基于機器視覺的交通流量檢測技術略談

摘 要：隨著經(jīng)濟的快速增長，國內(nèi)汽車保有量有了持續(xù)快速的增長。汽車數(shù)量的大量增長給城市交通帶來了巨大的壓力，出現(xiàn)了交通擁堵等一系列問題，制約了各地區(qū)的社會進步和經(jīng)濟發(fā)展。提高道路通行能力、減少交通擁堵、減少交通事故等問題亟待解決。本文主要研究交通流檢測領域中的多目標運動車輛檢測與跟蹤技術。由于監(jiān)控視頻所處的環(huán)境、場景、目標和干擾的多樣性，有必要研究移動多目標的檢測與跟蹤技術，以便更好地將交通流檢測應用于交通監(jiān)控視頻中?；诙嗄繕藱z測與跟蹤的基本理論，提出了一種基于視頻的運動車輛檢測與跟蹤方法。針對復雜的城市交通環(huán)境，采用Kalman濾波對視頻序列中的車輛目標進行跟蹤和計數(shù)。

關鍵詞：機器視覺;交通流量;智能交通;車輛跟蹤

引言

隨著道路擴建的難度越來越大，如何更合理有效地利用現(xiàn)有的交通設施成為人們關注的焦點。然而，智能交通的產(chǎn)生打破了這個局面，智能交通將物聯(lián)網(wǎng)、自動控制、云計算等現(xiàn)代電子信息技術應用于交通領域。交通流檢測是智能交通的重要組成部分，負責采集道路交通流、車道占用率、交通事故信息等各種參數(shù)，交通流檢測有助于了解交通狀況，合理處理交通問題，減少道路擁堵，充分利用交通設施。

傳統(tǒng)的交通流檢測主要分為車輛檢測和車輛跟蹤兩部分。對于傳統(tǒng)的交通流檢測方法來說，大部分的交通信息采集都是由單一的車輛檢測器完成的，而車輛信息的提取較少，因此能夠得到的車輛信息很少且不精確。一般情況下，只能檢測到車速、行駛方向等信息，無法準確確定車輛的形狀、顏色、品牌、型號等信息，因此在案件監(jiān)控、公安檢查、圖像檢索等方面沒有很好的效果，區(qū)域車輛大數(shù)據(jù)分析等，所以不能更好的使用。為了解決這些問題，本文將車輛檢測與車型識別相結合，對傳統(tǒng)的流量監(jiān)測方法進行了補充。通過機器學習的方法，對多角度交通車輛進行檢測，對檢測到的車輛前景圖進行細粒度識別，并對車型、品牌等信息進行判斷。

一、基于CNN的車輛檢測與分類

利用CNN在圖像特征深度提取方面的優(yōu)勢，將其應用于目標檢測和目標分類。針對傳統(tǒng)目標檢測方法存在的各種問題，提出了一種基于深度CNN的方法，克服了傳統(tǒng)方法的缺陷，實現(xiàn)了前景和背景的精確分離，實現(xiàn)了車輛目標檢測的同時識別和分類，有助于實現(xiàn)細粒度的流量檢測管理。

基于Faster R-CNN的車輛檢測

在交通道路車輛檢測中，傳統(tǒng)的背景差分、幀差分等方法對前景對象（車輛）的檢測精度較低（交通擁擠、車輛遮擋、車輛非法駕駛等會導致前景提取失敗）、識別粒度大（僅對車輛進行粗分類）大型車和小型車根據(jù)前景塊面積大小），環(huán)境干擾大（背景受氣候和日大影響大）;基于光流法和圖像特征法的車輛檢測技術也受環(huán)境干擾等復雜因素的影響，光照變化、車輛遮擋等，只能在特定條件下工作，且車輛檢測魯棒性差。但實際城市交通流視頻監(jiān)控設備的安裝方式和工程環(huán)境不規(guī)范，采集到的視頻流有不同的拍攝角度，使得傳統(tǒng)的方法無法滿足不同條件下的車輛檢測要求。本文提出了一種基于深度CNN的方法，克服了傳統(tǒng)方法的不足，同時實現(xiàn)了車輛目標檢測和車輛分類。

二、基于Kalman的運動車輛跟蹤

目標跟蹤算法跟蹤運動車輛和行人，并預測其速度和未來位置?；谟嬎銠C視覺的目標跟蹤在智能監(jiān)控、自動駕駛等領域發(fā)揮著重要作用。目標跟蹤問題分為單目標跟蹤和多目標跟蹤。本文主要研究自然場景中的多目標跟蹤問題。

1、車輛跟蹤

一般情況下，跟蹤目標的數(shù)量是不固定的，跟蹤目標可以從某一特定跟蹤區(qū)域的入口進入，也可以從出口離開。多目標跟蹤問題跟蹤某一類型的多個目標，但相似目標在外形和輪廓上具有一定的相似性。因此，為了準確跟蹤多目標，需要解決以下問題：

（1）跟蹤目標之間的交互和遮擋處理。

（2）準確區(qū)分每個目標。

（3）對新目標的出現(xiàn)和老目標的消失的準確處理。

（4）當目標丟失后再次出現(xiàn)時如何識別問題。

為了解決上述問題，本文采用基于深度學習的Mask R-CNN算法檢測車輛位置信息，得到車輛位置幀和實際輪廓。本文訓練的Mask R-CNN模型能夠很好地分割目標的位置和輪廓，在復雜環(huán)境和夜間具有良好的檢測效果。

在理想的情況下，可以在圖像的每一幀中準確地獲得運動車輛目標的輪廓和位置，并在兩個相鄰的圖像幀之間正確地匹配每一個運動車輛目標，即可以確定每一車輛的運動軌跡。但是，由于Mask R-CNN無法正確檢測實際交通道路中每一幀中的車輛，車輛停車、換道、阻塞和擁擠等原因，運動車輛的連續(xù)圖像幀之間沒有固定的運動預測規(guī)律，使得Kalman濾波無法精確跟蹤多個運動目標。

2、基于改進Kalman濾波的運動車輛跟蹤

基于改進Kalman濾波的運動車輛跟蹤主要利用基于深度學習的Mask R-CNN算法獲取物體位置和輪廓信息，然后采用Kalman濾波對這些車輛輪廓進行運動狀態(tài)參數(shù)觀測和估計實現(xiàn)運動跟蹤。提出了一種基于Mask R-CNN算法進行車輛檢測識別的方法，該方法具備在復雜路況下檢測車輛輪廓的獨特優(yōu)勢;然后采用改進的Kalman濾波多運動目標跟蹤算法，在相鄰幀之間完成多目標車輛跟蹤與計數(shù)，能夠克服連續(xù)幀中存在的車輛識別的漏檢或誤檢問題。

三、結論

隨著城市道路結構越來越復雜，擁擠程度越來越高，交通流檢測技術有助于提高城市交通系統(tǒng)的運行效率，提高城市交通流控制的準確性和交通控制信號的科學定時，也是關鍵城市交通智能控制管理、交通流控制和交通誘導系統(tǒng)的技術基礎。

參考文獻

[1]吳正文.CNN在圖像分類中的應用研究[D].電子科技大學，2015.

[2]姚欽文.基于CNN的車臉識別研究[D].浙江大學，2016.

[3]鄧柳，汪子杰.基于深度CNN的車型識別研究[J].計算機應用研究，2016.

作者簡介：

鄒磊（1985-），男，廣西柳州人，大學本科（科科學與技術學士），北京信路威科技股份有限公司圖像算法工程師，研究方向：圖像與視頻分析技術在智能交通領域的應用.