孫耀航 劉 萍

（中國人民解放軍陸軍軍官學(xué)院基礎(chǔ)部計算中心 合肥 230031）

今年“兩會”的政府工作報告中，再一次提到“加快推進(jìn)新型城鎮(zhèn)化”的重要課題。隨著我國城鎮(zhèn)化建設(shè)不斷推進(jìn)，私家車數(shù)量以及車輛里程數(shù)的不斷提高，交通擁堵愈發(fā)嚴(yán)重；嚴(yán)重的擁堵增加了車輛能耗，會造成嚴(yán)重的資源浪費和環(huán)境污染［1］。為了提升對現(xiàn)有交通設(shè)施的利用效率，緩解交通壓力，提高能源使用效率，降低環(huán)境污染，從20世紀(jì)60年代開始，以智能交通管理系統(tǒng)為代表的智能交通系統(tǒng)（ITS）［2］得到了廣泛關(guān)注。在智能交通管理系統(tǒng)中，人們有望對路口車輛的數(shù)量進(jìn)行實時監(jiān)控，并且根據(jù)當(dāng)前各方向車輛數(shù)量，對紅綠燈的轉(zhuǎn)換時間進(jìn)行即時調(diào)整。這一改進(jìn)無疑可以減少車輛的等待時間，從而降低擁堵，減少污染。而相比于需要在地下放置傳感器（比如地磁線圈）的智能交通燈，基于路口交通視頻處理的交通燈更能有效利用現(xiàn)有的資源（路口監(jiān)控攝像頭），成本更低，也易于修理維護(hù)。

在傳統(tǒng)的交通系統(tǒng)中，終端（紅綠燈、攝像頭等）采集到的左右信息都傳回控制中心，由控制中心對終端統(tǒng)一“發(fā)號施令”。但是，如果所有視頻流都傳輸回中心進(jìn)行處理，不僅會浪費網(wǎng)絡(luò)帶寬，并且傳輸過程中的丟幀也會使視頻分析變得非常困難。所以，在終端對視頻進(jìn)行分析就變得十分有必要。而因為終端處理器的性能有限，這就要求我們的算法復(fù)雜度低，并且高效。

總體來說，對物體進(jìn)行計數(shù)的算法可以分為以下三類：基于邊緣檢測，基于聚類，或者基于回歸的算法［3］。邊緣檢測算法需要對每個物體進(jìn)行分割，或者尋找每個物體的特征點。所以，邊緣檢測算法不適用于遮擋嚴(yán)重的路口車輛計數(shù)；而聚類算法雖然在克服遮擋上優(yōu)于邊緣檢測算法，但是其對靜止物體的識別相對較差。而路口車輛由于需要等待綠燈而常常處于靜止?fàn)顟B(tài)，所以聚類算法在此情況下表現(xiàn)較差。而基于回歸的算法直接提取圖像的整體信息，對車流的密度進(jìn)行整體估計。這種方法非常適用路口密集、緩慢的車流。所以，回歸模型更適合在此環(huán)境下進(jìn)行計數(shù)。

2 相關(guān)工作

如上所述，對物體進(jìn)行計數(shù)的算法可以分為邊緣檢測、聚類檢測以及回歸模型三類。而過去的研究主要將目光聚焦于邊緣檢測和聚類檢測上。浙江工業(yè)大學(xué)的阮體洪［4］提出了一種Haar-like和HOG特征結(jié)合的車輛識別算法；吉林大學(xué)的楊寧［5］則提出了基于邊緣特征的前方車輛識別算法，設(shè)想以霍夫變換對前方車輛的頂部進(jìn)行識別；中國海洋大學(xué)的王蕾［6］提出了一種基于Harris角點檢測的車輛識別技術(shù)。對于本文所設(shè)想的環(huán)境來說，這些方法的共同缺陷，在于對遮擋情況沒有進(jìn)行處理，進(jìn)行實驗的視頻中，車輛密度很低，便于提取特征點，所以顯然缺乏實用性。

同時我們注意到，在之前的研究中，回歸模型大多用于對擁擠場景下的人數(shù)進(jìn)行檢測。比如Davies等［7］首先提出了一個線性回歸模型，用于從照片中抓取整體特征，估計人群中的人數(shù)。Chan等［8］提出了一個視角歸一化的方法，同時采取多種互補(bǔ)的特征進(jìn)行特征提取，有效提高了計數(shù)精度。謝輝等提出了基于半監(jiān)督學(xué)習(xí)的計數(shù)方法，通過交互學(xué)習(xí)，可以發(fā)現(xiàn)更多的未標(biāo)記數(shù)據(jù)。這一方法在視頻視角復(fù)雜，不便于標(biāo)記的情況下表現(xiàn)較為良好。近幾年，卷積神經(jīng)網(wǎng)絡(luò)（CNN）［9］在跨視角人群計數(shù)上得到了廣泛的應(yīng)用。CNN的原理是通過給定的數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后使用訓(xùn)練完善的特征模板，可以對陌生場景進(jìn)行識別。

然而，現(xiàn)有的利用回歸模型對車輛進(jìn)行計數(shù)的方法非常稀少，因為相比于人，車輛的特點更加多元化。根據(jù)我們的研究，只有一個三級級聯(lián)回歸模型和一個基于兩層分類的回歸模型被用于車輛計數(shù)［10］，而此研究關(guān)注高速公路上的車輛計數(shù)，與路口車輛密度不可同日而語。而更多的研究則關(guān)注一些粗略的交通參數(shù)，例如擁堵狀況、車輛速度等。

3 本文提出的方法

3.1 概述

在本論文中，我們嘗試解決利用交通視頻對路口車輛數(shù)量進(jìn)行計數(shù)的問題。問題的主要困難在于：

1）車輛的外形特征多樣，提取適用性強(qiáng)的特征有困難；

2）路口車輛密度變化較大，使用單一的回歸模型易造成統(tǒng)計結(jié)果不準(zhǔn)確。

以上兩個問題，是造成路口車輛計數(shù)困難的主要原因。在本次研究中，提取多種特征對場景進(jìn)行描述，以此解決單一特征有可能造成計數(shù)不準(zhǔn)確的問題；針對路口車輛密度變化較大的問題，提出一種新的計數(shù)模型——密度敏感的回歸模型，根據(jù)路面上車輛密度的不同，靈活地采取對應(yīng)的子模型。

圖1 路口車輛計數(shù)方法框架

圖1展示了本文方法的框架?？梢钥吹剑痉椒ㄖ饕袃蓚€步驟：1）特征提??；2）車輛數(shù)目統(tǒng)計。在特征提取階段，提取視頻圖像ROI的邊緣特征和紋理特征；之后利用SVM分類器對車輛密度進(jìn)行辨別。最后，根據(jù)路口車輛密度的估計，對低密度情況利用線性回歸模型進(jìn)行計數(shù)，對高密度情況利用高斯過程回歸模型進(jìn)行計數(shù)。

圖2 回歸模型計數(shù)原理

3.2 回歸模型計數(shù)

在介紹本文提出方法的細(xì)節(jié)之前，有必要對回歸模型進(jìn)行簡要的說明。通過回歸模型進(jìn)行計數(shù)避免了對場景中的每一個對象進(jìn)行分割，轉(zhuǎn)而從被計數(shù)對象組成的集群中提取整體性特征。因為其過程中不包含分割對象或者追蹤單一對象的運(yùn)動軌跡，所以回歸模型計數(shù)非常適用于在擁擠的環(huán)境中進(jìn)行計數(shù)，因為在此環(huán)境下，邊緣檢測或者運(yùn)動軌跡檢測的性能被極大地限制了。

Davies等最早對使用回歸模型計數(shù)進(jìn)行了探索。他們首先截取視頻圖像的幾個幀，然后從每個幀中抓取粗糙的特征，比如前景像素、邊緣特征等。之后，再從粗糙特征中抓取前景區(qū)域、邊緣總數(shù)等整體特征。然后，利用一個線性回歸模型在整體特征和場景人數(shù)之間建立一個映射。對回歸模型計數(shù)的改進(jìn)主要聚焦在如何選取整體特征，以及使用哪種回歸模型，而回歸模型計數(shù)的原理基本沒有變化。圖2比較形象地展示了回歸模型計數(shù)的原理。

3.3 特征提取

3.3.1 邊緣特征

邊緣特征可以較為清楚地展示圖像的局部特征，同時對密度的變化比較敏感。可以直觀地認(rèn)為，低密度情況下可以得到較為粗糙的邊緣特征，而高密度情況則得到比較精細(xì)的邊緣特征。由于高密度遮擋比較嚴(yán)重，邊緣特征在此情況下準(zhǔn)確性有所下降。本文使用Canny算子進(jìn)行邊緣檢測，利用高斯平滑濾波器進(jìn)行降噪，我們使用的高斯內(nèi)核如式（1）所示：

由于需要記錄邊緣的像素值和梯度，用以下公式計算梯度幅值和方向：

3.3.2 紋理特征

紋理特征對交通場景中車輛的密度非常敏感，在高密度情況下紋理特征對場景的描繪遠(yuǎn)優(yōu)于邊緣特征。所以在車輛密度較高的情況下，我們選用紋理特征進(jìn)行統(tǒng)計。有兩種紋理特征廣泛用于物體數(shù)量統(tǒng)計——GLCM算子和LBP算子。因為LBP算子較為簡單有效，在本文中使用LBP算子。因為對MPEG格式的視頻進(jìn)行處理，MPEG格式視頻圖像的基本單位為宏塊（MB），每個MB對應(yīng)的LBP算子由其鄰接的8個MB算出。將需計算的MB定義為Bij，其LBP的計算公式為

其中Nij代表Bij的鄰接MB的集合，Bk表示N中的每個MB，k=0，1，…，7。d（）是用于比較兩個運(yùn)動向量（MV）間相似程度的函數(shù)，d的定義是

s（）是一個符號函數(shù)：

在這里Ts是一個臨界值。在實驗期間，我們令Ts=0.9。

3.4 計數(shù)方法

我們采用回歸作為車輛計數(shù)的模型。為了使實驗結(jié)果真實可靠，從合肥徽州大道與望江路路口實時采集了視頻圖像（此路口為主干道路口，車流繁忙擁擠，符合真實狀況）?？梢钥吹皆诟叻迤冢嚯x、視角與車輛密度的關(guān)系比較復(fù)雜，并非簡單的線性關(guān)系。造成這種復(fù)雜條件的原因有：1）車輛前部的視覺特征、尺寸差異較大；2）監(jiān)控攝像頭視域較寬。同時需要注意的是，路口車輛密度隨時間（紅綠燈交替、高峰期低谷期交替）變化很大，而密度較低的情況和密度較高的情況適用的回歸模型不同，所以采用單一回歸模型是行不通的。

基于以上情況，提出基于SVM的回歸模型，其原理在圖1進(jìn)行了展示。首先利用SVM將交通場景分為高密度和低密度兩種情況。在本實驗中，SVM采用RBF核函數(shù)。在場景分為兩種情況后，對低密度情況使用計算量小的線性回歸模型計數(shù)，對遮擋嚴(yán)重、不適用線性回歸模型高密度情況使用高斯過程回歸模型進(jìn)行計數(shù)。本實驗中，高斯回歸模型的協(xié)方差函數(shù)如下：

本式中δij是一個符號函數(shù)，我們規(guī)定當(dāng)i=j時δij=0，其他情況δij=1。規(guī)定參數(shù)組θ=（a0，a1，a2，a3，a4，a5）為參數(shù)組，其中a0，a1為線性趨勢，a2捕捉局部非線性情況，后面幾個參數(shù)對圖像噪聲進(jìn)行處理。

4 實驗環(huán)境

我們使用WSC-7R1W戶外監(jiān)控攝像頭對徽州大道-望江路口進(jìn)行實地拍攝，圖像處理硬件平臺為聯(lián)想T420S筆記本，搭載英特爾i5 2.50GHz處理器，4GB RAM，軟件平臺為Microsoft Visual Studio 2013。

5 實驗結(jié)果

為了保證實驗符合實際情況，實地拍攝了徽州大道與望江路十字路口的車流視頻用于實驗。圖3反映了路口車輛狀況。我們以16為臨界值，路口車輛數(shù)目大于16為密集情況。

圖3 前景分割

表1 各基于回歸模型的計數(shù)方法標(biāo)準(zhǔn)偏差

使用監(jiān)控視頻圖像對各方法進(jìn)行測試，視頻分辨率為640×480，25fps，分別以200，600和800張截圖為測試集。為了保證實驗客觀，分別對使用邊緣+紋理特征的高斯過程回歸（GPR）模型和線性回歸（LR）模型，使用邊緣特征的LR模型、紋理特征的GPR模型以及本文方法，利用SVM對低密度情況使用LR模型，對高密度情況使用GPR模型進(jìn)行了比較。可以看到，隨著測試集擴(kuò)大，抓取單一特征的回歸模型標(biāo)準(zhǔn)偏差較高（LR模型1.822，GPR模型1.247），而本文方法和使用邊緣+紋理特征的GPR模型標(biāo)準(zhǔn)偏差較為相近，低于0.5。但是根據(jù)進(jìn)程開銷，LR開銷僅為GPR的39.6%，所以在車流較稀疏的交通低谷期本文方法的開銷大大低于使用邊緣+紋理特征的GPR回歸模型。由于交通路口的計算設(shè)備性能較為有限，所以本文方法比參考方法更加適用。

6 結(jié)語

針對車輛外觀多樣、路口車流密度變化較大、視頻處理受網(wǎng)絡(luò)帶寬限制等問題，我們提出了基于SVM回歸模型的路口車輛計數(shù)方法。首先提取視頻圖像ROI中車輛的邊緣特征和紋理特征，利用SVM對車輛密度進(jìn)行辨別，最后對低密度情況使用線性回歸模型進(jìn)行計數(shù)，對高密度情況使用高斯過程回歸模型（GPR）進(jìn)行計數(shù)。實驗證明，本方法對路口車輛數(shù)量統(tǒng)計比較精確，同時算法開銷較小，速度較快，有效地說明了本文方法的優(yōu)越性。