基于固定視頻圖像的高速公路交通流參數(shù)檢測研究

曹鑫勝，韓一德

(1.山西省交通信息通信公司，山西 太原 030006；2.青海省高等級公路建設管理局，青海 西寧 810008)

1 研究背景與研究現(xiàn)狀

2015年，全國高速公路里程快速增長，總里程已經(jīng)達到11.7萬公里，位居世界第一。經(jīng)過兩年的快速發(fā)展，全國高速公路每年新增5000多公里的里程，到2017年我國高速公路總程突破13萬公里。在高速建設取得喜人成績的同時，中國的汽車和駕駛員的數(shù)量也在突飛猛進。2015年，小型載客汽車達1.36億輛，較2014年增長18%，私家車數(shù)據(jù)也逐年遞增，到2017年底，全國擁有私家車的家庭數(shù)量已達到4億多戶，相當于每三個家庭中就有一個家庭擁有一輛私家汽車，與此同時駕駛員人數(shù)也在快速增長。高速公路里程和機動車駕駛人員的迅速增長，在給人們生活帶來方便的同時，也激發(fā)了高速公路管理方的管理需求，如果對高速公路上的交通流量進行很好地監(jiān)測，從而為人們提供很好的交通信息，正在成為高速公路管理方越來越關心的問題。

交通狀況的分析其中很重要的一項內(nèi)容是對交通流參數(shù)的檢測，通過檢測交通流量，不僅可以為高速公路管理方日常運營管理提供支持，也是交通流理論研究、交通管理政策制定的重要依據(jù)。只有快速地采集、傳輸、利用交通信息，了解道路交通的運行狀況，才能根據(jù)不同狀況，迅速采取應對措施。交通流參數(shù)檢測技術主要包括環(huán)形線圈檢測、超聲波檢測、視頻檢測等。相比之下，視頻檢測具有明顯優(yōu)勢，易于安裝、維護方便、費用低、檢測范圍廣、信號能用多種方式傳輸、可以綜合分析不同區(qū)域的信息，且滿足實時要求。

國內(nèi)外有很多關于通過視頻來檢測交通流的研究，比如美國的教授Kofler，采用基于輪廓的方法來描述運動中的汽車，而Beymer教授則采用提取出角點特征來描述運動中的物體[1，2]，上海交通大學的專家們則將攝像機標定技術應用于交通流參數(shù)等。除此之外，基于視頻的檢測方法主要包括均值法、中值法、幀間差分法、單高斯模型、混合高斯模型、自適應混合高斯模型等等。

但部分算法存在一定的問題，如復雜度高，不適于實時交通流檢測；標定過程復雜，不適用于多個外場攝像機；精確度不夠高等，具體情況如表1[3,4]。

表1 前景檢測算法比較

從表1 可以看出，混合高斯模型與自適應混合高斯模型的精確度要遠高于其他算法。尤其值得一提的是，由于混合高斯模型對于微小重復運動的場景特別有效，比如樹葉的搖動、風扇在旋轉、光線反射等情況，使得該模型可以廣泛應用在復雜的視頻背景下建模。另外，基于像素的混合高斯模型能適應背景的微小變化，比如光線的逐漸改變，且算法的計算速度較快，因此在工程應用中有很好的適應性。

2 混合高斯模型介紹

2.1 交通流參數(shù)檢測中相關概念

2.1.1 背景與前景

交通流參數(shù)檢測，就是對高速公路中正在行駛的汽車或其他運動物體的檢測，因此統(tǒng)稱對運動物體的目標檢測。對運動目標參數(shù)提取的過程中，最重要的就是將背景和運動的目標進行區(qū)別，同時識別出運動目標。而交通流參數(shù)檢測模型構建的過程，是背景目標提取的一個重要環(huán)節(jié)。前景是指在假設背景為靜止的情況下，任何有意義的運動物體即為前景。

由于高速公路交通流參數(shù)檢測時，背景的特征在一段時間內(nèi)變化不大，因此可認為在短時間內(nèi)，背景的像素點服從高斯分布。當然，在工程應用中，背景也會發(fā)生微小的變化，比如光線反射、樹葉的搖動、風扇在旋轉，因此背景像素點不會呈現(xiàn)純高斯分布的現(xiàn)象，而是出現(xiàn)雙峰或多峰，因此必須采用混合高速分布的方式來建模，從而降低干擾。

2.1.2 運動物體檢測

在進行運動物體檢測時，根據(jù)攝像機是否固定分成兩種情況，一是攝像機固定時的檢測，另一個是攝像機移動時的檢測。根據(jù)行業(yè)內(nèi)通用的處理方案，攝像機移動時，使用光流法能很好地解決運動物體檢測的問題。光流法是指通過一個圖像序列中的圖像亮度模式來捕捉運動目標，即空間物體表面上的點的運動速度在視覺傳感器的成像平面上的表達[5]。

對于攝像機固定的運動物體檢測，也可以采用光流法，但由于該方法計算比較復雜，因此很難滿足工程中實時性的要求。大量的研究表明，使用混合高斯模型，可以有效地適應攝像機固定的運動物體檢測情況。因為在攝像機固定時，背景的變化是緩慢的，而且大多都是一些光線反射、微風吹過等微小的變化，這種場景特別適合使用混合高斯模型來建模，從而在圖像序列中快速地分離出背景和前景，從而達到運動物體檢測的目的。

2.2 傳統(tǒng)混合高斯模型

根據(jù)表1，混合高速模型經(jīng)常用于進行運動物體的檢測，但在工程應用中，該建模方法也存在一些不好解決的問題

1) 當運動物體在當前圖像中停止不動，或長時間停止不動時，該模型會失效，而這一點在高速公路領域經(jīng)常發(fā)生，也就是交通擁堵現(xiàn)象；

2) 在高速公路上，經(jīng)常會有大量的緩慢行駛的車輛，特別是接近市區(qū)的時候，而對于這種情況混合高斯模型無法適應，它只能檢測到汽車的部分輪廓，無法提取出完整的目標；

3) 當大量緩慢行駛的車輛從慢速轉變?yōu)檫\動時，該算法會出現(xiàn)“影子”現(xiàn)象，即將背景區(qū)域檢測為前景。

2.3 自適應混合高斯模型

基于以上問題我們選擇了自適應混合高斯模型算法，它的主要思想是將混合高斯模型中的模型個數(shù)改進為自適應的，能滿足不同情況下所需要的高斯核。

1) 用第一幀圖像對高斯混合模型進行初始化：

(1)

2) 對于t時刻的像素It(x,y)，分別與已經(jīng)存在的M個高斯模型一次進行匹配：

|It(x,y)-μi,t-1(x-y)|<2.5σi,t-1.

(2)

4) 未匹配模式的均值和方差不變，對匹配模式的第i個高斯模型參數(shù)進行更新：

(3)

(4)

6) 繼續(xù)對It(x,y)與上述各高斯模型進行匹配檢驗，如果It(x,y)與前B個高斯模型的任意一個匹配，則改像素點為背景點；否則為前景點。

7) 重復步驟2)～6)，直到視頻結束。

自適應選擇高斯分布的個數(shù)是每隔N幀，對高斯分布進行一次掃描。檢查所有高斯分布的權重，如果某個高斯分布同時滿足下式：

ωi,t<ωinit
(ωi,t/σi,t)<(ωinit/σinit).

(5)

則將該高斯分布判定為多余的高斯分布，并刪除該高斯分布。最終得到需要的自適應混合高斯分布模型。

3 交通流參數(shù)獲取方法

3.1 基于模擬線圈法的高速交通流量獲取

完成自適應高斯混合模型構建之后，則需要利用虛擬線圈法來對車輛運動進行檢測。

在算法中，是統(tǒng)計虛擬線圈中前景像素的個數(shù)來確定車輛是否在虛擬線圈中的。也就是該方法對圖像特征描述是利用對圖像中的灰度跳變的統(tǒng)計來進行的，其意義是很清晰明了、而且計算起來也不會復雜，可以只對部分統(tǒng)計檢測區(qū)域即可得到相關的結果，并且取得的實驗效果也是相當好的。

把虛擬線圈設置到視頻圖像當中進行車輛檢測與識別技術就是虛擬線圈檢測法，其基本實現(xiàn)方法與使用物理線圈的檢測方法相類似，具體效果如圖1。

3.2 其他交通流參數(shù)計算方法介紹

1) 速度：設兩個虛擬線圈，并且已知線圈的實際間隔距離，通過經(jīng)過兩個線圈的時間差，即可計算出該車速度。

(6)

2) 占有率：本算法是計算五分鐘內(nèi)的時間占有率，在車量經(jīng)過虛擬線圈的每個時刻都會記錄下來。則占有率可由以下公式得到：

(6)

3) 車頭時距：我們定義了車時矩指的是：前車的車尾過虛擬線圈到后車的車頭過虛擬線圈所需的時間間隔。因此，相應的在計算車頭過虛擬線圈，為防止把噪聲認為是車頭經(jīng)過，加了一個閾值，連續(xù)兩幀都經(jīng)過，且剛過去的第四幀沒有車輛經(jīng)過，即視為車頭經(jīng)過。

4) 車頭間距：由于實際情況我們的鏡頭是不動的，因此，不一定能捕捉到一輛車和另一輛車的絕對位置的圖像。因此，我們假設車輛的速度是穩(wěn)定的。通過得到的后車與前車的車時距，與前車的速度，得到我們最終大致的車間距。

distance=vlast×Δt.

(8)

圖1 虛擬線圈設置演示

4 交通流參數(shù)實驗結果展示

交通參數(shù)算法指標中，我們著重于將指標集中于車流量這一個參數(shù)，其余的參數(shù)主要和實際情況相符即可，即基本無與實際情況不符數(shù)據(jù)。我們選擇了一個視頻進行實驗測試算法性能，視頻都沒有給定的準確車流量以及其他信息，故我們統(tǒng)計了整個視頻每3分鐘每條車道為一單元的車流量，以此得到每條車道三分鐘車流量的準確率。所得到的平均準確率即為算法得到的AA準確率指標。如下面式子所示：

(9)

由此得到的車流量的數(shù)值與準確率部分情況如表2。

表2 車流量統(tǒng)計準確率

通過得到的流量結果，按照其他交通流參數(shù)計算方法，可以得到其他交通流參數(shù)隨時間的變化情況，如圖2所示。

圖2 其他交通流參數(shù)變化情況

5 總結與展望

本文介紹了基于固定視頻圖像的高速公路交通流參數(shù)檢測研究，包括車輛檢測方法以及交通流參數(shù)相關計算方法?；趫D像處理的視頻車輛檢測方法與其他車輛檢測方法相比，具有直觀、可監(jiān)視范圍廣、交通參數(shù)種類多以及費用低等優(yōu)點，可廣泛使用于高速道路、匝道的交通監(jiān)控系統(tǒng)之中。