薛飛楊 巨永鋒 宋永超 杜凱 劉維宇

摘 ?要： 針對現(xiàn)有交通狀態(tài)檢測算法無法適應(yīng)城市道路復(fù)雜交通的問題，提出一種新的基于Haar?like和時空信息的交通狀態(tài)區(qū)域提取算法。該算法首先采用基于Haar?like特征的車輛檢測算法、邊緣檢測法和幀差法分別提取路面車輛、空域紋理和時域紋理的三種信號;然后將提取到的三種信號進(jìn)行統(tǒng)計分析，獲得準(zhǔn)確的交通狀態(tài)區(qū)域。將該算法與基于車輛檢測的交通狀態(tài)檢測算法和基于幀差法的交通狀態(tài)檢測算法在遠(yuǎn)距離小目標(biāo)、遮擋車輛和混合交通的復(fù)雜交通場景中進(jìn)行對比實驗。實驗結(jié)果表明，該算法在這些復(fù)雜交通場景中準(zhǔn)確率平均達(dá)90.98%。

關(guān)鍵詞： 交通狀態(tài)檢測; 擁堵檢測; 車輛檢測算法; 空域紋理; 時域紋理; 信號分析

中圖分類號： TN911.72?34; TP391.41; U491.265 ? ? ? ? ?文獻(xiàn)標(biāo)識碼： A ? ? ? ? 文章編號： 1004?373X（2020）01?0080?06

Regional traffic state detection based on Haar?like features and

spatial?temporal information

XUE Feiyang， JU Yongfeng， SONG Yongchao， DU Kai， LIU Weiyu

Abstract： In view of the fact that the existing traffic state detection algorithm fails to cope with the complex traffic on urban roads， a new regional traffic state extraction algorithm based on Haar?like features and spatial?temporal information is proposed. Firstly， the vehicle detection algorithm based on Haar?like features， the edge detection method and the frame difference method are used to extract three kinds of signals of vehicles on the pavement， spatial texture and temporal texture respectively. Secondly， the three extracted signals are statistically analyzed to obtain the accurate traffic status area. The algorithm is compared with the traffic state detection algorithm based on vehicle detection and the traffic state detection algorithm on frame difference method in the complex traffic scenes with remote small targets， invisible vehicles and mixed traffic. The experimental results show that the algorithm has an accuracy rate of 90.98% in these complex traffic scenes.

Keywords： traffic state detection; congestion detection; vehicle detection algorithm; spatial texture; temporal texture; signal analysis

0 ?引 ?言

交通狀態(tài)檢測一般采用道路擁擠等級[1?2]作為道路交通狀態(tài)的區(qū)分標(biāo)準(zhǔn)。但一方面，城市道路的交通狀態(tài)兼具復(fù)雜性和多變性，因此需要對城市道路交通進(jìn)行局部細(xì)分的區(qū)域性檢測;另一方面，非機(jī)動車等交通對象的借道穿行造成混合交通[3]現(xiàn)象干擾交通狀態(tài)檢測。目前，國內(nèi)外對于擁堵的檢測有光流法[4?5]、幀法[6?7]、背景差分法[8?9]等，但這些方法無法對交通對象進(jìn)行細(xì)分。文獻(xiàn)[10]采用基于Haar?like特征的車輛檢測技術(shù)進(jìn)行擁堵檢測，其缺點在于無法檢測遮擋車輛和遠(yuǎn)距離小目標(biāo)車輛。

為了克服以上問題，本文將交通狀態(tài)區(qū)域細(xì)分為“機(jī)動車擁堵區(qū)域”“機(jī)動車正常行駛區(qū)域”“非機(jī)動車區(qū)域”“道路無車區(qū)域”，基于Haar?like與時空信息提取信號分析，得出準(zhǔn)確的交通狀態(tài)區(qū)域。經(jīng)對比實驗，本文算法在城市復(fù)雜交通場景下有著更好的表現(xiàn)。

1 ?算法總體思路及分車道標(biāo)定

1.1 ?算法總體思路

本文的算法流程圖如圖1所示。首先對各車道線及分車道進(jìn)行標(biāo)定。然后采用基于Haar?like特征的車輛檢測、邊緣檢測法和幀差法分別獲得檢測車輛、空域紋理曲線和時域紋理曲線。再使用適應(yīng)性窗口的均值閾值和方差閾值提取車輛信號、時域紋理信號、空域紋理信號。最后，通過統(tǒng)計分析信號，提取出各交通狀態(tài)區(qū)域在圖像中的位置，獲得精準(zhǔn)細(xì)化的道路交通狀態(tài)。

1.2 ?分車道標(biāo)定

為了精準(zhǔn)地提取分車道環(huán)境下的交通狀態(tài)區(qū)域，實驗采用兩端法對指定車道線進(jìn)行人工標(biāo)定，并劃分各車道區(qū)域以及相應(yīng)的終止線，如圖2b）所示。[{Xi1，Xi2}]為各車道線的端點，[i=1，2，…，M]。相鄰車道線間的區(qū)域為分車道區(qū)域，標(biāo)記為第[1，2，…，i，…，M-1]區(qū)域。

2 ?基于Haar?like特征的車輛檢測及車輛信號提取

2.1 ?基于Haar?like特征的車輛檢測

本文應(yīng)用基于Haar?like特征的AdaBoost級聯(lián)分類器[11]對道路內(nèi)的車輛進(jìn)行檢測。收集車輛正面和背面圖片樣本進(jìn)行訓(xùn)練，再將訓(xùn)練獲得的AdaBoost級聯(lián)分類器在圖像中掃描識別，可以獲得多個車輛識別框[P]。每一個識別框的位置、大小可用以下公式描述：

[P=（x，y，w，h）] （1）

式中：[（x，y）]代表識別框左上角點坐標(biāo);[（w，h）]代表識別框的大小。

當(dāng)前視頻幀的所有候選框可表示為集合[Φ{P1，][P2，…，Pj，…，Pn}]，如圖3所示。

2.2 ?車輛信號提取

首先要將識別車輛[P]歸類到所屬的分車道上，識別框[P]的底邊中點是車輛離路面最近的穩(wěn)定點，記為[Xs]，則有：

[Xs=（x+w2，y+h）] （2）

為判斷[Xs]處于哪一車道內(nèi)，可將[Xs]與第[i]條車道線的兩端點[{Xi1，Xi2}]分別做如下運(yùn)算：

[Deti=xsys1xi1yi11xi2yi21] （3）

當(dāng)[Xs]在第[i]條車道線右側(cè)時，[Deti>0];當(dāng)[Xs]在左側(cè)時，[Deti<0]。設(shè)車輛所屬的區(qū)域為[i]，則有[Deti>0]，且[Deti+1<0]，如圖4所示。

此時即可將車輛識別框[Pj]分類在各自的分車道[i]內(nèi)。假設(shè)第[i]分車道從上到下的編號為[k1，k2，…，kni]，則第[i]分車道的車輛信號可以由如下公式計算：

[sig_vehi（ys）=1，yj

式中：[j=k1，k2，…，kni];[ys]為水平掃描線縱坐標(biāo);[sig_vehi（ys）]為垂直方向上對應(yīng)整個圖像的車輛信號。如果[ys]處于第[i]分車道的任意識別框[Pj]內(nèi)，即將車輛信號[sig_vehi（ys）]置1。對每一個分車道分別求車輛信號[sig_vehi（ys）]，可得結(jié)果如圖5所示。

3 ?空域和時域紋理檢測與其信號提取

3.1 ?空域紋理檢測及信號提取

本文采用邊緣檢測法提取圖像的邊緣紋理來獲取其空域上的紋理。設(shè)[E（x，y）]為去除了道路以外區(qū)域的二值邊緣灰度圖，如圖6a）所示。

觀察二值化邊緣圖[E（x，y）]得到，道路路面除噪聲或陰影外基本無紋理，而道路上的物體如車輛的紋理相對密集且變化較為明顯。本文在各分車道上，沿道路消失方向水平掃描，并統(tǒng)計相應(yīng)的像素個數(shù)得到空域紋理曲線。以第[i]條分車道為例，首先第[i]條分車道的點集[Ti]公式如下：

[Ti={（x，y）Deti>0?Deti+1<0}] （5）

再計算空域紋理曲線，公式如下：

[tex_spai（ys）=（x，y）∈TiE（x，ys）l（ys）] （6）

式中：[E（x，y）]為[Ti]內(nèi)水平線[ys]上的像素點[E（x，y）=1]的個數(shù);[tex_spai（ys）]即為第[i]條分道的空域紋理曲線，得到的結(jié)果如圖6b）所示。由于道路物體在圖像中呈現(xiàn)出近大遠(yuǎn)小的特點，紋理強(qiáng)度隨道路深度等比例縮放。為了消除它對實驗的影響，將[E（x，y）]除以對應(yīng)的道路寬度[l（y）]。

再在窗口[w]內(nèi)計算空域紋理曲線的均值[m（ys）]和方差[v（ys）]，公式如下：

[m（ys）=ys-w2ys+w2tex_spa（ys）w] （7）

[v（ys）=ys-w2ys+w2[tex_spa（ys）-m（ys）]2w] （8）

同樣由于物體在圖像中近大遠(yuǎn)小的原因，窗口的大小[w]也需要隨著掃描線[ys]的滑動改變，設(shè)定[w]正比于圖像中的道路寬度[l（y）]。

得到均值[m（ys）]和方差[v（ys）]后，設(shè)定閾值[M]和[V]提取空域紋理信號[sig_spa（ys）]，計算公式如下：

[sig_spa（ys）=1，m（ys）>M?v（ys）>V0，other] （9）

最終得到的所有分車道的空域紋理信號[sig_spa（ys）]，如圖7所示。

3.2 ?時域紋理信號提取

為了分析視頻幀上的運(yùn)動性物體，本文對視頻采用幀差法獲得其在時間上的紋理變化，設(shè)道路內(nèi)的幀差圖為[D（x，y）]。以同樣的原理提取幀差圖[D（x，y）]在各分車道上的時域紋理曲線，公式如下：

[tex_tempi（ys）=（x，y）∈TiD（x，ys）l（ys）] ? （10）

式中：[tex_tempi（ys）]為第[i]條分車道區(qū)域的時域紋理曲線，結(jié)果如圖8b）所示。

最后，以同樣的方法計算均值[m（ys）]和方差[v（ys）]后，提取時域紋理信號[sig_temp（ys）]，公式如下：

[sig_temp（ys）=1，m（ys）>M?v（ys）>V0，other] （11）

所有分車道的時域紋理信號如圖9所示。

4 ?交通狀態(tài)區(qū)域提取

城市道路上會產(chǎn)生各類交通狀態(tài)區(qū)域，這些區(qū)域存在于不同的分車道，且有著不同的位置和大小。本文通過統(tǒng)計分析車輛信號、空域和時域紋理信號，提取準(zhǔn)確的交通狀態(tài)區(qū)域。

車輛信號不能識別遠(yuǎn)處的車輛類型，不過由于在圖像遠(yuǎn)處，使用空域紋理信號和時域紋理信號足以進(jìn)行提取，在近處才使用所有的信號來提取交通狀態(tài)區(qū)域。本文根據(jù)車輛檢測方法能提取到的最遠(yuǎn)距離對各分車道區(qū)域的“遠(yuǎn)處[Far]”和“近處[Near]”進(jìn)行定義。如在第[i]分車道上，車輛檢測算法得到的最遠(yuǎn)的識別框為[Pk1]。因此定義此分車道的“遠(yuǎn)處[Far]”為[Pk1]上邊沿與終止線[yend]之間的區(qū)域，即：

[Far={（x，y）∈Tiyend

此分車道的剩余區(qū)域則為“近處[Near]”。然后，將車輛信號、空域紋理信號和時域信號分別進(jìn)行比對與統(tǒng)計分析，即可獲得各類交通狀態(tài)區(qū)域，具體步驟如下：

1） 通過式（12）獲取分車道的“遠(yuǎn)處[Far]”和“近處[Near]”;

2） 針對“遠(yuǎn)處[Far]”和“近處[Near]”分別采用不同的信號分析統(tǒng)計交通狀態(tài)區(qū)域，信號分析區(qū)域提取方法分別如表1和表2所示。

3） 對各區(qū)域邊界進(jìn)行修正：各區(qū)域間的交界修正為車輛信號[sig_veh（ys）]的上升下降沿。其他邊界修正為空域紋理信號[sig_spa（ys）]與車輛信號[sig_veh（ys）]中最遠(yuǎn)的上升下降沿。

交通狀態(tài)區(qū)域提取的結(jié)果如圖10所示。

圖10中，每條分車道各自的淺藍(lán)線為車輛檢測算法的最遠(yuǎn)距離的線，淺藍(lán)線（虛線）以上的區(qū)域為“遠(yuǎn)處Far”，以下的區(qū)域為“近處Near”。以第2分車道為例，如圖10a）所示。從上到下，2A區(qū)域為“擁堵區(qū)域”，2B，2C區(qū)域為“正常行駛區(qū)域”。分析得知此圖像的場景路況：第1分車道完全空白;第2，3車道后方擁堵、前方車輛剛剛起步運(yùn)行。總的來說，此道路為特定分車道陷入局部擁堵，又在分車道內(nèi)部處于擁堵即將結(jié)束的道路交通狀態(tài)。

5 ?實驗結(jié)果

為了保證實驗的真實性，本文采用的視頻采集自西安雁塔區(qū)長安中路，視頻中包含以下復(fù)雜場景：遠(yuǎn)距離小目標(biāo)、車輛遮擋、混合交通。

將本文算法和算法1（基于文獻(xiàn)[6]）、算法2（基于文獻(xiàn)[10]）在各復(fù)雜場景中進(jìn)行比對實驗。

1） 遠(yuǎn)距離小目標(biāo)場景

在圖11（遠(yuǎn)距離小目標(biāo)場景）中。算法1基于車輛檢測，提取的C，D區(qū)域并不包括遠(yuǎn)方小目標(biāo)車輛，其D區(qū)域下方邊沿不準(zhǔn)確;本文算法則清晰完整的提取了所有的區(qū)域，其B邊界也得到了修正。

2） 車輛遮擋場景

在圖12（車輛遮擋場景）中。算法1提取的D，E區(qū)域不包括后方遮擋車輛;而本文算法提取的區(qū)域更為準(zhǔn)確。

3） 混合交通

在圖13（混合交通場景）中。由于算法2沒有加入車輛信號，D，E兩區(qū)域錯誤地進(jìn)行了正常行駛區(qū)域的提取。同時E區(qū)域下邊界有誤;而本文算法由于結(jié)合車輛信號，其B，C兩區(qū)域正確提取了非車物體區(qū)域，同時也修正了C區(qū)域下邊界的位置。

為了量化各算法的準(zhǔn)確率，令準(zhǔn)確率[P]公式如下：

[P=（R?G）G] （13）

式中：[G]為真實場景下的交通狀態(tài)區(qū)域;[R]為算法得出的交通狀態(tài)區(qū)域;準(zhǔn)確率[P]為算法和真實場景的重疊區(qū)域與真實場景區(qū)域的面積比。

本文針對遠(yuǎn)距離小目標(biāo)、車輛遮擋和混合交通的復(fù)雜場景，分別各抽取100幀視頻進(jìn)行人工標(biāo)定，得到真實的交通擁堵區(qū)域。再根據(jù)式（13）對比各算法對于交通擁堵區(qū)域的準(zhǔn)確率，如表3所示。

觀察表3可知，算法1在遠(yuǎn)距離小目標(biāo)場景中有極大缺陷，在其他復(fù)雜場景中，由于沒有進(jìn)行邊界修正，其準(zhǔn)確率也不是非常高;算法2在其他場景表現(xiàn)較為良好，但在混合交通場景中無法準(zhǔn)確識別;本文算法則在這三種復(fù)雜場景中都有著較高的準(zhǔn)確率。

6 ?結(jié) ?論

本文在城市復(fù)雜道路場景下，提出一種基于Haar?like和時空信息的交通狀態(tài)區(qū)域提取算法，該算法可以分車道地提取各交通狀態(tài)區(qū)域，得到細(xì)化精準(zhǔn)的各交通狀態(tài)情況。將該算法與基于幀差法的交通狀態(tài)檢測和基于車輛檢測的交通狀態(tài)檢測進(jìn)行對比實驗，結(jié)果表明該算法在復(fù)雜交通情形下仍然有著較高的準(zhǔn)確率。

注：本文通訊作者為巨永鋒。

參考文獻(xiàn)

[1] 美國交通研究委員會.道路通行能力手冊[M].北京：人民交通出版社，2007：116?189.

[2] 北京交通委員會.國外交通擁堵定義指標(biāo)簡介[EB/OL]. [2012?12?28]. http：//www.bjjtw.gov.cn/gzdt/yjzl/201212/t20121228_70291.htm.

[3] WONG G C K， WONG S. A multi?class traffic flow model—an extension of LWR model with heterogeneous drivers [J]. Transportation research part A： policy & practice， 2002， 36（9）： 827?841.

[4] 計文平，郭寶龍，丁貴廣.基于虛擬線圈的光流法車流量檢測[J].計算機(jī)仿真，2004（1）：109?110.

[5] TAN H， ZHAI Y， LIU Y， et al. Fast anomaly detection in traffic surveillance video based on robust sparse optical flow [C]// IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP 2016）. [S.l.]： IEEE， 2016： 1976?1980.

[6] 郝毫剛，陳家琪.基于五幀差分和背景差分的運(yùn)動目標(biāo)檢測算法[J].計算機(jī)工程，2012，38（4）：146?148.

[7] SENGAR S S， Mukhopadhyay S. A novel method for moving object detection based on block based frame differencing [C]// 3rd International Conference on Recent Advances in Information Technology. [S.l.]： IEEE， 2016： 467?472.

[8] 郭怡文，袁飛虎.基于背景差分的多車道車流量檢測系統(tǒng)[J].電光與控制，2010，17（9）：90?93.

[9] JOUDAKI S， SUNAR M S B， Kolivand H， et al. Background subtraction methods in video streams： a review [C]// 2015 4th International Conference on Interactive Digital Media. [S.l.]： IEEE， 2016： 53?60.

[10] LAM C T， GAO H， NG B. A real?time traffic congestion detection system using on?line images [C]// 2017 IEEE 17th International Conference on Communication Technology. [S.l.]： IEEE， 2017： 1548?1552.

[11] VIOLA P， JONES M J. Robust real?time face detection [J]. International journal of computer vision， 2004， 57（2）： 137?154.

作者簡介：薛飛楊（1994—），男，陜西韓城人，碩士，研究方向為交通檢測技術(shù)。

巨永鋒（1962—），男，陜西周至人，教授，博士生導(dǎo)師，主要研究方向為交通控制與管理、智能測控技術(shù)及應(yīng)用。

宋永超（1990—），男，山東威海人，博士，研究方向為交通多對象檢測。