鄧向林
摘要:交通智能化管理是智慧型交通系統(tǒng)的重要功能之一,當(dāng)?shù)缆钒l(fā)生交通堵塞時(shí),系統(tǒng)能及時(shí)發(fā)現(xiàn)并相應(yīng)進(jìn)行疏導(dǎo)。目前對(duì)于路況實(shí)時(shí)視頻的監(jiān)控方法側(cè)重于白晝時(shí)段,而對(duì)于夜間條件下則因?yàn)楣庠辞闆r復(fù)雜難以應(yīng)用。本文提出一種適用夜間實(shí)時(shí)交通狀況檢測(cè)的方法,通過(guò)分析影像畫面的光源亮度平衡及色彩調(diào)整,識(shí)別其中車輛剎車燈光及其光暈像素特征,并依據(jù)此類像素在連續(xù)畫面中的變化情況判斷所檢測(cè)路口交通擁擠程度。實(shí)驗(yàn)結(jié)果表明,檢測(cè)正確率在80%以上。
關(guān)鍵詞:智慧交通;像素分析;夜間路況偵測(cè)
中圖分類號(hào):TP391 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1009-3044(2016)24-0217-02
1 研究背景
機(jī)動(dòng)車數(shù)量的快速增長(zhǎng)與道路運(yùn)輸能力不足之間的矛盾使城區(qū)交通擁塞不可避免。為提高道路運(yùn)輸效率,減少交通擁擠時(shí)間,各國(guó)政府對(duì)智慧交通系統(tǒng)(Intelligent Transportation Systems, ITS)的開(kāi)發(fā)與應(yīng)用日益重視。其中,視頻監(jiān)控系統(tǒng)的運(yùn)用較為廣泛,通過(guò)實(shí)時(shí)路況采集為交通調(diào)度提供第一手的信息,能有效地緩解在高峰時(shí)刻的擁擠現(xiàn)象。在白晝時(shí)段,此時(shí)交通環(huán)境的光照條件好,對(duì)前景物體的偵測(cè)與判定較為容易[1];在光源復(fù)雜的夜間,則多采用偵測(cè)車頭燈的方法來(lái)采集或識(shí)別夜間交通信息,但當(dāng)出現(xiàn)多部車輛并排或擁塞時(shí),光源集中且出現(xiàn)光暈擴(kuò)散,導(dǎo)致交通信息的采集困難[2-3]。由于都市生活的特點(diǎn),城市在夜間的交通流量與日間相比差距不大,對(duì)夜間交通狀況的監(jiān)控需求更為迫切。
2 文獻(xiàn)研究及建模
對(duì)視頻畫面中的前景物體偵測(cè)技術(shù)主要有三種:背景相減法、時(shí)間差異法、光流分析法。其中背景相減法是通過(guò)事先建立背景模型,然后將目前的影像畫面與背景模型做相減后比對(duì)得出前景物體的像素的方法。該方法運(yùn)算較快且實(shí)現(xiàn)簡(jiǎn)單,也是目前廣泛使用的方法,但如果畫面中有背景變化(如樹(shù)枝劇烈搖晃)則會(huì)增加識(shí)別的難度。時(shí)間差異法則是通過(guò)連續(xù)畫面的相減識(shí)別前景物體,與背景相減法相似,但不能識(shí)別靜止物體。光流分析法是以一張影像畫面上的某一個(gè)點(diǎn)為基礎(chǔ),找出其他影像畫面同時(shí)具有一致性的像素點(diǎn),較適合應(yīng)用在追蹤獨(dú)立移動(dòng)物體,但運(yùn)算較慢。
Li等人曾提出一種以活動(dòng)基模型(Active Basis Model,ABM)為基礎(chǔ)的圖形結(jié)構(gòu)車輛偵測(cè)方法,在車輛正向是用擋風(fēng)玻璃的圖形結(jié)構(gòu),反向則是用車輛尾燈的圖形結(jié)構(gòu)檢測(cè)車輛;此方法耗時(shí)且對(duì)不同車型須手動(dòng)設(shè)置系統(tǒng)參數(shù),難以在實(shí)時(shí)交通監(jiān)控系統(tǒng)中應(yīng)用[4]。Liu&Luo對(duì)此提出了一種改進(jìn)方法,以霍夫轉(zhuǎn)換法偵測(cè)所需觀察的區(qū)域,并利用車輛擋風(fēng)玻璃與引擎蓋之間的邊界統(tǒng)一車輛數(shù)目,該法在車輛出現(xiàn)擁擠時(shí)也可快速準(zhǔn)確的判斷車輛數(shù)量,但只限于光源充足的環(huán)境使用[5]。
由于對(duì)于夜間的影像常用的識(shí)別方式是通過(guò)對(duì)畫面上的光源觀察來(lái)辨識(shí)物體,假設(shè)夜間在發(fā)生擁塞時(shí),那么必然出現(xiàn)多部車輛的減速或剎車情況,此時(shí)車輛后部的剎車燈將亮起。影像畫面顯示,當(dāng)剎車為常踩狀態(tài)時(shí),剎車燈的紅色亮度會(huì)比未踩剎車時(shí)更加明亮,其光暈部分也較為明顯(見(jiàn)圖1),因此可以通過(guò)識(shí)別剎車燈及其光暈變化來(lái)判斷是否發(fā)生擁塞。
3 實(shí)驗(yàn)情況與分析
系統(tǒng)以Microsoft Visual Studio 2012為開(kāi)發(fā)工具,使用程序語(yǔ)言為C#,視頻采集設(shè)備為固定式槍型攝像機(jī),采集的影像大小為720×480 Pixels,畫面時(shí)間間隔為10幀/秒,在交通高峰時(shí)段采集,圖像文件以AVI格式保存。當(dāng)系統(tǒng)判定影像連續(xù)畫面出現(xiàn)擁塞時(shí),記錄發(fā)生擁塞的起始時(shí)間點(diǎn);系統(tǒng)判定交通順暢時(shí),則記錄交通擁塞的結(jié)束時(shí)間點(diǎn)。將系統(tǒng)判斷的擁塞起始點(diǎn)與結(jié)束時(shí)間點(diǎn)與人工識(shí)別情況對(duì)比,若兩者比對(duì)小于偏差,認(rèn)為系判斷的擁塞情況為正確。測(cè)試結(jié)果顯示,系統(tǒng)的正確識(shí)別率為84.6%。
對(duì)于系統(tǒng)出現(xiàn)誤判的原因,主要有以下兩種。其一是部分道路的紅綠燈在深夜的時(shí)候會(huì)將具有規(guī)則性的紅綠燈變化切換為閃黃燈或閃紅燈,造成系統(tǒng)對(duì)所采集的影像進(jìn)行亮度的平衡及色彩調(diào)整處理時(shí)出現(xiàn)偏差;其二是在城市道路的多線道路口會(huì)以紅、黃、左轉(zhuǎn)綠箭頭、前行綠箭頭、右轉(zhuǎn)綠箭頭等信號(hào)燈組合來(lái)管制車流,對(duì)于左轉(zhuǎn)車輛需要等到左轉(zhuǎn)綠箭頭亮?xí)r才能放行,此時(shí)系統(tǒng)判斷時(shí)會(huì)誤判為交通擁塞。
運(yùn)用本研究的方法能有效識(shí)別夜間城區(qū)交通的擁擠情況,對(duì)于出現(xiàn)誤判的情況,希望能在交通畫面的關(guān)注區(qū)域增加車道分割并識(shí)別當(dāng)時(shí)的紅綠燈燈號(hào),以提高系統(tǒng)判定的正確率。
參考文獻(xiàn):
[1]Kong J, Zheng Y, Lu Y, et al. A novel background extraction and updating algorithm for vehicle detection and tracking[C],Proc. IEEE Int. Conf. Fuzz. Syst.Knowl. Discovery, 2007:464 -468.
[2] Chen T H, Chen J L, Chen C H, et al.Vehicle detection and counting by using headlight information in the dark environment[C]. In Intelligent Information Hiding and Multimedia Signal Processing, 2007,IIHMSP 2007, Third International Conference on, 2007, 2(1):519-522, Nov..
[3]Zhang W, Wu Q M J, Wang G,et al.Tracking and pairing vehicle headlight in night scenes[S]. IEEE Trans Intell Trans Sys, 2012,13(1):140-153.
[4]Li B Y,Tian B Li, Yao Q M.Vehicle detection based on the and-or graph for congested traffic conditions[C] .accepted, 2013,14(5): 984-993.
[5]Liu Junwei, LuoShaokai.A novel image segmentation technology in intelligent traffic light control systems[C].Consumer Electronics, Communications and Networks (CECNet), 2013 3rd International Conference on, 2013:26-29,.