基于視頻的高速公路違章停車實(shí)時(shí)檢測(cè)算法

張貝貝，武奇生

(長(zhǎng)安大學(xué)電子與控制工程學(xué)院，陜西西安 710064)

隨著我國(guó)高速公路的快速發(fā)展和機(jī)動(dòng)車擁有量的不斷增加，因高速公路違章停車所導(dǎo)致的交通事故也呈上升趨勢(shì)。由于高速公路行車速度快等特點(diǎn)，發(fā)生違章停車后，如不及時(shí)處理，極易導(dǎo)致車輛碰撞事故或引發(fā)交通擁堵，嚴(yán)重影響高速公路的正常運(yùn)營(yíng)。因此，實(shí)時(shí)遏制高速公路上隨意停車顯得尤為重要。采用交通事件自動(dòng)檢測(cè)系統(tǒng)對(duì)違章停車進(jìn)行快速準(zhǔn)確地檢測(cè)，及時(shí)發(fā)現(xiàn)違章車輛，并采取措施及時(shí)疏導(dǎo)交通，排除事故，能夠減少、避免交通擁堵，有效地預(yù)防二次交通事故的發(fā)生[1-3]。在交通事件自動(dòng)檢測(cè)算法中，基于視頻的檢測(cè)算法是最直接有效的。

近年來(lái)，國(guó)內(nèi)外專家致力于研究各種交通事件檢測(cè)算法。如光流法、形態(tài)學(xué)邊緣檢測(cè)法。其中光流法的優(yōu)點(diǎn)是當(dāng)運(yùn)動(dòng)物體重疊時(shí)，利用其光流場(chǎng)的分布，可以進(jìn)行檢測(cè)。但大多數(shù)光流計(jì)算方法相當(dāng)復(fù)雜，實(shí)時(shí)性差，如果沒(méi)有特別的硬件裝置則不能被應(yīng)用于全幀視頻流的實(shí)時(shí)處理。形態(tài)學(xué)邊緣檢測(cè)算法有著過(guò)于明顯的缺陷，例如算法時(shí)間長(zhǎng)，復(fù)雜度高[4-5]。背景差分算法既能檢測(cè)運(yùn)動(dòng)車輛又能檢測(cè)靜止車輛，對(duì)于實(shí)時(shí)判斷是否出現(xiàn)違章停車是一種十分有效的車輛檢測(cè)算法，大大提高了算法的準(zhǔn)確性。

為滿足算法的實(shí)時(shí)性要求，提出一種基于視頻的區(qū)間背景差分和OTSU閾值分割算法，該方法集合數(shù)據(jù)采集技術(shù)和算法檢測(cè)技術(shù)的優(yōu)勢(shì)，既能保證全面性，又能保證檢測(cè)的準(zhǔn)確性和實(shí)時(shí)性。實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證表明，該方法檢測(cè)總數(shù)、識(shí)別率、漏檢率、檢測(cè)所需時(shí)間都比較理想。

1 常見(jiàn)交通檢測(cè)器性能比較

視頻檢測(cè)器，主要通過(guò)攝像機(jī)等視頻采集設(shè)備獲取交通流的實(shí)時(shí)視頻信息，然后通過(guò)視頻和圖像處理的方法完成交通流檢測(cè)或者對(duì)目標(biāo)進(jìn)行跟蹤和識(shí)別。

以下是幾種常見(jiàn)的交通檢測(cè)器的性能優(yōu)缺點(diǎn)比較:

表1 交通檢測(cè)器性能比較

采用多目標(biāo)識(shí)別與跟蹤技術(shù)的視頻檢測(cè)車輛有其獨(dú)特的優(yōu)越性，主要體現(xiàn)在以下幾個(gè)方面:(1)施工和日常維護(hù)無(wú)需切割路面，不干擾正常交通，同時(shí)也無(wú)需因道路改建、維修而中斷交通檢測(cè)。(2)全畫(huà)面檢測(cè):只要在攝像機(jī)的圖像畫(huà)面范圍內(nèi)，發(fā)生的交通事件和事故，系統(tǒng)都能檢測(cè)到。(3)全天候檢測(cè)功能:在晝、夜、雨、雪、霧及各種氣候條件下，即使在道路沒(méi)有照明的情況下，只要車輛有正常的前燈、尾燈照明，均可有效檢測(cè)事件、事故。(4)系統(tǒng)自動(dòng)記錄事件、事故發(fā)生之前和之后的圖像，前后≥3 min[6-8]，所記錄的視頻序列標(biāo)記與報(bào)警信息相關(guān)。

由于視頻檢測(cè)具有以上的特性，且通過(guò)表1的比較可得到，視頻檢測(cè)技術(shù)與超聲波檢測(cè)技術(shù)、微波檢測(cè)技術(shù)、聲學(xué)等檢測(cè)技術(shù)、感應(yīng)線圈檢測(cè)技術(shù)相比在高速公路實(shí)時(shí)監(jiān)控方面具有較大優(yōu)勢(shì)，作為新的檢測(cè)技術(shù)將越來(lái)越多地應(yīng)用于高速公路交通事件檢測(cè)系統(tǒng)、高速公路監(jiān)控系統(tǒng)、高速公路管理系統(tǒng)等領(lǐng)域。

2 基于視頻的違章停車自動(dòng)檢測(cè)系統(tǒng)組成

基于視頻的違章車輛檢測(cè)技術(shù)是近年來(lái)在視頻圖像處理交通檢測(cè)技術(shù)基礎(chǔ)上逐步發(fā)展起來(lái)的一種新型車輛檢測(cè)技術(shù)，它具有無(wú)線、可一次檢測(cè)多參數(shù)和檢測(cè)范圍較大的特點(diǎn)。與其它傳統(tǒng)方法相比，基于視頻的違章停車檢測(cè)技術(shù)結(jié)構(gòu)簡(jiǎn)單、靈活性好、同時(shí)提供多張違章照片，更具有說(shuō)服力，減少了處罰過(guò)程中所產(chǎn)生的爭(zhēng)執(zhí)。結(jié)構(gòu)如圖1所示，采用工業(yè)攝像機(jī)和工業(yè)控制計(jì)算機(jī)構(gòu)成系統(tǒng)。

圖1 基于視頻的違章停車自動(dòng)檢測(cè)系統(tǒng)

整個(gè)過(guò)程不用感應(yīng)線圈檢測(cè)車輛，而是通過(guò)道路上所安裝的CCD攝像機(jī)對(duì)監(jiān)控區(qū)域進(jìn)行實(shí)時(shí)監(jiān)控，對(duì)得到的視頻圖像進(jìn)行分析處理來(lái)判斷是否有車輛違章停車。它將工業(yè)攝像機(jī)拍到的圖像數(shù)字化后直接存入控制計(jì)算機(jī)硬盤(pán)，硬盤(pán)數(shù)據(jù)通過(guò)光端機(jī)光纖收發(fā)器ModemGPRS等通訊方式傳回?cái)?shù)據(jù)管理中心，無(wú)需人工取盤(pán)。此外利用動(dòng)態(tài)調(diào)整低照度攝像機(jī)，夜間僅利用路燈、車尾燈就可以進(jìn)行實(shí)時(shí)抓拍。

3 基于視頻技術(shù)的違章停車檢測(cè)算法

3.1 檢測(cè)原理

目標(biāo)檢測(cè)實(shí)質(zhì)是通過(guò)對(duì)攝像機(jī)拍攝到的圖像序列進(jìn)行分析，檢測(cè)場(chǎng)景中的運(yùn)動(dòng)目標(biāo)并進(jìn)行目標(biāo)提取與檢測(cè)，進(jìn)一步對(duì)目標(biāo)的運(yùn)動(dòng)參數(shù)進(jìn)行估計(jì)。從而判別是否有事件發(fā)生，如果無(wú)事件發(fā)生，則繼續(xù)進(jìn)行實(shí)時(shí)檢測(cè);若有事件發(fā)生，則將事件視頻圖像及報(bào)警區(qū)域圖像切換到主監(jiān)控畫(huà)面，同時(shí)實(shí)施報(bào)警、調(diào)度警力和實(shí)施救援等。檢測(cè)流程圖2所示。

圖2 檢測(cè)流程

3.2 基于視頻技術(shù)的高速公路違章停車檢測(cè)算法

3.2.1 背景差分算法及OSTU閾值分割法

背景差分這種方法基本工作原理是系統(tǒng)首先保存一張背景圖像，然后與實(shí)時(shí)輸入的圖像幀進(jìn)行相應(yīng)點(diǎn)的像素值比較，以d(i，j)和閥值Th表示圖像當(dāng)前輸入幀的檢測(cè)區(qū)域是否與背景幀圖像中的限定區(qū)域圖像信息一致，可用式(1)描述

其中，f1(i，j)參照?qǐng)D像或背景圖像幀坐標(biāo)為f2(i，j)處的像素值，為輸入圖像幀坐標(biāo)為(i，j)處的像素值。如果輸入圖像中對(duì)應(yīng)區(qū)域不含車輛，則和參照?qǐng)D像相同，此時(shí)差值為0;相反如果輸入圖像限定區(qū)域中包含車輛，則和參照?qǐng)D像不同，此時(shí)差值為一個(gè)＞0的數(shù)。當(dāng)該值＞閥值Th時(shí)，認(rèn)為可能是有物體在運(yùn)動(dòng)，若＞Th的像素?cái)?shù)目多于某個(gè)值時(shí)，可判斷有車輛進(jìn)入。為了減少計(jì)算量，圖像背景差僅在圖像特定區(qū)域上進(jìn)行。

由OTSU閾值分割法，對(duì)一幅圖像，記t為前景與背景的分割閾值，前景點(diǎn)數(shù)占圖像比例為w0，平均灰度為u0;背景點(diǎn)數(shù)占圖像比例為w1，平均灰度為u1。圖像的總平均灰度為

從最小灰度值到最大灰度值遍歷t，使得值

最大時(shí)t即為分割的最佳閾值。式類間方差值，閾值t分割出的前景和背景兩部分構(gòu)成了整幅圖像，而前景取值 u0，概率為 w0，背景取值 u1，概率為w1，總均值為u，根據(jù)方差的定義即得該式。

3.2.2 違章停車的檢測(cè)

在文中為達(dá)到實(shí)時(shí)性的要求，采用基于區(qū)間的檢測(cè)方法判斷是否有車輛違章。

第一步:利用所采集的視頻，提取出背景圖像，如圖2(a)所示。

第二步:將當(dāng)前圖像灰度化后與背景圖像進(jìn)行背景差分，并對(duì)背景差分后的圖像進(jìn)行OTSU閾值分割，通過(guò)背景差分判斷區(qū)間內(nèi)是否有車輛通過(guò)，如圖2(b)所示。若無(wú)車輛通過(guò)則結(jié)束檢測(cè)，若有車輛通過(guò)則進(jìn)行下一步。

第三步:在連通區(qū)域進(jìn)行標(biāo)記，并計(jì)算每個(gè)區(qū)域的特性，找出面積較大的輪廓區(qū)域，如圖2(c)，圖2(d)所示，在不同位置有車輛通過(guò)，則用紅色矩形框進(jìn)行標(biāo)識(shí)。

第四步:如連續(xù)500幀內(nèi)車輛未發(fā)生明顯的移動(dòng)，則判斷該車輛處于靜止?fàn)顟B(tài)，如圖2(e)和圖2(f)所示，說(shuō)明有違章車輛經(jīng)過(guò)，給出車輛違章停車信號(hào)，啟動(dòng)數(shù)碼相機(jī)進(jìn)行抓拍，或啟動(dòng)報(bào)警系統(tǒng)，同時(shí)將當(dāng)前全景視頻圖像進(jìn)行保存。否則，車輛處于運(yùn)動(dòng)狀態(tài)，停止檢測(cè)則報(bào)警。

圖2 實(shí)驗(yàn)結(jié)果

3.2.3 實(shí)驗(yàn)結(jié)果分析及對(duì)比

對(duì)交通違章檢測(cè)算法進(jìn)行優(yōu)劣評(píng)價(jià)時(shí)，需要設(shè)定一定的評(píng)價(jià)指標(biāo)。通常衡量關(guān)于違章停車檢測(cè)算法有3個(gè)指標(biāo)[9-10]:識(shí)別率、漏檢率和檢測(cè)所需時(shí)間、檢測(cè)的總車數(shù)。如式(4)和式(5)所示

其中，實(shí)際違章總數(shù)是在所采集的視頻中，由人工計(jì)算所得到的車輛違章總數(shù);算法檢測(cè)違章總數(shù)是在所采集的視頻中，由算法檢測(cè)所得的車輛違章總數(shù)。

由于以上幾個(gè)評(píng)價(jià)交通事件檢測(cè)算法的指標(biāo)存在著相互依賴的關(guān)系，所以一個(gè)算法必須權(quán)衡這幾個(gè)方面，沒(méi)有一個(gè)必然的最佳選擇，一般在評(píng)價(jià)交通事件檢測(cè)算法時(shí)，將漏檢率限制在一個(gè)可接受的范圍內(nèi)，盡量改善識(shí)別率和檢測(cè)時(shí)間。經(jīng)過(guò)實(shí)驗(yàn)分析，得出關(guān)于違章停車的背景差分與OTSU閾值分割法與其他算法的性能比較如表2所示。

表2 算法性能比較

由表2可見(jiàn)，同組數(shù)據(jù)用3種不同的檢測(cè)算法，背景差分與OTSU閾值分割算法檢測(cè)總數(shù)最高，漏檢率也是3種算法中較小為5.50，其檢測(cè)所需時(shí)間雖高于形態(tài)學(xué)邊緣檢測(cè)法為26 ms，但檢測(cè)總數(shù)、識(shí)別率與漏檢率、所需時(shí)間這4個(gè)指標(biāo)并非彼此孤立，如果增加算法的檢測(cè)時(shí)間，那么該算法能夠分析更多的數(shù)據(jù)，從而提高檢測(cè)總數(shù)并降低漏檢率，但增加檢測(cè)時(shí)間將會(huì)降低事件檢測(cè)算法的實(shí)時(shí)性，延誤對(duì)交通事件的處理;如果降低檢測(cè)所需時(shí)間將會(huì)使得檢測(cè)率降低和誤報(bào)率上升。權(quán)衡4個(gè)指標(biāo)，得出背景差分與OTSU閾值分割算法是這4種算法中的最佳算法，用其檢測(cè)交通事件效果良好。

4 結(jié)束語(yǔ)

提出一種基于視頻技術(shù)的高速公路違章停車檢測(cè)算法，視頻技術(shù)由于具有檢測(cè)全面、使用方便、實(shí)時(shí)性強(qiáng)，因此將會(huì)成為未來(lái)交通事件檢測(cè)的主要趨勢(shì)。在確定的檢測(cè)區(qū)間內(nèi)利用背景差分與OTSU閾值分割算法來(lái)檢測(cè)是否有違章停車，背景差分法對(duì)檢測(cè)靜止車輛檢測(cè)率高、漏檢率和檢測(cè)時(shí)間也比較理想。

[1]PANKAJ K，SURENDRA R，HUANG Weimin，et al.Framework for real-time behavior interpretation from traffic video[J].IEEE Transactions on Intelligent Transportation Systems，2005，6(1):43-53.

[2]JIN Xin，SRINIVASAN D，CHEU R L.Classification of freeway traffic patterns for detection using constructive probabilistic neural networks[J].IEEE Transactions on Neural Networks，2001，12(5):1173-1187.

[3]沈志熙，楊欣，黃席樾.均值漂移算法中的目標(biāo)模型更新方法研究[J].自動(dòng)化學(xué)報(bào)，2009，35(5):478-483.

[4]代科學(xué)，李國(guó)輝，涂丹，等.監(jiān)控視頻運(yùn)動(dòng)目標(biāo)檢測(cè)減背景技術(shù)的研究現(xiàn)狀和展望[J].中國(guó)圖象圖形學(xué)報(bào)，2006，11(7):919-927.

[5]肖麗君，于哲舟，周栩，等.基于對(duì)稱差分算法的視頻運(yùn)動(dòng)目標(biāo)分割[J].吉林大學(xué)學(xué)報(bào)，2008，46(4):691-696.

[6]KIM K，CHALIDABHONGSE T H，HARWOOD D，et al.Background modeling and by codebook construction[C].Singapore:Proceedings of IEEE International Conference on Image Processing，2004:3061-3064.

[7]劉惟錦，章毓晉.基于Kalman濾波和邊緣直方圖的實(shí)時(shí)目標(biāo)跟蹤[J].清華大學(xué)學(xué)報(bào)，2008，48(7):1104-1107.

[8]姜紫峰，劉小坤.基于神經(jīng)網(wǎng)絡(luò)的交通事件檢測(cè)算法[J].西安公路交通大學(xué)學(xué)報(bào)，2000，20(3):67-73.

[9]湯淑明，王坤峰，李元濤.基于視頻的交通事件自動(dòng)檢測(cè)技術(shù)綜述[J].公路交通科技，2006，23(8):116-121.

[10]HARITAOGLU I，HARWOOD D，DAVIS L.W4:Real2time surveillance of people and their activities[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22(8):809-830.