关键词：智能交通系统；动态背景刷新；图像处理
中图分类号：TP274 文献标识码：A
Improved Traffic Flow Measuring System Based on Video
LUO Xin, ZHU Qing-xing
(Computer Science College, University of Electronic Science and Technology, Chengdu 610054,China)
Abstract: With the rapid development of the modern economy, the research and realization of the intelligent traffic system is becoming more and more
Key words: Intelligent traffic system; Dynamic background refresh; Image processing
1 引言
随着现代经济的高速发展，交通运输的保障就显得尤其重要，对交通管理的要求也越来越高，将计算机科学与通信等高新技术运用于交通监控管理与车辆控制的智能交通系统ITS(Intelligent traffic system，ITS)也随之应运而生。实时获取交通车流量的车辆检测技术是ITS的基础。
目前，实时交通流量车辆检测技术可分为三类。第一类为基于压电回路的永久埋入式系统，这类系统虽然可靠，但费用较高。第二类为近年来兴起的悬挂式系统，如基于闭路电视、微波、雷达、红外线或超声波传感器的监测系统。第三类为基于图像处理技术的交通流量车辆检测系统。采用图像处理技术车辆检测方法具有明显的优越性：检测的覆盖范围大，检测的参数多；安装简单，维护方便，不破坏路面，工程造价低；适用面广，可适用于路段、交叉路口等；可以适应多种气候条件等。因此，基于视频图像处理技术的交通流量车辆检测技术已成为人们研究的热点。
我们开发的这套系统基于视频图像处理技术中的检测区域思想、色差算法以及动态背景刷新策略，系统识别率达95％以上。
2 系统设计与实现
系统利用摄像机按PAL制式把道路车流行驶情况拍摄下来，并传输至计算机，利用计算机进行实时处理。采用PAL制式视频流和检测线技术来统计车流量会不会因为车速太快而导致车辆通过检测线时车辆与检测线相交的图片没有被采集到呢?如果发生这种情况，就会出现有车辆被漏识的情况，那么系统还得提高拍摄速度。采用PAL制式每秒钟可拍摄25帧，也就是说两帧间隔时间为t=1/25s(秒)，我们可假设车辆最短车长为d=3m(米)，最大车速v：180km/h(公里/小时)。则车辆在t时间内行驶的距离为s=180*1000/60/60*(1/25)=2(米)2．1 系统流程
第一步：在所拍图片序列中设定主检测线和辅助检测线。在视频图片中的每条车道上设置两条线段，靠近道路前方的一条线段称为主检测线，另一条称为辅助检测线。通过后面介绍的方法相应地确定两块独立的检测线区域。
第二步：生成背景；第一种方法，抽取检测线区域附近没有车辆的图片，认定为最初的背景。第二种方法，根据后面介绍的生成背景算法自动生成背景。
第三步：随着图片序列的不断更新，动态地刷新检测线区域的背景，不断取得检测线区域附近的前景与背景比较，判断检测车辆，实现车流量统计。
2．2 车流量统计原理
利用后面讲述的车辆检测算法进行流量统计。当检测线区域的内容被认定为背景时，主检测线的颜色设定为白色，当检测线区域的内容被认定为车辆时，主检测线的颜色设定为红色。当主检测线颜色由白变红时，说明本车道检测区域来了一辆车，本车道车流量计数器加1。其它主检测线颜色变化情况，计数器不变。
2．3 车辆检测算法实现原理
2．3．1 基本思想
在视频图片中的每条车道上设置两条检测线段，通过下面介绍的方法相应地确定两块独立的检测区域。利用下面介绍的动态背景刷新策略确定的检测区域的背景RGB颜色值与当前图片中检测区域的前景ROB颜色值的变化量来确定检测区域附近有无车辆通过。
2．3．2 设定检测区域
设置检测线时应遵循以下三条原则：①检测线一定要设定在车道内，线段宽度应与公路车道宽度基本一致，②线段方向应与车道方向基本一致，③辅助检测线应与主检测线平行，与主检测线的距离略大于车身后玻璃的宽度。
单靠一条检测线段来作为检测区域，车辆误识率还比较高。经过我们的试验，我们发现，以检测线为基础，再自动把靠近检测线与检测线只有一个象素距离的所有象素也当作比较区域，效果要好得多。我们把这样得到的检测区域称为检测线区域，为区分两块独立的检测线区域，我们把由主检测线确定的检测区域称为主检测线区域，由辅助检测线确定的检测区域称为辅助检测线区域。
2．3．3 生成背景
如摄像机位置保持不变，则所拍摄到的背景图像基本保持不变。假设对于一个图像序列，在时间轴上提取某个图像位置上的像素，得到一个关于时
我们的车辆检测算法可以利用这个原理来自动生成检测线区域最初的背景。
2．3．4 动态背景刷新
对于自适应的车辆检测算法来说，检测线区域的背景需要根据实际情况动态刷新。实际背景路面颜色值一般都会发生变化，若采用固定的背景进行车辆检测，一旦实际背景与固定背景的差别过大，则无论在检测线区域采到的是背景还是车辆，都与固定背景的差别超过阀值，也就都被识别成车辆。这样，就会降低系统的识别成功率，因此，必须实现实时的动态背景刷新，以反映真实的背景变化。
背景变化一般存在两种：缓慢变化(如太阳光线强度由强到弱等)与突然变化(如洒水车通过在道路上留下一片水渍等)。本系统采取的策略是：当检测线区域中连续10帧图片的内容都被确定为不是车辆时，则取其中色差值最小的那一帧图片中的检测线区域的当前RGB颜色值作为最新的检测线区域上的待比较的背景颜色值；当检测线区域中连续200帧图片的内容都被确定为车辆时，则可认为此时背景发生了突变，取当前帧中的检测线区域的 RGB颜色值作为最新的检测线区域上的待比较的背景颜色值。
在实验中，我们还发现：系统在拍摄视频流时，由于光线交叉反射的原因，并不能保证所得到的图片序列会保持同一种亮度。这也会导致系统误识。为了解决这一问题，系统假设视频流中总有一小块区域图像内容不会发生改变，亦即是说，总会有一小块区域只有背景，没有在运动的车辆。只要适当调整摄像头位置，这个假设总可以变成现实。系统依据这一原理，对动态生成的背景还要进行调整。
实验证明，这种背景刷新策略和背景更正算法是非常有效的。
2．3．5 车辆检测RGB色差算法。
利用当前帧中主检测线区域的RGB颜色值与用前面的动态背景刷新策略生成的背景中相应位置的RGB值进行比较，得到的色差总值如为C，若
仅采用主检测线区域来判断有无车辆还有不足之处：车身后部的玻璃容易被误识为背景，而增加一次计数，为了消除这种误识现象，我们增加了第二个检测线区域：辅助检测线区域(判断辅助检测线区域有无车辆仍然采用前面介绍的算法)。在设置辅助检测线时，应坚持一条原则：辅助检测线与主检测线的距离在图片中应略大于车身后玻璃的宽度。因此，改进后的车辆识别算法思想为：同时检测主检测线区域和辅助检测线区域，当它们的色差值都大于色差阀值C。时，则认定当前检测线区域有车辆通过。反之，则没有车辆通过。通过这一改进，可以很好地解决车窗后玻璃的误识问题。
2．4 车长和车速的测定
根据智能交通管理系统的需要，本系统还可大致估计车身长度和车辆运行速度等参数。
本系统经过大量的实验，其识别正确率可达到95％以上。下面是一组实验数据。
3 结束语
本系统与以前的同类系统相比对检测区域进行了改进，用两条有一定间距的平行线作为两个相对独立的检测区域同时测算，去除了车窗玻璃的误识情况，并对色差阀值与车道宽度的比例作出了认定，而且对动态背景刷新策略作出了较好的改进。本系统仍然有待进一步改进。我们以后的工作准备从以下两个方面着手：
1)如何去除车辆阴影的误识?受天气影响，当某车道有车经过时，可能会给邻近车道投下阴影，从而造成邻近车道车辆的误识。
2)车长和车速参数算法思想的进一步改进。前面提到的算法只是一个估计值，并不十分准确。因为并不能保证车辆撞击主检测线和辅助检测线时是车身的同一个位置。
参考文献
[1] 郭兰英．锁相技术的环形线圈车辆检测器的研究[J]．西安交通大学学报，1998，18(3)：110～112．
[2] 张秀珍，戴伏生，毛兴鹏．热释电红外传感器在车辆计数系统中的应用[J]．传感器技术，2000，19(2)：47～49．
[3] 王琳，冯海军，卢朝阳．一种基于聚类分析的实时交通流量监测系统[J]．电视技术，2004，(1)：82～84．
[4] 蒋刚毅，郁梅，叶锡恩，刘晓．一种基于视觉的车辆跟踪及交通流量参数估计新方法[J]，电路与电子学报，2001，6(4)69～75．
[5] 朱江，宜国荣，郑振东．基于视频动态投影的实时车辆流量检测系统[J]．计算机工程．200l，27(11)：25～27．
[6] Rojas, J. C. ; Crisman, J. D.. Vehicle detection in color images, Intelligent Transportation System[A], ITSC 97. IEEE Conference on , 9 - 12 Nov. 1997 ,Pages:403--408 .
[7] A. Bensrhair, M. Bertozzi, A. Broggi, P. Miehe, S. Mousset, and G. Toulminet. A Cooperative Approach to Vision based Vehicle Detection[A]. IEEE Intelligent Transportation Systems Conference Proceeding. Oakland (CA) USA August 25 – 29 2001 Page: 207～212.
[8] Alvaro Soto and Aldo. Cipriano. Image Processing Applied to Real Time Measurement of Traffic Flow [ A]. IEEE, System Theory, 1996., Proceedings of the Twenty- Eighth Southeastern Symposium on , 31 March- 2 April 1996, Pages:312～316.
[9] HiroyuKi Takada, Mueo Momozawa, Hiroyuki Kawano. A Study of the Measurement of Velocity by Image Sensors[J]. IEEE, 2001, 3: 251～254.
[10] K. Nishiyama, K. Kato, T. Hinenoya. Image Processing For Traffic Measurement[J]. IEEE, 1991, 3 : 1725～1729.
[11] 梁玮，罗剑锋，贾云得．一种复杂背景下的多车牌图像分割与识别方法[J]．2003，23(1)：91～95．
共0条 [查看全部] 网友评论