基于虛擬檢測窗口的車流量檢測算法設計與實現(xiàn)

盧勝男　陳光　張鳳磊

摘要：基于視頻的車流量檢測是智能交通的一個重要課題，為了滿足應用中的實時性和準確性要求，本文提出采用虛擬窗口法實現(xiàn)車輛的檢測和統(tǒng)計，使整個圖像處理過程只針對有限的虛擬窗口區(qū)域，背景提取采用統(tǒng)計直方圖法，利用像素多幀平均值來衡量背景灰度的可信度，背景更新則根據(jù)塊匹配置信度實現(xiàn)實時的背景更新。實驗結(jié)果表明，該方法可以有效應用于基于視頻的實時車流量檢測中。

關鍵詞：車流量檢測；背景提取；背景更新；虛擬窗口；置信度

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2015）34-0189-02

1 概述

車流量檢測是智能交通系統(tǒng)（ITS）的一個重要課題，它不僅可以為交通管理部門提供重要的車輛疏導控制信息，也為交通狀況預測提供幫助?；谝曨l圖像的交通信息檢測技術，由于成本低廉、安裝維護方便和檢測范圍廣等優(yōu)點被越來越廣泛地應用于ITS中。

車流量檢測算法實質(zhì)上就是將運動車輛從序列圖像背景中分離出來，識別車輛目標并統(tǒng)計其個數(shù)。具有代表性的方法有背景差分法[1]、光流法[2]和幀間差分法[3][4]。光流法由于算法復雜度高不適合實時應用場合，幀間差分法一般很難獲得車輛目標的完整輪廓，背景差分法由于簡單方便，是最常使用的方法，該方法通過圖像序列中的當前幀和背景參考模型比較來檢測運動車輛，然后利用車輛的外觀特征識別和統(tǒng)計車輛個數(shù)，但從復雜交通背景中分割出運動目標是件非常困難的事情，而且大多數(shù)特征檢測算法復雜度較高，不適合實時應用的場合。

基于以上分析，本文將采用虛擬窗口法，僅在虛擬窗口中進行背景建模和更新，并根據(jù)虛擬窗口內(nèi)局部數(shù)據(jù)信息變化，判斷是否有車輛通過，并統(tǒng)計車輛數(shù)量。這種方法處理數(shù)據(jù)量小，而且算法簡單，可以保證實時有效的車流量統(tǒng)計。

2 背景建模與更新

2.1 初始背景建模

初始背景估計是運動目標檢測的關鍵，背景圖像的可靠性將直接影響檢測的有效性。本文采用統(tǒng)計直方圖法對背景進行估計。傳統(tǒng)的統(tǒng)計直方圖法只適合車流量比較小的情況，車流量大時，統(tǒng)計直方圖會呈現(xiàn)多峰狀態(tài)，此時需要考慮其背景灰度值的可信度，選取可信度較高的灰度值作為背景灰度。本文將提出一種改進的基于統(tǒng)計直方圖的背景提取方法。該方法采用像素多幀平均值來衡量背景灰度的可信度，以便確認多峰直方圖中的哪個極大值對應的灰度是背景的灰度值，該算法具體步驟如下：

步驟 1 統(tǒng)計一段時間內(nèi)，圖像中各點像素值的灰度直方圖；

步驟2 直方圖平滑去噪并尋找灰度值頻次出現(xiàn)最多的點，根據(jù)該點的位置，判斷其左右兩邊一定范圍內(nèi)的能量是否大于總能量的80%，若是，則該像素值為背景灰度值，否則執(zhí)行步驟3；

步驟3 找出直方圖中的若干極大值，以及這些極大值中的最大值及其兩邊的谷值點，然后，再在谷值點兩側(cè)尋找一個相應的次極大值，以此類推，可以得到若干極大值[Pmax2，...，Pmaxn]；

步驟4 統(tǒng)計該像素點的多幀平均值[Pave]，將多個極大值與該平均值結(jié)果進行比較，相差較小的是背景的可能性較大，即被認為是背景的灰度值。

該算法利用背景灰度可信度濾除了差異變化較大的灰度值，一定程度上消除了背景誤差像素，整個算法簡單可靠，背景提取速度快，效果較理想。

2.2 背景更新

由于交通場景光照變化或一些不確定因素導致的背景的改變，上述算法獲得的背景圖像如果得不到適時更新的話，背景圖像的誤差將會越來越大。因此，需要適時地更新背景以保證背景圖像的準確性和實時性。本文采用作者早期提出的基于塊匹配置信度的背景更新算法[5]。該算法的基本思路是計算幀間對應塊的SAD（Sum of Absolute Pixel Block Difference）值，若SAD值小于閾值說明該塊相對穩(wěn)定，并記錄該塊連續(xù)穩(wěn)定的次數(shù)。當穩(wěn)定次數(shù)達到一定的數(shù)量，即可按比例更新背景。其具體算法步驟如下：

步驟1 將圖像分成M*N的小塊，本文選取小塊大小為3*4；

步驟2 計算各個塊的SAD值，如式（1）所示，[Ft（m，n）]和[Ft-1（m，n）]分別是相鄰兩幀對應塊的像素灰度值。若SAD小于閾值T，則該塊置信度[Ct]加1，反之則該塊置信度[Ct]清零。

該算法時間復雜度和空間復雜度較低，很好地滿足了系統(tǒng)實時響應需求，對光線的變化反應靈敏，當光線由亮變暗或從暗變亮時該算法都能及時更新。

3 基于虛擬檢測窗口的車流量統(tǒng)計

3.1 虛擬檢測窗口設置

攝像機的角度和高度對虛擬檢測窗口的設置都會產(chǎn)生一定的影響，并且一段視頻中的車輛其尺度和角度的變化，都是檢測窗口設計時需要考慮的因素。本文針對視頻圖像的首幀，選取合適大小的與車道線相垂直的矩形區(qū)域作為虛擬檢測窗口。由于車輛之間的遮擋容易產(chǎn)生誤檢，虛擬檢測窗口設置在圖像靠近底部的位置，此處車輛之間的間隔較大，不會出現(xiàn)遮擋的情況。車輛正常行駛的路徑為每條車道內(nèi)部，因此本文在每條車道內(nèi)部各設一個虛擬檢測窗口，其高度大約為5～10個像素，寬度設置介于車道寬度和車身寬度之間，以便區(qū)分出行人或摩托車等寬度較小的運動目標，也能夠檢測出車輛因變道而同時占據(jù)兩個虛擬窗口的情況。

3.2 車流量統(tǒng)計

所有的虛擬檢測窗口都位于同一水平線上，并且覆蓋了所有的車道，因此同一輛車只能在一個檢測窗口內(nèi)運動，即使出現(xiàn)變道情況，統(tǒng)計數(shù)量時也會根據(jù)其在虛擬檢測窗口中所占大小來進行區(qū)分，以免誤檢。

本文通過背景差分得到的二值化圖像中統(tǒng)計窗內(nèi)像素點的加權平均值，再與前一幀的狀態(tài)相比較即能得到該幀中是否有車輛需要統(tǒng)計。本文設置一個標志位flag，若檢測窗口內(nèi)的加權平均值大于或等于閾值，則flag=1，表示有車輛進入該區(qū)域。若加權平均值小于閾值，則flag=0，表示沒有車輛進入該區(qū)域。其計數(shù)狀態(tài)如表1所示。本文考慮到了道路上摩托車和行人情況，故將窗口中1/3置為“1”像素，進而求出其加權平均值作為閾值。具體算法流程如圖2所示。

4 實驗結(jié)果與分析

為了實現(xiàn)基于視頻的車流量檢測的算法，作者進行了實際路況的視頻數(shù)據(jù)測試（格式為AVI，幀速率為25f/s，分辨率為640*480），使用Visual C++6.0和OpenCV進行仿真。并對不同時間段，不同天氣下的路況視頻進行了數(shù)據(jù)分析，最終通過對視頻圖像的處理達到對車輛識別和統(tǒng)計的目的，然后利用人工測試視頻樣本車流量與系統(tǒng)檢測的車流量進行的對比， 以此驗證該系統(tǒng)的準確性和有效性，具體結(jié)果如表2所示。

由表2結(jié)果可以看出，本文的檢測方法平均準確率高達95%以上，基本能夠滿足車流量檢測的準確性要求，系統(tǒng)運行速度快，可以實現(xiàn)車輛數(shù)量的實時統(tǒng)計。對比于晴朗的白天，晚上和雨天的檢測準確率較低，主要原因是車輛夜間行駛時，車燈導致虛擬檢測窗口內(nèi)的光線變化，從而產(chǎn)生誤檢。而雨天時，雨水導致虛擬窗口局部信息產(chǎn)生變化，也容易造成誤檢。

5 結(jié)束語

傳統(tǒng)的車輛檢測方法是對整幅圖像進行背景提取和更新，本文則只針對虛擬檢測窗口內(nèi)的像素進行處理，結(jié)合改進的基于塊匹配置信度的背景提取方法，更加實時地檢測一定時間內(nèi)的車流量。這種采用虛擬窗口的計算方法，減少了對無用圖像信息的處理量，提高了系統(tǒng)處理速度，因而該方法可以應用于車流量檢測的實際場合中。

參考文獻：

[1] 侯志強，韓崇昭.視頻跟蹤技術綜述[J].自動化學報，2006，32（4）：603-717.

[2] S Sivaraman and M M Trivedi.Looking at Vehicles on the Road：A Survey of Vision-Based Vehicle Detection，Tracking and Behavior Analysis. IEEE Trans.Intell. Transp.Syst.，2013，14（. 4）： 1773–1792.

[3] N.Buch，S.A.Velastin and J.Orwell. “A review of computer vision techniques for the analysis of urban traffic，” IEEE Trans. Intell. Transp. Syst，2011，12（3）： 920-939.

[4] Song Huansheng，Lu Shengnan，Ma Xiang， et al. Vehicle Behavior Analysis Using Target Motion Trajectories[J].IEEE Transactions on Vehicular Technology，2014，63（8）：3580-3591.

[5] 盧勝男，馮建利，段沛沛.基于塊匹配置信度的隧道交通背景提取算法[J]. 電視技術.2015，39（8）：59-63.