基于DSP的地下停車(chē)場(chǎng)車(chē)流量視頻檢測(cè)的改進(jìn)算法

王　驍，李　博，張　碩

（中北大學(xué)儀器科學(xué)與動(dòng)態(tài)測(cè)試教育部重點(diǎn)實(shí)驗(yàn)室，太原030051）

基于DSP的地下停車(chē)場(chǎng)車(chē)流量視頻檢測(cè)的改進(jìn)算法

王驍，李博*，張碩

（中北大學(xué)儀器科學(xué)與動(dòng)態(tài)測(cè)試教育部重點(diǎn)實(shí)驗(yàn)室，太原030051）

針對(duì)DSP平臺(tái)的車(chē)流量視頻檢測(cè)算法存在實(shí)時(shí)性不佳，漏檢率較高的問(wèn)題，提出了一種改進(jìn)的單幀圖像差分算法，實(shí)現(xiàn)了基于TMS320DM642平臺(tái)的地下停車(chē)場(chǎng)車(chē)流量視頻檢測(cè)。算法采用對(duì)單幀圖像一條檢測(cè)線的灰度值做差分運(yùn)算，通過(guò)對(duì)灰度值變化的幅度進(jìn)行分析，提取出車(chē)輛的特征信息，實(shí)現(xiàn)了處理對(duì)象從一個(gè)面到一條線的轉(zhuǎn)變。此外算法結(jié)合雙幀背景，可以有效地改善漏檢現(xiàn)象。實(shí)驗(yàn)表明，該算法在運(yùn)算量上相比于主流算法減小了3個(gè)數(shù)量級(jí)，同時(shí)檢測(cè)準(zhǔn)確率可達(dá)到93%，是一種實(shí)用高效的車(chē)流量視頻檢測(cè)方法。

視頻檢測(cè)；車(chē)流量檢測(cè)；智能算法；TMS320DM642

車(chē)流量數(shù)據(jù)的采集是智能交通系統(tǒng)中一個(gè)十分關(guān)鍵的組成部分［1］。因而對(duì)于運(yùn)動(dòng)目標(biāo)的檢測(cè)，國(guó)內(nèi)外學(xué)者們提出了大量的理論和方法，最具代表的方法有光流法［2］、幀間差分法［3］、背景差分法［4］。光流法可以看成帶有灰度的像素點(diǎn)在圖像平面上運(yùn)動(dòng)而產(chǎn)生的瞬時(shí)速度場(chǎng)，以此建立方程并通過(guò)約束方程聯(lián)立求解，獲得運(yùn)動(dòng)物體的位置變化，其檢測(cè)精度高但運(yùn)算量龐大。幀間差分法利用時(shí)間相鄰的兩幀圖像之差來(lái)判斷物體，其運(yùn)算量較大，易受噪聲的干擾，檢測(cè)目標(biāo)的完整性受到目標(biāo)速度的影響；背景差分法一直是運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)中的主流方法，將當(dāng)前圖像與背景模型進(jìn)行差分運(yùn)算，通過(guò)判定灰度特征的變化檢測(cè)目標(biāo)。其檢測(cè)性能與背景建模的好壞息息相關(guān)，這導(dǎo)致了運(yùn)算量大幅增加。鑒于DSP的運(yùn)算能力和系統(tǒng)的應(yīng)用價(jià)值，在保證檢測(cè)準(zhǔn)確性的前提下，必須降低算法的運(yùn)算量，為此本文改進(jìn)了運(yùn)動(dòng)目標(biāo)檢測(cè)的算法，同時(shí)使用雙背景幀輔助檢測(cè)減少了漏檢的發(fā)生。

1　算法的改進(jìn)

1.1圖像差分算法的改進(jìn)

目前通用圖像差分算法的基本思想是將視頻圖像序列中相鄰兩幀相減或者將被測(cè)幀與標(biāo)準(zhǔn)幀相減，從而能有效地屏蔽做差的兩幀圖像之間的相同區(qū)域，僅保留兩幀間存在差異的區(qū)域，進(jìn)而檢測(cè)出處于運(yùn)動(dòng)的圖像信息［5］。這種方法不僅要對(duì)圖像內(nèi)的每一點(diǎn)做差分運(yùn)算，而且會(huì)增加做差后圖像的噪聲。

收稿日期：2015-06-12修改日期：2015-09-02

本文改進(jìn)的差分算法是基于對(duì)同幀圖像做差分運(yùn)算。將圖像中某一行或某一列內(nèi)相鄰兩點(diǎn)像素的灰度值做差分運(yùn)算，見(jiàn)式（1）與式（2）。

式（1）表示對(duì)同一行的像素點(diǎn)進(jìn)行差分運(yùn)算，式（2）為對(duì)同一列的像素點(diǎn)進(jìn)行差分運(yùn)算。以式（1）為例，In+1（xn+1，y）與In（xn，y）分別對(duì)應(yīng)同一行相鄰兩點(diǎn)的灰度值，Bn（xn，y）為差分運(yùn)算的差值。理論情況下，當(dāng)該行沒(méi)有運(yùn)動(dòng)物體經(jīng)過(guò)時(shí)，各點(diǎn)的差值全為0；當(dāng)出現(xiàn)運(yùn)動(dòng)物體時(shí)，由于運(yùn)動(dòng)物體的灰度值不同于背景原有的灰度值，因此運(yùn)動(dòng)物體邊緣點(diǎn)與相鄰背景點(diǎn)灰度值的差值會(huì)明顯大于或小于其他任意兩點(diǎn)的差值，確定Bn（xn，y）max或Bn（xn，y）min中的n值，來(lái)勾勒運(yùn)動(dòng)物體在圖像中的位置。原理如圖1所示。

圖1　理想的差分原理圖

需要注意的是若運(yùn)動(dòng)物體的灰度值大于背景點(diǎn)，則差分結(jié)果與上圖相反。但是在實(shí)際情況中，同一運(yùn)動(dòng)物體以及背景各點(diǎn)像素的灰度值會(huì)有所差異，同時(shí)必定存在噪聲，實(shí)際差分運(yùn)算結(jié)果如圖2所示。

圖2　實(shí)際差分運(yùn)算結(jié)果

由圖2可知，縱使存在噪聲干擾和灰度值不一的影響，導(dǎo)致了差值不全為0，但是運(yùn)動(dòng)物體邊緣點(diǎn)及相鄰幾點(diǎn)的差分結(jié)果依舊明顯不同于其它點(diǎn)的差值，同樣能判定出運(yùn)動(dòng)物體在圖像中的位置。

常規(guī)圖像差分算法是建立在對(duì)所有像素點(diǎn)灰度值的大小的分析，而本文的圖像差分算法則是對(duì)一系列像素點(diǎn)灰度值變化的幅值分析。這種算法具有以下優(yōu)勢(shì)：

（1）算法簡(jiǎn)介，運(yùn)算量小，實(shí)時(shí)性強(qiáng)。只需要對(duì)車(chē)輛經(jīng)過(guò)區(qū)域中的某一行或某一列進(jìn)行計(jì)算。

（2）車(chē)速的快慢以及靜止都對(duì)檢測(cè)結(jié)果沒(méi)有影響。

（3）無(wú)需進(jìn)行復(fù)雜的背景建模，只需要更新檢測(cè)區(qū)域的背景以及做相應(yīng)的處理。

1.2車(chē)流量檢測(cè)算法的改進(jìn)

車(chē)流量檢測(cè)可分為基于模型的檢測(cè)和基于非模型的檢測(cè)方法［6］。對(duì)運(yùn)算速度和效果的綜合考慮采用基于非模型的檢測(cè)方法，即僅對(duì)圖像中特定虛擬檢測(cè)區(qū)域內(nèi)的運(yùn)動(dòng)像素點(diǎn)信息（亮度或灰度）進(jìn)行運(yùn)動(dòng)分析，當(dāng)像素點(diǎn)按照一定的規(guī)律變化時(shí)，認(rèn)為檢測(cè)到車(chē)輛。為了確保主流算法的可行性，致使虛擬檢測(cè)區(qū)域必須設(shè)置為檢測(cè)框或多條檢測(cè)線，從本質(zhì)上造成了運(yùn)算量的增加。

本文算法設(shè)置的虛擬檢測(cè)區(qū)域?yàn)橐粭l檢測(cè)線，如圖3所示。

圖3　虛擬檢測(cè)線的設(shè)置

虛擬檢測(cè)線的總寬度略小于路面寬度，a段作為區(qū)分車(chē)輛與行人的辨別線，其寬度為小型車(chē)輛寬度的1/2，b1與b2段做為車(chē)輛計(jì)數(shù)線。對(duì)a段使用常規(guī)差分運(yùn)算，即當(dāng)前幀減去背景幀中相應(yīng)的像素點(diǎn)。若有車(chē)輛體經(jīng)過(guò)時(shí)，像素點(diǎn)的灰度值必然發(fā)生規(guī)律性地變化，根據(jù)車(chē)輛的顏色信息相應(yīng)地變大或變小。鑒于行人與車(chē)輛占據(jù)的像素點(diǎn)數(shù)存在明顯差異，當(dāng)a段各點(diǎn)的灰度值都發(fā)生規(guī)律性地變化時(shí)，則初步認(rèn)為是車(chē)輛。此時(shí)使用式（1）和式（2），開(kāi)始對(duì)b1、b2段內(nèi)各點(diǎn)進(jìn)行優(yōu)化后的差分運(yùn)算，若能體現(xiàn)出車(chē)輛邊緣輪廓時(shí)，則確定為車(chē)輛。當(dāng)車(chē)輛完全駛離檢測(cè)線，即恢復(fù)到?jīng)]有車(chē)輛時(shí)的狀態(tài)，此時(shí)認(rèn)定車(chē)輛通過(guò)，計(jì)數(shù)加1。鑒于前車(chē)沒(méi)有完全駛離，后車(chē)不會(huì)進(jìn)入檢測(cè)線，致使不會(huì)因?yàn)樾熊?chē)距離較近而出現(xiàn)漏檢。沒(méi)有車(chē)輛經(jīng)過(guò)時(shí)的差分運(yùn)算結(jié)果如圖4所示，行人經(jīng)過(guò)時(shí)如圖5所示，車(chē)輛經(jīng)過(guò)時(shí)如圖6所示。

圖4　沒(méi)有車(chē)輛通過(guò)時(shí)的差分結(jié)果

圖5　行人經(jīng)過(guò)時(shí)的差分結(jié)果

圖6　車(chē)輛通過(guò)時(shí)的差分結(jié)果圖

上述各圖中，虛線內(nèi)為a段檢測(cè)區(qū)域?qū)?yīng)的像素點(diǎn)，其余為b1段與b2段對(duì)應(yīng)的像素點(diǎn)。由圖4可知，由于存在噪聲干擾，在沒(méi)有運(yùn)動(dòng)物體經(jīng)過(guò)時(shí)，其差分結(jié)果在0值附近正負(fù)隨機(jī)分布。由圖5可知，行人占據(jù)的像素點(diǎn)明顯少于車(chē)輛。由圖6可知，a段內(nèi)各點(diǎn)的差分結(jié)果均小于0且差值基本相等，說(shuō)明車(chē)輛的灰度值小于路面的灰度值；此外a段各點(diǎn)差值的絕對(duì)值明顯大于b段兩點(diǎn)最值的絕對(duì)值，這是由于攝像機(jī)清晰度不高和車(chē)輛邊緣平滑導(dǎo)致的，將b段中最值附近幾點(diǎn)的差值相加并取絕對(duì)值，可發(fā)現(xiàn)其和接近于a段的平均值，對(duì)應(yīng)了灰度值的變化幅度。

1.3背景建立算法的改進(jìn)

背景的建立與差分運(yùn)算的準(zhǔn)確性密切相關(guān)。由于道路環(huán)境復(fù)雜，天氣的影響，以及DSP的可操作性，目前主要使用背景自適更新法或者多次幀間差分平均法［7］，但是鑒于本文是基于地下車(chē)庫(kù)的車(chē)輛檢測(cè)，其外界環(huán)境簡(jiǎn)單，不易受到天氣影響，可直接捕捉畫(huà)面作為背景幀，因此在減少算法運(yùn)算量的同時(shí)準(zhǔn)確性也得到保證。

此外無(wú)論使用哪種方法確立的背景均為單一背景，當(dāng)車(chē)輛顏色與路面顏色相近時(shí)，差分運(yùn)算無(wú)法準(zhǔn)確辨認(rèn)出車(chē)體，導(dǎo)致了算法的局限性。本文采用備用背景幀輔助的方式，進(jìn)行車(chē)體辨認(rèn)，見(jiàn)式（3）。

式中，B（xn，yn）為真實(shí)背景幀內(nèi)一點(diǎn)的灰度值，A為根據(jù)實(shí)際情況設(shè)定的數(shù)值，B1（xn，yn）為備用背景幀內(nèi)一點(diǎn)的灰度值。當(dāng)前幀對(duì)真實(shí)背景幀和備用背景幀做差分運(yùn)算，若車(chē)體顏色與路面相近時(shí)，備用幀的差分結(jié)果會(huì)出現(xiàn)規(guī)律性變化；若車(chē)體顏色與路面不相似，真實(shí)背景幀的運(yùn)算結(jié)果會(huì)出現(xiàn)規(guī)律性變化。本文算法為了減少運(yùn)算量，只對(duì)檢測(cè)區(qū)域的背景進(jìn)行處理，設(shè)定A=-50。此外設(shè)定車(chē)輛通過(guò)后或30 min內(nèi)沒(méi)有車(chē)輛通過(guò)，更新虛擬檢測(cè)線區(qū)域的背景。

2　算法的DSP實(shí)現(xiàn)

算法的基本流程如圖7所示。

圖7　算法基本流程

對(duì)a段做的兩次差分運(yùn)算，只要有一組出現(xiàn)規(guī)律性變化（|a1|或|a2|大于50），則初步認(rèn)定為車(chē)輛通過(guò)。b1、b2段非邊緣點(diǎn)差分結(jié)果因?yàn)檎`差在0值附近正負(fù)隨機(jī)分布，邊緣點(diǎn)體現(xiàn)了灰度值的躍變，將所有點(diǎn)的差分結(jié)果相加，在抵消一定誤差的同時(shí)，灰度值的特征變化依舊得到保留。視頻檢測(cè)系統(tǒng)采用CCD攝像頭從道路中央以俯視的角度拍攝［8］，越靠近圖像底部的地方車(chē)輛間隔越大。根據(jù)這個(gè)特點(diǎn)，檢測(cè)線的位置應(yīng)設(shè)置在圖像底部。同時(shí)考慮到地下停車(chē)場(chǎng)限速，車(chē)輛在短時(shí)間內(nèi)不會(huì)出現(xiàn)較大的位移，為了減少運(yùn)算量，設(shè)定1 s內(nèi)對(duì)15幀畫(huà)面進(jìn)行處理。對(duì)地下停車(chē)庫(kù)進(jìn)行實(shí)地測(cè)試，如圖8、圖9所示。

圖8　實(shí)地測(cè)試圖1

圖9　實(shí)地測(cè)試圖2

3　運(yùn)算量對(duì)比及實(shí)驗(yàn)結(jié)果分析

基于背景差分的虛擬線框車(chē)流量檢測(cè)法是目前主流的視頻檢測(cè)法。將改進(jìn)的算法在運(yùn)算量與上述算法進(jìn)行對(duì)比，如表1所示。

表1　運(yùn)算量對(duì)比

根據(jù)攝像機(jī)高度及拍攝角度等實(shí)際情況，本文算法設(shè)定W1=130，W2=100。背景差分法一般設(shè)定W略小于車(chē)寬，L為車(chē)身的 1/3［9］，設(shè)定 W=240，L= 220。由上表可知，對(duì)于每一幀畫(huà)面，背景差分法在車(chē)輛判定上需要105 600次減法運(yùn)算，車(chē)輛計(jì)數(shù)需要52 800次加法運(yùn)算，總計(jì)158 400次加減運(yùn)算；而改進(jìn)后的算法對(duì)于每一幀畫(huà)面，在車(chē)輛判定上需要260次減法運(yùn)算，車(chē)輛計(jì)數(shù)需要396次加減法運(yùn)算，若背景更新需要130次加法或減法運(yùn)算，總計(jì)786次加減運(yùn)算。可直觀的發(fā)現(xiàn)本文算法在運(yùn)算量上與目前主流算法相比，減少了3個(gè)數(shù)量級(jí)，大幅度減少了運(yùn)算量，提高了車(chē)流量視頻檢測(cè)的實(shí)時(shí)性。同時(shí)為了檢驗(yàn)該算法的有效性，對(duì)地下停車(chē)場(chǎng)的單車(chē)道進(jìn)行了測(cè)試，實(shí)驗(yàn)結(jié)果如表2所示。

表2　實(shí)驗(yàn)結(jié)果

漏檢是因?yàn)檐?chē)輛跨線或壓線行駛，導(dǎo)致b段不能確定車(chē)輛的邊緣。由實(shí)驗(yàn)效果可知，本算法在單車(chē)道這種特定場(chǎng)合下，有優(yōu)良的檢測(cè)試結(jié)果，能滿足地下停車(chē)場(chǎng)實(shí)際場(chǎng)合的工程需求。

4　結(jié)論

該算法在利用同幀內(nèi)對(duì)相鄰像素點(diǎn)做差分運(yùn)算的思想，大幅度減少了運(yùn)算量；改進(jìn)原有的車(chē)輛檢測(cè)提取方式，解決了低車(chē)距行駛而造成漏檢的問(wèn)題；增加了備用背景幀輔助車(chē)輛檢測(cè)，解決了車(chē)體顏色與路面相近而不易判定的問(wèn)題；算法簡(jiǎn)潔，易于推廣，增強(qiáng)了DSP平臺(tái)的可移植性。如何解決由車(chē)輛壓線、跨線行駛而造成的漏檢是下一步努力改進(jìn)的方向。

［1］ Tomizuka M.Automated Highway Systems：An Intelligent Transportation System for the Next Century［J］.IEEE International Symposium on Industrial Electronics，1997（1）：1-4.

［2］ 袁國(guó)武，陳志強(qiáng)，龔健，等.一種結(jié)合光流法與三幀差分法的運(yùn)動(dòng)目標(biāo)檢測(cè)算法［J］.小型微型計(jì)算機(jī)系統(tǒng)，2013（3）：668-671.

［3］ 屈晶晶，辛云宏.連續(xù)幀間差分與背景差分相融合的運(yùn)動(dòng)目標(biāo)檢測(cè)方法［J］.光子學(xué)報(bào)，2014，7：219-226.

［4］ 肖兒良，毛海軍，鞠軍平，等.基于開(kāi)源軟件MJPG_Streamer的智能視頻監(jiān)控系統(tǒng)設(shè)計(jì)［J］.微電子學(xué)與計(jì)算機(jī)，2013：84-87.

［5］ 郭玲.智能交通監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測(cè)的算法研究［D］.廣州：華南理工大學(xué)，2013：11-13.

［6］ 劉小寧，陳曉冬，郁道銀.基于DSP的運(yùn)動(dòng)目標(biāo)識(shí)別與跟蹤系統(tǒng)的設(shè)計(jì)［J］.電視技術(shù)，2010（22）：107-110.

［7］ 徐永輝，楊京禮，林連累.TMS320DM642DSP原理與應(yīng)用實(shí)踐［M］.北京：電子工業(yè)出版社，2012：123-124.

［8］ 魏巍，李志慧，趙永華，等.基于智能相機(jī)的混合交通流檢測(cè)方法［J］.吉林大學(xué)學(xué)報(bào)（工學(xué)版），2013（4）：866-870.

［9］ 孫志海，朱善安.視頻運(yùn)動(dòng)目標(biāo)檢測(cè)及跟蹤算法測(cè)試平臺(tái)設(shè)計(jì)與實(shí)現(xiàn)［J］.電子器件，2009，32（1）：97-99.

王驍（1990-），男，漢族，陜西漢中，中北大學(xué)儀器與電子學(xué)院碩士，主要研究DSP信號(hào)處理，valor98@aliyun.com；

李博（1972-），男，漢族，山西隰縣，中北大學(xué)，碩士生導(dǎo)師，副教授，主要研究方向?yàn)榫軝z測(cè)設(shè)備、嵌入式電子電路系統(tǒng)，libo@nuc.edu.cn；

張碩（1990-），男，漢族，江蘇徐州，中北大學(xué)儀器與電子學(xué)院碩士，主要研究DSP信號(hào)處理，946154458@qq.com。

An Improved DSP Based Algorithm for Underground Parking Lot Traffic Flow Detection

WANG Xiao，LI Bo*，ZHANG Shuo
（Key Laboratory of Instrumentation Science&Dynamic Measurement，Ministry of Education，North University of China，Taiyuan 030051，China）

Concerning about the defects that the current DSP based traffic flow detection algorithm has poor real time performance and high miss detection rate，an improved single-frame image differential algorithm was proposed. The proposed method is based on the TMS320DM642 DSP platform and realized underground parking lot traffic flow video detection.Differential operation is applied on the gray value of one detection line in a single frame image.The characteristics of the vehicles are extracted by the analysis of the gray value to make one dimension processing possible，taking place of conventional two dimension processing.In addition，the algorithm utilizes the dual-frame background to relieve the miss detection rate.The experiment result shows that the algorithm complexity is reduced by 3 orders and the accuracy reaches 93%which proves the proposed algorithm to be a practical and efficient method.

video detection；traffic flow detection；intelligence algorithm；TMS320DM642

TP391.4

A

1005-9490（2016）03-0741-05

EEACC：7210G10.3969/j.issn.1005-9490.2016.03.047