)分別安裝車牌識別攝像頭輔助完成車牌付款。這種實現(xiàn)方式的弊端在于攝像頭的照射范圍較小，拍攝角度較低。當多輛車排隊?？吭谝慌_加油機旁加油時，攝像頭只能識別出最前面車輛的車牌號，并由于前車的遮擋無法識別后面其他車輛的車牌號，造成后面加油車輛自動扣款失敗，因此每一側(cè)的攝像頭只能輔助一輛車完成車牌付款。但傳統(tǒng)的加油站部署情況是在每臺加油機旁地面上標有多個停車位標線(以下簡寫為“加油位”)，可容納多輛車同時進行加油，而當前車牌支付功能卻將原本多輛車同時加油的情況縮短至一輛車，降低了加油效率，在加油高峰期階段，還加劇車輛排隊情況。為解決當前加油站內(nèi)車牌付款功能中車牌識別攝像頭的弊端，需要尋找更合適的車輛信息視頻采集角度，從而實現(xiàn)通過攝像頭輔助一臺加油機周圍的多輛車完成車牌付款。

當前加油站針對每臺加油機的每把油槍設置了唯一編號，油槍提槍后會向后臺服務器發(fā)送交易的詳細信息，包括油槍編號、提槍時間、加油交易編號等信息。若通過監(jiān)控攝像頭獲取到該加油機旁加油車輛的停車數(shù)據(jù)，包括加油位、停車時間、已停車時間、車牌號等信息，根據(jù)油槍編號與車輛所在加油位的對應關系、油槍的提槍時間與車輛的停車時間差值等數(shù)據(jù)關系，可實現(xiàn)車牌號與對應加油交易的匹配，從而輔助同一臺加油機旁的多輛車使用車牌付款功能。因此，在停車數(shù)據(jù)獲取方面，只要能獲取到多輛加油車輛的加油位、停車時間、已停車時間、車牌號等停車數(shù)據(jù)，就可以較容易地提高當前車牌支付功能的加油效率。

本文針對大多數(shù)加油站內(nèi)加油機每側(cè)兩個停車位的部署情況，尋找更有效的車牌數(shù)據(jù)獲取方法。不難發(fā)現(xiàn)，加油站罩棚頂部的攝像頭監(jiān)控范圍更廣，可監(jiān)控一臺加油機的多個加油位。若通過加油機前后兩端罩棚頂部的兩個攝像頭分別監(jiān)控加油機每側(cè)的一個加油位，可實現(xiàn)整體上監(jiān)控一臺加油機左右共四個加油位，從而獲取四輛加油車輛的車牌號數(shù)據(jù)。具體部署情況如圖1所示，左邊攝像頭只需監(jiān)控加油機左邊的兩個停車位，右邊攝像頭監(jiān)控加油機右邊的兩個停車位。

圖1 加油站部署情況

但正因為罩棚頂部攝像頭監(jiān)控范圍更廣，監(jiān)控到的加油機兩側(cè)光線強度差別較大，加油機旁還經(jīng)常出現(xiàn)行人走動以及過往車輛等干擾情況。針對上述情況進行分析，由于當前的數(shù)字圖像處理領域中，車牌識別技術已較為成熟，大傾斜角度下的車牌號也可識別成功[3]，但車輛檢測技術易受光照和噪聲干擾，加油站罩棚內(nèi)部與罩棚邊界的加油位光照強度不同，經(jīng)常出現(xiàn)行人走動、過往車輛等噪聲，無法準確獲取車輛目標。而在停車檢測方面，文獻[4]通過計算車輛與違停區(qū)域的質(zhì)心距離和違停時間長度綜合判斷違停車輛，但車輛在行駛過程中會產(chǎn)生距離不變的情況，因此無法檢測出車輛的停車時間點。文獻[5]通過基于像素時間序列特征的穩(wěn)態(tài)分析法提取停車車輛，文獻[6]通過機器學習的分類方法分析車輛的跟蹤軌跡，從而檢測停車行為。上述兩種算法中，分析每個像素點的變化和通過機器學習訓練分類器都存在較高的運算量，而加油站中檢測停車數(shù)據(jù)需要保證算法的實時性與準確性，因此必需降低算法的運算復雜度。

故本文通過分析加油站罩棚頂部攝像頭獲取的視頻數(shù)據(jù)，提出了一種簡單有效的停車檢測算法。通過改進的背景差分法以及改進的自適應閾值提取算法獲取車輛目標，通過提出的停車檢測算法獲取停車數(shù)據(jù)。

1 停車檢測算法

1.1 車輛檢測

當前通過視頻檢測運動目標的算法主要包括光流法[7]、相鄰幀差法[8]、 背景差分法[9]等。光流法不易受光照變化的影響，但易受噪聲影響，且計算復雜度高，無法滿足檢測的實時性需求。相鄰幀差法主要通過計算相臨幀之間的差異獲取運動目標，運算原理簡單、復雜度低，但檢測結(jié)果大多存在空洞，導致獲取的目標前景不完整[10]。背景差分法相比于上述兩種方法來說，具有運算復雜度低、目標檢測完整等優(yōu)點[11-13]。該方法的核心是獲取穩(wěn)定的背景模型，通過計算當前圖像與背景圖像的差值獲取運動目標。因此，為滿足系統(tǒng)的實時性，本文選用背景差分法計算加油位背景。

1.1.1 背景差分法

假設(x,y)像素點在第k幀圖像中的像素值為Fk(x,y)，該點在背景圖像中的像素值為Gk(x,y)，差值圖像為Dk(x,y)。計算公式如下：

Dk(x,y)=|Fk(x,y)-Gk(x,y)|

(1)

將差值圖像二值化，獲取運動目標，計算公式如下：

(2)

式中：Ok(x,y)是獲取到的前景圖像，當差值Dk(x,y)大于等于設定的閾值T時視為運動點，將Ok(x,y)賦值1。當差值Dk(x,y)小于設定的閾值T時視為背景點，將Ok(x,y)賦值0。最終得到只有黑色和白色的前景圖像，白色區(qū)域為運動目標，黑色區(qū)域為背景部分。

1.1.2 改進的均值背景建模

在加油站中，加油位的背景較為簡單，大多數(shù)情況只受光照緩慢變化的影響，因此本文采用均值法進行背景建模。但由于車輛在加油時停車時間較長，使用該算法會將停車車輛誤判為背景。除此之外，當有行人走動時，計算出的初始背景中容易混入行人殘影。為此，本文針對加油站的特點，在均值背景法的基礎上做了改進，解決了車輛混入背景以及行人殘影的問題，保證了加油位背景的正常更新。具體計算步驟如下：

1) 選取參考背景圖像 首先提取加油位第一幀無車輛圖像作為背景，讀取一幀圖像后，通過背景差分法計算前景圖像。根據(jù)前景目標面積值判斷是否有車輛大面積駛?cè)爰佑臀?若前景圖像的目標面積大于閾值T1則表示有車輛大面積駛?cè)?。當無車輛大面積駛?cè)霑r，將當前幀作為參考背景存儲，直到存儲的圖像幀數(shù)達到一定值N后，計算均值背景。

2) 計算均值背景 根據(jù)存儲的參考背景圖像，通過下式計算均值背景。

(3)

式中：Ik(x,y)為(x,y)像素點在第k幀參考背景中的像素值，N為參考背景的幀數(shù),GN(x,y)為計算得出的均值背景在(x,y)像素點的像素值。

3) 去除殘影 將均值背景與參考背景的每一幀像素值作差并求平均值，獲取殘影圖像，公式如下：

(4)

式中：SN(x,y)為殘影圖像在(x,y)像素點的像素值。獲取殘影圖像后，通過下式計算均值背景GN與殘影圖像SN的差值，獲得初始背景BN。

BN(x,y)=|GN(x,y)-SN(x,y)|

(5)

4) 進行背景更新 讀取背景圖像，通過1.1節(jié)的背景差分法計算Ok(x,y)，并通過下式更新背景:

(6)

式中：θ是背景更新速度參數(shù)，BN(x,y)為更新前的背景，BN+1(x,y)為更新后的背景。由于加油位背景簡單、光線變化緩慢，因此通過大量實驗測試后，此處θ取經(jīng)驗值0.02。

5) 通過改進的自適應閾值算法提取目標前景 (1) Otsu算法。Otsu算法(最大類間方差法)由Otsu(即大津展之) 于 1978 年提出[14]，該算法是一種對圖像進行二值化的高效算法，分割效果較好，適用范圍廣泛。

假設一副灰度圖像I的灰度級為L(即灰度范圍在[0,L-1])，圖像的大小為M×N，ni是灰度級為i的像素點的個數(shù)，根據(jù)下式求像素點出現(xiàn)的概率Pi：

(7)

根據(jù)圖像I的灰度級，設分割閾值k∈[0,L-1]，通過下式分割前景圖像：

(8)

通過下式計算F0和F1的方差：

(9)

(10)

計算出目標與背景之間的類間方差，計算公式如下：

(11)

(12)

通過最佳閾值k分割的前景圖像I即為最佳前景圖像。

(2) 改進的自適應閾值提取算法。在暗光環(huán)境下，當車輛與背景的灰度相近時，通過背景差分算法提取的車輛目標有較多空洞。圖2是亮光和暗光環(huán)境下提取的車輛目標效果圖。

(a) 亮光下的車輛前景(b) 暗光下的車輛前景圖2 亮光與暗光環(huán)境下的車輛目標

因此，為增強暗光環(huán)境下提取出的車輛前景效果，本文將背景差分法與Otsu算法相結(jié)合，提出一種自適應閾值提取算法。

首先，讀取當前幀，設圖像大小為M×N，通過下式計算當前圖像的亮度：

(13)

若S大于閾值T2表示該圖像為亮光圖像，使用背景差分法提取目標前景。若S小于閾值T2表示該圖像為暗光圖像，通過下式計算放大的差值圖像：

D(x,y)=|I(x,y)×t-G(x,y)×t|

(14)

式中：D(x,y)為放大的差值圖像。對D(x,y)通過Otsu算法計算最佳分割閾值k并進行圖像分割，從而獲取較為理想的前景圖像。具體算法流程圖如圖3所示。

圖3 自適應閾值提取目標流程圖

1.2 停車判斷

本文通過分析車輛駛?cè)霑r的前景變化，判斷車輛的停車行為。此方法運算復雜度低，且能有效過濾加油站的各種噪聲干擾。

在每個停車位設置兩條虛擬檢測帶，間隔為375像素，每條檢測帶的高度為10像素，寬度與加油位寬度相等。當一條檢測帶有車輛通過時，檢測帶內(nèi)每一行的像素值都會出現(xiàn)較多的目標點，并且大多連續(xù)，如圖4和圖5所示。

圖4 車輛駛?cè)胍粭l檢測帶

圖5 車輛駛?cè)雰蓷l檢測帶

因此，將每個檢測帶看作有10個元素的一維數(shù)組Z，其中，Z[i](i=0，1，…，9)表示第i+1行的狀態(tài)值。通過下式計算Z的每個元素值：

(15)

式中：Pi是每行檢測帶中1的個數(shù)，T3為判斷閾值。當Z的每個元素值都為1，則表示該檢測帶有車通過，將該檢測帶的狀態(tài)值賦值1。按上述方式監(jiān)控加油位，若兩檢測帶同時檢測出有車輛駛?cè)霑r表示車輛疑似停車。當疑似停車狀態(tài)持續(xù)T4秒后，代表車輛真正停車。

由于不同車輛的車速不完全相同，故不同車輛停車狀態(tài)持續(xù)時間T4不同，因此需要尋找車輛在通過兩檢測帶后到真正停車時所花費的時間規(guī)律。首先獲取加油位內(nèi)第一條檢測帶檢測出車輛時的時間Tstart，并獲取加油位內(nèi)第二條檢測帶檢測出車輛時的時間Tend。經(jīng)實驗測試，由于車輛停車過程中車速越來越慢，所測得的Tend-Tstart的值與T4相等，因此，此處的停車判斷條件為T4≥Tend-Tstart，當滿足此條件時，表示車輛真正停車。

當檢測到車輛停車后，獲取當前時間作為車輛的停車時間點，調(diào)用車牌識別API識別出加油位的車牌號，并記錄車輛已停車時間。

2 實 現(xiàn)

本文的測試環(huán)境為Xeon(R) CPU E3-1226 3.30 GHz，RAM 8 GB，使用Python結(jié)合OpenCV3.4.1軟件平臺。通過實時讀取加油站高清監(jiān)控攝像頭的視頻流，測試車輛的停車檢測效果。在通過背景差分法計算前景圖像時，T=30。在進行均值背景建模時，判斷車輛目標的閾值T1=60 000，參考背景的幀數(shù)N=100。在自適應閾值提取前景時，判斷圖像亮度的閾值T2=30，放大差值圖像的參數(shù)t=2。在停車判別時，T3=150。本文的整個算法流程如圖6所示。

圖6 本文算法流程

3 實驗結(jié)果分析

加油機兩側(cè)的監(jiān)控攝像頭分別獨立獲取加油車輛數(shù)據(jù)，對監(jiān)控范圍內(nèi)的圖像處理程序完全相同。為驗證本文研究方案的具體效果，只選取加油機上方罩棚頂部的一個攝像頭進行實驗測試與分析。在測試的加油站中，由于加油員的人工干預，加油車輛幾乎全部停在前后兩加油位中間進行加油。因此，本文將加油機一側(cè)的兩加油位合并，作為一個加油位進行檢測，共檢測一臺加油機兩側(cè)的四個停車位。攝像頭監(jiān)控區(qū)域如圖7所示。為減少不必要的計算，只截取加油位圖像進行檢測。

圖7 加油站監(jiān)控區(qū)域

通過本文改進的均值背景建模算法計算的初始背景模型與傳統(tǒng)的均值算法得出的背景模型比較如圖8所示，其中，(a)與(b)是行人走動時提取的背景，(c)與(d)是過往車輛經(jīng)過時提取的背景?？梢钥闯鐾ㄟ^本文的改進算法能較好地去除背景中的殘影。

(a) 傳統(tǒng)均值法 (b) 本文改進算法

(c) 傳統(tǒng)均值法 (d) 本文改進算法圖8 背景更新

在車輛檢測模塊，通過圖9可以看出本文改進的自適應閾值提取算法與其他兩種算法相比，能有效提取暗光環(huán)境下的車輛運動目標。

(a) 當前幀(b) 簡單閾值

(c) Otsu算法 (d) 本文算法圖9 車輛檢測

在停車檢測模塊，通過圖10和圖11可以看出，本文停車檢測算法能準確獲取車輛的停車時間。值得注意的是，在圖10中，車輛先駛?cè)爰佑臀磺岸?，后調(diào)整到中間區(qū)域，停車檢測算法依然能準確檢測出停車時間點。

(a) 無車(b) 車輛駛?cè)胛赐＼?/p>

(c) 檢測到停車狀態(tài) (d) 停車加油中圖10 左加油位停車檢測

(a) 無車(b) 車輛駛?cè)胛赐＼?/p>

(c) 檢測到停車狀態(tài) (d) 停車加油中圖11 右加油位停車檢測

對該加油站內(nèi)一臺加油機左右兩側(cè)的4個加油位進行長時間的停車檢測實驗，總共檢測車輛數(shù)235輛，除過往車輛外，實際停車數(shù)228輛，本文系統(tǒng)檢測出的停車數(shù)225輛，檢測出的停車時間點準確的車輛數(shù)223輛，其余2輛車的停車時間點與實際停車時間點左右相差1 s，完整的檢測數(shù)據(jù)如表1所示。

表1 測試結(jié)果統(tǒng)計表

通過實驗結(jié)果可以看出，本文算法能有效檢測出絕大多數(shù)車輛的停車數(shù)據(jù)，并能有效過濾未停車車輛。測試過程中發(fā)現(xiàn)，停車時間點檢測中有2輛車存在1 s左右的誤差，由于停車時間點只作為車輛數(shù)據(jù)匹配的因素之一，較小的誤差不會對加油交易的車輛數(shù)據(jù)匹配造成影響。在車輛停車檢測時存在漏檢的情況,漏檢情況主要是由于車輛排隊加油時，前車加油結(jié)束離開、后來車輛駛?cè)霑r兩車距離過近造成前后車輛粘連情況，系統(tǒng)會誤認為加油車輛還未駛離，因此會漏檢后來的加油車輛。在當前系統(tǒng)實施階段，需要采用人工干預的辦法，保證車主駛?cè)爰佑臀粫r與駛離的前車保持不小于2 m的車距，從而避免出現(xiàn)系統(tǒng)的漏檢情況。同時在加油機旁設置電子顯示屏，顯示已匹配的車牌號與交易信息，使現(xiàn)場人員能夠及時發(fā)現(xiàn)未匹配情況并采用人工付款方式完成付款。而在研究方面，這也是本文檢測算法依然需要完善的地方。

4 結(jié) 語

為獲取加油站內(nèi)停車加油車輛的停車數(shù)據(jù)，本文提出了一種停車實時檢測算法。用背景差分法檢測運動車輛，用改進的均值法計算初始背景，在保證實時性的同時有效去除了行人殘影以及過往車輛等噪聲干擾。通過改進的自適應閾值提取算法，能較完整地提取出暗光環(huán)境下的車輛目標。最后使用停車檢測算法，成功檢測出車輛的停車時間點以及持續(xù)時間，并通過實地測試驗證了本文算法的可行性。