2019-09-18
摘要：车流量检测是城市智能交通的关键技术之⼀，针对⽬前视频检测算法复杂度⾼、检测准确率不⾼的问题，提出了⼀种快速车流量检测算法，该算法通过划定进⼊和离开检测线。并结合背景差分⽅法，将⽬标的⾯上检测，转化为线上检测，避免了对⽬标复杂的跟踪过程及其带来的检测误差，有效降低了算法的复杂度，提⾼了检测的准确率，实验表明，该算法能够快速分车道检测车辆，计算复杂度低，检测准确率⾼，且具有车辆速度测量能⼒，能够为智能交通系统提供必要的⽀持。 关键词：智能交通系统；车流量检测；背景差分；检测线
DoI：10.15938/j.jhust.2016.04.004
中图分类号：TP391
⽂献标志码：A
⽂章编号：1007―2683（2016）04―0019-06机器视觉定位
0引⾔近年来，城市交通压⼒⽇加严峻，车辆拥堵现象越发普遍，智能交通系统作为⼀种前景⼴阔的解决⽅法，能够为交通拥堵提供早期预警，及时疏散车流，因⽽得到了⼈们的⼴泛重视，要实现智能交通系统，⾸先要能够实时⽽准确地掌握道路上的车流量、车速、车型等交通参数信息，⽬前，获取这些信息，主要有3种⽅法，第⼀种是接触式检测，将感应装置埋藏于路⾯之下的，当车辆通过时，引起感应装置的响应，从⽽得到所需要的交通流量信息，这种⽅法的安装维护较为困难，随着车辆的增多，导致这类装置使⽤寿命较短，路基下沉、冰冻等也会影响采集系统的使⽤，且该种系统难以对车辆的速度进⾏有效监测，第⼆种⽅法是波频检测，主要有微波、红外、超声波三种，利⽤返回频率差或者时间差来检测车辆，这种⽅法受到天⽓的影响较⼤，且成本较⾼，第三种⽅法是视频检测⽅法，这种⽅法利⽤计算机视觉技术获取道路交通的参数，具有安装维护简单、成本低廉等优点，⽬前，车辆视频检测技术⽬前仍处于快速发展阶段，
车辆的视频检测技术，利⽤交通路⼝的视频探头，获取车辆通⾏的视频画⾯，然后利⽤视频或者图像处理的⽅式，获取车辆的动态信息，从⽽实现对车流量的实时监控，常⽤的处理⽅法有：相邻帧差法、边缘检测法、背景差分法，相邻帧差法通过提取相邻图像帧的变化量检测⽬标，容易受到树⽊、⾏⼈、光线等变化信息的影响，导致检测概率不⾼；边缘检测法在车辆边缘不明显的情况下容易造成漏检；背景差分⽅法由于较好的可靠性受到了更⼤的重视，⽂提出了混合⾼斯背景模型的⽅法，在初期采⽤新的权值和⽅差更新⽅法，获得了较好的性能，⽂研究了基于⾼斯混合模型的多车道车流量检 测算法，运⽤⾼斯混合模型对检测带进⾏背景建模，实现了多车道车流量检测，⽂提出基于差异深度积累的⽬标检测算法和基于卡尔曼滤波的⽬标跟踪算法，实现了多运动⽬标的检测与跟踪，以上这些背景差分算法在进⾏车流量检测时，都是以车辆⽬标为中⼼，且其整个背景的维护需要⽤到整个视频探头可以捕捉的画⾯，算法设计较为复杂，且背景容易受到树⽊抖动的影响，造成检测概率不⾜。
本⽂提出⼀种快速车流量检测的实⽤算法，通过划定可以调节宽度的检测线，仅仅在检测线上采⽤背景差分⽅法，对⽬标进⾏检测，由于需要处理的数据由原来的整个⾯，减少为⼀条线，即从⼆维图像数据转变为少量的⼀维数据，使得计算量⼤⼤减少；同时，检测线的选取可以有效避开树⽊等抖动背景，使得背景更加稳定，检测概率更⾼，在完成原有算法的多车道检测基础上，本⽂算法实现快速实现车流量、车速的检测，具有更好的检测概率和更低的计算复杂度，
保健牙膏本⽂主要介绍了算法的预备⼯作，给出了算法的主要步骤和关键环节，利⽤实测数据对本⽂算法和已有算法进⾏了对⽐分析，最后对本⽂进⾏了⼩结，
高压
1.车流量检测的预备
交通视频的相近帧之间蕴藏着⼤量的车辆运动信息，如图1所⽰，采⽤合适的⽅法将这些运动信息检测和提取出来，就能够达到提取场景内交通参数的⽬的，图2所⽰为车辆检测的基本过程，⾸先需要从视频中提取数字图像序列，对每⼀帧进⾏预处理、形态学处理，最后进⾏⽬标的检测，其中，对图
像的预处理以及形态学处理⽅法是整个车辆检测算法的预备⼯作，
1.1图像预处理
实际采集到的交通流视频都会受到噪声等的影响，会使得车辆检测的准确率变差，所以，在进⾏检测车流量之前，需要对图像进⾏⼀系列预处理主要包括：灰度化、滤波、⼆值化等。
彩⾊图像的灰度化：彩⾊图像的数据量较⼤，为了减⼩运算量，提⾼后续算法的速度和应⽤实效，需要将彩⾊的交通流视频图像进⾏灰度化处理，本⽂算法采⽤⼯程中常⽤的加权平均法来对图像进⾏灰
图像滤波：在视频图⽚中，由于受到椒盐噪声影响，导致个别像素起伏较⼤，因此，还需要对其进⾏平滑滤波处理，为了实现快速车辆检测，本⽂算法采⽤较为经典的中值图像滤波，中值滤波的基本原理是利⽤⼀个滑动窗⼝，该滑动窗⼝依次滑过图像的所有像素点，对滑动窗⼝内对应的像素点的灰度值进⾏排序，这些像素点灰度值的中值，即为中值滤波后图像在该点的灰度值，计算公式为：
经过灰度化、图像滤波、⼆值化处理以后，所得到的是包含车辆信息的⼆值图像，其特点为背景变化较⼤的区域为1，较⼩的
区域为0，也即有车辆通过时，在车辆覆盖的区域内为1，其他区域为0，然⽽，由于受到环境噪声、车辆⾊差等影响，导致得到的0、1区域与实际的情况存在偏差，需要对其进⾏进⼀步的形态学分割处
理，
1.2形态学处理
由于车辆的某些部位与路⾯可能存在着灰度差别较⼩的情况，因此，⼆值化图像含有很多的空洞，这些空洞较⼤时，检测时会造成漏检的情况，当空洞⼤到使⼀辆车的图像破裂成不连通的两块甚⾄多块的情形时，⼜会造成多检的情况，此外，环境噪声，如树⽊的抖动，可能使得⼆值图像产⽣⼀些少量的l，严重时也可能造成车辆计数增加，为了去除空洞以及其他噪声的影响，还需要对⼆值图像进⾏进⼀步的形态学处理，
常⽤的形态学处理⽅法有腐蚀、膨胀、开运算、闭运算等，腐蚀算法可以⽤来消除图像上微⼩⽽⽆意义的物体，主要⽤于消除噪声，如图3所⽰（⽩⾊部分为l，⿊⾊部分为0），其基本原理是⽤结构元素扫描图像中的每⼀个像素点，⽤结构元素与其覆盖的图像区域的像素点相与，若结果全为l，则图像中该像素点为1，否则为0，膨胀运算可以将⽬标图像边界向外扩张，从⽽弥合⽬标图像中存在的裂缝和空洞，主要⽤于处理⼆值图像中的空洞，如图4所⽰（⽩⾊部分为1，⿊⾊部分为0），其基本原理是⽤结构元素扫描图像像素点，和图像像素点做“或”运算，若结果全为O，则图像该像素点为0，否则为1
实际应⽤中单独运⽤腐蚀或膨胀运算难以达到理想的效果，因⽽往往采⽤膨胀和腐蚀组合起来⽅法对
图像进⾏形态学处理，先对图像进⾏膨胀运算，⽽后再进⾏腐蚀运算的过程称为闭运算，闭运算可以有效消除⼆值化图像中的空洞和裂缝，因此，本⽂算法的车流量检测系统中采⽤闭运算对⼆值图像进⾏形态学处理，以提⾼检测性能，
2.车辆检测算法
运动车辆的检测算法是基于视频的车辆检测系统的核⼼和关键，本⽂提出了基于检测线的背景差分⽅法，该⽅法通过划定检测线的⽅式，将所有的图像预处理、形态学处理、⽬标检测等全部集中在检测线上进⾏处理，与传统基于整个画⾯的检测⽅式相⽐，具有极低的复杂度和较⾼的检测概率，本⽂的车流量检测算法的流程图如图5所⽰，
⾸先读取视频，将其转化为灰度图像，读取事先设置好的检测线坐标上的图像数值，进⾏中值滤波、⼆值化处理、形态学处理，最后判定车辆，从⽽实现车流量检测和车速的监测。
2.1检测线的设置
wo318
划定检测线是本⽂算法的关键环节之⼀，在车道上设置⼀条与车道垂直的虚拟检测线，其作⽤类似于埋设于公路上的感应线圈，当视频图像中有车辆⽬标通过检测线时，检测线上的像素值就会发⽣变化，通过的物体越⼤，检测线上发⽣变化的像素点数⽬就会越多，设定⼀个阈值，通过统计发⽣变化像素点数⽬是否超过阈值来判断是否有车辆通过检测线，
虚拟检测线的长度以及具体的放置位置应该根据车辆⾏驶路线和道路的具体情况确定，如图6所⽰，其中第⼀条为车辆的进⼊检测线，第⼆条为车辆的离开检测线，检测线的具体原则有以下⼏点：
1）检测线应设置为与车道垂直；
2）宽度与车道宽度相同；
3）尽量避开树⽊等⼲扰物；
4）进⼊和离开检测线之间的宽度⼩于最⼩车距。
在上述检测线划定的基础上，为了提⾼检测率，本⽂算法将检测线进⼀步改进，将其划定为宽检测线，如图7所⽰，
具体⽅法为根据检测线穿过的像素⽹格，向上下进⾏扩展，按顺序将像素值保存在⼀维数组中，图7中，经扩展以后的线宽为3，
2.2⽬标的判别和速度的测量
对于⽬标的判别，可以利⽤⼆值化以后的数组，当检测线上的⽬标像素为1的点数⼤于某⼀阈值时，
即认为检测线上有车辆⽬标经过，当⽬标先后通过进⼊线和离开线时，判定有⽬标，否则判定⽆车辆，显然，在判定过程中，阈值取得过⼤，则可能造成漏检；阈值取得过⼩，则会将⾏⼈、⾃⾏车、摩托车或其他⼲扰等判断为车辆，造成多检，阈值可以采⽤相对值，即相对于车道的宽度值，由于通常情况下，车辆占⽤车道的宽度⽐例相对较为固定，采⽤相对值，可以提⾼检测的正确率，
对于速度的测量，可以记录⽬标通过车道进⼊线的时间t1（从视频帧时间得到）和通过车道离开线的时间t2显然，车速的计算公式为：其中s表⽰进⼊线和离开线之间的实际距离，
2.3差分背景的建⽴与更新
多媒体教室录播差分背景的建⽴与维护是实现本⽂算法的另⼀个关键环节，背景差分的基本原理就是利⽤帧图像与背景图像之间的差值来判断图像中是否存在车辆以及车辆的运动信息，背景图像的选择对背景差分的效果有直接的影响，对于初始背景的建⽴，本⽂采⽤对前Ⅳ帧图像求平均的⽅法，获取初始背景图像：
提取背景后，就可以对视频图像进⾏差分运算处理，但是实际路⾯背景是随时间变化的，为了适应这种变化，算法中的背景图像也应该随着时间⽽更新，算法采⽤加权的背景更新的算法，更新策略为：
贴花纸其中：Bk（i.j）表⽰第K帧之后的背景；fk（i.j）表⽰第K帧图像；a表⽰当前帧在背景更新中的加权系数，⼀般情况下，α可取值为O，1，显然，上述更新过程中，当有车辆通过时，不更新背景；当没有车辆通过时，对背景进⾏加权更新，利⽤上述⽅法获取背景图像后，即可获取差分图像
3.实验结果与分析
为了验证本⽂算法的可⾏性，利⽤实际的交通路⼝视频进⾏实验，对⽐本⽂算法与传统算法的准确率、复杂度等，
3，1评价标准
为了测试系统的实际检测准确率，将算法检测的车辆数和⼈⼯计数车辆数进⾏⽐较，⽤漏检率、虚警率、准确率这3个指标来评价系统的检测效果，其各⾃定义如下：
3，2检测概率对⽐分析
采⽤某路段同⼀监控点的⽩天和夜晚的交通流视频来对本⽂算法进⾏测试，实验结果如下表所⽰：
从表1和表2的检测结果中可以看出，本⽂的车流量检测算法的检测准确率在⽩天达到91.9%，夜间达到88.3%，与⽂相⽐，分别提⾼了3.6%和3.4%；与⽂相⽐，分别提⾼了2.4%和2.5%，其主要原因是本⽂采⽤了宽检测线⽅法，所有的检测都在线上进⾏，避免了整个图像背景噪声抖动对检测的影响，且所采⽤的去噪⽅法较好的抑制了噪声的⼲扰，
3.3计算复杂度对⽐分析
从计算量来说，若视频图⽚像素⼤⼩为N×M维的，则算法输⼊的数据量⼀般为N×M级别，⽽本⽂算法通过划定检测线，根据检测线划定的⽅向，所需要参与计算的数据量约为n×M，其中n为检测线的宽度，由于n《N，显然计算量较传统算法⼤为减少，
4.结论
车流量、车速等是交通管理和拥堵预警所需的基本信息，本⽂结合实际需要，提出了⼀种快速车流量检测⽅法，通过划定宽检测线，⼤⼤减少了算法复杂度和系统开销，算法实验表明，本⽂算法可以实时、准确地检测出交通流视频图像中的车辆，检测的准确率明显提⾼，具有较好的适应性和性。
注：本⽂为⽹友上传，不代表本站观点，与本站⽴场⽆关。
好⽂章需要你的⿎励
你需要服务吗？
提供⼀对⼀服务，获得独家原创范⽂
了解详情
期刊发表服务，轻松见刊
提供论⽂发表指导服务，1~3⽉即可见刊
了解详情
被举报⽂档标题：⼀种快速车流量检测算法
被举报⽂档地址：
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议